Machine Translated by Google

IA generativa na
indústria farmacêutica:
Passando do hype
para a realidade
por Chaitanya Adabala Viswa, Joachim Bleys,
Eoin Leydon, Bhavik Shah e Delphine Zurkiya

Janeiro de 2024

©Getty Images
Machine Translated by Google

Descoberta acelerada de medicamentos. Ensaios clínicos mais eficientes. casos nas ciências da vida e calculou o impacto econômico potencial para

Aprovações regulatórias mais rápidas. Materiais de marketing cinco domínios da indústria: pesquisa e descoberta inicial, desenvolvimento

ultradirecionados gerados internamente. A IA generativa está a transformar clínico, operações, assuntos comerciais e médicos. Com esses números em

quase todos os aspetos da indústria farmacêutica, renovando a forma como as mãos, aproveitamos a experiência e o conhecimento dos líderes da McKinsey em

empresas operam e potencialmente desbloqueando milhares de cada domínio. Esses líderes usaram seus

milhões de dólares em valor.

O McKinsey Global Institute (MGI) estimou que a tecnologia poderia gerar extenso trabalho ajudando os clientes a implantar a geração de IA durante o

entre 60 mil milhões e 110 mil milhões de dólares por ano em valor ano passado para identificar os casos de uso com maior probabilidade de

económico para as indústrias farmacêutica e de produtos médicos (Quadro gerar ganhos significativos de produtividade e valor econômico no curto prazo.

1), em grande parte porque pode aumentar a produtividade ao acelerar

o processo de identificação de compostos. para possíveis novos

medicamentos, acelerando seu desenvolvimento e aprovação e melhorando No entanto, os números contam apenas parte da história. A iminente revolução

a forma como são comercializados. das ciências da vida impulsionada pela IA promete efeitos não

quantificáveis na saúde e no bem-estar humanos.

Um processo acelerado de descoberta de medicamentos, por exemplo,

As empresas farmacêuticas, é claro, estão há muito tempo na vanguarda da ajudará a curar mais doenças mais rapidamente, abrindo recursos

inteligência artificial. Mesmo antes da explosão de interesse do ano passado, os adicionais que poderão então ser aplicados em áreas actualmente mal

investigadores já aplicavam modelos complexos de IA para desbloquear os servidas. A capacidade de gerar insights e padrões a partir de grandes

mecanismos das doenças. quantidades de dados de pacientes gerará tratamentos mais personalizados

AlphaFold2, ESMFold e MoLeR, por exemplo, usam aprendizagem profunda e melhores resultados para os pacientes. As ferramentas Gen AI também

para ajudar a prever as estruturas de quase todas as proteínas conhecidas, poderiam tornar o atendimento ao paciente mais consistente, reduzindo

transformando a nossa compreensão das suas doenças subjacentes. desvios na fabricação e distribuição de medicamentos. Finalmente,

ao automatizar tarefas tediosas e demoradas, como a criação de

documentos e a manutenção de registros, a geração de IA aumenta a

Com o surgimento de novos casos de uso de IA atraentes, estávamos ansiosos para produtividade dos pesquisadores e dos contatos médicos, para que possam

entender, de uma forma mais granular, as áreas mais promissoras de valor potencial atender melhor os médicos e os pacientes.

(consulte a barra lateral “Um guia para nossa metodologia”). Então, nos aprofundamos

nos dados do MGI e na modelagem de 63 IA generativa que usam Web 2023

GenAIPharma
Anexo 1 de 9
Exposição 1

Espera-se que a IA generativa produza entre US$ 60 bilhões e US$ 110 bilhões em valor
anual em toda a cadeia de valor da indústria farmacêutica.

Valor esperado anualmente, US$ bilhões

Comercial 18–30

Pesquisa e descoberta inicial 15–28

Desenvolvimento clínico 13–25

Empreendimento 8–16

Operações 4–7

Médico 3–5

Fonte: análise da McKinsey

McKinsey & Companhia

IA generativa na indústria farmacêutica: passando do exagero à realidade 1

Machine Translated by Google
É claro que aproveitar esta nova e poderosa tecnologia não será fácil. Os
executivos terão de lidar com decisões estratégicas complicadas e desafios
operacionais num cenário desconhecido, marcado por tecnologias em rápida
mudança e riscos emergentes. Aqui oferecemos orientação sobre como começar
e analisar os casos de uso mais promissores e os elementos necessários para que a
geração AI os transforme.
A forma como a indústria trabalha para tratar doenças está mudando
rapidamente. Abaixo, oferecemos um vislumbre da forma que o novo
mundo provavelmente assumirá.
Passando do hype para a realidade
Antes de as empresas farmacêuticas poderem aproveitar as
oportunidades que a IA generativa apresenta, devem recuar e
compreender exatamente o que pode e o que não pode fazer – por
outras palavras, diferenciar a realidade da geração AI do hype que a
rodeia. Abaixo, desmascaramos quatro
os equívocos mais poderosos que os líderes empresariais têm
sobre a tecnologia.
Moda. A IA generativa, por si só, fornecerá a maior parte dos
o valor a ser criado.
Realidade. Este é um momento perturbador para todo o campo da
inteligência artificial, e não apenas para a geração AI. Os modelos
analíticos tradicionais de IA, como os atualmente utilizados para
promover o envolvimento das partes interessadas e ajudar a
diagnosticar doenças, continuarão a captar valor. A diferença é que as
aplicações de IA da nova geração irão melhorar significativamente as
suas capacidades.
Moda. A IA generativa pode ser facilmente conectada a conjuntos de dados
existentes para desbloquear insights importantes.
Realidade. A Gen AI não pode entregar resultados a menos que
uma arquitetura de dados adequada esteja implementada. As
empresas precisarão construir uma camada de inteligência que
possa compreender questões como estruturas moleculares,
operações clínicas e dados de pacientes. Será necessária uma
abordagem multifacetada para criar uma infra-estrutura de dados que possa funcionar
Embora ainternamente e
conjuntos de dados externos. Isto é mais do que uma questão
puramente técnica: os cientistas de dados terão de colaborar
estreitamente com os líderes em estratégia empresarial, assuntos
médicos e jurídicos e de risco para definir prioridades e executar estratégias. linguagem, mas também em imagens, ômicas, informações do
IA generativa na indústria farmacêutica: passando do exagero à realidade
Moda. A seleção do modelo de linguagem grande (LLM) certo será
um diferencial estratégico importante.
Realidade. Os modelos Gen AI representam apenas cerca de 15% do
esforço típico de um projeto, de acordo com uma pesquisa da
McKinsey. A maior parte do trabalho envolve a adaptação de modelos
à base de conhecimento interna e aos casos de uso de uma empresa.
Isto é particularmente verdade na indústria farmacêutica, dada a
complexidade dos seus dados e a singularidade dos seus regulamentos
e tecnologia. Para ter sucesso com a geração de IA, as empresas
devem integrá-la em fluxos de trabalho complexos para promover a
adoção e o impacto – uma realidade que destaca a
necessidade de uma gestão eficaz da mudança.
Na verdade, a McKinsey descobriu que 70% das transformações
digitais falham devido a questões técnicas, mas
porque os líderes ignoraram a importância de gerir a mudança.
Moda. A IA generativa afetará instantaneamente todas as partes da
organização.
Realidade. Tal como acontece com qualquer transformação
digital, os líderes devem aplicar uma visão ponta a ponta e
priorizar apenas os casos de uso e aplicações que façam sentido
para os objetivos gerais do negócio. Esses líderes devem criar um
roteiro estratégico para garantir que estão otimizando o impacto geral, o
tempo para impactar e outras considerações importantes. Uma
“abordagem 2x2” é uma estratégia eficaz para empresas que
estão começando: comece com dois casos de uso que exijam
interrupção mínima para o negócio, possam criar entusiasmo em
toda a organização e tenham um impacto mais rápido, bem como dois
outros casos de uso que são potencialmente mais transformacionais
como objetivos de longo prazo.
Casos de uso emergentes em domínios de
ciências biológicas
A Gen AI pode criar valor em todo o valor do negócio
cadeia através de sua capacidade de sintetizar inúmeras fontes de
dados, estruturados e não estruturados, e gerar conteúdo visual,
textual e até mesmo molecular sob medida.
tecnologia afecte todas as indústrias, terá um impacto
particularmente forte na indústria farmacêutica.
A razão é a natureza verdadeiramente multimodal da
geração AI: os modelos fundamentais são construídos não apenas na
paciente e outros tipos de dados – e todos eles são necessários para
explicar e resolver os processos das doenças e a melhor forma de tratar
2
Machine Translated by Google

compressão – a quantidade decrescente de tempo que eles têm para capturar Em muitas organizações de grande porte, os executivos de alto escalão devem

o valor de um novo medicamento. Nas últimas duas décadas, esse período caiu assumir um compromisso genuíno.

quase 18 meses: de 11,7 para 9,8 anos, descobriu a pesquisa da McKinsey.

