- Trí tuệ nhân tạo (AI) đang định hình lại toàn bộ ngành dược phẩm, tạo cơ hội duy nhất để đẩy nhanh tiến độ và tác động đối với bệnh nhân thông qua việc triển khai xuyên suốt chuỗi giá trị.
- Các công ty như ADV đang tích hợp AI vào mọi khía cạnh, từ khám phá và thiết kế thuốc hiệu quả hơn đến tối ưu hóa quy trình phát triển và tiến hành thử nghiệm lâm sàng, mang lại lợi ích đáng kể về hiệu suất.
- Để chuyển đổi AI thành công trong các doanh nghiệp lớn, điều cốt yếu không chỉ là công nghệ mà còn là quản lý thay đổi, bao gồm đào tạo nhân sự, chứng minh thành công sớm với ROI rõ ràng và trao quyền cho các nhà vô địch AI nội bộ.
How AbbVie accelerates drug discovery with Claude
- AI là một cơ hội có một không hai để tái định hình và tăng tốc mọi chức năng trong ngành dược phẩm, từ nghiên cứu đến tiếp cận bệnh nhân.
- Trong khám phá thuốc, AI cho phép hiểu sâu hơn về sinh học con người, thiết kế thuốc hiệu quả hơn (bao gồm tối ưu hóa đa tham số), mở rộng chỉ định và thúc đẩy y học chính xác bằng cách tổng hợp dữ liệu lâm sàng và bộ gen đa phương thức.
- Trong phát triển lâm sàng, AI cải thiện thiết kế thử nghiệm (như tiêu chí đưa vào-loại trừ, thiết kế thích ứng và phân tầng bệnh nhân) và tự động hóa các quy trình tiến hành thử nghiệm, soạn thảo tài liệu, cũng như giám sát dữ liệu.
- Các ứng dụng thực tế của AI bao gồm Genesis (AI tạo sinh) để nâng cao hiệu quả lập kế hoạch cuộc gọi bán hàng và Gaia (LLM) để tự động hóa soạn thảo tài liệu phát triển lâm sàng, giúp tiết kiệm thời gian đáng kể (40-60%).
- Chuyển đổi AI đòi hỏi một chiến lược quản lý thay đổi mạnh mẽ, tập trung vào nâng cao kỹ năng thông qua đào tạo AI, chứng minh các "thành công sớm" tạo ra ROI và lợi ích cho bệnh nhân, cũng như trao quyền cho các nhà vô địch AI trong từng chức năng.
- Khi đánh giá đối tác công nghệ AI, các tiêu chí chính bao gồm sự phù hợp chiến lược, nền tảng kỹ thuật và sự khác biệt của sản phẩm AI, kinh nghiệm của đội ngũ quản lý (hiểu biết về lĩnh vực và AI/ML), và xác thực bên ngoài thông qua đánh giá chuẩn và nghiên cứu điển hình.
- Lời khuyên cho hành trình chuyển đổi AI là bắt đầu đơn giản với những lĩnh vực có thể tạo ra "thành công nhanh chóng" và minh chứng tác động sớm, với ROI rõ ràng để có thể tự tài trợ cho các sáng kiến AI tiếp theo.
- Tương lai của AI trong dược phẩm đầy hứa hẹn với các mô hình tạo sinh cho thiết kế de novo phân tử và sinh học, khả năng làm sạch và lý luận với tập dữ liệu đa phương thức, cũng như cải thiện phân tầng bệnh nhân cho khám phá trị liệu và thiết kế thử nghiệm lâm sàng.
- Trí tuệ nhân tạo (AI) — Artificial Intelligence (AI)
- Khoa học đời sống — Life Sciences
- Khám phá thuốc — Drug Discovery
- Phát triển lâm sàng — Clinical Development
- Thử nghiệm lâm sàng — Clinical Trials
- Mô hình ngôn ngữ lớn (LLM) — Large Language Model (LLM)
- AI tạo sinh — Generative AI
- Quản lý thay đổi — Change Management
- Y học chính xác — Precision Medicine
- Dữ liệu đa phương thức — Multimodal Data
Giới thiệu và Vai trò của Trí tuệ nhân tạo (AI) trong Dược phẩm
Không có sự thay đổi công nghệ nào khác có khả năng tái định hình mọi chức năng trong ngành dược phẩm. Và chúng tôi tin rằng đây thực sự là một cơ hội có một không hai trong thế hệ để chúng tôi đẩy nhanh tiến độ và tác động của mình đối với bệnh nhân. Chào mọi người, tôi là Ivy Wang. Tôi thuộc Nhóm Go-to-Market Khoa học Đời sống Y tế tại Anthropic. Hôm nay, tôi có một khách mời rất đặc biệt. Chào mọi người, tên tôi là Sarah Namm, và tôi là Phó Chủ tịch Chiến lược và Đối tác AI tại ADV. Cảm ơn Sarah rất nhiều vì đã tham gia cùng chúng tôi. Có lẽ bạn có thể bắt đầu bằng cách cho chúng tôi biết một chút về vai trò của bạn tại ADV và phạm vi trách nhiệm. Vâng, tôi hiện đang đảm nhiệm việc phát triển một chức năng mới có tên là Chiến lược và Đối tác AI. Và phạm vi trách nhiệm của nhóm tôi thực sự có hai mặt. Thứ nhất là dẫn dắt chiến lược AI của doanh nghiệp chúng tôi về việc xác định các ưu tiên chiến lược liên quan đến AI trên toàn bộ hoạt động kinh doanh của chúng tôi, cũng như nhiều yếu tố hỗ trợ xuyên suốt cho phép chúng tôi thực hiện điều đó, từ kiến trúc công nghệ đến hiện đại hóa dữ liệu và quản lý thay đổi, cùng nhiều thứ khác. Vai trò thứ hai của tôi là về phát triển kinh doanh và động lực bên ngoài tại ADV. Chúng tôi muốn thành lập một nhóm hoàn toàn mới sẽ tập trung vào phát triển kinh doanh liên quan đến AI. Và đó là một chút về vai trò mà tôi đang đảm nhiệm tại ADV. Chúng tôi coi ADV là một công ty dẫn đầu trong việc triển khai AI trong khoa học đời sống, và sẽ rất tuyệt nếu bạn có thể phác thảo một bức tranh về cách AI đã được triển khai trong toàn bộ vòng đời bio-pharma.
