I en tid, hvor lægemiddelindustrien skal gøre mere med mindre, er interessen for AI-løsninger stor. Omkring 70% af de farmaceuter, der blev spurgt af Define Ventures, siger, at AI er en øjeblikkelig prioritet. AI-systemer bruges allerede til at identificere de mest lovende stoffer, fremskynde udviklingen af lægemidler, hjælpe med medicinsk skrivning og finde teststeder og patienter. En analyse fra McKinsey & Company viser, at virksomheder, der tilføjer AI og maskinlæring, kan øge optagelsen med op til 20%, hvilket fremskynder prøveforsøgsforløbene. Nu er agentic AI, en type system, der markerer en betydelig forskel fra traditionelle AI-modeller, klar til at gøre indflydelse i klinisk forskning. Kliniske forskningsassistenter har længe været rådgivere for forskningssteder. Men da kliniske forsøg bliver mere komplekse, føler mange sig mere som stressede datapolitimænd, der jager efter manglende oplysninger. ‘Deres rolle er ændret og er blevet mere af en dataopsamler, datachaser, en nag til stederne,’ siger Andrew Mackinnon, executive general manager for customer value hos Medable. Agentic AI, som kan udføre begrænsede opgaver uafhængigt, kan overtage mange besværlige, gentagne opgaver. Disse systemer kan udføre visse funktioner fuldstændigt, såsom analyse af datasæt, overvågning af optagelseshastigheder eller identificering af overholdelsesrisici. I stedet for blot at rapportere denne information og give forslag, kan de træffe beslutninger og træffe korrigerende handlinger for at bringe tingene tilbage på sporet, ifølge IQVIA. ‘En nødvendighed ved brug af agentic AI er at gøre [R&D] mere effektiv, så vi kan gøre mere,’ siger Andrew Mackinnon, executive general manager for customer value, Medable. Gartner forudsiger, at mindst 15% af daglige arbejdsbeslutninger vil blive truffet autonomt gennem agentic AI inden 2028. Medable har netop lanceret Agent Studio, som de siger er den første agentic AI-platform i branchen, sammen med en klinisk forsøgsmonitoreringsassistent, CRA Agent. Det giver brugerne mulighed for at tilpasse AI-agenter til specifikke opgaver uden kontinuerlige menneskelige instruktioner, såsom overvågning af dataindsendelser, markering af manglende information og bedring af de nødvendige tilføjelser. Men at lade AI handle uafhængigt kræver omhyggelig planlægning og at vide, hvornår man skal lade teknologien løbe fri og hvornår man skal hente menneskelig hjælp, siger Mackinnon. Målet med agentic AI er at tildele opgaver til mennesker eller AI baseret på deres styrker. ‘Mennesker er rigtig gode til at være kreative og forstå problemer. Hvad vi ikke er lige så dygtige til, stort set fordi det er en ret kedelig opgave, er at krybe rundt i forskellige databaser og systemer, forsøge at finde data, udtrække det og sætte det i en arbejdsdygtig form og så bruge dataene til at fortælle dig noget,’ siger Mackinnon. AI kan nu gøre meget af dette arbejde og give en menneskelig revisor en udkast til gennemgang. Udover at tildele de rigtige opgaver til agentic AI, skal virksomhederne omhyggeligt vælge de problemer, de vil have løst, så AI ikke skaber støj og frustration. ‘Mange kaster bare så meget AI på tingene som muligt og håber, at noget holder,’ siger Mackinnon. Risikovurderinger er også afgørende for at bestemme, når systemerne skal og ikke skal arbejde alene. AI laver ofte fejl. Det er også kendt for at skabe data eller fakta ud af intet, når det har svært ved at finde en virkelighedsbaseret svar, siger Mackinnon. For at forhindre, at AI glipper eller går amok, skal der programmeres beskyttelser ind i systemet, der kontrollerer agentens handlinger, siger Mackinnon. For eksempel, hvis AI scanner et system og der ikke er nogen data, skal det blive instrueret til at identificere gapet, ikke at opfinde noget. For mere kritiske beslutninger skal systemerne holde en menneskelig i løkken. Hvis AI gennemgår en database for at identificere de værste præsterende steder, er det en meget lavrisiko-opgave. ‘Der er meget lidt, der kan gå galt i den situation,’ siger Mackinnon. Men for sikkerhedsovervågning eller reguleringsrapportering vil AI-agenten hente en CRA til at gennemgå beviserne i stedet for at handle uafhængigt, siger han. En anden sikkerhedsforanstaltning er at sikre, at agentens arbejde er transparent for at tillade overvågning og revision. Mens AI-systemer fortsætter deres indtrængen i hverdagen, vil nogle områder af anvendelse i sundhedssektoren være langsommere, siger Mackinnon. ‘Alt, der interagerer direkte med patienter, er langt mere fyldt med etiske ansvar og retningslinjer,’ siger han. Men i områder som dataanalyse og revision vil branchen sandsynligvis se hurtig innovation og fremskridt. At tilføje AI til kliniske forsøg kan også give virksomheder mulighed for at få lægemidler gennem røret hurtigere. Mens nogle frygter, at AI vil koste mennesker job, siger Mackinnon, at det måske blot vil omfordele ansvarsområder og hjælpe med at klare den nuværende tilbageholdelse. FDA godkendte kun 50 nye lægemidler sidste år, og ofte er det årlige tal lavere. ‘Det er ikke nok. Vi skal gøre det meget bedre ved at få lægemidler gennem processen,’ siger Mackinnon, der noterer, at lovende lægemidler ofte deprioriteres, fordi der ikke er tid til at flytte dem fremad. ‘Jeg tror, at en nødvendighed ved brug af agentic AI er at gøre det mere effektivt, så vi kan gøre mere,’ siger han.