Abaixo, analisamos 21 casos de uso individuais que os especialistas do domínio

da McKinsey consideram como tendo o maior potencial para um impacto de

A maioria dos casos de uso específicos se enquadrará em uma das curto prazo em cinco domínios das ciências da vida (Quadro 2). Muitos destes

quatro categorias principais: extração de conhecimento, geração casos de utilização não podem ser realizados a menos que já exista algum

de conteúdo e compostos (por exemplo, química generativa), grau de digitalização, e nem todos se aplicarão necessariamente a todas as

envolvimento do cliente (como serviços para prestadores de cuidados de empresas.

saúde e pacientes) e codificação e geração de software. As organizações Embora reconheçamos que a geração AI continua a ser uma tecnologia

devem agir rapidamente para aproveitar a vantagem competitiva. No entanto, emergente ainda não totalmente implementada em escala na maioria

tentar fazer isso muito cedo – por exemplo, lançando vários projetos-piloto sem dos casos, também tentámos estimar o impacto potencial para cada caso de

primeiro traçar um roteiro claro em escala – pode ser problemático. Além utilização. Estas estimativas refletem o que aprendemos com o nosso

disso, os líderes devem compreender que a geração AI não pode ser uma trabalho ao longo do ano passado, os desenvolvimentos ocorridos em toda a

iniciativa periférica; deveria ser uma das principais prioridades. Dada a indústria e entrevistas com especialistas e líderes da geração AI.

natureza conservadora

Teia 2023
GenAIPharma
Anexo
Anexo 22 de 9

A IA generativa poderia impulsionar resultados holísticos no setor das ciências da vida

de diversas maneiras.

Valor esperado anualmente (não exaustivo), US$ bilhões

18–30
15–28
13–25

4–7
3–5

Pesquisa e Clínico Operações Comercial Assuntos médicos1

descoberta precoce desenvolvimento Fonte aumentada Personalizado Geração de insights
Extração de conhecimento Copiloto de desempenho Criação de conteúdo do cliente
IA generativa virtual
científico de teste assistente para Assistência e Mais nítido, mais
Triagem de compostos Dados inteligentes fabricação automação de revisões redação médica
in silico gerenciamento médicas e jurídicas eficiente
Reimaginado
Otimização de Regulatório investigações Copiloto de Resumos rápidos
moléculas grandes e motor de inteligência em qualidade capacitação do cliente da literatura científica
design de vetores de drogas e médica
Redator de conteúdo de Planejamento sem Geração de insights
Seleção de indicação submissão principal toque e em tempo real estratégicos
para estratégia de ativos inventário
Otimização da
otimização
Otimização de teste e experiência do paciente
portfólio

1 Através de ganhos de eficiência nas despesas.

Fonte: análise da McKinsey

McKinsey & Companhia

IA generativa na indústria farmacêutica: passando do exagero à realidade 3

Machine Translated by Google
Pesquisa e descoberta inicial:
Uma nova geração de
tratamentos
Oportunidade potencial: US$ 15 bilhões a US$ 28 bilhões
Nossa compreensão das doenças pode estar avançando
rapidamente. No entanto, o processo de descoberta e
desenvolvimento de novos medicamentos tem evoluído na direcção
oposta: o custo médio de introdução de um medicamento no
mercado está a aumentar, e não a diminuir. A Gen AI poderia
ajudar a acelerar o processo de identificação de alvos,
desenvolvendo ensaios de validação para testar compostos,
destacando as pistas mais promissoras e auxiliando em testes pré-
clínicos para determinar sua eficácia.
Os fabricantes farmacêuticos já estão a utilizar modelos
fundamentais para estes fins. Além de modelos de linguagem
natural, como BioGPT e Med-PaLM, os modelos que os
pesquisadores usam incluem modelos de imagem para analisar
dados de microscopia e patologia, modelos químicos para
melhorar as previsões para leituras funcionais de dados de
moléculas pequenas, modelos de moléculas grandes para
proteínas dobramento e previsões, modelos de jornada do
paciente para concentrar os esforços de desenvolvimento
IA generativa na indústria farmacêutica: passando do exagero à realidade
em indicações promissoras e modelos multimodais para
combinar essas modalidades e assim permitir
experimentos de silício. Aumentar essas capacidades
fundamentais com formas mais amplas e estabelecidas de IA —
como visão computacional, triagem virtual e gráficos de
conhecimento — pode acelerar o impacto da IA genérica na
pesquisa farmacêutica, talvez reduzindo pela metade os prazos de
descoberta de medicamentos. Identificamos cinco casos de uso
principais com forte potencial para um impacto significativo no curto
prazo.
Caso de uso um: Extração de conhecimento científico. Para
compreender melhor as doenças e os alvos dos medicamentos, os
cientistas gastam muito tempo extraindo e resumindo
informações em documentos como patentes, publicações
científicas e dados de ensaios. Isso não é apenas árduo, mas
também muitas vezes fornece informações incompletas ou
imprecisas, dado o grande volume de dados que devem ser
processados. Extração de conhecimento baseada em GPT —
que usa algoritmos de IA para analisar dados não estruturados,
incluindo texto, imagens e outras formas de informação —
4
Machine Translated by Google
pode aliviar esse fardo. Ao contrário das soluções anteriores baseadas
no processamento de linguagem natural (PNL), as ferramentas
de IA da nova geração oferecem uma compreensão muito mais
profunda e ampla do contexto e da intenção médica. Pesquisadores
pode, portanto, apresentar perguntas e respostas abertas,
alternar facilmente entre diferentes tarefas e integrar evidências
adicionais sem atrito por meio de engenharia imediata. Pouco ou
nenhum treinamento adicional é necessário para adaptar as
informações a casos de uso específicos.
Impacto potencial: Um aumento de mais de 30% nas avaliações
manuais iniciais de alvos de medicamentos
Caso de uso dois: triagem de compostos in silico. O
desenvolvimento de medicamentos pode ser dificultado pela
dificuldade de identificar e priorizar os compostos químicos com
maior probabilidade de tratar com sucesso uma doença específica
e, portanto, mais dignos de serem testados em laboratórios.
A Gen AI acelera o processo de triagem com modelos químicos
fundamentais de última geração que podem mapear milhões de
compostos químicos conhecidos por sua estrutura e função e
sobrepor isso
informações com resultados conhecidos para moléculas testadas
(Anexo 3). Assim como o GPT-4, que é treinado para prever a
provável próxima palavra em uma frase, esses modelos prevêem
a próxima parte (por exemplo, um átomo) na estrutura de uma
molécula pequena ou grande (como um aminoácido). Através de
muitas iterações, o modelo aprende princípios fundamentais da
química de moléculas grandes e pequenas. Esse conhecimento
pode então ser usado para treinar
Teia 2023
GenAIPharma
Anexo 3 de 9
Anexo 3
A IA generativa pode permitir que os pesquisadores gerem moléculas com maior
qualidade, segurança e novidade.
Capacidades químicas, presentes e futuras
Presente
Dirigir Use métodos tradicionais para identificar novos ativos (por
inovação exemplo, tentativa e erro, conhecimento pessoal,
literatura)
Sintetizar Realizar análises químicas e verificação de controle de
compostos qualidade dos produtos, contando com conhecimento e
educação prévios
Fonte: análise da McKinsey
McKinsey & Companhia
IA generativa na indústria farmacêutica: passando do exagero à realidade
modelos personalizados de aprendizado de máquina que
oferecem previsões ainda mais precisas – mesmo em áreas
amplamente inexploradas da química – que as empresas podem
priorizar para triagem subsequente.
Impacto potencial: Aumento de até 2,5 vezes no desempenho
dos modelos de atividade de compostos químicos; um aumento de
mais de quatro vezes na velocidade (de meses para semanas) no
tempo necessário para identificar novos leads
Caso de uso três: Otimização de moléculas grandes e design de
vetores de medicamentos. As ferramentas descritas no caso de uso
anterior ajudam os pesquisadores a prever o potencial de tratamento
de doenças de pequenos compostos químicos. Um problema
ainda mais espinhoso é fazer o mesmo com cadeias complexas de
moléculas: por exemplo, proteínas como anticorpos e mRNA.
Embora estas moléculas sejam uma promessa substancial para
terapias mais direcionadas e melhores vacinas, a sua complexidade
aumenta substancialmente os custos de desenvolvimento e os
prazos de descoberta.
Mais uma vez, os LLMs de próxima geração podem ajudar
aprendendo a prever a próxima subestrutura de moléculas
grandes (por exemplo, ácidos nucléicos ou aminoácidos) e gerando
insights sobre a química de moléculas grandes. Esses
insights podem ser usados para o projeto in silico de novos vetores de
medicamentos e para prever sua eficácia em vários ensaios de
descoberta de medicamentos.
Impacto potencial: Uma aceleração de mais de três vezes no
projeto de moléculas grandes
Futuro
Use análise in silico para identificar proativamente
novos ativos e otimizar seu desenvolvimento
Revise os relatórios criados pela IA generativa para
identificar tendências químicas e ajustar os métodos de
análise e síntese de acordo
5
Machine Translated by Google
Caso de uso quatro: Seleção de indicação para estratégia de ativos.
As capacidades de extração de conhecimento da Gen AI
(detalhadas no caso de uso um, acima) também podem ajudar
os pesquisadores a determinar quais condições, ou indicações,
atingir com uma molécula específica – uma das decisões mais
importantes que as empresas biofarmacêuticas enfrentam.
Para fazer estas chamadas, os investigadores devem extrair
informações de múltiplas fontes, tais como líderes de opinião,
revisões de literatura, análises ómicas, dados de ensaios e atividades
de concorrentes. No entanto, dada a vastidão desta informação, as
seleções de indicações muitas vezes cobrem apenas parte
da base de evidências disponível, pelo que as conclusões
podem não ser as ideais. A Gen AI pode ajudar a resolver esse
problema analisando uma ampla gama de conjuntos de dados
estruturados e não estruturados.
Por exemplo, os dados do mundo real (RWD) — extraídos de consultas
médicas, pedidos de seguros, registos médicos eletrónicos, dados
hospitalares e outras fontes — são frequentemente subutilizados
para selecionar indicações. Com a geração AI, modelos básicos
que tratam eventos médicos como palavras e históricos médicos de
pacientes como documentos permitem que os pesquisadores descubram
a semelhança semântica de diferentes eventos, e que permite
estimar a proximidade biológica de uma indicação a outra do ponto
de vista do paciente e da clínica.
Além do mais, as informações dos gráficos de conhecimento
molecular podem ser aproveitadas para revelar novas conexões
(digamos, entre entidades como proteínas ou vias biológicas
humanas) já identificadas na literatura ou em dados públicos. Estas
abordagens podem ajudar a descobrir novas indicações que
podem ser rapidamente validadas através de modelos in vitro
ou animais, aumentando a probabilidade de encontrar indicações
com elevada probabilidade de sucesso e reduzindo o número de
becos sem saída (e o seu custo de oportunidade).
Impacto potencial: Priorizar com sucesso as indicações que foram
aprovadas nas clínicas; eliminar aqueles que provavelmente teriam
falhado; identificando indicações inteiramente novas
posteriormente validadas em animais
modelos
IA generativa na indústria farmacêutica: passando do exagero à realidade
Caso de uso cinco: Otimizando testes e portfólios. Uma vez que um
ativo tenha sido combinado com uma indicação, os testes em um
ambiente clínico começam. Mas identificar os pacientes apropriados
para estudar não é fácil, por isso os ensaios clínicos incluem
frequentemente participantes que podem não responder ao
tratamento, o que pode retardar o seu desenvolvimento.
Um dos poucos campos para resolver este problema é a
oncologia de precisão, onde os investigadores utilizam agora
biomarcadores para estratificar os pacientes de acordo com a
sua probabilidade de progressão ou para prever a sua resposta a
diferentes tratamentos. A Gen AI ajudará outras áreas a fazer o mesmo,
o que ajudará as empresas a reunir populações de ensaios clínicos
mais diversificadas e representativas.
Além disso, a utilização de modelos que examinam dados genéticos
e fenotípicos juntamente com dados do mundo real (extraídos de
fontes como os registos médicos dos pacientes) permitirá aos
investigadores compreender melhor porque é que diferentes
subgrupos de pacientes respondem de forma diferente aos mesmos
tratamentos. Finalmente, ao utilizar modelos de geração de IA baseados
em dados de técnicas de imagens médicas, como raios X, tomografias
computadorizadas e ressonâncias magnéticas, os cientistas poderiam
até identificar biomarcadores inteiramente novos: assinaturas
visuais profundamente ocultas da atividade e gravidade da doença
que levam a novos tratamentos imprevistos. . O resultado
cumulativo: ensaios mais curtos, mais eficientes e com maior probabilidade de sucesso.
Impacto potencial: Aumento de cerca de 10% na possibilidade de
sucesso (PoS) dos testes; uma redução de cerca de 20% no
seu custo e duração; tempo para aprovação acelerado em um a
dois anos – tudo levando a um impacto potencial de dois dígitos no
valor presente líquido
(NPV) de ativos ou carteiras
6
Machine Translated by Google
Desenvolvimento clínico: ensaios mais inteligentes,
melhores dados, resultados mais rápidos
São necessários, em média, dez anos e 1,4 mil milhões de
dólares em custos diretos para colocar um único medicamento
no mercado, e cerca de 80% desses custos estão associados
ao desenvolvimento clínico, de acordo com investigadores do
Tufts Center for the Study of Desenvolvimento de drogas. O
desenvolvimento clínico é o processo de levar terapias do
laboratório ao paciente, testando rigorosamente a segurança
e eficácia de um medicamento potencial em seres humanos, um
processo caracterizado por longos prazos de ensaios clínicos
e requisitos regulatórios rigorosos. A Gen AI aborda esses
pontos problemáticos aumentando a eficiência em todo o
processo de desenvolvimento clínico, liberando valor
econômico em três dimensões: reduções de custos de até 50%
possibilitadas pela simplificação dos processos de ensaios
clínicos e pela elaboração automática de documentos de
ensaios; uma aceleração de mais de 12 meses no tempo necessário
para conduzir um teste; e um aumento de pelo menos 20% no
VAL, graças a melhores interações entre autoridades de saúde,
controlo de qualidade e melhor gestão de sinais. Nessas três
dimensões, identificamos quatro casos de uso com forte potencial de
impacto no curto prazo.
IA generativa na indústria farmacêutica: passando do exagero à realidade
Oportunidade potencial: US$ 13 bilhões a US$ 25 bilhões
Caso de uso um: copiloto de desempenho de teste. A Gen AI pode
analisar rapidamente grandes quantidades de dados estruturados e não
estruturados. É, portanto, um poderoso companheiro da equipa de estudo,
que pode partilhar ideias e sugerir intervenções eficazes para melhorar os resultados
dos ensaios clínicos. Várias farmacêuticas de primeira linha já criaram “torres
de controle clínico” – plataformas analíticas avançadas que apoiam a tomada
de decisões operacionais durante o desenvolvimento clínico, fornecendo uma
fonte única de insights para acelerar os ensaios clínicos. Esses copilotos de IA
aceleram os testes capacitando as equipes de estudo de pelo menos
três maneiras importantes: os recursos de IA conversacional
fornecem insights práticos e personalizados em um formato envolvente;
alertas inteligentes promovem intervenções proativas e precoces; e a
elaboração automática de comunicações torna a coordenação com membros
da equipe multifuncional mais
eficaz. Essas ferramentas também prometem acelerar as inscrições,
automatizando análises, abordando proativamente os
desafios de inscrição e aumentando a colaboração.
7
Machine Translated by Google

