[KUNSKAPSSAMARBETE] Bioteknikföretag står inför ett växande dataproblem. Utmaningen handlar inte längre om att samla in information utan om att göra den användbar.
Kliniska studier försenas eftersom rätt patienter är svåra att identifiera i tid.
Läkemedelskandidater faller bort sent i utvecklingsprocessen, vilket leder till betydande kostnader. Samtidigt växer mängden genomiska data snabbare än vad analytiker kan bearbeta, medan kraven på kostnadseffektivitet och bättre patientresultat fortsätter att öka.
Branschen saknar inte innovationer. Det som ofta saknas är system som kan omvandla komplexa datamängder till konkreta beslutsunderlag.
Artificiell intelligens lyfts ofta fram som lösningen. Men resultaten varierar kraftigt. Vissa satsningar genererar tydliga affärsvärden, medan andra aldrig lämnar pilotstadiet. Skillnaden ligger sällan i själva AI-modellen utan i hur och var tekniken implementeras.
Bioteknikföretag samarbetar i allt högre grad med mjukvaruleverantörer för att hantera dataintegration, kliniska arbetsflöden och införandet av AI-baserade lösningar. För att skapa verkligt värde krävs system som fungerar i klinisk vardag, integreras med befintliga databaser och stödjer välgrundade medicinska beslut.
AI inom bioteknik från experiment till affärsnytta
Under det senaste decenniet har bioteknik- och läkemedelsföretag investerat stora summor i artificiell intelligens. Många av de tidiga projekten var dock främst experimentella.
Den fasen är nu över.
Enligt analyser från McKinsey kan AI skapa ett årligt värde på mellan 60 och 110 miljarder dollar för läkemedels- och medicinteknikindustrin. Samtidigt uppskattas kostnaden för att utveckla ett nytt läkemedel till mellan en och nästan tre miljarder dollar.
Frågan för branschledare är därför inte längre om AI ska användas utan var tekniken ger störst effekt.
Kliniska studier små förbättringar med stor påverkan
Patientrekrytering är fortfarande en av de största flaskhalsarna i kliniska studier. Ett projekt kan planeras under flera år för att sedan stanna upp när rätt deltagare inte kan identifieras tillräckligt snabbt.
Här har AI visat tydliga resultat.
Genom att analysera elektroniska patientjournaler kan system snabbt identifiera patienter som uppfyller studiens kriterier. Det förkortar rekryteringsprocessen och ökar sannolikheten att rätt patienter inkluderas från början.
Tekniken kan även förbättra studiedesignen genom att analysera historiska data, identifiera svagheter i inklusionskriterier och förutse risker innan studien startar.
Branschdata visar att AI-baserade verktyg kan öka produktiviteten inom klinisk utveckling med mellan 35 och 45 procent. I vissa fall har tidslinjerna för fas III-studier förkortats med omkring 30 procent, vilket både minskar kostnaderna och förkortar tiden till marknad.
Samtidigt kräver framgångsrika projekt mer än avancerade algoritmer. Lösningarna måste integreras med journalsystem, hantera komplexa datamängder och uppfylla regulatoriska krav. Det är ofta här projekten misslyckas.
Genomik och precisionsmedicin kräver ny infrastruktur
Om kliniska studier handlar om att hitta rätt patienter handlar genomik om att hantera enorma datamängder.
Ett mänskligt genom innehåller miljarder datapunkter. Att analysera denna information manuellt är i praktiken omöjligt, särskilt när den kombineras med populationsdata från stora patientgrupper.
AI gör det möjligt att identifiera genetiska variationer med klinisk betydelse, gruppera patienter utifrån genetiska profiler och upptäcka biomarkörer som kan ligga till grund för nya behandlingar.
Resultatet är en utveckling mot precisionsmedicin, där behandlingar anpassas till specifika patientgrupper snarare än till breda populationer.
Men genomik ställer också höga krav på infrastrukturen. AI-modeller kräver betydande beräkningskapacitet, säkra databaser och integration med sekvenseringsplattformar. För många organisationer är den största utmaningen inte att utveckla algoritmerna utan att bygga den tekniska miljö som krävs för att använda dem i praktiken.
Snabbare läkemedelsutveckling med prediktiva modeller
Läkemedelsutveckling är sannolikt det område där AI fått störst medial uppmärksamhet.
Målet är enkelt: att identifiera lovande läkemedelskandidater snabbare och minska risken för kostsamma misslyckanden senare i processen.
