Od samego początku informatyki biomedycznej uznano, że ogromna ilość danych generowanych przez wielkoskalowe technologie genomiczne stanowi znaczącą szansę dla sztucznej inteligencji i nauki o danych (tj. informatyki). Było to widoczne w przypadku powszechnego zjawiska ChatGPT OpenAI i staje się jeszcze bardziej widoczne, gdy uwzględnione zostaną dodatkowe dane, takie jak elektroniczna dokumentacja medyczna, raporty patologiczne, dane kliniczne, dane dotyczące odpowiedzi na leki i dane adnotacji.

Wiele organizacji akademickich i komercyjnych na całym świecie próbowało zebrać spostrzeżenia i wnioski z dużych zbiorów danych genomowych za pomocą badań asocjacyjnych całego genomu (GWAS) i technologii sekwencjonowania. Aby mieć zaufanie do danych i rutynowo integrować je z praktyką kliniczną, musimy poprawić różnorodność zbiorów danych genomowych, aby wyeliminować wszelkie ukryte uprzedzenia, ustandaryzować narzędzia używane do monitorowania wydajności systemów opartych na sztucznej inteligencji, usprawnić integrację z rozwiązaniami do opieki nad pacjentem i opracować metody obliczeniowe, które umożliwią interpretację danych genomicznych na poziomie indywidualnego pacjenta bez przytłaczania lekarzy dużymi i wielowymiarowymi danymi.

„Wierzę, że musimy polegać na postępach w naukach o danych, aby rozszerzyć to, co jest w tej chwili dość ograniczonym repertuarem rozwiązań obliczeniowych do takich rzeczy, jak wielogenowe oceny ryzyka dla definicji chorób”.
Russ Cucina, Chief Health Information Officer & VP Genetic and Genomic Services, UCSF Health System + PMWC 25-27 stycznia 2023 AI i Data Sciences in Clinical Practice Track Chair

Chociaż dostępnych jest kilka wyników wielogenowych dla choroby wieńcowej serca, nadciśnienia tętniczego i kilku innych schorzeń, obecnie dysponujemy tylko ograniczoną liczbą podejść obliczeniowych, które przekształcają informacje genomowe danej osoby w możliwe do zastosowania oceny ryzyka i odpowiednie interwencje. Chociaż techniki sztucznej inteligencji są już wykorzystywane w niektórych zastosowaniach klinicznych, ich zastosowanie w genetyce i genomice jest wciąż w powijakach.

Sztuczna inteligencja i nauka o danych mają ogromny potencjał w zastosowaniach genomiki/genetyki iz tego powodu stworzyliśmy ścieżkę, która koncentruje się na tych krytycznych aspektach, w tym: ▲Potencjalne korzyści i ryzyko testów zapobiegawczych oraz kto powinien za nie zapłacić na poziomie indywidualnym i populacyjnym, ▲ Jak wprowadzić genomikę w klinice jako rutynę dzięki zastosowaniu sztucznej inteligencji i automatyzacji, ▲ Jak najlepiej przełożyć dane omiczne na praktykę kliniczną za pomocą interoperacyjnych systemów laboratoriów genomicznych oraz ▲ Jak poprawić równość danych genomicznych

Piękno PMWC to zróżnicowana publiczność, która jest niezbędna do sprostania różnym wyzwaniom stojącym przed sztuczną inteligencją i nauką o danych w genomice i genetyce. Z tego powodu zaprosiliśmy liderów z różnych sektorów przemysłu do aktywnego udziału w tym ważnym temacie, w tym badaczy medycznych, lekarzy, doradców genetycznych, dostawców systemów do laboratoriów genomicznych, przedstawicieli laboratoriów, członków komercyjnych laboratoriów badawczych, dostawców analiz dużych zbiorów danych i pracowników służby zdrowia dostawcy.

Najważniejsze ścieżki AI i Data Science w praktyce klinicznej – 25 stycznia 9.00-16.00:

W jaki sposób sztuczna inteligencja i analiza danych mogą określić, którzy pacjenci powinni zostać przebadani zapobiegawczo? – panel prowadzony przez Russa Cucina, UCSF z Lisą Kroon (UCSF), Eranem Segalem (Instytut Weizmanna) i Danielem Knechtem (CVS Health)

Ustanowienie genomiki w klinice jako rutyny wymaga sztucznej inteligencji i automatyzacji – pod przewodnictwem Bani Tamraz (UCSF) z Sergio Baranzini (UCSF), Gill Bejeran (Stanford University) i James Shalaby (Elimu Informatics)

Reprezentacja i równość w danych genomowych – pod przewodnictwem Karen Miga (UCSC). W skład tego panelu wchodzą Timothy Rebbeck (Uniwersytet Harvarda), Malcolm John (UCSF) i Keolu Fox (UCSD)

Pokonywanie barier we wprowadzaniu Multi-Omic do praktyki klinicznej – panel prowadzony przez Russa Cucina (UCSF) z Peterem DeVaultem (Epic), Kevinem Hassem (Myriad) i Jimem Chenem (Tempus)

Niewłaściwe zachęty w partnerstwach publiczno-prywatnych w zakresie zdrowia pacjentów – panel prowadzony przez Justina Wildsmitha, Syntropy) z udziałem Kena Harrisa (AWS), Steve’a Goldsteina (UC Irvine), Suzanne George (Dana Farber Cancer Institute) i Nelsona D’Antonio (Palantir)

Prezentacje PMWC AI i Data Science:

GWIAZDA – I²R, Aiforia, AllStripes, Amazon Web Services (AWS), AMPEL BioSolutions, BC Platforms, DrugBank, Duality Technologies, Flywheel, Genialis, Healx, Katana Graph, Medidata, Nucleai, Omics Data Automation, OneThree Biotech, Pachyderm, Pangea Biomed, Rosalind , Seven Bridges, Tag.bio, Tempus, Valley Children’s Healthcare oraz Weizmanna Institute of Science

저작권자 © Korea IT Times 무단전재 및 재배포 금지