Teia 2023
GenAIPharma
Anexo 44 de 9
Anexo

Os gerentes de operações clínicas poderiam realizar ensaios de forma mais rápida e

eficiente, com insights acionáveis e envolvimento personalizado por meio de IA generativa.

Capacidades do gestor de operações clínicas, presentes e futuras

Presente Futuro

Analisar teste Colete e analise manualmente dados em Aproveite análises e visualizações automatizadas, adaptadas
desempenho múltiplas fontes para entender o julgamento às características do teste, incluindo

percepções desempenho área terapêutica, fase e próximo marco

Intervir de forma reativa com base em Receba alertas proativos do copiloto, com avaliação
Aja cedo
e efetivamente julgamento subjetivo e incompleto de riscos baseada em dados e recomendações prescritivas
Informação de intervenções precoces que podem apoiar a entrega
de testes dentro do prazo

Personalizar site Envolva os investigadores principais (PIs) em todos os Rascunhe mensagens personalizadas automaticamente
noivado sites com a mesma mensagem e conteúdo envolver PIs e coordenadores de site, com alto envolvimento
baseado em conteúdo e timing personalizados

Prepare manualmente milhares de páginas de Rene redigiu documentos automaticamente com documentos
Preparar teste
documentos documentos personalizados para cada ensaio, localizados para cada local

e relatórios e traduzidos para cada país

Fonte: análise da McKinsey

McKinsey & Companhia

Impacto potencial: Aproximadamente 20% de melhoria na Impacto potencial: 30% mais economia de custos para gerenciamento
eficiência de custos; 10 a 20 por cento mais rápido de dados; uma redução de mais de 50% no tempo de bloqueio do
inscrição banco de dados; 70% menos consultas manuais

Caso de uso dois: gerenciamento inteligente de dados. O Caso de uso três: Mecanismo de inteligência regulatória. Durante o
gerenciamento de dados hoje é um processo altamente trabalhoso, processo de desenvolvimento clínico, as empresas farmacêuticas
exigindo configuração manual, teste por teste, de sistemas devem responder a perguntas e solicitações das agências
eletrônicos de captura de dados, bem como revisão detalhada e reguladoras. Estas são conhecidas na indústria como Health
reconciliação dos dados recebidos dos pacientes. Ao combinar Authority Queries (HAQs) e muitas vezes criam gargalos
recursos de IA tradicionais e generativos, o gerenciamento de que podem atrasar a aprovação e a entrada no mercado de
dados pode ser automatizado em várias etapas. Os bancos de novas terapias.
dados podem ser criados com um clique com base no protocolo, e
os formulários de relato de caso podem ser gerados Os mecanismos de inteligência habilitados para Gen AI podem
automaticamente com base no protocolo, perfil do paciente e tipo ajudar em três frentes: prever possíveis padrões de HAQ para um
de visita. Os dados podem então ser revisados e limpos determinado envio; elaborar rapidamente respostas apropriadas dos
automaticamente em tempo real e as consultas podem ser patrocinadores; e fornecer inteligência mais profunda às
geradas automaticamente de forma inteligente e eficiente com estratégias de submissão. A análise preditiva da Gen AI, por exemplo,
base no contexto do estudo, no status do paciente e nas ações pode ajudar as equipes a antecipar proativamente os HAQs,
do local, concentrando a atenção nas lacunas de dados mais críticas a serem abordadas
reduzindo antes
assim seu número, tanto inicial quanto de acompanhamento.
bloqueio de banco de dados. Os insights gerados continuarão a informar os reguladores

