Por que e como as Equipes de Assuntos Médicos devem Aproveitar o uso do PLN - Processamento de Linguagem Natural?

Como profissional de assuntos médicos, você deve ter ouvido o termo "Mineração de Texto" ou Processamento de Linguagem Natural (PNL) usado para se referir a uma variedade de abordagens que transformam documentos não estruturados e texto de banco de dados em dados que podem ser usados ​​para pesquisa, análise e percepções. Além disso, com o advento da IA Generativa e de grandes modelos de linguagem como os recentes GPT4 e ChatGPT, este tópico explodiu na consciência popular.

Esses desenvolvimentos ocorrem em um cenário de volume e complexidade de dados implacáveis. Estima-se que 97 Zettabytes de dados foram gerados em 2022, de acordo com o Statista, e o crescimento é exponencial. Outra estimativa coloca a percentagem de dados relacionados com a saúde em 30% de todos os dados – um número surpreendente. Dada a ampla competência dos assuntos médicos, a tecnologia deve ser utilizada para gerir o fluxo esmagador de informações provenientes de diversas fontes, tais como conversas online, registos médicos, literatura científica, redes sociais e dados organizacionais. O PNL pode extrair dados estruturados e utilizáveis ​​dessas fontes complexas e decifrar ambigüidades de linguagem para extrair fatos e relacionamentos importantes ou fornecer visualizações resumidas do conteúdo para ajudar os usuários a encontrar o que realmente precisam.

A melhor parte? Os programas de PNL podem fazer isso sem fadiga e de maneira consistente e imparcial. Tentar fazer isso sozinho é uma façanha quase impossível.

Mas o que tudo isso significa para você, como profissional de assuntos médicos?

As terapias cada vez mais complexas e um panorama regulamentar mais rigoroso significam que se espera que os conhecimentos médicos operem a níveis estratégicos e técnicos mais elevados, desde a geração de provas até à divulgação e educação. Isso significa que as equipes de assuntos médicos precisam capturar insights e evidências das fontes de dados quase infinitas que existem e comunicá-los de forma significativa entre diversas partes interessadas em vários níveis. E tudo isso deve ser realizado sem aumentar os custos para o negócio.

Exemplos de uso da PNL para assuntos médicos

Considere as novas evidências que surgem em torno da eficácia de um produto que gera um aumento no número de perguntas e consultas aos HCPs - Health Care, Provider | Practitioner (Profissional da Área da Saúde) por meio de contatos com os MSLs - Medical Science Liaison. Como você pode obter rapidamente uma visão das pesquisas mais recentes para a área terapêutica do seu produto e ampliar aquelas que se concentram na eficácia, para fornecer rapidamente aos seus MSLs o histórico e o contexto corretos? Grandes modelos de linguagem pré-construídos, Aprendizado de Máquina e linguística podem ser usados ​​para extrair conteúdo relevante e reduzir ruído nos resultados. Isso pode causar um curto-circuito na revisão laboriosa, dando à sua equipe a confiança e, principalmente, os dados, para ter as conversas certas com os profissionais de saúde e com as partes interessadas em geral.

         

A tecnologia PNL aborda desafios como as ineficiências da leitura e revisão manual de milhares de documentos ou da repetição de análises dos dados mais atuais. Tecnologias semelhantes de PNL podem ajudar a responder às mesmas perguntas, mas usando múltiplas fontes de dados diferentes, simplificando processos e centralizando resultados.

Estudos observacionais do RWE

A PNL também é usada para normalizar e extrair informações como parte de estudos observacionais do RWEs - Real World Evidence (Evidências do Mundo Real), onde informações valiosas são armazenadas em fontes como notas clínicas, de admissão e/ou alta. Um exemplo atual disso é o envio de dados de texto livre de mais de 4.000 pacientes por meio de uma plataforma EDC (Captura Eletrônica de Dados) como parte de um estudo combinado retrospectivo de 2 anos/prospectivo de 4 anos. O texto livre é utilizado para derivar a fundamentação da decisão de tratamento por parte dos prescritores em 11 países.