Triển khai AI trong Chu trình Sinh dược phẩm
Không có sự thay đổi công nghệ nào khác có khả năng tái định hình mọi chức năng trong ngành dược phẩm. Và chúng tôi tin rằng đây thực sự là một cơ hội có một không hai trong thế hệ để chúng tôi đẩy nhanh tiến độ và tác động của mình đối với bệnh nhân. Chúng tôi đang áp dụng một cách tiếp cận dựa trên chuỗi giá trị rất rõ ràng về cách chúng tôi thực hiện điều này tại ADV và thực sự có thể xác định đâu là các ưu tiên cốt lõi cho AI trong từng chức năng của ADV và có thể triển khai các trường hợp sử dụng AI đối với chúng. Và vì vậy, tôi sẽ trình bày cho bạn một số chức năng cốt lõi và nơi chúng tôi đang ưu tiên AI.
Trong khám phá thuốc (drug discovery), chúng tôi rất được truyền cảm hứng bởi những cách mà chúng tôi có thể hiểu rõ hơn về sinh học con người và có thể thiết kế, chế tạo, kiểm tra và xác thực các liệu pháp mới ở quy mô lớn một cách hiệu quả hơn nhiều thông qua AI. Chúng tôi cũng tập trung nhiều vào tối ưu hóa đa tham số (multi-parametric optimization) về hiệu quả, an toàn và dược động học (pharmacokinetics) của con người khi thiết kế thuốc cả trong không gian phân tử nhỏ (small molecule) và sinh học (biologic) một cách hiệu quả hơn nhiều. Ngoài ra, chúng tôi dành nhiều thời gian cho việc mở rộng chỉ định (indication expansion) và nghiên cứu kết hợp (combination studies) bằng cách thực sự tổng hợp dữ liệu lâm sàng (clinical data), dữ liệu bộ gen (genomic data) và dữ liệu đa phương thức (multimodal data) các loại để có thể thúc đẩy điều đó hiệu quả hơn ở quy mô lớn. Và cuối cùng, chúng tôi cũng dành nhiều thời gian cho y học chính xác (precision medicine) bắt đầu với bệnh học kỹ thuật số (digital pathology), nhưng thực sự mở rộng theo những cách mà chúng tôi có thể cung cấp thuốc một cách chính xác hơn nhiều cho bệnh nhân của mình.
Ngoài ra, khi chúng tôi nghĩ về phát triển lâm sàng (clinical development), có rất nhiều điều chúng tôi có thể làm liên quan đến cách chúng tôi thiết kế và tiến hành thử nghiệm lâm sàng (clinical trials). Về thiết kế thử nghiệm lâm sàng, chúng tôi dành thời gian để nghiên cứu cách chúng tôi có thể tận dụng AI để thông báo tốt hơn về tiêu chí đưa vào-loại trừ (inclusion-exclusion criteria) cho các thử nghiệm, đến cách chúng tôi nghĩ về thiết kế thử nghiệm lâm sàng thích ứng (adaptive clinical trial designs) và thực sự có thể xác định các nhóm bệnh nhân (patient populations) có nhiều khả năng đáp ứng với thuốc của chúng tôi đối với các bệnh đa dạng (heterogeneous diseases). Và sau đó, khi chúng tôi nghĩ về việc tiến hành thử nghiệm lâm sàng, cũng có rất nhiều điều chúng tôi có thể làm về việc tự động hóa nhiều quy trình liên quan đến thử nghiệm lâm sàng, cũng như soạn thảo tài liệu liên quan đến nộp tài liệu (document submission), yêu cầu quy định (regulatory requirements) cùng nhiều thứ khác trong không gian đó. Và cuối cùng, cũng có rất nhiều điều chúng tôi đang làm về giám sát dữ liệu (data surveillance) trong không gian phát triển lâm sàng (clinical development) để chúng tôi thực sự có thể tận dụng AI để xem xét các loại dữ liệu lâm sàng (clinical data) đang được nhập vào cho các chương trình khác nhau và có thể điều chỉnh phù hợp.