IA generativa na indústria farmacêutica: passando do exagero à realidade 8

Machine Translated by Google
estratégia, gestão de riscos e estratégia mais ampla de P&D.
Impacto potencial: Respostas aproximadamente 30% mais
rápidas; 50% menos acompanhamentos do HAQ
Caso de uso quatro: redator principal de conteúdo de envio. Como
etapa final antes da revisão regulatória, a redação da submissão
deve ser feita da forma mais rápida e precisa possível para atingir
ou acelerar os prazos de lançamento. No entanto, a elaboração dos
relatórios dos estudos clínicos normalmente requer oito ou mais
semanas para ser concluída. As ferramentas baseadas na Gen
AI podem reduzir esse tempo quase pela metade, gerando um “80% de acerto”
IA generativa na indústria farmacêutica: passando do exagero à realidade
primeiro rascunho do protocolo subjacente, plano de análise
estatística e tabelas, listagens e figuras – em minutos em vez de
dias – permitindo iteração rápida e colaborativa por partes
interessadas multifuncionais por meio de sugestões de
conversação. Os redatores médicos ficam assim livres para se
concentrar em seções do dossiê que exigem uma interpretação clínica
mais complexa.
Impacto potencial: submissões regulatórias 40% mais
rápidas; uma melhoria de 50% na eficiência de custos nas
organizações reguladoras; uma redução de duas vezes nos
problemas de qualidade
9
Machine Translated by Google
Oportunidade potencial: US$ 4 bilhões a US$ 7 bilhões
A cadeia de valor das operações farmacêuticas
abrange o fornecimento, a produção, a qualidade e a cadeia de
abastecimento – e espera-se que a geração AI melhore todos
eles. Primeiro, a capacidade da tecnologia de pesquisar e
analisar grandes volumes de texto, imagens e outras fontes de
dados gerará uma riqueza de novos insights. Seus recursos
de geração de conteúdo permitirão que as equipes desenvolvam
representações de dados complexas — em texto, visual, áudio
e outros formatos — adaptadas a contextos específicos.
Finalmente, as capacidades de conversação da geração AI,
novamente em múltiplos formatos, tornarão as interações com
os utilizadores mais eficientes e satisfatórias. Vemos quatro casos
de uso prioritários em toda a cadeia de valor das operações.
Caso de uso um: fornecimento aumentado. O processo de aquisição
tende a ser ineficiente e demorado: os gestores de categoria
devem pesquisar e analisar as condições de mercado, informações
de fornecedores e dados de preços antes de avaliar RFPs ou
outras submissões. Uma geração
IA generativa na indústria farmacêutica: passando do exagero à realidade
Operações: Reimaginando o
próximo horizonte de
desempenho operacional
O bot de consultoria de negociação de IA pode melhorar o
processo gerando primeiros rascunhos de RFPs, pedidos de
compra, faturas e respostas de revisão. A tecnologia também
pode ajudar os negociadores, encontrando e analisando padrões
relevantes em negociações e resultados anteriores. Depois
que os fornecedores são contratados, a geração AI permite um
gerenciamento de contratos mais inteligente e o
monitoramento proativo do desempenho da categoria e do fornecedor.
Impacto potencial: Uma redução de 5 a 10 por cento nos
custos de gestão de aquisições; ganhos de produtividade
(dependendo das funções e categorias) de 50 a 80 por cento
Caso de uso dois: um assistente virtual de geração
de IA para fabricação. Os assistentes virtuais baseados em Gen
AI ajudarão a otimizar a fabricação de medicamentos, localizando
rapidamente procedimentos operacionais padrão relevantes, gerando
automaticamente listas de verificação e guias para operações
repetíveis e corretas na primeira vez, e ajudando os supervisores
a monitorar e gerenciar o desempenho da linha em tempo real.
Assistentes virtuais também permitem manutenção preditiva—
10
Machine Translated by Google

evitando paradas sinalizando possíveis falhas de linha,
gerando automaticamente planos de intervenção e solução de
problemas e tíquetes de manutenção e otimizando cronogramas
de reparo e substituição por meio de manutenção planejada.
Impacto potencial: Uma melhoria de 10 a 15 por cento na eficácia
geral do equipamento (OEE), reduzindo perdas importantes; um
aumento de mais de 30% na produtividade dos líderes de linha; uma
redução de 15 a 35% na carga de trabalho dos técnicos de
manutenção; uma redução de 5% nos custos de qualidade através
da detecção de anomalias
Caso de uso três: Investigações reinventadas em qualidade.
A gestão de desvios é crítica para todas as empresas
farmacêuticas, uma vez que devem aderir às boas práticas
de fabricação (GMP) e aos rigorosos requisitos regulamentares.
Identificar e capturar desvios é agora um árduo processo manual.
Investigá-los, por exemplo, é um desafio dada a disponibilidade
limitada de dados integrados e recursos interfuncionais, por isso
é difícil
tomar medidas corretivas e preventivas eficazes e, assim, mitigar o
risco. A Gen AI ajuda as empresas farmacêuticas a reimaginar o
seu processo de investigação e gestão de desvios de ponta a
ponta, fornecendo ferramentas para ajudar a esclarecer
tendências, as classificações de gravidade dos desvios, as
potenciais causas raízes e as ações corretivas correspondentes
(Quadro 5). Todos os relatórios necessários podem então ser
gerados e revisados automaticamente em conformidade com as
políticas corporativas de qualidade, tornando assim os investigadores
mais eficazes e produtivos.
Impacto potencial: Um aumento de mais de 35% na
produtividade; uma melhoria de 30 a 40 por cento na eficácia das
investigações
Caso de uso quatro: planejamento sem toque e otimização
de estoque em tempo real. Especialmente quando as
matérias-primas são escassas, os problemas de inventário
podem ter um impacto substancial nos prazos de produção. Mas
ajustar os planos de fornecimento e produção em tempo real é,
na melhor das hipóteses, complicado, exigindo julgamento especializado e no local

Teia 2023
GenAIPharma
Anexo
Anexo 55 de 9

Os especialistas em garantia de qualidade podem usar IA generativa para

produzir ações corretivas mais rápidas e reduzir desvios com possíveis medidas de remediação.

Capacidades especializadas em garantia de qualidade, presentes e futuras

Presente Futuro
Identificação Pesquise desvios manualmente examinando milhares Realize pesquisas rápidas e eficazes de desvios
de relatórios de desvios relevantes e crie resumos usando IA generativa (gen AI)
de investigação
requerimento

Eficaz Conduzir investigações do zero, com longos intervalos Agilize o processo de investigação
entre o evento e o
e eficiente Melhorar a qualidade dos resultados da investigação,
conclusões da investigação
investigação aproveitando o resumo orientado pela IA da causa raiz
potencial e das ações corretivas

Relatório Escreva relatórios manualmente reunindo detalhes sobre Aproveite rascunhos de relatórios desenvolvidos por IA
desvios, causas raízes e ações corretivas genérica que podem ser revisados e finalizados
geração

Operação padrão Escreva manualmente POPs identificados nas investigações Use os primeiros rascunhos de SOPs desenvolvidos pela
procedimento (POP) gen-AI para agilizar o processo de desenvolvimento e