• RWE | Biomarcadores oferecem um tesouro a ser explorado
• RWE | Usando RWE para informar considerações de pagadores
• RWE | Casos de uso: Apoio a submissões regulatórias
• RWE | Explorando Fontes de Dados mais Variadas
• RWE | Colocando para Funcionar mais cedo no Ciclo de Vida do Medicamento
• RWE | Auxílio na Tomada de Decisões internas sobre Desenvolvimento de Portfólio
• RWDs e RWEs - Estão Desempenhando um papel Crescente nas decisões de Saúde
• Pharma 2023 | VACINAS - O 3º de 3 Casos de Uso de RWE - Evidências do Mundo Real - no Desenvolvimento de Medicamentos Farmacêuticos
• Pharma 2023 | MEDICAMENTOS - O 2º de 3 Casos de Uso de RWE - Evidências do Mundo Real - no Desenvolvimento de Medicamentos Farmacêuticos
• Pharma 2023 | TERAPÊUTICA DIGITAL - O 1º de 3 Casos de Uso de RWE - Evidências do Mundo Real - no Desenvolvimento de Medicamentos Farmacêuticos

 

 

Determinantes Sociais da Saúde

Outro exemplo que está ganhando importância, especialmente nos Estados Unidos, é a identificação de Marcadores para Determinantes Sociais da Saúde (SDOH) a partir de dados do EMR - Electronic Medical Record (Registro Eletrônico Médico), para fornecer uma melhor compreensão dos desafios dos pacientes e como estes impactam sua saúde. e acesso a cuidados, por exemplo.

Mídia Social

Além disso, a PNL pode ser usada com dados de mídias sociais e fóruns online para entender como os pacientes falam sobre suas doenças, tratamentos e cuidados. A PNL ajuda as equipes de assuntos médicos a descobrir tendências e insights para aumentar a capacidade de resposta, ajudar a criar materiais educacionais eficazes, comunicações médicas e muito mais. Num projeto recente, estamos a utilizar a aprendizagem automática para analisar dados ruidosos e descobrir os tweets mais relevantes e úteis, onde os pacientes falam especificamente sobre a sua experiência pessoal com tratamentos, por exemplo. Ao considerar a escala dos dados das redes sociais, especialmente para doenças mais comuns, você deve ter uma tecnologia capaz de extrair os dados e alertá-lo como usuário final. Caso contrário, haveria simplesmente muita informação para digerir.

Então, como saber se a utilização da PNL pode ser adequada para sua equipe?

Comece analisando suas fontes de dados subutilizadas – aquelas que possuem uma quantidade significativa de textos livres ou informações baseadas em documentos – e considere contratar uma organização com profunda experiência no setor de ciências biológicas, na qual você possa testar ou comprovar conceito para uma PNL focada em uma ou duas questões ou desafios.

Combinar o conhecimento e a experiência dos profissionais médicos com a tecnologia e a IA é fundamental para as organizações de ciências da vida, se quiserem realmente tornar-se orientadas por dados na era digital. As tecnologias devem capacitar e capacitar essas equipes, reduzindo ou eliminando o máximo possível do trabalho manual, tedioso e repetitivo, permitindo-lhes fazer o que fazem de melhor, que é levar terapias impactantes aos pacientes.

Referência: https://www.iqvia.com/blogs/2023/04/why-and-how-medical-affairs-team-should-capitalize-on-using-natural-language-processing-nlp

 

 Clique aqui e nos contate via What's App para avaliarmos seus projetos 

Comente e compartilhe este artigo!

brazilsalesforceeffectiveness@gmail.com

 Conheça alguns dos nossos livros 

 

  

 

  

 

    

 

 

 

 

 

 

Inteligência Artificial, Machine Learning e Big Data para Marketing e CRM - Indústria Farmacêutica | 4º Impacto da Web3 e do Metaverso

Gostaria que você imaginasse o seguinte cenário: Você é o piloto de um avião e um dia, no meio do voo, um de seus motores entra em pane. Terrível, certo? Aconteceu de repente, e aparentemente nada seria capaz de prever isso.

