生命科学专业人士想要人工智能（AI）工具，他们现在想要它们。
在我们最近对300名Life Sciences IM专业人士的调查中，有91％的受访者表示，他们希望“在所有数据管理活动中大大增加对人工智能（AI）的使用”。像几乎所有其他行业一样，这些生命科学专业人员对预测分析和自动数据管理的承诺也很感兴趣。他们很兴奋。
但是，调查还强调，只有40％的人对IM解决方案中当前的AI功能“非常满意”。
AI工具有可能改变生命科学公司的信息管理。可以教导机器学习算法（这是AI的核心部分）来执行各种信息管理任务，包括将源文档从一种语言转换为另一种语言，解释非结构化的叙述以及基于经常性模式的预测和建议活动（例如，下一个最好的电话）。
但是，这些不是可以在一夜之间部署的插件解决方案，以神奇地解决您的所有数据管理问题。机器学习算法需要符合行业的特殊性，然后接受培训以完成这些任务，这需要时间，分析和市场专业知识以及许多干净的数据才能学习。这些数据集越大，越一致，算法的结果越准确。
这是业务领导者通常不完全理解的AI的方面，可能会引起挫败感。即使有91％的受访者表示他们想使用AI，但只有大约60％的受访者准备这样做。另外46％的人说机器学习是他们最想要的服务 - 但觉得他们在当前产品中找不到。
这表明他们认识到需要机器学习算法使他们的AI梦想成真，但是供应商没有达到他们的期望。
机器人与算法
问题的一部分是，AI可以做什么的想法与当前的AI解决方案可以真正提供什么之间的想法之间通常存在不匹配。当前可用的大多数功能仍然依赖于常规的基于规则的自动化，而不是完整的机器学习解决方案。这些基于规则的机器人对于自动化手动任务很有用，但是它们不足以破译数据的含义，或者确定某些东西是否需要人类注意力。
一些供应商具有更复杂的解决方案，但是由于它们通常来自纯粹的技术公司而不是以生命科学为本的公司，因此他们可能缺乏行业专业知识来理解AI工具的最佳用例。这可能会导致算法不会收集正确的数据，或者以与监管要求不符的方式使用数据，从而使用户处于不符合性的风险。
肮脏的数据困境
不过，数据本身是有效AI驱动分析的最大和最少讨论的障碍之一。公司用来训练算法的许多内部数据库都是凌乱，非结构化的，并且充满了错误。拼写错误，重复数据，缺失字段和不一致的报告策略都导致“肮脏的数据”阻碍了这些工具的有效性能。
这不仅仅是生命科学问题。一经验研究发现整个行业的美国组织认为，其数据的32％是不准确的。91％的受访者认为他们的收入受到数据不准确的影响。
肮脏的数据不是故意的问题。当公司合并数据库，依靠不一致的工作流程并无法建立适当的报告规则和维护以保持数据清洁和一致时，它发生在幕后。例如，当未验证名称拼写时，标题不一致，忽略了数据，问题就会堆积起来。
无论出于何种原因，直到清除数据之前，任何算法培训都不会产生准确的结果。幸运的是，公司可以使用AI和机器学习算法解决此问题 - 如果他们能找到合适的供应商来帮助他们做到这一点。
在短期内，一个可以访问大型全球医疗保健数据集的信息管理供应商可以为客户提供大量的干净数据来培训其算法，从而消除了依靠自己的较小且不太一致的数据库来培训这些项目的需求。必威手机APP这从早期AI和机器学习部署产生了更快，更可靠的结果。它还可以帮助业务领导者证明这些工具的价值，以支持对AI创新的进一步投资。
从长远来看，可以构建算法以清理肮脏的数据，从而帮助公司重置基线以达到数据一致性。通过正确的培训，可以教授算法以查找和消除重复，比较命名拼写，填写丢失或不准确的数据以及标记慢性错误以进行进一步的人进行干预。与任何机器学习项目一样，清洁数据库都需要时间，但是它为所有以未来数据驱动的工作奠定了基础。
如果您想确保您的组织准备基于AI驱动的分析做出业务决策，那么您想知道数据是干净，一致和准确的。
未来的AI策略
信息管理领域仍然有很多炒作，因此生命科学公司应明智地选择其供应商。这些投资的理想合作伙伴将在生命科学行业中获得事实证明的经验，访问大型全球数据集以及为特定生命科学用例的建立算法的体验。他们还应该能够提供一项技术，展示长期计划来发展满足生命科学客户需求的AI产品。
生命科学行业仍处于生命科学的AI和机器学习的新生阶段，但潜在的影响很大。这些工具有望提供洞察力，以节省时间和成本，加速药物开发，并增强betway必威怎么提款目标销售和营销策略，以获得更好的底线结果。选择当今合适的合作伙伴并投入时间来创建清洁和一致的数据是加速这一演变并为AI驱动的未来建立强大基础的最佳方法。
有关更多信息，请联系您的客户经理或iqvia.com/Information Management