desenvolvimento melhorar a qualidade

Fonte: análise da McKinsey

McKinsey & Companhia

IA generativa na indústria farmacêutica: passando do exagero à realidade 11

Machine Translated by Google
para rastrear pedidos, identificar gargalos e otimizar redes. As
ferramentas de planejamento baseadas na Gen AI abordam essas
questões analisando tendências históricas e de mercado para
antecipar picos na demanda, prever gargalos e interrupções na
cadeia de suprimentos, gerar planos para intervenção proativa e
ajudar a elaborar planos de produção em tempo real, fazendo um
balanço dos recursos disponíveis. materiais, demanda atual do cliente
e restrições operacionais.
IA generativa na indústria farmacêutica: passando do exagero à realidade
As ferramentas também monitoram automaticamente os suprimentos
para atingir níveis ideais de estoque.
Impacto potencial: Um declínio de 2 a 3 por cento nos custos da
cadeia de abastecimento; um aumento de 15% na precisão do
planejamento e das previsões de estoque; uma redução de 20 a 30
por cento na carga de trabalho para planejadores de demanda
12
Machine Translated by Google
Oportunidade potencial: US$ 18 bilhões a US$ 30 bilhões
Qualquer tratamento, é claro, só funciona se for prescrito e tomado
corretamente, e é por isso que os farmacêuticos gastam uma
energia considerável cultivando relacionamentos e construindo
confiança com prestadores de cuidados, farmacêuticos, seguradoras e
pacientes. As ferramentas Gen AI podem aprofundar todos
esses relacionamentos. Os líderes internos da marca poderão
aproveitar a sua proximidade com prestadores de cuidados de
saúde, pacientes e outros parceiros para ajustar estratégias de
campanha em tempo real. Os profissionais farmacêuticos e os
pacientes terão uma grande quantidade de dados ao seu alcance
para tomar decisões mais rápidas e inteligentes. Finalmente, as
capacidades de geração de conteúdo da tecnologia permitirão
que muitos aspectos do processo de marketing sejam movidos
internamente. As agências de publicidade externas continuarão a
desempenhar um papel importante, mas provavelmente centrado
em tarefas nas quais se destacam, como inovação, criatividade,
planeamento de meios de comunicação e negociações. Abaixo,
apresentamos cinco casos de uso com alto potencial para um forte impacto no curto prazo.
IA generativa na indústria farmacêutica: passando do exagero à realidade
Comercial: Melhores
relacionamentos
com parceiros,
fornecedores e pacie
Caso de uso um: criação de conteúdo personalizado. Hoje, o
processo criativo e de produção é quase totalmente
terceirizado para designers em agências, onde os criadores
pesquisam e elaboram materiais de marketing com base em resumos
de conteúdo fornecidos pelos clientes. Múltiplas iterações refletem
o feedback dos profissionais de marketing e dos
revisores médicos e jurídicos (MLR). Os atuais modelos
multimodais e de grande linguagem podem agilizar esse processo
tedioso e que consome muitos recursos. A IA generativa pode,
por exemplo, padronizar e acelerar o processo inicial de
design criativo, deixando espaço para inovação (Quadro 6). Em
apenas cinco dias, os profissionais de marketing podem criar
primeiros rascunhos e conceitos criativos que estão prontos
para serem compartilhados com os revisores do MLR antes de
serem repassados às agências parceiras para elevação e
produção criativa. A Gen AI também pode ajudar a fornecer ideias
de campanha iniciais para os profissionais de marketing
refinarem com base no feedback quantitativo de modelos
tradicionais de IA e análise de dados.
13
Machine Translated by Google

Teia 2023
GenAIPharma
Anexo 6 de 9

Anexo 6

Os representantes de vendas que usam IA generativa podem criar planos de

engajamento personalizados com mais rapidez.

Capacidades do representante de vendas, presentes e futuras

Presente Futuro
Colete e Colete, analise e sintetize manualmente dados e insights para Use dados e insights sob demanda com base em fontes de

analisar dados/ priorizar/selecionar contas e prestadores de cuidados de saúde dados verificadas e de alta qualidade e informações
(HCPs) de acesso ao mercado entre funções para priorizar/selecionar
percepções
contas e profissionais de saúde

Personalize um Use análises avançadas e básicas Use IA generativa para sintetizar e selecionar dados de

personalizar dados demográficos e comportamentais para personalizar marca e dados específicos de profissionais de saúde

Mensagens Mensagens do profissional de saúde

Coordenada Use dados limitados para coordenar a divulgação dos profissionais de Utilize insights em tempo real sobre profissionais de saúde
omnicanal saúde em todos os canais interações para garantir coordenação e otimização perfeitas

dos esforços de vendas

Participe do treinamento Conte com treinamentos trimestrais com a sede e reuniões com Aumente a cadência de treinamento estabelecida com

e aprimoramento representantes regionais e distritais treinamento sob demanda em tempo real e just-in-time
sessões gerentes insights durante visitas ao escritório/conta do HCP

Fonte: análise da McKinsey

McKinsey & Companhia

Impacto potencial: Um aumento múltiplo na eficiência do
marketing; redução de até 30% a 50% nos custos de criação de
conteúdo; um pipeline acelerado com um aumento de mais de 20%
na velocidade
Caso de uso dois: automação e assistência em revisão médica
e jurídica. O processo médico, legal e regulatório, realizado para
garantir que todos os materiais publicitários e promocionais sejam
precisos e cumpram os requisitos regulamentares, é um
componente-chave do marketing de produtos de ciências
biológicas. Atualmente, os revisores de MLR analisam manualmente
o conteúdo enviado, destacando novas reivindicações,
identificando precedentes e rastreando semelhanças entre
diferentes tipos de fontes de dados. As ferramentas Gen AI
simplificam o processo de várias maneiras: rastreando a
reutilização de materiais e referências previamente aprovados,
revisando automaticamente os materiais em busca de linguagem
potencialmente problemática, recorrendo a linguagem previamente
aprovada para oferecer instantaneamente opções de
reformulação de frase compatíveis e acelerando a conformidade
verificações e acelerando o processo de aprovação, garantindo
automaticamente que os revisores permaneçam informados.
Impacto potencial: Aceleração de duas a três vezes no processo de
aprovação de conteúdo; um aumento na velocidade de revisão
Caso de uso três: copiloto de capacitação do cliente.
Profissionais de marketing, representantes de campo e
outros membros da equipe que atendem o cliente têm uma
quantidade sem precedentes de informações à sua disposição.
O que muitas vezes lhes falta é uma forma eficaz de sintetizar
os insights certos no momento certo. Para aumentar a produtividade
dos analistas de mercado, estão a ser desenvolvidas ferramentas
generativas de IA para fornecer recuperação, resumo e
síntese a pedido de dados não estruturados (como textos e
imagens) e informações estruturadas (por exemplo, tabelas e bases
de dados). Isso torna as campanhas mais eficazes e permite
conversas mais ricas e direcionadas entre o pessoal de
campo e os prestadores de cuidados.

IA generativa na indústria farmacêutica: passando do exagero à realidade 14

Machine Translated by Google
Impacto potencial: Uma melhoria de 10 a 15 por cento na produtividade
e eficácia das equipes de campo, resultando em um crescimento de 1
a 2 por cento no faturamento
Caso de uso quatro: Gerando insights estratégicos. Hoje, os
líderes de marca e os profissionais de marketing gastam tempo e
recursos significativos sintetizando insights de negócios e de mercado.
O seu objectivo é ligar questões de marca a hipóteses, identificar
abordagens para análise, descobrir inteligência competitiva sobre rivais
e criar documentos convincentes com narrativas de marca
coesas. Um
O problema recorrente é que os profissionais de marketing gastam
muito tempo sintetizando diversas fontes de informação e não o
suficiente na interpretação de dados para tomar decisões
importantes sobre a direção de uma marca. Pesquisa interativa da Gen AI consultórios médicos com uma variedade de ferramentas de
recursos podem ajudar os profissionais de marketing a obter
insights mais profundos de fontes como pesquisas e dados de clientes
conjuntos, dados sobre médicos e pacientes, mudanças políticas,
desenvolvimentos legais e implicações de formulários. Esses insights
ajudarão a identificar e aprimorar a compreensão dos padrões nas
jornadas dos clientes, ao mesmo tempo que informam e enriquecem
a segmentação dos clientes.
Impacto potencial: Uma melhoria de 10 a 30 por cento na compreensão
dos principais insights e tendências; incorporando esses insights em
todos os segmentos de clientes
IA generativa na indústria farmacêutica: passando do exagero à realidade
Caso de uso cinco: Otimizando a experiência do paciente. Muitos
pacientes param de tomar os medicamentos prescritos –
ou nunca preencha as prescrições em primeiro lugar. (Na
imunologia, por exemplo, cerca de metade de todos os pacientes
param de tomar novos medicamentos durante o primeiro ano.) Isto
acontece com cada vez mais frequência – mesmo entre
pacientes que beneficiam de terapias – por uma série de razões,
incluindo a complexidade de ser reembolsado por prescrições
e a proliferação de novos medicamentos disponíveis. A Gen AI
pode ajudar a resolver esse problema significativo, fornecendo
aos pacientes e consultórios médicos informações sob demanda
sobre reembolso e opções de atendimento adequadas. A
tecnologia também pode ajudar a encaminhar questões críticas
para especialistas, ao mesmo tempo que capacita pacientes e
autoatendimento. Tudo isto pode levar a uma maior adesão dos
pacientes e a melhores resultados, em parte porque a tecnologia
pode responder a necessidades não satisfeitas através da qualificação
das equipas de atendimento aos pacientes.
Impacto potencial: Uma redução de 5 a 10 por cento no número
de abandonos de pacientes através de uma melhor assistência aos
pacientes
15
Machine Translated by Google
Assuntos médicos:
Fornecedores mais
inteligentes, pacientes mais saudáveis
Oportunidade potencial: US$ 3 bilhões a US$ 5 bilhões por meio de
ganhos de eficiência
Ao contrário de outros domínios das ciências da vida, os assuntos
médicos não geram receitas nem se concentram na
melhoria do desempenho comercial, nas vendas ou na
rentabilidade. Em vez disso, as equipas de assuntos médicos
desempenham um papel fundamental no apoio ao cuidado dos
pacientes, permitindo intercâmbios científicos fiáveis entre
empresas biofarmacêuticas e prestadores de cuidados de saúde
(ver barra lateral “Uma nota sobre a gestão dos riscos da geração IA em assuntos
O cerne deste esforço altamente regulamentado é uma série de
processos de revisão, síntese e comunicação de
conhecimento científico – todas tarefas passíveis de melhoria
através da geração de IA.
Apresentamos aqui três casos de uso que agora geram
considerável entusiasmo entre os líderes de assuntos médicos.
Esses aplicativos apoiarão as tendências contínuas em direção a formas
de trabalho digitalmente habilitadas e maior personalização dos
modelos de envolvimento do cliente.
Eles também poderiam liberar tempo de conteúdo mundano
IA generativa na indústria farmacêutica: passando do exagero à realidade
tarefas de geração e permitir que as equipes se concentrem na
criação de interações pessoais mais profundas e de alto valor com
as partes interessadas internas e externas.
Caso de uso um: Gerando insights do cliente. Os profissionais de
ligação entre ciências médicas (MSL) passam horas interagindo
com os clientes para criar uma compreensão mais rica e holística
das perspectivas científicas e clínicas externas sobre áreas de doenças
e atendimento ao paciente. Essas interações são oportunidades de
aprendizagem cruciais para a indústria farmacêutica, e a
capacidade
de capturar sistematicamente insights delas tem sido
médicos”).
uma meta das equipes de assuntos médicos.
Com consentimento apropriado e proteções de privacidade,
grandes modelos de linguagem podem ajudar a aproveitar ao
máximo os dados ricos criados durante essas interações: eles
podem sintetizar e analisar insights e melhorar o desempenho dos
métodos de processamento de linguagem natural existentes e ajudar
a resumir e esclarecer milhares de discussões cada ano - digamos,
identificando temas comuns levantados por médicos em dezenas de
milhares de
16
Machine Translated by Google

conversas. Estas informações podem então informar melhor as áreas de para que as equipas médicas possam responder mais rapidamente,

desenvolvimento, garantindo que as terapias satisfazem as necessidades utilizando uma base potencialmente mais ampla de provas científicas.

