AI and ML in Pharma: Redefining the Forecasting Landscape
General Overview
- 人工智能（AI）在制药领域的应用价值已达约9.05亿美元（2021年），预计到2030年将增长至92.41亿美元。
- 50%的全球医疗保健公司计划在2025年之前实施AI战略。
- AI驱动的药物开发预计每年增长40%，预计2024年将达到40亿美元。
Application of AI in Pharma
AI within Drug Discovery
- AI在药物发现中的应用：
- 识别科学家尚未发现的新的药物分子。
- 合成数据可以填补人群数据差距。
- 提高新化学实体（NCE）的成功概率。
- 降低研发成本并缩短上市时间。
- 目前约270家公司正在从事AI驱动的药物发现。
- 预计未来竞争环境将发生变化，行业与供应商之间的合作将增加，新药上市时间和相关成本将降低。
AI within Clinical Trials
- AI在临床试验中的应用：
- 提高临床试验的效率、准确性和有效性。
- 患者招募和筛选：减少临床试验的时间和成本，确保正确的患者参与正确的试验。
- 数据收集和分析：识别数据中的模式和趋势，识别最可能受益于特定治疗的患者。
- 风险评估：确保患者安全，识别可能发生不良事件的患者。
- 预测建模：开发预测模型以识别最可能成功或失败的试验。
- 决策支持：帮助研究人员在试验设计、执行和解释方面做出明智的决策。
- 预计AI将使临床试验时间缩短50%，降低相关成本。
AI within Diagnostics
- AI在诊断中的应用：
- 提高医疗保健的可及性和可负担性，增强诊断的效率和准确性。
- 识别肺癌：AI在检测肺癌肿瘤方面的表现优于或等同于六名放射科医生。
- 下一代测序：加速基因组数据分析，帮助推进生物标志物发现、加速药物开发和开发新的诊断工具。
- 诊断心脏病：AI测试提供更高的诊断准确性，减少不必要的侵入性血管造影需求，降低医疗系统成本。
- AI在诊断中的应用将影响疾病患者的分布，改变治疗线或疾病严重程度，并显著影响如肿瘤学等疾病。
AI in Pharma Forecasting – Challenges and Opportunities
Challenges of Adopting AI
- 数据考虑：
- 使用第三方数据集喂养AI系统。
- 数据隐私/患者同意。
- 需要嵌入隐私考虑，包括匿名化数据、最小化数据收集和应用数据保护措施。
Practical uses of AI in Forecasting
- 业务需求：新产品上市峰值份额预测。
- 挑战：获取适当的数据集和收集相关数据、竞争的临床特征、缺乏专业资源/时间限制、市场结构、分析数据的方式、公司概况、验证历史数据。
- 业务需求：制药行业的市场研究。
- 业务需求：有效的预测流程。
- 挑战：在预测周期中输入数据时获取可操作的辅助材料，以及能够及时有效地向高级管理层展示结果的能力。
AI Revolution – What to Expect
- 将先进技术引入企业：
- 将AI纳入企业战略，而不是将其视为一个侧项目。
- 在内部建立强大的AI技能和/或与专业的技术供应商合作。
- 记住技术仍在发展中，因此要保持开放学习新知识和可能性。
