Farmaceutický trh produkuje obrovské množství dat, ale skutečný obraz reality vzniká až jejich promyšlenou kombinací. Umělá inteligence v tom může sehrát klíčovou roli – pokud je správně vedená, pracuje s ověřenými zdroji a její výstupy zůstávají reprodukovatelné. Podle Jiřího Stránského, ředitele farmaceutické divize společnosti Sprinx Systems, dnes není největší výzvou samotná technologie, ale schopnost klást správné otázky, rozlišovat kvalitu dat a nepodlehnout iluzi, že AI dokáže nahradit odborný úsudek.
Jak konkrétně využíváte AI k práci s daty?
Při práci s daty vnímáme v této fázi AI jako nástroj pro snadnější obsluhu datových sad, vytváření očekávaných výstupů. Jde o nástroj, který povede při vytěžování velkých datových sad k většímu uživatelskému pohodlí.
V tuto chvíli se nezaměřujeme na použití dotazů typu „Něco nevím, tak mi to najdi…“. Zatím naší AI učíme na uzavřených datových sadách, nepouštíme ji volně se toulat do internetových vod. Naším cílem jsou relevantní a reprodukovatelné výsledky. A to se nám daří, i když cesta „vzdělávacím systémem“ je pomalejší, než bychom chtěli.
Samostatnou otázkou je schopnost rozlišit správná a špatná data a udělat na jejich základech smysluplná rozhodnutí.
Na jaké překážky narážíte?
Překážky, které musíme překonávat, jsou myslím poměrně typické. Jak se správně zeptat, jak dostat při pěti stejných otázkách pět stejných odpovědí, ideálně správných a tak dále. To jsou body, na které narazí každý, kdo se trénováním AI zabývá.
Kombinace dat jako okno do reality lékového trhu
Vidíte dnes větší bariéru v kvalitě dat, nebo ve schopnosti s nimi pracovat?
Obecně může být bariéra v obojím. Záleží určitě na tom, kdo s daty pracuje. Technologicky jsou možnosti jejich zpracování větší, než většina z nás dokáže využít.
Pokud jde o kvalitu, pak ve chvíli, kdy přestanete řešit kvantitu, tedy že data nemáte nebo jich máte málo, začněte si užívat jejich dostatek – až nadbytek. To platí do chvíle, než začnete potřebovat údaje, které nejsou k dispozici, i když by měly být. Nebo vám data začnou dávat jiné výsledky než čekáte. Narazíte na limity možnosti sběru, jeho úplnosti a pečlivosti, a to je velmi obtížné ovlivnit. Samostatnou otázkou je schopnost rozlišit správná a špatná data a udělat na jejich základech smysluplná rozhodnutí.
O jaké typy dat mají vaši klienti největší zájem?
Zajímavá jsou všechna dostupná data o trhu v České republice, případně na okolních trzích. V Česku jde zejména o data z hlášení Státního ústavu pro kontrolu léčiv (SÚKL) typu DIS (vývoz), REG (registrace), LEK (výdej) a z úložiště eRecept. Data, která pro větší komfort uživatelů obohacujeme i o další údaje z dostupných databází SÚKL, poskytují – zejména v kombinaci – solidní přehled, co se na trhu s léčivými přípravky děje.
Opravdovou lahůdkou jsou pak data o uhrazené péči, která publikuje Ústav zdravotnických informací a statistiky. Jsou dostupná v podobě přizpůsobené pro analytiky, ale i v řadě našich dalších aplikací, jako jsou například targetingové reporty, reporty mapující potenciál jednotlivých poskytovatelů nebo jako datový dashboard pro rychlou orientaci manažerů.
Mohlo by vás zajímat
Kde podle vás končí „chytré reportování“ a začíná skutečná přidaná hodnota umělé inteligence, zejména s ohledem na přístup na trh (market access)?
Ta hranice nemusí být vždy zřetelná a leckdy je dobře udělané chytré reportování velmi užitečné. Přidaná hodnota umělé inteligence je v tom, že při správně zvoleném dotazu obsáhne obvykle k dané problematice více dat za kratší časový úsek a předloží je skutečné inteligenci k posouzení. Umí zobecňovat a připravovat projekce. Při práci s textem, což je v oblasti Market Access důležitá dovednost, bude AI v brzké době zřejmě nezastupitelná. Ať už při jeho analýze, tak při jeho vytváření. Ale pořád je třeba mít na paměti, že když AI odpověď nenajde v datech, občas si ji vytvoří podle svého. Zde stále zůstává nezastupitelná role odborníka.
Farmaceutický průmysl je plný inovátorů a lidí, kteří touží zkoušet nové věci.
S tím souvisí, jak řešíte otázku důvěry v AI výstupy, zejména v prostředí, kde mají data přímý dopad na strategická a regulatorní rozhodnutí?
Při vývoji AI nástroje používáme ověřená data, takže výsledek je očekávaný. Navíc používáme standardní postupy, jak ho zkontrolovat. Jsem přesvědčený, že i ostatní vyvíjené a vyvinuté aplikace kladou na správnost výsledků velký důraz, protože nástroj – byť seberychlejší nebo sebekomfortnější – který dává špatné výsledky, je k ničemu.
Podle našich zkušeností se u obecně používaných nástrojů může míra chybovosti pohybovat na úrovni 20–30 %. Záludné je, že pokud nevíte, jaký má být výsledek, nástroj vás může i oklamat. Chyba nemusí být nezbytně jen v tom, že když nástroj neví, tak si něco vymyslí. Může jít i o nepřesně formulované zadání. Odstranění chybovosti a zajištění reprodukovatelnosti výsledku je u produktu tohoto typu to nejsložitější.
Výzvy technologické i lidské
Co je na vývoji AI-driven nástrojů pro farmaceutický trh nejtěžší? Ať už technologicky nebo z hlediska změny myšlení klientů.
Nejtěžší, jako téměř vždy v takové situaci, je řídit a naplnit očekávání. Technologická omezení reálně existují pouze v tom, zda využijete kombinaci nástrojů dobrých nebo ještě lepších. Pokud jde o nastavení mysli, je farmaceutický průmysl to správné místo. Je plný inovátorů a lidí, kteří touží zkoušet nové věci.
Kdybyste měl říct jednu věc, kterou dnes farmaceutické firmy o svých datech systematicky podceňují, co by to bylo?
Obecně se při práci s daty nejvíce podceňuje jejich vidění v souvislostech. Uvnitř firem často existují analýzy, které spolu souvisejí nebo se mohou dobře doplňovat, ale jednotliví uživatelé o sobě vzájemně neví. Výsledky své práce tak spolu často nesdílí. Ve spolupráci datových a analytických specialistů nebo týmů vidím velký potenciál do budoucna. A my v tom samozřejmě všem rádi pomůžeme.