dos pacientes e dos prestadores de cuidados de forma mais eficaz.

Impacto potencial: economia de 20 a 30 por cento em custos de redação

Impacto potencial: Um aumento múltiplo na captura de insights, porque as médica (e potencialmente de 50 a 70 por cento quando as soluções e

organizações típicas de assuntos médicos analisam sistematicamente menos sistemas amadurecerem); uma redução de 50 a 70 por cento no tempo

de 1% dos dados de campo para entregar revisões médico-legais

notas de interação

Caso de uso três: Resumos rápidos da literatura científica e médica. Outro

Caso de uso dois: Comunicação médica mais nítida e eficiente. desafio para as equipas de assuntos médicos é envolver as partes

Os modelos da geração AI podem dramaticamente interessadas externas com conteúdo científico adaptado especificamente
reduzir o tempo necessário para elaborar técnicas às suas próprias necessidades. A natureza técnica deste conteúdo e

e documentos científicos, acelerando a composição de respostas a necessidade de cumprir os padrões regulatórios significam que os MSLs

a solicitações de informações médicas, relatórios científicos, muitas vezes devem fornecer às partes interessadas documentos

resumos leigos e comunicações diárias com partes interessadas científicos extensos (como artigos de pesquisa publicados ou

internas e externas (Quadro 7). Além de gerar conteúdo, as ferramentas de apresentações longas), embora na verdade prefiram respostas mais

geração de IA poderiam ajudar a revisá-lo e moderá-lo, aumentando focadas - digamos, a resposta a uma pergunta. consulta específica. Usando

assim a produtividade e acelerando os fluxos de trabalho. ferramentas gen AI treinadas em conteúdo aprovado, as equipes de

assuntos médicos poderiam reunir rapidamente materiais personalizados,

Por exemplo, os profissionais de informação médica têm frequentemente incluindo texto, tabelas de dados, figuras, infográficos, vídeos e áudio.

de responder a e-mails de médicos que solicitam informações sobre

ensaios clínicos ou provas para melhorar o tratamento de subpopulações

específicas de pacientes. Atualmente, esta tarefa demorada muitas vezes

exige que várias pessoas compreendam as perguntas, identifiquem a literatura Impacto potencial: Um aumento de duas a três vezes no

apropriada e sintetizem as respostas. A Gen AI pode ajudar a filtrar engajamento, associado a conteúdo personalizado em outros setores (e

solicitações recebidas, digerir conteúdo relevante e até mesmo produzir o entre os primeiros a adotar assuntos médicos)

primeiro rascunho de uma resposta,

Teia 2023
GenAIPharma
Anexo 77 de 9
Anexo

A IA generativa pode fornecer interações de maior qualidade entre os representantes da

ciência médica e os prestadores de cuidados de saúde.

Capacidades de ligação com a ciência médica, presentes e futuras

Presente Futuro

Estratégia de forma Coletar informações disponíveis sobre profissionais de saúde para Use insights criados pela IA generativa sobre
para cuidados de saúde desenvolver estratégias de engajamento Profissionais de saúde devem moldar melhor a estratégia de engajamento

provedor (HCP) Preparar materiais para reuniões de profissionais de saúde usando Revise materiais criados por IA generativa para fornecer informações
noivado dados e experiência disponíveis detalhadas e personalizadas para
Profissionais de saúde

Fonte: análise da McKinsey

McKinsey & Companhia

IA generativa na indústria farmacêutica: passando do exagero à realidade 17

Machine Translated by Google

Do caso de uso à escala: reconfigurando melhorá-lo ao longo do tempo para que possa suportar outros cada

a organização para a geração AI vez mais complexos.

Os casos de uso que descrevemos são pilotos atraentes para empresas

de ciências biológicas que estão dando os primeiros passos na geração Para que tudo isto funcione, as empresas farmacêuticas terão de

de IA. Coletivamente, eles poderiam criar uma mudança de reimaginar os seus modelos operacionais. Um erro comum que

paradigma na descoberta, desenvolvimento e entrega de terapias os líderes cometem é adotar qualquer um dos dois

aos pacientes. Mas tal mudança não acontecerá por acaso. extremos para gerenciar transformações digitais.

Para capturar verdadeiramente o valor da geração AI, é Uma delas é uma abordagem altamente descentralizada, na qual

fundamental projetar sistemas para eventual escalonamento, em vez a organização lança simultaneamente vários pilotos de casos de

de implementar a tecnologia como uma série de soluções isoladas. uso. Embora esta estratégia—
pense nisso como permitir o florescimento de 1.000 flores –

O que será necessário é uma estratégia abrangente claramente ligada permite que as empresas avancem rapidamente, o que muitas vezes

ao valor científico e empresarial, apoiada por uma infra-estrutura leva a problemas de qualidade, custo e sustentabilidade, bem

tecnológica robusta que inclua uma pilha de tecnologia de ponta a como a silos operacionais que inibem a partilha de conhecimento

ponta e uma consciência do panorama em evolução da IA. Em muitos e o desenvolvimento de sinergias. A abordagem oposta – um modelo

casos, o modelo mais bem-sucedido é a abordagem produto- de cima para baixo baseado em plataforma com tomada de

plataforma: o grupo empresarial de TI lidera o desenvolvimento da decisão centralizada e implementação faseada de casos de utilização

infraestrutura de plataforma apropriada – com componentes – também é problemática. Embora seja eficiente em termos de custos e

corporativos críticos, como segurança, governança de dados permita que os líderes construam em escala desde o início, também é

e rastreamento de custos – e fornece uma API para criar casos de lento e muitas vezes frustrante.

uso (ou produtos). As empresas desenvolvem uma plataforma

mínima viável para permitir os casos de uso iniciais e Os líderes que adotam a abordagem produto-plataforma devem,
portanto, transitar entre os dois modelos, esforçando-se por

Um guia para nossa metodologia

Baseámos o potencial impacto económico da geração AI em diferentes domínios das ciências da vida na análise do McKinsey Global
Institute sobre o seu impacto em 63 casos de utilização individuais. Cada um deles foi então mapeado para um domínio específico das ciências da
vida – um exercício baseado nas atividades típicas realizadas nele. Os copilotos de IA generativa para representantes de vendas, por exemplo,
foram mapeados para o domínio comercial.

Para casos de utilização de IA generativa (como a síntese de literatura científica) que afetam vários domínios das ciências da vida, baseámos
a nossa atribuição do impacto económico no tamanho relativo dos domínios relevantes, bem como na opinião de especialistas. A nossa
quantificação do impacto económico reflectiu uma abordagem ascendente: a opinião de especialistas, os resultados das experiências internas da
McKinsey e a investigação publicada ajudaram-nos a estimar a gama quantitativa potencial de impacto, tanto na redução de custos como no
aumento de receitas, para casos de utilização específicos (para por exemplo, a percentagem de tempo poupado quando as ferramentas
generativas de IA analisam a literatura de investigação clínica).

Por fim, dimensionamos o impacto para o setor de ciências biológicas, baseando nossas estimativas na porcentagem de custos operacionais
de domínio gastos em tarefas relacionadas a um caso de uso de IA generativa (por exemplo, a porcentagem de custos de P&D em ciências
biológicas alocados para a revisão de pesquisas clínicas ) e a percentagem das receitas da indústria gasta num domínio (como a percentagem
das receitas das ciências da vida atribuída à I&D). Os leitores encontrarão detalhes completos no apêndice “O potencial econômico da IA
generativa: a próxima fronteira de produtividade”.