Ý bạn là, những gì bạn đang mô tả chính xác là điểm uốn (inflection point) mà chúng ta đang trải qua, nơi chúng ta đang chuyển từ tăng tốc (acceleration) sang chuyển đổi AI (AI transformation). Và có vẻ như bạn đang mô tả điều này trên các quy trình làm việc (workflow) lâm sàng, quy trình làm việc thương mại, quy trình làm việc quy định. Bạn có thể đi sâu vào một hoặc hai ví dụ và giải thích chi tiết cho chúng tôi không?
Các Trường hợp sử dụng AI Thực tế tại ADV
Một vài lĩnh vực mà chúng tôi đã hợp tác bao gồm Genesis. Genesis là một công cụ mà chúng tôi đã phát triển tận dụng AI tạo sinh (Generative AI) để thực sự nâng cao nhiều công cụ liên quan đến Salesforce khác nhau đang giúp đội ngũ bán hàng của chúng tôi hiệu quả hơn nhiều trong việc lập kế hoạch cuộc gọi (call planning). Và đây là một nỗ lực to lớn đã cho phép các đại diện bán hàng của chúng tôi trên ADV làm việc hiệu quả và năng suất hơn nhiều trong công việc của họ. Và những kết quả ban đầu cho thấy đã có những cải thiện rất đáng kể về hiệu quả (efficiency) và hiệu lực (effectiveness) của đội ngũ bán hàng của chúng tôi được hỗ trợ bởi một công cụ như Genesis.
Ngoài ra, chúng tôi đã hợp tác trên Gaia, là một công cụ soạn thảo tài liệu phát triển lâm sàng (clinical development document authoring tool) mà qua đó chúng tôi đang tận dụng Mô hình ngôn ngữ lớn (LLM) để về cơ bản tự động hóa việc viết và soạn thảo nhiều tài liệu nghiên cứu của chúng tôi, bắt đầu với các tài liệu NDA và PSUR, nhưng thực sự là hàng ngàn loại tài liệu khác nhau. Và điều này đã dẫn đến hiệu quả tiết kiệm thời gian khoảng 40 đến 60% trong việc viết một số tài liệu này trên ADV.
Tôi nghĩ một phần điều khiến Anthropic và các mô hình AI mà chúng tôi đang xây dựng trở nên thú vị là chúng tôi coi đây là động cơ cung cấp năng lượng cho tất cả các trường hợp sử dụng khác nhau có thể áp dụng cho các công ty khoa học đời sống. Một điều mà chúng tôi suy nghĩ rất nhiều là chúng tôi thấy mã (code) đang được áp dụng và thực sự đã phổ biến rộng rãi. Và chúng tôi nghĩ rằng giá trị từ mã có thể được chuyển giao hoặc có thể được trải nghiệm trong các ngành khác. Nhưng tôi nghĩ về cơ bản có một số vấn đề hoặc thách thức rất thực tế khi chúng tôi làm việc với các doanh nghiệp lớn (larger enterprises), khi có rất nhiều quản lý thay đổi (change management) liên quan. Bạn thấy điều đó diễn ra như thế nào tại ADV?
Chuyển đổi AI và Quản lý Thay đổi
Đó không chỉ là một thử thách công nghệ, mà còn thực sự là việc thay đổi tâm tư (hearts and minds) của con người và cả quản lý quy trình (process management) cần thiết. Và vì vậy, chúng tôi đã nhận thấy rằng việc tập trung vào con người và quy trình cũng quan trọng không kém so với nhiều quyết định công nghệ và việc thực sự thúc đẩy chuyển đổi AI tại một doanh nghiệp lớn.
Một số cách mà chúng tôi đã tập trung vào quản lý thay đổi tại ADV bao gồm nâng cao kỹ năng (upskilling) thông qua việc thực hiện các chương trình đào tạo AI (AI training programs) ở tất cả các cấp độ trong toàn bộ tổ chức, từ những người mới bắt đầu hành trình học AI cho đến những chuyên gia thành thạo hơn đang phát triển các giải pháp AI (AI solutions) thay mặt cho nhiều chức năng của chúng tôi. Ngoài ra, chúng tôi tập trung vào việc chứng minh các thành công sớm (early wins) bằng cách có thể tập trung vào một vài trường hợp sử dụng tạo ra ROI (ROI) ngắn hạn, lợi nhuận tài chính (financial returns) và tác động cho bệnh nhân của chúng tôi, những điều thực sự tạo ra sự khác biệt lớn đối với các chỉ số vàng (golden metrics) thực sự trong kinh doanh của chúng tôi và mỗi chức năng của chúng tôi đã thực sự quan trọng đối với quản lý thay đổi đó. Và cuối cùng, việc trao quyền (empowering) cho các nhà vô địch (champions) trong mỗi chức năng của chúng tôi, nơi chúng tôi đang thành lập các nhóm AI (AI teams) nhỏ trên mỗi chức năng, phục vụ như những nhà vô địch thực sự mang lại nhiều chuyển đổi AI trong các lĩnh vực tương ứng của họ.
Tiêu chí Đánh giá Đối tác AI
Khi các nhóm của bạn đang đánh giá hoặc tìm kiếm các đối tác công nghệ AI (AI technology partners) mới, bạn sử dụng những tiêu chí (criteria) nào? Tổ chức của chúng tôi gần đây đã phát triển một khung thẩm định (diligence framework) chi tiết về cách chúng tôi sẽ đánh giá các quan hệ đối tác dựa trên AI (AI-driven partnerships). Và có bốn trụ cột chính (key pillars) mà chúng tôi tập trung vào.