Série: Indústria Farmacêutica e a Web3 e Metaverso

Mas a verdade é que, sim, provavelmente seria possível visualizá-lo se o avião estivesse cheio de sensores que capturam dados em tempo real e, por meio de IA, seria capaz de antecipar uma parada do motor – por meio de correlações e simulações baseadas no Big Data que é coletado (praticamente como um Tesla é capaz de fazer, diferentemente da maioria dos carros).

Vê o poder do Big Data sendo processado pela Inteligência Artificial? Isso nos ajuda a prever mais e reagir cegamente menos. E considere que já vivemos em um mundo com muitos e muitos dados, onde mais de 90% dos dados gerados desde o início da humanidade foram gerados na última década, e onde hoje chegamos ao ponto de 97 Zettabytes de dados até o final de 2022 de acordo com Statista (que só para se ter uma ideia, um Zettabyte é um número com 12 zeros.

Então, como Big Data e IA podem ajudar em Farma? A verdade é que há uma infinidade de aplicações, especialmente após o Covid-19: uma pesquisa da Deloitte sobre o dimensionamento da adoção da IA ​​em toda a cadeia de valor de Farma descobriu que o COVID-19 colocou em destaque a IA. Empresas usaram muito a IA para otimizar a seleção de locais para vacinas COVID-19 e gerenciar o impacto das interrupções em suas operações de desenvolvimento clínico. A Novartis, por exemplo, usou a IA para analisar dados sobre operações de teste armazenadas em data lakes para prever onde as interrupções (como falta de pessoal, atrasos nas inscrições) provavelmente ocorreriam e intervir cedo para reduzir seu impacto nos prazos dos testes. Além disso, o estudo “Medindo o retorno da inovação farmacêutica” de 2020 da Deloitte descobriu que investimentos em IA e digitalização de operações de teste permitiram que a maioria das 20 principais empresas (em termos de gastos com P&D) mantivessem testes importantes em andamento sem afetar os prazos de lançamento previstos.

A verdade é que as empresas farmacêuticas têm muitos dados, acumulados ao longo de anos de operação (especialmente dados internos, mas estamos vendo cada vez mais dados externos, como dados de pacientes): em P&D, por exemplo, descoberta digital e teste de moléculas com técnicas avançadas de modelagem e simulação serão comuns (como vimos no artigo anterior). Por exemplo, a simulação fisiológica acelerará o desenvolvimento de produtos e a modelagem 3D de tecidos ajudará a avaliar a toxicidade potencial usando simulação de computador. Em ensaios clínicos, os fluxos de dados de sensores de ensaios clínicos in vivo capturados por wearables serão incluídos em  registros e dossiês de valor para fornecer uma indicação precoce da eficácia do mundo real.

A GSK deu um passo nessa direção em 2018 com um investimento de US$ 300 milhões na 23andMe para, entre outras coisas, ter acesso ao banco de dados de 5 milhões de pessoas que a startup possui. E sabemos que dados alimentam algoritmos de Machine Learning: a GSK também é uma das empresas que mais escala em Inteligência Artificial, com uma equipe de mais de 100 pessoas trabalhando em IA. Eli Lilly também tem trabalhado muito nesta área: ela é membro do MLDPS, o Machine Learning for Pharmaceutical Discovery and Synthesis Consortium, que é uma colaboração com o MIT para desenvolver software para automatizar a descoberta e síntese de pequenas moléculas.

