كيف ساعدنا شركة أدوية رائدة في استخدام LLMs لمراقبة الأحداث السلبية على وسائل التواصل الاجتماعي

التحدي: تحسين دقة النموذج والامتثال في اليقظة الدوائية بمساعدة الذكاء الاصطناعي

تعتبر اليقظة الدوائية، ومراقبة سلامة الأدوية والأحداث السلبية (AE)، مسؤولية حاسمة ومنظمة للغاية لشركات الأدوية. كان عميلنا يفحص تلقائيًا مصادر بيانات متعددة، بما في ذلك منصات الوسائط الاجتماعية مثل Twitter، لاكتشاف الإشارات المبكرة لـ AEs المرتبطة بالأدوية.
كافح نظام المراقبة الحالي الخاص بهم لمواكبة تعقيد وحجم بيانات وسائل التواصل الاجتماعي غير المهيكلة. انخفضت دقة النموذج عند الانتقال من التدريب إلى الإنتاج، ونتيجة لذلك، يمكن تفويت الأحداث السلبية المحتملة. كان العميل بحاجة إلى نهج أكثر قوة وموثوقية لضمان الامتثال التنظيمي وسلامة المرضى والثقة في اليقظة الدوائية بمساعدة الذكاء الاصطناعي.

كيف ساعدنا

قمنا بتطوير خط أنابيب ML لتعزيز موثوقية اكتشاف الأحداث السلبية من نص وسائل التواصل الاجتماعي. يقوم الحل تلقائيًا بمراقبة وضبط تحولات توزيع البيانات بين التدريب والإنتاج، وهو أحد الأسباب الرئيسية لضعف أداء النماذج الحالية. لتسهيل الوصول إلى الاختبار والتحقق من الصحة، قمنا أيضًا بتصميم تطبيق PoC بواجهة بسيطة تسمح لأي صاحب مصلحة بإرسال رسائل ومراقبة توقعات النموذج في الوقت الفعلي. في حين تم تصميم PoC لإجراء اختبارات داخلية واسعة النطاق، فقد تم تصميم نظام الإنتاج بعناية لفريق متخصص من خبراء سلامة المرضى، مما يضمن توافق الأداة مع خبراتهم الطبية ومتطلبات سير العمل.

التأثير: تحسين سلامة المرضى من خلال الكشف السريع عن الأحداث السلبية

من خلال تحويل اليقظة الدوائية من مهمة الامتثال التفاعلي إلى نظام ذكاء في الوقت الفعلي يركز على المريض، ساعد هذا الحل عملائنا على اكتشاف المخاطر في وقت مبكر، ومنع ضرر المريض، وتعزيز الثقة التنظيمية وثقة الجمهور.
من خلال الجمع بين الدقة التقنية والفهم العميق للسياق التنظيمي للعميل، ساعدناهم على البقاء في المقدمة في مجالهم مع وضع الأساس لاعتماد الذكاء الاصطناعي على المدى الطويل.

• تم تحسين تحديد الأحداث السلبية من بيانات الوسائط الاجتماعية غير المهيكلة.
• تم توفير تدفقات عمل أكثر شفافية وتوافقًا وقابلية للتفسير في مجال اليقظة الدوائية.
• أدى الاكتشاف الأسرع والأكثر دقة للمخاطر المحتملة إلى تحسين مراقبة سلامة المرضى.