Die Rolle von Künstlicher Intelligenz in klinischen Studien: Chancen und Herausforderungen

Die Rolle der Künstlichen Intelligenz in klinischen Studien: Supervised Machine Learning vs. Large Language Models

Künstliche Intelligenz (KI) wird weithin als die Technologie angesehen, die klinischen Studien den größten Nutzen bringen kann. Laut der jährlichen Umfrage „State of the Biopharmaceutical Industry“ von GlobalData unter Pharmafachleuten rangierte KI in den Jahren 2020-2023 stets auf Platz eins der Technologien mit dem größten Einfluss auf die Branche. Aber welche Art von KI verspricht den größten Fortschritt?

Erwartungen an die Künstliche Intelligenz in klinischen Studien

Während die potenziellen Anwendungen von KI zahlreich sind, ist es entscheidend, dass Pharmaunternehmen eine proaktive, wertorientierte Strategie verfolgen, anstatt Technologien nur um ihrer selbst willen zu implementieren. Insbesondere können große Sprachmodelle (LLMs) wie ChatGPT durch ihre Fähigkeit, blitzschnell Informationen aus dem Internet zu nutzen, um Texte zu erstellen, sowohl faszinierend als auch herausfordernd sein.

Die Kreativität dieser Modelle ist zwar beeindruckend, doch sind sie anfällig für unreliable Antworten. In diesem Kontext erweist sich das supervised machine learning (ML) oft als der effektivere Weg, die Vorteile von KI in der klinischen Forschung zu nutzen, während gleichzeitig einige der Nachteile der LLMs wie Transparenz, Kosten und Konsistenz gemildert werden.

Die Grenzen von LLMs

Große Sprachmodelle sind in der Lage, kohärente Texte in menschlicher Sprache über längere Passagen zu erzeugen. Sie können für Übersetzungen, Inhaltserstellung und automatisierte Kundenbetreuung eingesetzt werden. Ihre Fähigkeiten im Bereich der natürlichen Sprachverarbeitung übertreffen oft traditionelle ML-Methoden. Dennoch zeigen sich bereits bei der Verwendung von LLMs Probleme. Hohe Rechenkosten, inkonsistente Ergebnisse und regulatorische Herausforderungen sind einige der Hauptbedenken. Besonders problematisch sind die sogenannten „Halluzinationen“, bei denen AI-Modelle Antworten liefern, die überzeugend erscheinen, aber faktisch falsch sind.

Ein Beispiel verdeutlicht das: Auf die Anfrage nach dem MedDRA-Code für "Herzinfarkt" lieferte ChatGPT eine Antwort, die formal korrekt und flüssig geschrieben war, aber der angegebene Code war der für Mesotheliom, nicht für Myokardinfarkt.

Die Vorteile des supervised machine learning

Im Hinblick auf Datenschutz und Transparenz könnten LLMs in bestimmten klinischen Studien nicht die beste Wahl sein. Supervised ML-Modelle hingegen laufen häufig erheblich kostengünstiger und erweisen sich als effizienter und wartungsfreundlicher. Branchenführer wie Zelta von Merative setzen auf das Prinzip des richtigen Werkzeugs für den richtigen Job und stellen den Kundennutzen an erste Stelle. Der Hype um LLMs kann verführerisch sein, doch die Investition in diese Technologien ist möglicherweise unnötig, wenn supervised ML-Modelle eine effizientere und greifbare Rendite bieten.

Zelta hat erkannt, dass supervised ML eine bessere Kontrolle über die Daten ermöglicht, was sicherstellt, dass diese den erforderlichen Standards für Genauigkeit und Relevanz entsprechen. Diese Herangehensweise verringert das Risiko unvorhersehbarer Ergebnisse und ermöglicht eine Feinabstimmung der Resultate, um verlässlichere und umsetzbare Einblicke zu gewinnen.

Zelta und die Anwendung von KI in klinischen Studien

Zelta nutzt seit mehr als einem Jahrzehnt KI und fortschrittliche Automatisierung. Ihre cloudbasierte eClinical-Plattform vereinfacht das Management klinischer Studien und unterstützt medizinisches Coding sowie CDASH-Annotation durch KI. Diese maschinellen Lernverfahren haben dazu beigetragen, Hunderte von Arbeitsstunden zu sparen und die Effizienz der klinischen Studien erheblich zu steigern.

Da KI auch weiterhin einen bedeutenden Einfluss auf die klinische Forschung haben wird, verpflichtet sich Zelta, ihre KI-gestützten Funktionen weiter auszubauen – jedoch unter Berücksichtigung getesteter Anwendungsfälle und nicht blind dem neuesten Trend zu folgen.

Fazit

Obwohl große Sprachmodelle wie ChatGPT, Llama und Gemini bemerkenswerte Fortschritte in der Sprachverständnis und -generierung erzielt haben, zeigen sich in der klinischen Forschung bevorzugte Vorteile durch supervised machine learning. Auf diese Weise können Unternehmen ihre spezifischen Anforderungen effektiv erfüllen, während sie die Herausforderungen und Risiken der KI im Gesundheitswesen minimieren.

Für weitere Informationen zu Zeltas Ansatz zur Nutzung von supervised machine learning für klinische Studien und deren zehnjähriger Erfolgsbilanz in der Anwendung von KI und Automatisierung laden Sie den folgenden Bericht herunter.