Bereitstellung wiederholbarer, messbarer und unternehmensbereiter KI für Life Sciences.
Pharma- und Life-Science-Unternehmen nutzen KI zur Verbesserung der Arzneimittelentwicklung, der klinischen Entwicklung und der Patientenerfahrung. In diesen regulierten Umgebungen ist der Schlüssel zu bahnbrechenden Erfolgen und eines hohen Return on Investment (ROI) durch KI ein Ansatz, der sich auf das Wesentliche konzentriert – also auf die Vereinheitlichung von Daten, Interoperabilität sowie Sicherheit und Governance.
In der neuesten Folge des Healthcare IT News Podcasts HIMSSCast erklärt Rameez Chatni, Global Director of AI Solutions bei Cloudera, dass die Branche sich von einem entstehenden Fokus auf KI-Strategie zurück zum Fundament einer robusten Datenbasis entwickelt.
Interoperabilität in der gesamten Wertschöpfungskette gewährleisten
Ein typisches globales Pharmaunternehmen umfasst 12 bis 15 verschiedene, unternehmensähnliche Vertikalen – Forschung und Entwicklung, Produktion, Vertrieb usw. – und der Aufbau eines KI-fähigen Datensatzes erfordert die Verwaltung komplexer, verteilter Architekturen.
Die Vereinheitlichung von Daten ist schwierig, und die Lösung besteht nicht darin, alle Daten in ein einziges homogenes System zu zwingen. Stattdessen setzen Unternehmen auf eine Hybridarchitektur, die On-Premise-Systeme, mehrere Clouds und SaaS-Lösungen (Software-as-a-Service) umfasst.
Durch die Verwendung von interoperablen Open-Source-Technologien, die offene Datenformate unterstützen, wird sichergestellt, dass mehrere Abfrage-Engines auf Daten für eine Vielzahl von Engineering-, Analyse- und KI-Workloads zugreifen können, und das Risiko einer Herstellerabhängigkeit wird verringert.
Das ultimative Ziel der Datenvereinheitlichung besteht in der Bereitstellung des erforderlichen Kontexts für KI-Modelle, damit diese die Zusammenhänge innerhalb des Unternehmens erkennen und bessere Ergebnisse liefern können. Ein Kontextmodell, das viele Pharmaunternehmen nutzen, ist ein Wissensgraph. Diese Struktur erfasst die Beziehungen innerhalb des Unternehmens, indem sie Medikamente mit Genen, Krankheiten, klinischen Studien und kommerziellen Daten verknüpft, die Menschen oft übersehen, und schafft so einen echten umfassenden und nutzbaren Datensatz.
Diese fortschrittlichen Architekturen basieren jedoch auf einem wichtigen, oft übersehenen ersten Schritt: Dateninventar und Daten-Lineage. Das sind die stillen Helden und Grundpfeiler, die verhindern, dass verschiedene Funktionen (wie Forschung & Entwicklung und Fertigung) Lizenzen für dieselben Datensätze duplizieren und Ressourcen verschwenden.
Governance als Funktion und nicht als Problem betrachten
In einem Sektor, der versucht, mit Daten schnell Innovationen voranzutreiben, wird die Daten-Governance häufig vernachlässigt, und Projekte können sich dadurch bis zu neun Monate lang verzögern. Laut der Argumentation von Rameez sollte Governance als ein Funktion und nicht als Problem betrachtet werden. Das bedeutet die Umwandlung in „Governance as a Service“, eine proaktive, kontinuierliche Funktion innerhalb des Unternehmens.
Die einzige Möglichkeit zum Erreichen von Governance as a Service besteht in einem multidisziplinären Kompetenzzentrum (Center of Excellence, CoE), das Führungskräfte aus der Wirtschaft, Datenstrategen, Technologiearchitekten und Datenschutz-/Rechtsanwälte miteinander verbindet. Dadurch wird sichergestellt, dass technische Teams, die sich mit Datenbewegungen auskennen, effektiv mit Rechtsabteilungen kommunizieren können, die sich mit Datenschutz und Einwilligungsbeschränkungen auskennen.
Entscheidend ist, dass Governance frühzeitig eingesetzt wird. Die Nichteinhaltung von Compliance-Vorschriften, wie beispielsweise Beschränkungen bei der Verwendung von Daten aus klinischen Studien für sekundäre Zwecke, kann ein gesamtes Projekt in einer späten Phase zum Stillstand bringen. Tatsächlich sollte KI auf die Governance selbst angewendet werden, um Vertragsüberprüfungen zu beschleunigen und sicherzustellen, dass Compliance-Prüfungen automatisiert und überprüfbar sind.
ROI zum Erreichen der Skalierbarkeit nachweisen
Die Branche ist voller Berichte über Fehlschläge von KI-Pilotprojekten. Unternehmen, die noch am Anfang ihrer KI-Journey stehen, sollten zunächst Anwendungsfälle für den Einsatz von KI im operativen Bereich finden. Die Automatisierung von „langweiligen“ Aufgaben wie dem Schreiben von Protokollen für klinische Studien (wodurch bei tausend Dokumenten jeweils eine Woche eingespart wird) oder der schnelleren Bearbeitung von unerwünschten Ereignissen sind klare und schnell umsetzbare Erfolge.
Laut Rameez liegt der Schlüssel zum Erfolg in der Festlegung eines klaren, messbaren ROI, der auf das Unternehmen abgestimmt ist. In der Pharmabranche ist die Förderung einer „Fail Fast“-Kultur ein ROI. Ein Rechenfehler ist deutlich kostengünstiger als ein Scheitern in einer späten Phase der klinischen Studie.
Rameez fasst diesen ROI einfach zusammen und rät Unternehmen, Maßnahmen zu ergreifen, um Probleme schnell zu erkennen und zu lösen, bevor sie außer Kontrolle geraten: „Je früher Sie Probleme erkennen, desto schneller können Sie eine Lösung finden, bevor sie zu einem viel größeren Problem werden.“
Standardisieren Sie schließlich Ihre Systeme: Legen Sie agentische Frameworks, Tools und Supportmodelle fest und erstellen Sie vor allem klare Regeln für den Übergang von der Entwicklung zu einer validierten, überprüfbaren Produktionsumgebung.
Die nächste Herausforderung: Personalisierte KI
Mit Blick in die Zukunft versprechen die nächsten drei bis fünf Jahre eine noch größere Transformation. Wir werden einen Anstieg personalisierter Agenten erleben, die Interaktionen und Erkenntnisse auf den einzelnen Benutzer zuschneiden.
KI-Modelle werden sich weiterentwickeln, um mehrere Parameter gleichzeitig zu optimieren. Anstatt nur auf Wirksamkeit zu optimieren, schlagen die Modelle Moleküle vor, die wirksam, ungiftig, herstellbar und gleichzeitig gut lagerfähig sind. Möglicherweise erleben wir sogar das erste im Handel erhältliche Medikament, das als „von KI generiert“ vermarktet wird.
Möchten Sie erfahren, wie Sie Ihr Unternehmen auf diese Zukunft vorbereiten können? Hören Sie sich das vollständige Gespräch mit Rameez Chatni an, um alle Einzelheiten zur KI-Implementierung und Best Practices zu erfahren.
