"Supervised Machine Learning: The Preferred AI Approach for Clinical Trials Over Large Language Models"

Künstliche Intelligenz in klinischen Studien: Die Zukunft der Pharmaforschung

In den letzten Jahren hat sich Künstliche Intelligenz (KI) als ein technologischer Fortschritt herauskristallisiert, der das Potenzial hat, die Pharma- und klinische Forschungsbranche grundlegend zu verändern. Gemäß der jährlichen Umfrage „State of the Biopharmaceutical Industry“ von GlobalData unter Pharmafachleuten wird KI seit 2020 durchgängig als die Technologie eingeschätzt, die den größten Einfluss auf diesen Sektor hat. Doch welche Form der KI bietet tatsächlich das größte Potenzial für klinische Studien?

Die Grenzen von Großmodellen in der Natürlichen Sprachverarbeitung

Große Sprachmodelle (Large Language Models, LLMs) wie ChatGPT haben weltweit für Aufsehen gesorgt, da sie in der Lage sind, umfangreiche Texte auf Grundlage von Internetdaten zu generieren. Dieses kreative Potenzial ist zwar faszinierend, birgt jedoch auch Risiken. So neigen LLMs dazu, bei der Textgenerierung unzuverlässige oder auch inkorrekte Informationen zu liefern, was in der Branche als „Halluzination“ bezeichnet wird. Ein einfaches Beispiel: Als ChatGPT nach dem MedDRA-Code für „Herzinfarkt“ gefragt wurde, gab es einen existierenden und plausiblen Code zurück, der jedoch tatsächlich für „Mesotheliom“ stand.

Vorteile des überwachten maschinellen Lernens

In Anbetracht solcher Schwächen erweist sich das überwachte maschinelle Lernen (Supervised Machine Learning, SML) als effizienter in der klinischen Forschung. Dieses Modell bietet eine höhere Transparenz und Vorhersagbarkeit und arbeitet oft kostengünstiger. Branchenführer wie Zelta von Merative zeigen, dass SML-Modelle für spezifische Anwendungen in klinischen Studien kosteneffektiver und zuverlässiger sein können. Diese Modelle erlauben eine strengere Kontrolle der Daten und bieten bessere Möglichkeiten zur Einhaltung von Datenschutz- und Compliance-Vorgaben.

Praktische Anwendungen von SML

Supervised Machine Learning erweist sich besonders nützlich für Aufgaben, die spezifische Datenanforderungen erfüllen müssen. Diese Modelle benötigen oft weniger Trainingsdaten – was sowohl die Kosten als auch den Aufwand reduziert – und ermöglichen eine nahtlose Integration in bestehende Arbeitsabläufe. Langfristig bieten SML-Modelle auch erhebliche Kosteneinsparungen, da sie effizienter arbeiten und schnelle Analysen ermöglichen.

Zeltas Weg zur KI-gestützten Verbesserung von klinischen Studientechniken

Zelta hat bereits seit über einem Jahrzehnt KI und Automatisierung in seine cloudbasierte eClinical-Plattform integriert, um die Abwicklung klinischer Studien zu vereinfachen und zu optimieren. Diese Plattform nutzt KI für medizinische Kodierung und CDASH-Annotierung und spart dadurch Hunderte von Arbeitsstunden, während sie die Genauigkeit und Effizienz erhöht.

Mit Blick auf die Zukunft plant Zelta, seine KI-gestützten Funktionen weiter auszubauen, aber stets unter der Voraussetzung, dass diese durch getestete Anwendungsfälle gestützt werden. Damit setzt das Unternehmen klare Prioritäten für den Kundennutzen, anstatt sich von kurzfristigen Technologie-Hypes leiten zu lassen.

Zusammenfassend lässt sich sagen, dass während LLMs wie ChatGPT interessante Möglichkeiten bieten, das bewährte und zuverlässig kontrollierbare Modell des überwachten maschinellen Lernens für die gegenwärtigen Herausforderungen und Anforderungen der klinischen Forschung nach wie vor vorteilhafter ist. Diese Disziplin bleibt spannend und es wird interessant zu beobachten sein, welche weiteren Entwicklungen die Zukunft im Bereich der KI in der Pharmaforschung bereithält.