IA generativa na indústria farmacêutica: passando do exagero à realidade 18

Machine Translated by Google
constantemente para equilibrar velocidade e inovação com a
necessidade de controle de qualidade, disciplina financeira e
simetrias organizacionais. Sempre que os líderes se enquadrem
neste espectro, também terão de garantir que dispõem da
combinação adequada de talentos, bem como das orientações e
controlos necessários para mitigar os riscos e garantir a confiança
e a adesão das partes interessadas.
Para fazer esta mudança da implementação de casos de
utilização para a geração de valor em escala, os líderes
farmacêuticos terão de reimaginar cada etapa da cadeia de valor (Quadro 8).
trabalham. Os estrategistas e os tomadores de decisão precisarão
Isso exigirá que façam perguntas importantes sobre estruturas,
processos, tecnologias, dados, pessoas e gestão de mudanças.
Estruturas
Quando uma organização estabelece uma estratégia de geração de
IA de alto nível e um plano de implementação, terá de avaliar se
dispõe das estruturas adequadas. Qual estrutura organizacional
apoiará melhor os requisitos estratégicos – por exemplo, uma
abordagem centrada no produto ou o modelo centralizado de
centro de excelência (CoE)? Como serão finalizadas as decisões de
alto nível sobre questões estratégicas críticas (tais como
funções, governação e dimensão da força de trabalho)? Como vai
arriscar
Teia 2023
GenAIPharma
Anexo
Anexo 88 de 9
Os trabalhadores das ciências biológicas de amanhã precisarão ser pensadores
criativos, conhecedores dos mais recentes desenvolvimentos de IA generativa.
Capacidades dos funcionários de ciências biológicas, presentes e futuras
Presente
Deve saber: Ter conhecimento de produtos farmacêuticos/médicos e do
cenário da indústria
Proficiente em técnicas tradicionais de análise de dados (por
exemplo, usando Microsoft Excel)
Devemos ser: Em conformidade seguindo requisitos e diretrizes regulatórias
Colaborativo com equipes multifuncionais
Deve fazer: Empregue métodos iterativos, experimente
renove abordagens e invista tempo na criação
documentos
Fonte: análise da McKinsey
McKinsey & Companhia
IA generativa na indústria farmacêutica: passando do exagero à realidade
e considerações de conformidade sejam integradas em toda a
organização?
É claro que, uma vez criadas as estruturas necessárias, a organização deve estar
aberta à mudança e permitir que evoluam ao longo do tempo.
Processos
As ferramentas de IA da nova geração envolverão mudanças
incrementais e fundamentais na forma como os profissionais farmacêuticos
explorar a capacidade da geração AI de analisar e sintetizar informações
rapidamente, mas permanecer conscientes das limitações da
tecnologia. O mesmo acontecerá com os pesquisadores e criativos quando
eles fazem brainstorming. À medida que as comunicações se tornam
cada vez mais automatizadas, as equipes podem precisar repensar
a forma como colaboram. Implementadas corretamente, estas
adaptações concentrarão os funcionários em atividades
de alto valor e remodelarão fundamentalmente as funções
em toda a organização.
Tecnologias
Muitas organizações têm experimentado modelos fundamentais
como o ChatGPT, mas é
importante lembrar que o próprio LLM é responsável por
Futuro
Empregue IA generativa (gen AI) para produzir insights
de várias fontes de informação
Proficiente em ferramentas gen AI (por exemplo, processamento
de linguagem natural, engenharia imediata)
Orientado por dados: tome decisões baseadas em dados que
melhoram sua eficácia
Comunicador eficaz: transmita insights complexos de IA de
geração para partes interessadas não técnicas de maneira clara e
concisa
Use gen AI para geração automatizada de relatórios e documentação,
concentre-se em tarefas e objetivos estratégicos e dedique tempo
significativo para orientar colegas juniores
19
Machine Translated by Google

apenas 15% de uma solução geral de IA de geração, descobriu a ao mesmo tempo que garante que os modelos de IA tenham o contexto

pesquisa da McKinsey. Para escalar verdadeiramente esta certo para responder com precisão às solicitações.

tecnologia, as organizações devem conceber e adaptar uma pilha

tecnológica abrangente e de ponta a ponta, priorizando a seleção de Pessoas

modelos e considerando necessidades específicas de segurança da O ritmo acelerado de mudança que a geração AI promove exigirá que as

informação, desempenho orientado para tarefas e latência. Com muitas organizações pensem de forma diferente sobre as competências de

aplicações mais simples tendendo à comoditização, as organizações também que necessitam (Quadro 9) e onde encontrá-las – recrutando novas

devem equilibrar criteriosamente a compra de soluções de fornecedores pessoas, melhorando as competências dos funcionários existentes

externos com a construção delas internamente. Finalmente, as ou alocando dinamicamente o talento certo às prioridades apropriadas.

organizações que ampliam as iniciativas de geração de IA enfrentam O recrutamento externo não será fácil. Desde o lançamento do

frequentemente custos imprevistos. Isto realça a necessidade de uma ChatGPT, no final de 2022, o número de anúncios de empregos

governação financeira robusta e de um quadro de operações relacionados à IA quadruplicou. Somente na biofarmacêutica, o

financeiras (FinOps) para uma orçamentação meticulosa, uma número de ofertas de emprego relacionadas à IA cresceu 43% ao ano nas

monitorização vigilante e uma gestão eficiente dos recursos para a dez principais empresas farmacêuticas desde 2018, de acordo com a

implementação da IA genérica. McKinsey

pesquisar.

Dados

A eficácia da gen AI depende da qualidade dos dados de uma Atrair e reter talentos de IA só será possível se as organizações

organização, que devem ser continuamente enriquecidos para serem mantiverem o tipo certo de ambiente de trabalho: casos de uso de IA

partilhados entre funções internas. dinâmicos (e potencialmente disruptivos), uma pilha de tecnologia

Para diferenciação estratégica, as organizações devem investir em dados moderna e um modelo de trabalho ágil que promova a experimentação

proprietários. Em ambos os casos, terão de criar e gerir conjuntos e o desenvolvimento de competências. A contratação é apenas parte da

de dados rotulados para quantificar, medir e acompanhar o equação.

desempenho das aplicações de geração de IA. Ao fazerem Muitos funcionários atuais precisarão ser qualificados para atender

isso, também precisarão lidar com os desafios existentes de qualidade e aos requisitos de trabalho em evolução e às novas demandas de suas

curadoria de dados (como informações redundantes, desatualizadas e funções atuais; outros devem desenvolver novas competências para

conflitantes). preencher novas funções. As empresas terão que desenvolver em escala

Teia 2023
GenAIPharma
Anexo 9 de 9
Anexo 9

O dimensionamento da IA generativa requer uma estratégia holística em toda a organização.

Amostragem das principais questões estratégicas que devem ser respondidas

Estratégia Roteiro

Como podemos alinhar a nossa estratégia de IA generativa Como devemos abordar a transformação de uma forma que garanta a captura de
(gen AI) com as nossas aspirações tecnológicas? valor e desbloqueie vantagem competitiva?

Capacidades Dados Modelo operacional Talento Tecnologia

Como configuramos uma Como nos organizamos e Como Como configuramos uma infraestrutura
base de dados robusta organizamos as equipes gerenciamos talentos para e uma pilha de tecnologia escaláveis

dimensionar a geração de IA cumprir nossa estratégia fique à frente do para oferecer suporte a vários casos
em toda a organização? de geração de IA? lacunas de habilidades de IA da geração? de uso e soluções de IA de geração?

Mudar Adoção e escalonamento

gerenciamento Como projetamos nosso plano de escalonamento Como oferecemos treinamento eficaz Como pensamos sobre o risco e o uso

garantir fácil reutilização e escalabilidade apoiar a construção de competências responsável da geração AI

em toda a organização? e gerir a mudança cultural em grande escala? em toda a organização?

Fonte: análise da McKinsey

McKinsey & Companhia

IA generativa na indústria farmacêutica: passando do exagero à realidade 20

Machine Translated by Google

programas de qualificação técnica, liderados por líderes
tecnicamente informados, para identificar as funções que podem
ser aprimoradas, para monitorar o desempenho de funcionários
recentemente treinados, para avaliar o impacto do programa nos
objetivos de negócios e para obter continuamente novos
candidatos à medida que as necessidades evoluem.
Mudar a gestão
Mesmo as mudanças incrementais podem ser
desestabilizadoras, razão pela qual a gestão da mudança é
essencial para qualquer transformação organizacional. Para
garantir a adoção sustentada da IA genérica em escala, as
organizações devem adotar um modelo de influência que promova
mudanças tanto na mentalidade quanto no comportamento. Líderes
em toda a organização, incluindo o C-suite, deve fornecer
orientação, recursos e motivação para as partes interessadas
afetadas pela geração AI. Estes líderes não devem apenas comunicar
uma história de transformação para criar consciência e entusiasmo,
promover a confiança e abordar conceitos errados ou preocupações,
Além disso, as organizações devem adaptar os seus fluxos de
trabalho e funções para incorporar a geração de IA nas
suas atividades diárias. Antes de lançá-lo aos usuários, eles
devem treinar os funcionários sobre suas limitações, pontos fortes e
riscos, bem como a estruturação dos prompts. Finalmente, para
criar impulso para a mudança, as organizações devem criar equipas
de defensores pioneiros para moldar a implementação de
casos de utilização de IA genérica e provar o seu valor.
IA responsável e mitigação de riscos
É impossível discutir a promessa da IA generativa sem considerar
também os seus riscos inerentes. Embora esses riscos sejam
consideráveis para todas as indústrias, são particularmente elevados
para as farmacêuticas, que enfrentam não só um ambiente
regulamentar único e complexo, mas também preocupações acrescidas
sobre infrações de propriedade intelectual e privacidade de dados.
Considere os riscos altos
natureza dos tratamentos para doenças e torna-se ainda

mas também participar em intercâmbios contínuos para ajudar a É mais essencial que as empresas de ciências biológicas avaliem
garantir a adoção sustentada da geração AI em grande escala. cuidadosamente os riscos que a IA representa e construam
políticas e proteções para mitigá-los. Modelos de IA de geração prontos para uso

Uma nota sobre o gerenciamento dos riscos da geração AI em assuntos médicos

O contexto único dos assuntos médicos cria riscos específicos que exigem uma gestão cuidadosa. Crucialmente, o conteúdo de assuntos
médicos é altamente técnico e os modelos básicos amplamente disponíveis podem não funcionar suficientemente bem inicialmente em tarefas que
envolvem literatura médica, conceitos científicos e documentação de padrões regulatórios. Modelos específicos de tarefas que usam modelos
básicos de uso geral ou especializados (como BioBERT) podem, com ajustes finos, desempenhar um papel importante em casos de uso médico;
neste caso, as empresas terão de estabelecer parcerias com outras organizações ou construir o seu próprio caminho em direção a um nível de
funcionalidade que crie valor significativo.