Thứ nhất thực sự là về sự phù hợp chiến lược (strategic fit). Quan hệ đối tác thực tế phù hợp như thế nào về mục tiêu chiến lược (strategic objectives) của tổ chức mà chúng tôi có?
Thứ hai thực sự là về nền tảng kỹ thuật (technical foundation) về mức độ khác biệt của sản phẩm AI (AI offering) mà đối tác đang cung cấp. Khả năng tạo dữ liệu (data generation capabilities) thực tế là gì? Sự khác biệt so sánh (comparative differentiation) và các mô hình AI mà họ đang cung cấp là gì và thực sự có thể đi sâu (delve into) một cách rất có hệ thống?
Trụ cột thứ ba mà chúng tôi xem xét thực sự là về đội ngũ quản lý (management team). Và vì vậy, thông thường, đặc biệt với các quan hệ đối tác khám phá thuốc dựa trên AI (AI-driven drug discovery partnerships), chúng tôi đang tìm kiếm những người thực sự hiểu lĩnh vực (domain) của chúng tôi, cũng như kinh nghiệm sâu rộng về Trí tuệ nhân tạo (AI) và Học máy (ML) mà chúng tôi đang tìm kiếm và việc có sự song ngữ (bilingualism) đó về đội ngũ quản lý thực sự rất quan trọng đối với chúng tôi.
Và sau đó, trụ cột cuối cùng mà chúng tôi xem xét thực sự là về xác thực bên ngoài (external validation). Và vì vậy, việc xem xét đánh giá chuẩn (benchmarking), tác động thực tế về nghiên cứu điển hình (case studies) đã thực sự rất quan trọng đối với chúng tôi. Chủ yếu xoay quanh cách chúng tôi đánh giá các đối tác khám phá thuốc dựa trên AI.
Lời khuyên cho Hành trình Chuyển đổi AI
Tôi yêu khung đó. Nếu bạn nói chuyện với một giám đốc điều hành dược phẩm (pharma exec) khác, bạn sẽ nói gì với họ về việc bắt đầu hành trình chuyển đổi AI (AI transformation journey) của riêng họ, bất kỳ lời khuyên nào bạn có cho họ?
Tôi nghĩ lời khuyên của tôi sẽ là bắt đầu đơn giản. Bắt đầu xác định một vài lĩnh vực có thể phục vụ như thành công nhanh chóng (quick wins) và minh chứng sớm (early demonstrations) về tác động. Và một khi những điều đó được chứng minh bằng ROI, theo một cách nào đó, có thể tự tài trợ (self-fund) phần còn lại của các sáng kiến AI (AI initiatives). Nhưng những thành công sớm đó sẽ thực sự tạo điều kiện cho một lượng lớn chuyển đổi trong toàn bộ tổ chức. Điều đó thực sự gây được tiếng vang với chúng tôi. Tôi nghĩ một điều mà chúng tôi suy nghĩ rất nhiều là rủi ro không hành động (risk of inaction) là quá lớn. Và đó không phải là điều mà tôi nghĩ nhiều công ty sẵn sàng chấp nhận.
Tương lai của AI trong Ngành Dược phẩm
Với tất cả những đổi mới trong không gian này, điều gì khiến bạn hào hứng nhất trong ba đến năm năm tới về Trí tuệ nhân tạo (AI) và dược phẩm (pharma)?
Tôi rất hào hứng về những cách mà AI sẽ thúc đẩy biên giới (frontiers) của khám phá thuốc (drug discovery) một cách có ý nghĩa. Một vài lĩnh vực mà tôi rất hào hứng là:
- Các
mô hình tạo sinh(generative models) có thể thúc đẩybiên giớivề việc không chỉ có thểdự đoán thuộc tính phân tử(predict molecular properties), mà còn hỗ trợ trongthiết kế de novo(de novo design) củaphân tử nhỏ(small molecules) vàsinh học(biologics) một cách thực sự có ý nghĩa. - Lĩnh vực thứ hai mà tôi rất hào hứng là về việc có thể phát triển các
mô hình tạo sinh(generative models) có thể giúp chúng talàm sạch(clean) vàlý luận tích cực(actively reason) chống lại cáctập dữ liệu đa phương thức(multimodal data sets). Từgenomicsđếnproteomicsđếntranscriptomicsđếndữ liệu lâm sàng(clinical data) đếndữ liệu thế giới thực(real-world data) một cách có ý nghĩa, và thực sự có thể tích hợp nhữngthông tin chi tiết(insights) đó để giải quyết cácvấn đề sinh học(biological problems) mà chúng ta đang nghiên cứu. - Và thứ ba là về
phân tầng bệnh nhân(patient stratification) mà điều này thực sự có thể giúp chúng ta không chỉ trongkhám phá trị liệu(discovery of therapeutics), mà còn trong cách chúng tathiết kế thử nghiệm lâm sàng(clinical trials) trong tương lai.
Tôi rất hào hứng với mọi thứ mà ADV đang làm. Cảm ơn bạn rất nhiều vì đã tham gia cùng chúng tôi hôm nay. Thật tuyệt vời khi có bạn. Cảm ơn. Cảm ơn bạn rất nhiều, Ivy.
