مدیر یک شرکت داروسازی می گوید : تولید داروهای نوآورانه و نجات بخش نیازمند بازگشت سرمایه کافی است. اخیرا این بازگشت سرمایه با مشکل مواجه گردیده است. طبق آمار موسسه حسابرسی Deloitte ۱۲ شرکت برتر دارویی فقط ۳.۲ درصد بازگشت سرمایه صرف شده بر روی تحقیقات دارویی را دارند.درسال ۲۰۱۰ این عدد ۱/۱۰ درصد بود.
چگونه صنعت داروسازی می تواند مانع این مشکل شود ؟
۰
تاریخ انتشارسه شنبه ۷ اسفند ۱۳۹۷ - ۱۳:۰۸
کد مطلب : ۱۵
چگونه دارو های هوشمند می توانند مشکل غول های داروسازی دنیا را برطرف کنند ؟
یک شرکت در فارمینگهام – ماساچوست تصور می کند پاسخ را یافته است.
مدیر یک شرکت داروسازی می گوید : تولید داروهای نوآورانه و نجات بخش نیازمند بازگشت سرمایه کافی است. اخیرا این بازگشت سرمایه با مشکل مواجه گردیده است. طبق آمار موسسه حسابرسی Deloitte 12 شرکت برتر دارویی فقط 3.2 درصد بازگشت سرمایه صرف شده بر روی تحقیقات دارویی را دارند.درسال 2010 این عدد 1/10 درصد بود.
چگونه صنعت داروسازی می تواند مانع این مشکل شود ؟
یکی از راه کارها میتواند استفاده از هوش مصنوعی برای پیشرفت تحقیقات دارویی در مراحل اولیه باشد. (همچنین در مواقعی که ریسک و احتمال شکست تحقیق در مورد دارویی بالا باشد) هوش مصنوعی یا AI می تواند در تحلیل میزان قابل توجه داده های منتج از تست های بالینی ، سوابق پزشکی، اطلاعات ژنتیکی و مطالعات پیش بالینی نیز یاری رسان باشد. همچنین Deloitte معتقد است از طریق این اطلاعات AI قادر است به تنهایی الگوها و روندهای تغییر را تشخیص داده و فرضیه هایی را بسیار سریعتر از محققان ارائه دهد.
شرکت های داروسازی بزرگی همچون Merck, Sanofi, Astrazeneca نیز در حال حاضر در آزمایشگاههای خود از آن بهره می برند.
در سال 2017 ، آسترازنکا برای استفاده از جدیدترین پلت فرم هوش مصنوعی با اهداف امید بخش بیولوژیکی و مقابله با عوامل احتمالی بیماری های عصبی مانند پارکینسون ، با شرکت تازه تاسیس Berg در ماساچوست همکاری کرده است.
نحوه کار این سیستم چگونه است ؟
Niven R.Narian مدیرعامل شرکت Berg ، می گوید برای شروع از بیولوژی استفاده می کنیم. ما نمونه بافت های افراد سالم و بیمار را گرفته و در سطوح مولکولی متفاوت تحلیل کرده واطلاعات حاصل را با داده های بالینی ترکیب نموده و به پلت فرم هوش مصنوعی Berg برای رسیدن به اهداف مورد نظرمان وارد می کنیم. برای تحلیل این اطلاعات ، برگ پایگاه داده عمومی در دسترس همگان را کنار می گذارد. نارین می گوید رویکرد ما Bayesian است و این فقط جمع آوری کردن مشتی اطلاعات و شکل دادن یک مدل و نتیجه گرفتن همبستگی بین آنها نیست. ما با فرضیه های از پیش تعیین شده کار خود را آغاز نمی کنیم. شما اطلاعات مد نظر را به سیستم داده و اجازه می دهید او فرضیه ها را شکل دهد. بنابراین به نظر می رسد هوش مصنوعی یک دانش خوب و کاربردیست باید صبر کرد و نتیجه را دید.