Será necessário um padrão elevado para gerar conteúdo também para intercâmbios científicos e clínicos. Médicos, reguladores e pacientes
esperam receber conteúdo cientificamente preciso, livre de alucinações e descaracterizações.
Uma vez que as equipas de assuntos médicos também lidam com dados comercialmente sensíveis, tais como resultados de investigação não
publicados, as soluções de IA genérica devem cumprir um padrão elevado de segurança de dados e governação de informações. Isso
provavelmente exigirá o desenvolvimento de módulos de risco especializados para ferramentas de IA de geração médica. É muito provável
que tais tarefas exijam uma abordagem humana. Os ganhos da automação serão, portanto, limitados, a menos que os processos de gestão de
riscos evoluam bastante. Além do mais, provavelmente não haverá ganhos significativos de produtividade sem uma reformulação cuidadosa
do modelo operacional das organizações de assuntos médicos e investimentos na criação de uma cultura de agilidade para transformações
possibilitadas pela tecnologia.

IA generativa na indústria farmacêutica: passando do exagero à realidade 21

Machine Translated by Google
será difícil de implantar. Em vez disso, estas empresas devem
procurar mitigar os riscos através de soluções tecnológicas
personalizadas, com controlos adequados e supervisão humana
robusta.
As empresas farmacêuticas também devem compreender que diferentes
casos de utilização e diferentes domínios enfrentam diferentes tipos
de riscos. Os assuntos médicos, por exemplo, são um ambiente
desafiador porque as recomendações podem afetar diretamente a
vida dos pacientes. No domínio da investigação, pelo contrário, o risco
de uma experiência falhada resultante de uma alucinação (ou
imprecisão) da geração AI tem consequências menos graves. Em
alguns casos, as alucinações podem realmente ser úteis – por
exemplo, se um modelo sugerir uma
produto químico que nunca antes foi considerado como um
tratamento potencial.
Esses são alguns dos riscos que os executivos precisam
considerar.
Modelos imprecisos. As empresas farmacêuticas estão expostas
ao risco de alucinações de geração de IA resultantes de dados
deficientes ou incompletos. Eles podem mitigar esse tipo de
risco colocando barreiras de proteção em torno do conteúdo de
geração de IA – por exemplo, garantindo que os humanos o revisem
antes de serem distribuídos a provedores ou pacientes. Resumindo:
a geração AI nunca deve ser o tomador de decisão final; deveria, em
vez disso, acelerar a tomada de decisões por parte dos trabalhadores
humanos.
Violação de IP e privacidade de dados. Os modelos fundamentais
normalmente incluem grandes volumes de dados baseados na
Internet, o que levou a alegadas violações de direitos autorais, plágio
e outras formas de violação de propriedade intelectual. Este risco
é particularmente elevado entre as empresas de ciências biológicas
devido às regulamentações de privacidade de dados
excepcionalmente rigorosas que envolvem os dados médicos dos
pacientes; muitos países, por exemplo, exigem que estas
informações permaneçam em servidores nacionais. Para evitar a
violação da propriedade intelectual, as empresas que utilizam
modelos fundamentais precisam de proteções adequadas,
como treinar modelos sobre sua própria propriedade intelectual e
incluir proteções de propriedade intelectual em contratos com fornecedores externos.
Conformidade regulatória. Regulamentações de IA com ramificações
específicas para IA generativa estão sendo planejadas para
promulgação em curto prazo, embora variem de acordo com o país.
por exemplo, a Lei de IA proposta pela União Europeia, EUA
IA generativa na indústria farmacêutica: passando do exagero à realidade
leis federais e estaduais e o projeto de medidas administrativas da
China para serviços generativos de IA. A indústria farmacêutica
comercial enfrenta riscos adicionais como resultado do aumento da
regulamentação por parte da Food and Drug Administration dos
EUA e agências similares sobre o conteúdo de publicidade e
materiais promocionais. As empresas farmacêuticas podem mitigar
estes riscos incorporando barreiras de proteção diretamente nos modelos
de geração de conteúdo e garantindo que os humanos tomem sempre
as decisões finais.
Conclusão: Lições da eletricidade Como mostram os casos
de utilização discutidos neste artigo, as empresas
farmacêuticas já embarcaram nas suas jornadas de IA generativa.
Mas a tecnologia por si só não garante o sucesso. As empresas
não desbloquearão todo o potencial da geração AI até que entendam
como usá-la corretamente. Isso exigirá tempo e paciência.
É útil olhar para a geração AI através das lentes de outra
tecnologia disruptiva, que varreu a sociedade na virada do século
passado: a eletricidade.
As primeiras lâmpadas foram inventadas na década de 1870 e,
vários anos depois, os primeiros motores elétricos começaram a
alimentar máquinas de produção. No entanto, como os historiadores
empresariais e os especialistas em inovação gostam de salientar,
em 1900 a eletricidade alimentava menos de 5% da produção
e, mesmo na década de 1910, a maioria das instalações
continuava a depender do vapor. Por que os líderes
empresariais não estavam mais ansiosos para usar a nova
tecnologia? Afinal, os motores elétricos eram muito mais limpos,
seguros e eficientes do que os motores a vapor.
“Porque é que a electricidade não mudou imediatamente
a produção?”, um artigo no site da British Broadcasting Corporation,
explica que “para tirar partido da electricidade, os proprietários
das fábricas tiveram de pensar de uma forma muito diferente”. Eles
não poderiam obter os benefícios da nova tecnologia “simplesmente
desmontando a máquina a vapor e substituindo-a por um motor
eléctrico. Era preciso mudar tudo: a arquitetura e o processo de
produção. E porque os trabalhadores tinham mais autonomia e
flexibilidade, foi mesmo necessário mudar a forma como eram
recrutados, formados e remunerados.” É claro que foi precisamente
isso que acabou por acontecer e, na década de 1920, a produtividade
estava a disparar.
22
Machine Translated by Google

O que esta história significa para a indústria farmacêutica e para
a IA generativa? Para começar, podemos não ver
imediatamente ganhos massivos de produtividade em toda a
indústria. Também não é possível saber se a geração AI irá
desencadear um grau de transformação ao nível da electricidade –
ou, nesse caso, ao nível da Internet – em todo o mundo dos
negócios. A indústria farmacêutica também enfrenta os seus próprios
desafios únicos, incluindo a natureza complexa dos sistemas
biológicos, a dificuldade de tratar doenças e um ambiente
regulamentar rigoroso.
No entanto, a geração de IA poderia dar à indústria farmacêutica
uma oportunidade única de enfrentar esses obstáculos de longa
data e criar novos avanços na ciência e nos cuidados aos
pacientes. Por mais que tenha sido tolice para os proprietários
de fábricas manterem-se firmes na década de 1910, as empresas
farmacêuticas seriam imprudentes se não reconhecessem o
potencial transformador da IA. Eles deveriam começar a trabalhar
agora para compreendê-lo, implementá-lo e escaloná-lo.

Chaitanya Adabala Viswa é sócia do escritório da McKinsey em Boston, onde Delphine Zurkiya é sócia sênior; Joachim Bleys é sócio
sênior no escritório de Charlotte, onde Bhavik Shah é sócio; e Eoin Leydon é sócio do escritório de Dublin.

Os autores gostariam de agradecer a Mahmoud AbuEid, Asli Aksu, Chris Anagnastoupoulos, Salma Ayoub, Eric Bruckner, Lucia Darino,
Supreet Deshpande, Alex Devereson, Aliza Dzik, Anas El Turabi, Lionel Jin, Matej Macak, Abhi Mukherjee, Raj Rajendran, Boyd
Spencer e Hann Yew pelas suas contribuições para este relatório.

Direitos autorais © 2024 McKinsey & Company. Todos os direitos reservados.

IA generativa na indústria farmacêutica: passando do exagero à realidade 23

Machine Translated by Google

Janeiro de 2024
Direitos autorais © McKinsey & Company

www.mckinsey.com
Confidencial e proprietário. Qualquer uso deste material sem permissão específica
@McKinsey
da McKinsey & Company é estritamente proibido.
@McKinsey