TL;DR
- Trí tuệ nhân tạo (AI) đang định hình lại toàn bộ ngành dược phẩm, tạo cơ hội duy nhất để đẩy nhanh tiến độ và tác động đối với bệnh nhân thông qua việc triển khai xuyên suốt chuỗi giá trị.
- Các công ty như ADV đang tích hợp AI vào mọi khía cạnh, từ khám phá và thiết kế thuốc hiệu quả hơn đến tối ưu hóa quy trình phát triển và tiến hành thử nghiệm lâm sàng, mang lại lợi ích đáng kể về hiệu suất.
- Để chuyển đổi AI thành công trong các doanh nghiệp lớn, điều cốt yếu không chỉ là công nghệ mà còn là quản lý thay đổi, bao gồm đào tạo nhân sự, chứng minh thành công sớm với ROI rõ ràng và trao quyền cho các nhà vô địch AI nội bộ.
Điểm chính
- AI là một cơ hội có một không hai để tái định hình và tăng tốc mọi chức năng trong ngành dược phẩm, từ nghiên cứu đến tiếp cận bệnh nhân.
- Trong khám phá thuốc, AI cho phép hiểu sâu hơn về sinh học con người, thiết kế thuốc hiệu quả hơn (bao gồm tối ưu hóa đa tham số), mở rộng chỉ định và thúc đẩy y học chính xác bằng cách tổng hợp dữ liệu lâm sàng và bộ gen đa phương thức.
- Trong phát triển lâm sàng, AI cải thiện thiết kế thử nghiệm (như tiêu chí đưa vào-loại trừ, thiết kế thích ứng và phân tầng bệnh nhân) và tự động hóa các quy trình tiến hành thử nghiệm, soạn thảo tài liệu, cũng như giám sát dữ liệu.
- Các ứng dụng thực tế của AI bao gồm Genesis (AI tạo sinh) để nâng cao hiệu quả lập kế hoạch cuộc gọi bán hàng và Gaia (LLM) để tự động hóa soạn thảo tài liệu phát triển lâm sàng, giúp tiết kiệm thời gian đáng kể (40-60%).
- Chuyển đổi AI đòi hỏi một chiến lược quản lý thay đổi mạnh mẽ, tập trung vào nâng cao kỹ năng thông qua đào tạo AI, chứng minh các "thành công sớm" tạo ra ROI và lợi ích cho bệnh nhân, cũng như trao quyền cho các nhà vô địch AI trong từng chức năng.
- Khi đánh giá đối tác công nghệ AI, các tiêu chí chính bao gồm sự phù hợp chiến lược, nền tảng kỹ thuật và sự khác biệt của sản phẩm AI, kinh nghiệm của đội ngũ quản lý (hiểu biết về lĩnh vực và AI/ML), và xác thực bên ngoài thông qua đánh giá chuẩn và nghiên cứu điển hình.
- Lời khuyên cho hành trình chuyển đổi AI là bắt đầu đơn giản với những lĩnh vực có thể tạo ra "thành công nhanh chóng" và minh chứng tác động sớm, với ROI rõ ràng để có thể tự tài trợ cho các sáng kiến AI tiếp theo.
- Tương lai của AI trong dược phẩm đầy hứa hẹn với các mô hình tạo sinh cho thiết kế de novo phân tử và sinh học, khả năng làm sạch và lý luận với tập dữ liệu đa phương thức, cũng như cải thiện phân tầng bệnh nhân cho khám phá trị liệu và thiết kế thử nghiệm lâm sàng.
Từ vựng
- Trí tuệ nhân tạo (AI) — Artificial Intelligence (AI)
- Khoa học đời sống — Life Sciences
- Khám phá thuốc — Drug Discovery
- Phát triển lâm sàng — Clinical Development
- Thử nghiệm lâm sàng — Clinical Trials
- Mô hình ngôn ngữ lớn (LLM) — Large Language Model (LLM)
- AI tạo sinh — Generative AI
- Quản lý thay đổi — Change Management
- Y học chính xác — Precision Medicine
- Dữ liệu đa phương thức — Multimodal Data
Nội dung chi tiết
Giới thiệu và Vai trò của Trí tuệ nhân tạo (AI) trong Dược phẩm
Không có sự thay đổi công nghệ nào khác có khả năng tái định hình mọi chức năng trong ngành dược phẩm. Và chúng tôi tin rằng đây thực sự là một cơ hội có một không hai trong thế hệ để chúng tôi đẩy nhanh tiến độ và tác động của mình đối với bệnh nhân. Chào mọi người, tôi là Ivy Wang. Tôi thuộc Nhóm Go-to-Market Khoa học Đời sống Y tế tại Anthropic. Hôm nay, tôi có một khách mời rất đặc biệt. Chào mọi người, tên tôi là Sarah Namm, và tôi là Phó Chủ tịch Chiến lược và Đối tác AI tại ADV. Cảm ơn Sarah rất nhiều vì đã tham gia cùng chúng tôi. Có lẽ bạn có thể bắt đầu bằng cách cho chúng tôi biết một chút về vai trò của bạn tại ADV và phạm vi trách nhiệm. Vâng, tôi hiện đang đảm nhiệm việc phát triển một chức năng mới có tên là Chiến lược và Đối tác AI. Và phạm vi trách nhiệm của nhóm tôi thực sự có hai mặt. Thứ nhất là dẫn dắt chiến lược AI của doanh nghiệp chúng tôi về việc xác định các ưu tiên chiến lược liên quan đến AI trên toàn bộ hoạt động kinh doanh của chúng tôi, cũng như nhiều yếu tố hỗ trợ xuyên suốt cho phép chúng tôi thực hiện điều đó, từ kiến trúc công nghệ đến hiện đại hóa dữ liệu và quản lý thay đổi, cùng nhiều thứ khác. Vai trò thứ hai của tôi là về phát triển kinh doanh và động lực bên ngoài tại ADV. Chúng tôi muốn thành lập một nhóm hoàn toàn mới sẽ tập trung vào phát triển kinh doanh liên quan đến AI. Và đó là một chút về vai trò mà tôi đang đảm nhiệm tại ADV. Chúng tôi coi ADV là một công ty dẫn đầu trong việc triển khai AI trong khoa học đời sống, và sẽ rất tuyệt nếu bạn có thể phác thảo một bức tranh về cách AI đã được triển khai trong toàn bộ vòng đời bio-pharma.