Em marketing e vendas, o papel do Big Data também é fundamental para entender o comportamento de prescrição e os perfis de potenciais pacientes, possibilitando uma segmentação mais precisa de fornecedores e aumentando o número de prescrições feitas. Por exemplo, uma tecnologia de “pesquisa de pacientes” que explora registros médicos eletrônicos para identificar pacientes com doenças raras específicas permitirá que as Forças de Vendas e os contatos da ciência médica se concentrem em prestadores de serviços que cuidam de pacientes com probabilidade de ter essas doenças raras, embora ainda não tenham sido diagnosticadas. Um exemplo é o que a Novartis vem fazendo no Brasil com esclerose múltipla: eles colocaram códigos QR em clínicas de oftalmologia, para que os pacientes escaneiem e preencham um formulário com seus sintomas, o que pode ajudar a Novartis a prever muito melhor do que médicos individuais as chances de esclerose múltipla , através de um algoritmo de IA que usa os dados do paciente.

Mas cuidado: empresas de tecnologia como Apple, IBM e Qualcomm Technologies estão se esforçando muito na área da saúde e já estão gerando muitos dados: elas podem se envolver com pacientes por meio de aplicativos, dispositivos de saúde e fitness e comunidades online, por exemplo. Basta pensar na Apple, com o Health Kit no iPhone e no Apple Watch! E eles são capazes de coletar petabytes de dados dessas e de outras fontes, como registros médicos eletrônicos e pedidos de seguro, capturando informações valiosas.

Por exemplo, a plataforma IBM Watson Health – recentemente no centro de uma parceria com a Apple e sua plataforma de dados de sensores de saúde HealthKit – está usando análises avançadas e recursos de Processamento de Linguagem Natural para apoiar decisões clínicas. A oportunidade está aí: quem primeiro entre as empresas farmacêuticas irá colaborar com esses players na construção de uma cultura analítica e de Big Data, ganhará uma importante vantagem competitiva. A Sanofi deu um passo nessa direção ao iniciar uma parceria em 2017 com a Evidation Health, empresa de “análise comportamental” que, por meio de sua plataforma Real Life Study, coleta dados sobre pacientes por meio de aplicativos em smartphones e wearables.

No geral, a transformação digital está permitindo que as empresas farmacêuticas gerem valor para o paciente além do medicamento, como fornecer tratamento personalizado e em tempo real por meio de sensores e serviços digitais. Muitos medicamentos irão fazer parte de um ecossistema digital que monitora constantemente as condições dos pacientes e fornece feedback em tempo real. O resultado disso? Maior eficácia, pois permite personalizar a terapia com base nas necessidades clínicas e de estilo de vida do paciente e permitirá o monitoramento remoto por profissionais de saúde. Já existem muitos sensores e dispositivos IoT no mercado que podem medir os sinais biofísicos do paciente: desde wearables como o Apple Watch, FitBit e similares, até chips sob a pele que também permitem a injeção de medicamentos onde mais necessário, para um que conheço bem pois eu trabalhei na L’Oréal: My Skin Track UV da La Roche-Posay – um sensor combinado com um aplicativo móvel que monitora a exposição da pele aos raios ultravioleta.

A consequência de tudo isso? Que os tratamentos sejam cada vez mais personalizados e mais precisos, de acordo com as necessidades de cada paciente. Ao acoplar a IoT ao Big Data, será possível prever como os pacientes reagirão aos tratamentos e até mesmo realizar ensaios clínicos de novos medicamentos mais rapidamente. Personalizar medicamentos seguindo a composição genética de um indivíduo faz parte da iniciativa de medicina de precisão (ou personalizada), e muito disso foi possível graças aos avanços na compreensão do microbioma humano, especialmente a maneira como a flora intestinal humana interage com os produtos farmacêuticos. Ou seja, no futuro não será importante apenas produzir o medicamento, mas será ainda mais importante fornecer aos pacientes e às pessoas soluções completas e customizadas para produtos e serviços de saúde. E a Inteligência Artificial e o Machine Learning estão exatamente aqui para isso.

Comente e compartilhe este artigo!

brazilsalesforceeffectiveness@gmail.com