Figura 1: Respostas combinadas à pergunta da pesquisa em três sessões do Clinical Data Innovation Forum (Nova York! Londres e Basileia): “Quais iniciativas têm a maior probabilidade de sucesso e o maior valor nos próximos dois anos em uma escala de 1 a 10?” RWD = Dados do mundo real.
Os responsáveis pelo gerenciamento de dados clínicos (CDM) enfrentam uma pressão cada vez maior para executar suas tarefas o mais rápido possível. Se pensarmos na famosa curva de adoção de tecnologia [Figura 2]! os aplicativos de IA/ML no espaço CDM ainda se enquadram nos estágios de “inovador” ou possivelmente “adotante inicial”!
Que são caracterizados por custos relativamente
Altos! juntamente com menor valor. Portanto! embora haja um potencial significativo para IA/ML melhorar a eficiência dos ensaios clínicos! até o momento! os resultados ainda não corresponderam ao hype.
Figura 2: A curva de adoção de tecnologia: define cinco Dados no exterior estágios ou mercados pelos quais novos produtos de alta tecnologia devem passar para ter sucesso.
Ciclo de vida de adoção de tecnologia
Em contraste! a automação algorítmica (não IA)! que fica na extrema direita da curva de adoção! está adicionando valor significativo ao CDM hoje. A automação algorítmica usa regras predefinidas! variando de simples a complexas! e executa esses processos com grande confiabilidade e velocidade.
Usando as ferramentas certas na hora certa
A automação inteligente é uma abordagem que enfatiza a seleção da melhor tecnologia de automação para otimizar a eficiência ao gerenciar riscos! que podem ser baseados em IA ou algorítmicos! dependendo do caso de uso. Existem vários casos Programas de gerenciamento de mudanças sustentáveis de uso em que as ferramentas de IA/ML podem desempenhar um papel fundamental no futuro! detectando rapidamente Listas de Taiwan padrões! inconsistências e dados ausentes. Por exemplo! o poder Valor percebido vs preditivo do ML pode ajudar a prever taxas de inscrição em testes! identificar fatores de risco que impulsionam eventos adversos e prever respostas de pacientes a tratamentos.