Triển khai AI trong Chu trình Sinh dược phẩm
Không có sự thay đổi công nghệ nào khác có khả năng tái định hình mọi chức năng trong ngành dược phẩm. Và chúng tôi tin rằng đây thực sự là một cơ hội có một không hai trong thế hệ để chúng tôi đẩy nhanh tiến độ và tác động của mình đối với bệnh nhân. Chúng tôi đang áp dụng một cách tiếp cận dựa trên chuỗi giá trị rất rõ ràng về cách chúng tôi thực hiện điều này tại ADV và thực sự có thể xác định đâu là các ưu tiên cốt lõi cho AI trong từng chức năng của ADV và có thể triển khai các trường hợp sử dụng AI đối với chúng. Và vì vậy, tôi sẽ trình bày cho bạn một số chức năng cốt lõi và nơi chúng tôi đang ưu tiên AI.
Trong khám phá thuốc (drug discovery), chúng tôi rất được truyền cảm hứng bởi những cách mà chúng tôi có thể hiểu rõ hơn về sinh học con người và có thể thiết kế, chế tạo, kiểm tra và xác thực các liệu pháp mới ở quy mô lớn một cách hiệu quả hơn nhiều thông qua AI. Chúng tôi cũng tập trung nhiều vào tối ưu hóa đa tham số (multi-parametric optimization) về hiệu quả, an toàn và dược động học (pharmacokinetics) của con người khi thiết kế thuốc cả trong không gian phân tử nhỏ (small molecule) và sinh học (biologic) một cách hiệu quả hơn nhiều. Ngoài ra, chúng tôi dành nhiều thời gian cho việc mở rộng chỉ định (indication expansion) và nghiên cứu kết hợp (combination studies) bằng cách thực sự tổng hợp dữ liệu lâm sàng (clinical data), dữ liệu bộ gen (genomic data) và dữ liệu đa phương thức (multimodal data) các loại để có thể thúc đẩy điều đó hiệu quả hơn ở quy mô lớn. Và cuối cùng, chúng tôi cũng dành nhiều thời gian cho y học chính xác (precision medicine) bắt đầu với bệnh học kỹ thuật số (digital pathology), nhưng thực sự mở rộng theo những cách mà chúng tôi có thể cung cấp thuốc một cách chính xác hơn nhiều cho bệnh nhân của mình.
Ngoài ra, khi chúng tôi nghĩ về phát triển lâm sàng (clinical development), có rất nhiều điều chúng tôi có thể làm liên quan đến cách chúng tôi thiết kế và tiến hành thử nghiệm lâm sàng (clinical trials). Về thiết kế thử nghiệm lâm sàng, chúng tôi dành thời gian để nghiên cứu cách chúng tôi có thể tận dụng AI để thông báo tốt hơn về tiêu chí đưa vào-loại trừ (inclusion-exclusion criteria) cho các thử nghiệm, đến cách chúng tôi nghĩ về thiết kế thử nghiệm lâm sàng thích ứng (adaptive clinical trial designs) và thực sự có thể xác định các nhóm bệnh nhân (patient populations) có nhiều khả năng đáp ứng với thuốc của chúng tôi đối với các bệnh đa dạng (heterogeneous diseases). Và sau đó, khi chúng tôi nghĩ về việc tiến hành thử nghiệm lâm sàng, cũng có rất nhiều điều chúng tôi có thể làm về việc tự động hóa nhiều quy trình liên quan đến thử nghiệm lâm sàng, cũng như soạn thảo tài liệu liên quan đến nộp tài liệu (document submission), yêu cầu quy định (regulatory requirements) cùng nhiều thứ khác trong không gian đó. Và cuối cùng, cũng có rất nhiều điều chúng tôi đang làm về giám sát dữ liệu (data surveillance) trong không gian phát triển lâm sàng (clinical development) để chúng tôi thực sự có thể tận dụng AI để xem xét các loại dữ liệu lâm sàng (clinical data) đang được nhập vào cho các chương trình khác nhau và có thể điều chỉnh phù hợp.
