あなたのデータは AI に対応していますか? 評価して基盤を築くための 4 つのベスト プラクティス

AIと生成AI（GenAI）は、ライフサイエンスと製薬業界に計り知れない可能性をもたらします。臨床試験の効率化、規制当局の承認取得の迅速化、研究開発の効率化など、その可能性は多岐にわたります。この技術は、創薬や科学情報の抽出といったプロセスの変革に既に活用されています。

International Data Corporation (IDC) のレポートによると、中規模ライフサイエンス企業の半数以上が、AI に加えてデジタル変革プロジェクトを実現することが主なビジネス目標であると回答しています。

しかし、誇大広告を現実のものとするには、データ、特に高品質なデータの入手可能性が不可欠です。適切なデータ管理がなければ、生成AIは成果を上げることができません。だからこそ、組織は「データファースト」のアプローチでデータを最優先に据える必要があります。

GenAIのライフサイエンスと製薬分野における可能性

製薬業界と医療機器業界はGenAIから大きな利益を得ており、年間60億ドルから110億ドルの経済価値が見込まれていると推定されている。 マッキンゼー。 どうやって？

一例として、GenAIは新薬候補となる化合物の探索プロセスを短縮することで生産性を向上させることができます。もちろん、新しい化合物は新たな副作用をもたらしますが、化合物、患者の生物学的特性、副作用、投与量などの複雑な関係性をAIの大規模言語モデルに取り込むことで、研究開発ライフサイクルを短縮するパターンを発見するのに役立ちます。

しかし、この可能性を最大限に引き出すには、高品質なデータが必要です。GenAIが優れた結果を出すためには、良質なデータにアクセスできなければなりません。医師の観察や患者のフィードバックが、様々な形式、列、フィールドで得られることを想像してみてください。投与量、投与形態、頻度はすべて重要な要素です。

そのため、データモデリングとガバナンスの実装が重要です。これらの基礎要素がなければ、GenAIの潜在的なメリットと価値は損なわれます。さらに、組織が求める次世代の効率化を実現するまでの時間が長くなる可能性があります。

基礎を築く

今日の組織が直面する大きな課題は、データが依然としてビジネス上の課題ではなく、技術的な課題として捉えられていることです。組織がデータをどのように捉えるかによって、AIプロジェクトを開始する準備が整っているかどうかが決まります。準備が整っているかどうかを示す答えは、「はい、データは間違いなくビジネス上の課題です」です。

データがどこに保存されているかは重要ですが、それよりも重要なのは、そのデータが存在する理由です。データは、研究開発から商品化まで、ビジネスを運営するために存在します。

適切な基盤を築くには、AIプロジェクトを開始してから6ヶ月後ではなく、最初から研究開発部門や事業オーナーの関与が不可欠です。こうしたオーナーには、医薬品有効成分の基盤となる化合物の相互作用を評価する科学者や医師などが含まれる可能性があります。

彼らの時間は限られています。土壇場でデータの引き渡しを依頼したり、作業中にデータをクリーンアップするよう依頼したりすることはできません。データはインテリジェンスの原動力であり、優先的に扱う必要があります。AIプロジェクトに着手する前にデータをクレンジングしないと、モデルのパフォーマンス低下、偏った意思決定、時間遅延、コスト増加、効果的なインサイトの欠如、コンプライアンスリスクにつながる可能性があります。

GenAIイニシアチブを開始するための手順

まず、達成したい成果を明確に定義することから始めましょう。期待される成果によって、どのデータオブジェクトやフィールドが最も重要かが明らかになるからです。次に、データが互いにどのように影響し合うかを判断します。このルールと詳細な情報のリストが、あなたの「知的財産」の基盤となります。これらは膨大なカタログへと発展し、クレンジングサイクルの一部として活用することで、重要なデータを完璧な状態に保つことができます。

