Goldman Sachs Research'te ABD biyoteknoloji sektörü baş analisti olan Salveen Richter, ABD ekonomisinin en büyük sektörlerinden biri olan sağlık hizmetlerinin, yapay zeka (AI) ve makine öğrenimi (ML) kullanımı için önemli fırsatlara sahip birçok sektör arasında yer aldığını söylüyor.
"İki önemli ekonomik sektör olan teknoloji ve sağlık hizmetlerinin yakınlaşmasını gördüğümüz heyecan verici bir dönemdeyiz ve bunun önemli yeniliklerle sonuçlanacağını varsaymak zorundayız" diyor. Goldman Sachs'ın sağlık ve teknoloji araştırma ekiplerinin katkılarını içeren derinlemesine Byte-ology raporumuzun yazarlarından biri olan Richter ile AI/ML'nin sağlık hizmetlerine entegrasyonu, bu teknoloji için en umut verici uygulamalar ve "byte-ology" alanında risk sermayesi finansmanı ortamı hakkında konuştuk.
Sağlık hizmetleri neden yıkım için olgunlaştı?
Sağlık hizmetlerinin geniş, çok modlu veri kümeleri ile AI/ML'nin verimlilik, kişiselleştirme ve etkinlik alanlarındaki rekabet avantajlarının birleşiminin, sağlık hizmetlerinde yenilikçi bir dalga yaratmaya hazır olduğunu düşünüyoruz.
Veri açısından bakıldığında, sağlık sektörü çeşitli kaynaklardan çok büyük miktarlarda veri üretiyor ve bunlara güveniyor. Bu da yapay zeka ve makine öğrenimini uygulamak için zengin bir ortam yaratıyor. Sağlık sistemindeki verimsizlikler göz önüne alındığında bu teknolojilere ihtiyaç duyulmaktadır. Bir ilacın geliştirilmesinin sekiz yıldan fazla sürdüğü ve 2 milyar dolar harcandığı tahmin edilmektedir ve başarısızlık olasılığı oldukça yüksektir; on adaydan yalnızca birinin ruhsat onayı alması beklenmektedir. Üretken yapay zeka da dahil olmak üzere yapay zeka, daha güvenli, daha etkili ilaçlar yaratma ve kişiselleştirilmiş bakımı kolaylaştırma potansiyeline sahip teknolojiler arasındadır.
Sonuç olarak, iki önemli ekonomik sektör olan teknoloji ve sağlık hizmetlerinin yakınlaşmasını gördüğümüz heyecan verici bir dönemdeyiz ve bunun sonucunda bir inovasyon dalgasının ortaya çıkacağını varsaymak zorundayız.
Yapay zeka sağlık sektörüne halihazırda ne gibi değişiklikler getirdi?
Sağlık hizmetlerinde AI'nin ilk kullanım alanlarından bazıları radyoloji, patoloji ve hasta izleme gibi alanlar da dahil olmak üzere teşhis ve cihazlardır. Bilgisayar destekli bir servikal smear yeniden tarama cihazı olan PAPNET Test Sistemi, 1995 yılında FDA tarafından yetkilendirilen ilk AI/ML özellikli tıbbi cihazdı. 2000'li yıllarda, diğer yetkilendirmeler dijital görüntü yakalama, hücrelerin analizi, yaşamsal belirtilerin yatak başında izlenmesi ve tıbbi müdahalenin gerekli olabileceği olaylar için öngörücü uyarıları içeriyordu.
Büyük teknoloji şirketleri de bulut çözüm sağlayıcıları olarak devreye girmiş ve teknolojik uzmanlıklarını giyilebilir cihazlar, tahmine dayalı modelleme ve sanal bakım gibi alanlarda uygulamışlardır. Yaygın olarak konuşulan bir başarı, ilaç keşfi için çok önemli olan, bir proteinin amino asit dizilimlerine dayanarak katlanacağı şekli tahmin etme konusundaki onlarca yıllık sorunu etkili bir şekilde çözen bir derin öğrenme algoritmasını içeriyordu.
Yapay zekanın sağlık sektörüne entegrasyonunda şu anda neredeyiz?
Önceki tüm yeniliklere rağmen, hâlâ ilk aşamalardayız. Sağlık hizmetlerinde AI/ML vaadi onlarca yıldır mevcut olsa da, Covid-19 pandemisine müdahale sırasında rolünün ön plana çıktığına inanıyoruz. YZ, şirketlerin Covid-19 mRNA aşılarını ve terapötiklerini benzeri görülmemiş hızlarda geliştirmelerine yardımcı oldu. Ayrıca Covid-19 pandemisi, hasta erişimini ve sonuçlarını iyileştirmek için sağlık hizmetlerinde dijital çözümlere duyulan ihtiyacın altını çizdi ve tele-sağlık ve uzaktan izleme için önemli bir dönüm noktasını temsil etti.
Bu başarıların, hasta sonuçlarını geleneksel yöntemlerle beklenenden çok daha hızlı bir şekilde iyileştirmek için AI/ML ve diğer teknolojilerin dahil edilmesinin açık bir faydasını gösterdiğinden, alana yönelik coşkuyu daha da artırdığına inanıyoruz.
Yakın gelecekte sağlık hizmetlerine gelebilecek daha umut verici yapay zeka odaklı uygulamalardan bazıları nelerdir?
En yeni Byte-ology raporumuzda, derin öğrenme, bulut bilişim, büyük veri analitiği ve blok zinciri dahil olmak üzere sağlık hizmetlerinde dönüştürücü olabilecek teknolojileri özetledik. Ayrıca ilaç geliştirme, klinik deneyler, sağlık hizmetleri analitiği, araçlar ve teşhisler ve kişiselleştirilmiş bakım alanlarında kullanım örnekleri sunduk.