Ý bạn là, những gì bạn đang mô tả chính xác là điểm uốn (inflection point) mà chúng ta đang trải qua, nơi chúng ta đang chuyển từ tăng tốc (acceleration) sang chuyển đổi AI (AI transformation). Và có vẻ như bạn đang mô tả điều này trên các quy trình làm việc (workflow) lâm sàng, quy trình làm việc thương mại, quy trình làm việc quy định. Bạn có thể đi sâu vào một hoặc hai ví dụ và giải thích chi tiết cho chúng tôi không?
Các Trường hợp sử dụng AI Thực tế tại ADV
Một vài lĩnh vực mà chúng tôi đã hợp tác bao gồm Genesis. Genesis là một công cụ mà chúng tôi đã phát triển tận dụng AI tạo sinh (Generative AI) để thực sự nâng cao nhiều công cụ liên quan đến Salesforce khác nhau đang giúp đội ngũ bán hàng của chúng tôi hiệu quả hơn nhiều trong việc lập kế hoạch cuộc gọi (call planning). Và đây là một nỗ lực to lớn đã cho phép các đại diện bán hàng của chúng tôi trên ADV làm việc hiệu quả và năng suất hơn nhiều trong công việc của họ. Và những kết quả ban đầu cho thấy đã có những cải thiện rất đáng kể về hiệu quả (efficiency) và hiệu lực (effectiveness) của đội ngũ bán hàng của chúng tôi được hỗ trợ bởi một công cụ như Genesis.
Ngoài ra, chúng tôi đã hợp tác trên Gaia, là một công cụ soạn thảo tài liệu phát triển lâm sàng (clinical development document authoring tool) mà qua đó chúng tôi đang tận dụng Mô hình ngôn ngữ lớn (LLM) để về cơ bản tự động hóa việc viết và soạn thảo nhiều tài liệu nghiên cứu của chúng tôi, bắt đầu với các tài liệu NDA và PSUR, nhưng thực sự là hàng ngàn loại tài liệu khác nhau. Và điều này đã dẫn đến hiệu quả tiết kiệm thời gian khoảng 40 đến 60% trong việc viết một số tài liệu này trên ADV.
Tôi nghĩ một phần điều khiến Anthropic và các mô hình AI mà chúng tôi đang xây dựng trở nên thú vị là chúng tôi coi đây là động cơ cung cấp năng lượng cho tất cả các trường hợp sử dụng khác nhau có thể áp dụng cho các công ty khoa học đời sống. Một điều mà chúng tôi suy nghĩ rất nhiều là chúng tôi thấy mã (code) đang được áp dụng và thực sự đã phổ biến rộng rãi. Và chúng tôi nghĩ rằng giá trị từ mã có thể được chuyển giao hoặc có thể được trải nghiệm trong các ngành khác. Nhưng tôi nghĩ về cơ bản có một số vấn đề hoặc thách thức rất thực tế khi chúng tôi làm việc với các doanh nghiệp lớn (larger enterprises), khi có rất nhiều quản lý thay đổi (change management) liên quan. Bạn thấy điều đó diễn ra như thế nào tại ADV?
Chuyển đổi AI và Quản lý Thay đổi
Đó không chỉ là một thử thách công nghệ, mà còn thực sự là việc thay đổi tâm tư (hearts and minds) của con người và cả quản lý quy trình (process management) cần thiết. Và vì vậy, chúng tôi đã nhận thấy rằng việc tập trung vào con người và quy trình cũng quan trọng không kém so với nhiều quyết định công nghệ và việc thực sự thúc đẩy chuyển đổi AI tại một doanh nghiệp lớn.
Một số cách mà chúng tôi đã tập trung vào quản lý thay đổi tại ADV bao gồm nâng cao kỹ năng (upskilling) thông qua việc thực hiện các chương trình đào tạo AI (AI training programs) ở tất cả các cấp độ trong toàn bộ tổ chức, từ những người mới bắt đầu hành trình học AI cho đến những chuyên gia thành thạo hơn đang phát triển các giải pháp AI (AI solutions) thay mặt cho nhiều chức năng của chúng tôi. Ngoài ra, chúng tôi tập trung vào việc chứng minh các thành công sớm (early wins) bằng cách có thể tập trung vào một vài trường hợp sử dụng tạo ra ROI (ROI) ngắn hạn, lợi nhuận tài chính (financial returns) và tác động cho bệnh nhân của chúng tôi, những điều thực sự tạo ra sự khác biệt lớn đối với các chỉ số vàng (golden metrics) thực sự trong kinh doanh của chúng tôi và mỗi chức năng của chúng tôi đã thực sự quan trọng đối với quản lý thay đổi đó. Và cuối cùng, việc trao quyền (empowering) cho các nhà vô địch (champions) trong mỗi chức năng của chúng tôi, nơi chúng tôi đang thành lập các nhóm AI (AI teams) nhỏ trên mỗi chức năng, phục vụ như những nhà vô địch thực sự mang lại nhiều chuyển đổi AI trong các lĩnh vực tương ứng của họ.
Tiêu chí Đánh giá Đối tác AI
Khi các nhóm của bạn đang đánh giá hoặc tìm kiếm các đối tác công nghệ AI (AI technology partners) mới, bạn sử dụng những tiêu chí (criteria) nào? Tổ chức của chúng tôi gần đây đã phát triển một khung thẩm định (diligence framework) chi tiết về cách chúng tôi sẽ đánh giá các quan hệ đối tác dựa trên AI (AI-driven partnerships). Và có bốn trụ cột chính (key pillars) mà chúng tôi tập trung vào.