AI bidrar genom att analysera biologiska data, identifiera relevanta läkemedelsmål, generera molekylära kandidater och förutse toxicitet innan laboratoriearbetet påbörjas.
På så sätt sorteras mindre lovande kandidater bort redan i ett tidigt skede.
Studier visar att AI-baserade verktyg kan minska utvecklingstiden i tidiga forskningsfaser med upp till en tredjedel. I vissa fall har AI-stödda program lyckats föra läkemedelskandidater till kliniska studier på cirka 18 månader, jämfört med traditionella utvecklingscykler på omkring 42 månader.
Det är dock viktigt att ha realistiska förväntningar. AI ersätter varken laboratorietester eller kliniska prövningar. Tekniken förbättrar framför allt beslutsfattandet innan de mest kostsamma utvecklingsfaserna inleds.
Data från verkligheten blir allt viktigare
När ett läkemedel väl har godkänts förändras fokus.
Då handlar det om att förstå hur behandlingen fungerar i verklig klinisk användning.
AI kan analysera stora mängder data från journaler, försäkringssystem och uppkopplade medicintekniska produkter för att identifiera mönster som inte framkommer i kontrollerade kliniska studier.
Denna typ av så kallad real world evidence används för att stärka säkerhetsuppföljning, optimera behandlingsstrategier och tillhandahålla dokumentation till myndigheter och betalare.
I takt med att regulatoriska krav skärps blir denna typ av evidens allt viktigare för läkemedelsföretagen.
Operativ effektivitet den ofta förbisedda AI-vinsten
Mycket av diskussionen kring AI kretsar kring forskning och utveckling. Men för många bioteknikföretag finns de snabbaste ekonomiska vinsterna inom den dagliga verksamheten.
AI används i ökande grad för att automatisera dokumenthantering, effektivisera regulatoriska processer och optimera logistikkedjor.
Analytiker bedömer att generativ AI ensam kan skapa upp till sju miljarder dollar i årligt värde inom biofarmaceutiska verksamheter.
Även om dessa användningsområden sällan får samma uppmärksamhet som läkemedelsforskning ger de ofta snabbare och mer förutsägbara resultat.
Varför misslyckas så många AI-projekt?
Trots den stora potentialen når många AI-satsningar aldrig produktion.
Vanliga orsaker är:
- Data som är utspridd i flera olika system
- Bristande integrationsstrategier
- Sen hantering av regulatoriska krav
- Modeller som fungerar i testmiljö men inte i verklig drift
Ett återkommande problem är glappet mellan laboratoriemiljö och klinisk verklighet. Många modeller presterar väl under kontrollerade förhållanden men tappar precision när de möter verkliga patientdata.
Problemet handlar ofta mer om systemarkitektur än om själva algoritmerna.
Vad bör bioteknikföretag prioritera härnäst?
De mest framgångsrika organisationerna är inte nödvändigtvis de som genomför flest AI-experiment, utan de som fokuserar på rätt problem.
För att skapa långsiktigt värde bör verksamheter:
- Bygga en robust datainfrastruktur innan avancerade AI-modeller införs
- Prioritera områden med dokumenterad nytta, såsom kliniska studier och genomik
- Säkerställa att lösningarna uppfyller regulatoriska krav och är transparenta
- Samarbeta med partners som har kompetens inom både mjukvaruutveckling och hälso- och sjukvård
Infrastruktur avgör AI framgång inom bioteknik
AI ger idag störst affärsnytta inom datatunga områden som klinisk utveckling, genomikanalys och läkemedelsforskning. Gemensamt för dessa områden är att tekniken löser konkreta problem där traditionella metoder ofta når sina begränsningar.
Den största utmaningen för bioteknikbranschen är inte bristen på avancerade modeller utan bristen på den infrastruktur som krävs för att använda dem effektivt.
För att AI ska skapa varaktigt värde måste organisationer gå bortom isolerade pilotprojekt och integrera tekniken i sina ordinarie forsknings och verksamhetsprocesser.
Framgång uppstår i skärningspunkten mellan vetenskap, data och fungerande system.
Av Andrii Pastushok, Principal Product Manager, Sigma Software Group
Artikeln är ett kunskapsamarbete mellan Sigma Software Group och IT Media Group. Sponsrade inlägg och kunskapsamarbeten är en del av IT Media Groups annonserbjudande. Om du har frågor kring sponsrade inlägg, hör av dig till info@itmediagroup.se