İşte bir örnek: ilaç geliştirmede, AI/ML yeni hedefleri belirlemek, uygun özelliklere sahip ilaçlar tasarlamak ve ilaç etkileşimlerini tahmin etmek için kullanılabilir ve böylece maliyetli geleneksel ıslak laboratuvar deneme yanılma geliştirme metodolojisine olan ihtiyacı en aza indirebilir.
Sağlık hizmetlerinde yapay zekadan yararlanma olasılığı diğerlerine göre daha yüksek olan alanlar var mı?
AI/ML için kullanım alanları sağlık hizmetlerinin hemen hemen her segmentinde bulunabilir - aradaki fark, belirli bir sektörde ne kadar veya ne kadar süredir kullanıldığı, kullanım alanının ne kadar doğrulanmış olduğu ve yeni teknolojik gelişmelerin sağlık sistemi içinde uygulanmasının ne kadar zor olacağıdır. Örneğin, radyoloji ve patoloji için yapay zeka araçlarının kullanımının bir geçmişi varken, birçok kişi ilaç tasarlama, belirli ilaçlara yanıt verme olasılığı en yüksek hastaları tahmin etme ve laboratuvarları dijitalleştirme gibi alanlarda AI/ML'nin faydasını anlamak için daha sağlam kanıtlara ihtiyaç olduğuna inanmaktadır.
Benimsenmesinin erken aşamalarda olduğu sektörlerde bile, AI/ML'nin potansiyel avantajlarının göz ardı edilmeyeceğine, aksine yakından inceleneceğine ve zaman içinde giderek daha fazla uygulanacağına inanıyoruz. Benimsenme, düzenleyici destekten, performansı değerlendirmek için standartlaştırılmış ölçütlerden, işbirliğini ve şeffaflığı geliştirmek için kamu forumlarından ve daha da önemlisi, hastalar ve sağlık uzmanları için kanıtlanmış bir fayda yoluyla kavram kanıtından büyük ölçüde yararlanacaktır - ki bunun ortaya çıkmaya başladığını görmeye başladık.
Üretken YZ'nin özellikle sağlık alanında belirli kullanımları veya faydaları var mı?
ChatGPT de dahil olmak üzere üretken YZ, sağlık hizmetlerinde, veri toplamanın aksi takdirde pahalı veya kıt olacağı ilaç geliştirme ve teşhis işlemlerine yardımcı olmak için sentetik veri üretimi gibi sayısız fırsat sunmaktadır. Buradaki bazı örnekler arasında, tanısal ML modellerini eğitmek için sentetik anormal beyin MRI'ları üretmek için bir modelin geliştirilmesi ve mevcut veri tabanlarında bulunanlardan farklı olan yeni antikor tasarımları üretmek için sıfır atışlı üretken YZ'nin kullanılması yer almaktadır.
Üretken YZ ayrıca yeni ilaçların tasarlanmasına, mevcut ilaçların yeni endikasyonlara göre yeniden tasarlanmasına ve tedavi planlarını kişiselleştirmek için genetik ve yaşam tarzı gibi hasta merkezli faktörlerin analiz edilmesine yardımcı olabilir.
ChatGPT özellikle doktorlara zaman kazandırmak için randevuların planlanması ve sigorta onaylarının hazırlanması gibi idari görevleri yerine getirmek, bilimsel literatürü uygun bir şekilde özetleyerek sağlık uzmanlarına yardımcı olmak ve hastaların sorularını konuşma tarzında yanıtlayarak hasta katılımını ve eğitimini iyileştirmek için kullanılabilir.
ChatGPT'nin teorik olarak teşhis gibi klinik karar verme süreçlerine yardımcı olabileceği de öne sürülmüştür, ancak modelin makul görünebilecek yanlış içerik çıktısı verdiği halüsinasyon riski göz önüne alındığında ChatGPT'nin bu uygulama için yeterli güvenilirlik ve doğrulama oluşturması muhtemelen zaman alacaktır
Sağlık alanında yapay zekaya yapılan risk sermayesi yatırımlarının durumu nedir ve GS bu şirketleri nasıl değerlendiriyor?
Risk sermayesi finansmanı, hem erken hem de geç aşama özel biyoteknoloji şirketlerinde inovasyonu desteklemeye ve teşvik etmeye devam ediyor. 2022'de, yapay zeka ve makine öğrenimi destekli sağlık şirketlerine yönelik risk sermayesi finansmanının, piyasadaki gerileme ve buna bağlı olarak risk sermayesi finansmanındaki yavaşlamaya rağmen yüksek kaldığını gördük. Şimdiye kadar 2023'te, resesyon riski ve diğer ters rüzgarlar nedeniyle, başka yerlerde olduğu gibi sağlık alanında YZ'ye yönelik VC dağıtımı yavaşladı.
YZ/ML'nin verimlilik ve etkinlikteki potansiyel avantajları nedeniyle, her şirketin mevcut ve hızla genişleyen teknolojilerin silah deposunu nasıl kullandığı, rekabetçi farklılaşmanın önemli bir parçasıdır. Rekabetçi farklılaşmayı ölçerken yönetim ekibinin kalitesi, platformun nihai hedefi, yatırımcıların bu hedefe ulaşılıp ulaşılmadığını anlayacağı zaman dilimi ve platformun mevcut YZ/ML araç setini gelişmekte olan oyunculara karşı savunmak için tescilli teknolojilerle nasıl birleştirdiği gibi çok sayıda faktörü dikkate alıyoruz.
Kaynak: https://tinyurl.com/2xxdwf94
Hiç yorum yok:
Yorum Gönder