Thứ nhất thực sự là về sự phù hợp chiến lược (strategic fit). Quan hệ đối tác thực tế phù hợp như thế nào về mục tiêu chiến lược (strategic objectives) của tổ chức mà chúng tôi có?
Thứ hai thực sự là về nền tảng kỹ thuật (technical foundation) về mức độ khác biệt của sản phẩm AI (AI offering) mà đối tác đang cung cấp. Khả năng tạo dữ liệu (data generation capabilities) thực tế là gì? Sự khác biệt so sánh (comparative differentiation) và các mô hình AI mà họ đang cung cấp là gì và thực sự có thể đi sâu (delve into) một cách rất có hệ thống?
Trụ cột thứ ba mà chúng tôi xem xét thực sự là về đội ngũ quản lý (management team). Và vì vậy, thông thường, đặc biệt với các quan hệ đối tác khám phá thuốc dựa trên AI (AI-driven drug discovery partnerships), chúng tôi đang tìm kiếm những người thực sự hiểu lĩnh vực (domain) của chúng tôi, cũng như kinh nghiệm sâu rộng về Trí tuệ nhân tạo (AI) và Học máy (ML) mà chúng tôi đang tìm kiếm và việc có sự song ngữ (bilingualism) đó về đội ngũ quản lý thực sự rất quan trọng đối với chúng tôi.
Và sau đó, trụ cột cuối cùng mà chúng tôi xem xét thực sự là về xác thực bên ngoài (external validation). Và vì vậy, việc xem xét đánh giá chuẩn (benchmarking), tác động thực tế về nghiên cứu điển hình (case studies) đã thực sự rất quan trọng đối với chúng tôi. Chủ yếu xoay quanh cách chúng tôi đánh giá các đối tác khám phá thuốc dựa trên AI.
Lời khuyên cho Hành trình Chuyển đổi AI
Tôi yêu khung đó. Nếu bạn nói chuyện với một giám đốc điều hành dược phẩm (pharma exec) khác, bạn sẽ nói gì với họ về việc bắt đầu hành trình chuyển đổi AI (AI transformation journey) của riêng họ, bất kỳ lời khuyên nào bạn có cho họ?
Tôi nghĩ lời khuyên của tôi sẽ là bắt đầu đơn giản. Bắt đầu xác định một vài lĩnh vực có thể phục vụ như thành công nhanh chóng (quick wins) và minh chứng sớm (early demonstrations) về tác động. Và một khi những điều đó được chứng minh bằng ROI, theo một cách nào đó, có thể tự tài trợ (self-fund) phần còn lại của các sáng kiến AI (AI initiatives). Nhưng những thành công sớm đó sẽ thực sự tạo điều kiện cho một lượng lớn chuyển đổi trong toàn bộ tổ chức. Điều đó thực sự gây được tiếng vang với chúng tôi. Tôi nghĩ một điều mà chúng tôi suy nghĩ rất nhiều là rủi ro không hành động (risk of inaction) là quá lớn. Và đó không phải là điều mà tôi nghĩ nhiều công ty sẵn sàng chấp nhận.
Tương lai của AI trong Ngành Dược phẩm
Với tất cả những đổi mới trong không gian này, điều gì khiến bạn hào hứng nhất trong ba đến năm năm tới về Trí tuệ nhân tạo (AI) và dược phẩm (pharma)?
Tôi rất hào hứng về những cách mà AI sẽ thúc đẩy biên giới (frontiers) của khám phá thuốc (drug discovery) một cách có ý nghĩa. Một vài lĩnh vực mà tôi rất hào hứng là:
- Các
mô hình tạo sinh(generative models) có thể thúc đẩybiên giớivề việc không chỉ có thểdự đoán thuộc tính phân tử(predict molecular properties), mà còn hỗ trợ trongthiết kế de novo(de novo design) củaphân tử nhỏ(small molecules) vàsinh học(biologics) một cách thực sự có ý nghĩa. - Lĩnh vực thứ hai mà tôi rất hào hứng là về việc có thể phát triển các
mô hình tạo sinh(generative models) có thể giúp chúng talàm sạch(clean) vàlý luận tích cực(actively reason) chống lại cáctập dữ liệu đa phương thức(multimodal data sets). Từgenomicsđếnproteomicsđếntranscriptomicsđếndữ liệu lâm sàng(clinical data) đếndữ liệu thế giới thực(real-world data) một cách có ý nghĩa, và thực sự có thể tích hợp nhữngthông tin chi tiết(insights) đó để giải quyết cácvấn đề sinh học(biological problems) mà chúng ta đang nghiên cứu. - Và thứ ba là về
phân tầng bệnh nhân(patient stratification) mà điều này thực sự có thể giúp chúng ta không chỉ trongkhám phá trị liệu(discovery of therapeutics), mà còn trong cách chúng tathiết kế thử nghiệm lâm sàng(clinical trials) trong tương lai.
Tôi rất hào hứng với mọi thứ mà ADV đang làm. Cảm ơn bạn rất nhiều vì đã tham gia cùng chúng tôi hôm nay. Thật tuyệt vời khi có bạn. Cảm ơn. Cảm ơn bạn rất nhiều, Ivy.