プロジェクトのリスクプロファイルを低減するには、データのクレンジングとシミュレーションを直ちに開始してください。ベストプラクティスは次のとおりです。

1. 結果を念頭に置いて始めましょう: 例えば、規制当局への申請書類の改善を目指す場合、必要な項目、情報源、フォーマット、そして最終的にはそれらの記入方法に組織が焦点を当てることになります。目指すべき状態は、組織が目指すべき方向性を決定づけるでしょう。
2. データの品質をプロファイルします。 目指すべき状態が明確になれば、データプロファイリングツールは現状と目標状態の間のギャップを特定するのに役立ちます。ギャップが明確になったら、「ギャップの修正を自動化するためにどのようなルールを開発できるか」を自問してください。これにより、時間が自動的に短縮されます。ルールで修正できないギャップについては、手動による介入が必要になります。これは、レコード数、平均修正時間、利用可能な時間という観点から定量化する必要があります。この横断的な分析により、AIデータチームに必要なリソースの数が明らかになります。
3. 進行中のデータクレンジング: 「人に魚を与えれば1日分の食料となるが、人に魚の釣り方を教えれば一生分の食料となる」という古い格言を思い出してください。データ品質にもこの格言は当てはまります。組織は、クリーンなデータを単なる手段と捉えるべきではありません。真の価値は、データクレンジングを自動化するために用いられるルールと、組織が継続的なクレンジングと新たな標準の推進役となることにあります。これらのルールは、各組織の業務運営方法に関する知的財産です。企業が新しい化合物や新しい臨床研究を導入する限り、データは常に異なる形式で生成されます。組織は、学習が行われ、知識のライブラリ、つまりルールが形成されるように努めます。AIはあなたに感謝するでしょう。
4. データガバナンス： データガバナンスは、GenAIによるイノベーションの実現に極めて重要です。なぜなら、データガバナンスは、組織がバイアスを排除し、責任あるデータプラクティスを遵守し、プライバシーを保証することを保証するからです。GenAIとデータガバナンスが連携することで、ライフサイエンスや製薬業界の厳格な規制環境においても、プライバシーとコンプライアンスを確保できます。

AI対応データに向けて

製薬業界と医療機器業界は人々の生活を改善し、救うことを事業としており、データの質は極めて重要です。GenAIは新たな薬物療法の発見において飛躍的な進歩を遂げており、そのためにはGenAIが扱うデータは、クリーンで関連性のある、純粋なものでなければなりません。

質の高いデータは、信頼性が高く偏りのない結果の基盤となります。一方、データ品質とガバナンス対策の実施を遅らせたり無視したりすると、有効性、コンプライアンス、倫理上の問題など、重大なリスクにつながる可能性があります。

だからこそ、「データファースト」の考え方が極めて重要です。GenAIがライフサイエンス分野を変革し続ける中で、データの品質と健全なデータアーキテクチャは、これらの組織がGenAIがもたらす可能性を最大限に活用することを可能にするでしょう。

ただし、GenAIは人間の従業員に代わるものではないことを覚えておいてください。人間による介入は依然として不可欠ですが、GenAIはあなたの努力を大幅に強化することができます。

著者について：

リカルド・ロサレスは、Synitiのアメリカ大陸担当シニアバイスプレジデント兼マネージングディレクターです。ロサレスは18年間にわたりデータに注力してきました。この間、グローバル規模の導入におけるデータ変換とガバナンスを主導し、最も困難で、かつ成功が見込めないプロジェクトを好転させることで高い評価を得てきました。

南北アメリカ地域担当シニアバイスプレジデント兼マネージングディレクターとして、ロサレスは米国、カナダ、ラテンアメリカ地域における市場開拓活動（販売、アライアンス、そして顧客の成功に向けたサポートなど）を統括しています。彼は様々な顧客運営委員会に所属し、Synitiの主要顧客の多くにおいてエグゼクティブスポンサーを務めています。

CDO Magazineで記事全文を読む