Wir verwendeten Natural Language Processing (NLP), um Protokolle klinischer Studien in der Pharmaindustrie zu analysieren. Pharmaunternehmen schreiben in der Planungsphase einer klinischen Studie ein 200-seitiges Protokoll, und unser Modell ist in der Lage, das Dokument zu „lesen“ und eine Reihe von Komplexitätsmetriken auszugeben.
Data Science/NLP in Pharma solution
Wenn ein Pharmaunternehmen ein Medikament entwickelt, muss es mehrere Phasen klinischer Studien durchlaufen, bevor es von den Aufsichtsbehörden zugelassen werden kann.
Bevor die Studie durchgeführt wird, verfasst der Arzneimittelentwickler ein Dokument, das Protokoll genannt wird. Darin sind wichtige Informationen darüber enthalten, wie lange die Studie dauern wird, welches Risiko für die Teilnehmer besteht, welche Art von Behandlung untersucht wird usw.
Das Problem besteht darin, dass jedes Protokoll bis zu 200 Seiten lang ist und der Aufbau variieren kann. Hier können maschinelles Lernen und NLP für klinische Studien hilfreich sein.
Für das deutsche Pharmaunternehmen Boehringer Ingelheim haben wir ein Deep-Machine-Learning-Tool mithilfe der Verarbeitung natürlicher Sprache (NLP) entwickelt und trainiert, um mehr als 50 Ausgabevariablen aus einem klinischen Studienprotokoll vorherzusagen. Dadurch können Pharmaunternehmen und Aufsichtsbehörden eine große Anzahl klinischer Studienprotokolle analysieren und quantifizieren, was eine genauere Kostenschätzung ermöglicht. Maschinelles Lernen bietet eine skalierbare und effektive Möglichkeit, klinische Studien zu organisieren.
Die Technik des Parsens natürlicher Sprache kann auf andere Branchen ausgeweitet werden, in denen große unstrukturierte oder halbstrukturierte Dokumente die Norm sind.
Wenn Sie ein Projekt haben, bei dem KI oder NLP Ihnen bei der Analyse klinischer Studien helfen könnten, nehmen Sie bitte Kontakt auf und wir freuen uns auf ein Gespräch.
NLP und KI haben großes Potenzial, viele Aspekte der Pharmaindustrie zu revolutionieren, von präklinischen Phasen wie der In-silico- Arzneimittelentwicklung bis hin zu klinischen Studien und der Aftermarket-Überwachung wichtiger Meinungsführer (KOLs).
Bei Fast Data Science stehen wir an der Spitze der KI in der Pharmabranche und haben an Projekten in der präklinischen, klinischen und KOL-Phase des Arzneimittelentwicklungslebenszyklus gearbeitet. Lesen Sie mehr darüber , wie Forscher KI in der Pharmaindustrie einsetzen .
Wir haben uns hauptsächlich auf maschinelles Lernen in klinischen Studien konzentriert, insbesondere bei NLP- Projekten in der Pharmaindustrie, haben aber auch an allgemeineren datenwissenschaftlichen Projekten wie Komplexität und Risikoabschätzung gearbeitet.
Wischen Sie durch die folgenden Beispiele, um mehr über KI und die Verarbeitung natürlicher Sprache in Pharma- und klinischen Studien zu erfahren.
Bei Fast Data Science arbeiteten wir an einem Projekt zur Verarbeitung natürlicher Sprache für ein Pharmaunternehmen, das das Risiko vorhersagen musste, dass klinische Studien nicht informativ enden.
Wir haben ein webbasiertes Tool für maschinelles Lernen entwickelt, das es einem technisch nicht versierten Benutzer ermöglicht, eine PDF-Datei eines klinischen Studienprotokolls per Drag-and-Drop zu verschieben. Das Tool wandelte das PDF in Rohtext um und extrahierte eine Reihe wichtiger Eigenschaften des Versuchs, wie z. B. die Anzahl der Probanden, den Ort, die Pathologie, das Vorhandensein eines statistischen Analyseplans (SAP), die Effektschätzung und die Simulation zur Bestimmung der Stichprobengröße.
Diese Eigenschaften wurden in ein Risikomodell eingespeist, das den Versuch als geringes, mittleres oder hohes Risiko einstufte und einen leicht exportierbaren PDF-Bericht erstellte, den Benutzer mit Kollegen teilen konnten.
Novartis nutzt maschinelles Lernen, um vorherzusagen, welche ungetesteten Verbindungen wahrscheinlich biologisch aktiv sind und eine In-vitro -Untersuchung wert sind.
Verge Genomics nutzt KI, um die Wirkung neuer Behandlungen für Alzheimer-Patienten vorherzusagen. Das Unternehmen hat eine der weltweit größten Datenbanken für Hirngewebesequenzen aufgebaut. Ihre Datenbank enthält Gewebe aus mehr als 1.000 menschlichen Gehirnen.
Verge gilt als Pionier der KI für die Arzneimittelforschung, nachdem es die DNA von Patienten entschlüsselt hat, die an neurodegenerativen Erkrankungen gestorben sind, und ein maschinelles Lernmodell entwickelt hat, um Gene zu finden, die als Ziele für neue Medikamente dienen könnten.
What we can do for you
