I takt med at teknologier som ChatGPT, Bard, EinsteinGPT og andre vinder frem, bliver der stillet spørgsmål til, hvordan vi bedst balancerer teknologien i forhold til fordele, risici og de etiske overvejelser. 

Det gælder især også, når det kommer til life science-industrien, hvor generativ kunstig intelligens (GenAI) potentielt kan effektivisere opgaver på tværs af hele værdikæden med flere produkter og forbedrede tilbud til partiener til følge. 

Men skal GenAI være en naturlig del af vores kliniske produktionsapparat og udvikling, kræver det en grundig og sikker køreplan for, hvordan GenAI bliver anvendt i de danske life science-virksomheder.

Inspiration til navigering mellem mennesker, processer og teknologi

Belært af mange års erfaring indenfor området, er der nedenfor udformet en oversigt med punkter, overvejelser og eksempler på, hvordan branchen med fordel navigerer indenfor en verden af kunstig intelligens:

• Data: De kliniske data, der anvendes til GenAI, stammer ofte fra forskellige kilder og dataformaterog det komplicerer standardiseringen. Denne proces kan med fordel strømlines for at forbedre data på tværs af datasæt med flere kilder. Mangel på data eller ringe kvalitet heraf gør, at værktøjer som machine learning indenfor genomics kan forsinke nye behandlinger til sjældne sygdomme, men også introducere fejl eller bias i data.
• Sikkerhed og privatliv: Patientdataenes ukrænkelighed er altafgørende. Robuste sikkerhedsprotokoller, HIPAA, GDPR, samt de enkelte myndigheders guidelines i branchen såsom ICH, datakryptering og streng adgangskontrol er vigtige komponenter i et sikkert datamiljø.
• Indfør standardiserede systemer: Manglen på problemfri dataudveksling mellem virksomheder inden for life science-branchen udgør en udfordring. Ved at indføre standardiserede dataformater som HL7 og implementere systemer til udveksling af sundhedsoplysninger (HIE) kan dette problem undgås.
• Transparente modeller: Machine learning-modeller, som de fleste AI-systemer er baseret på i dag, er per definition komplekse. For at opnå sikre upartiske beslutninger er det vigtigt at have funktioner i AI-platformen, der gør det muligt at forklare disse modeller, samt værktøjer til at opdage og afbøde bias. For at reducere bias i kliniske studier bruger vi i dag ”blinding af data” eller ”double-blinded” studier netop til det formål.
• Dokumentation, transparens og ansvar: Arbejdet med at udvikle ”Trustworthy AI”, bør kombineres med medarbejdernes daglige interne rutiner i virksomheden. Denne kombination kan give nogle fordele i brugen af data. Desuden kan denne forståelse baseret på uddannelse og træning skabe et miljø, der driver innovation i krydsfeltet mellem teknologi og mennesker.
• Specifikke fordele: Genetisk information kan tilpasse behandlingen til den enkelte patient i det vi kalder for udvikling af personlig medicin. Vi kan bruge den enkelte patients unikke gen og kliniske profil til at udvikle data-modeller, hvorved vi kan udvide vores kliniske studier, så vi på socioøkonomisk niveau kan forebygge og forudse behandling til langt større patientgrupper.
• Etiske overvejelser: Etiske elementer til generative AI i komplekse kliniske studier som patient accept, personlige data, og evt. deling af disse skal tænkes ind i fordele og ulemper ved brug af disse værktøjer. Genetisk databrug kan medføre etiske overvejelser og derved skabe en debat om validiteten af data. Deling af den viden bør ses i lyset af, at den skal være til gavn for diversitet og alle slags patienter.

Vi mener, at GenAI’s indflydelse på life science-industrien er lovende og allerede demonstrerer potentialet til at accelerere klinisk udvikling og transformere applikationsudvikling og testning. Men rejsen mod troværdig AI er kompleks og kontinuerlig. 

Som branchen omfavner GenAI, bliver det afgørende ikke kun at forstå og udnytte fordelene, men også at arbejde ud fra en ansvarlig model baseret på proaktiv styring, overvågning og integration af menneskeligt tilsyn for at sikre, at AI-systemer overholder virksomhedens forudbestemte etiske standarder