Odległość między opieką a odkryciem jest zbyt duża. Sygnał pacjenta staje się plikiem, plik zbiorem danych, zbiór danych pytaniem badawczym, a wynik często wraca za późno.
Kierunek compute Sarovi jest zbudowany wokół innej pętli: sygnał kliniczny -> mechanizm biologiczny -> symulacja -> kandydat interwencji -> przegląd kliniczny. Nie każdy przypadek potrzebuje takiej głębokości, ale infrastruktura powinna istnieć, gdy pytanie na nią zasługuje.
Odkrycia powinny uczyć się z realnych pacjentów
Odkrywanie leków i badania translacyjne często działają daleko od codziennej rzeczywistości opieki. Sarovi chce przybliżyć warstwy: fenotypy obrazowe, trajektorie labów, assay’e molekularne, embeddingi pacjentów, hipotezy ścieżek, struktury białek, dokowanie i odpowiedź kliniczną.
Długoterminową ambicją nie są tylko szybsze badania. To badania bardziej spersonalizowane: zdolność pytania, dlaczego ten pacjent, z tą biologią, pod tym leczeniem, zmienił się właśnie tak.
Źródła
- National Human Genome Research Institute, DNA Sequencing Costs Data, trendy kosztów umożliwiające szersze generowanie danych molekularnych.
- NVIDIA, Accelerating Healthcare Innovation with AI, zewnętrzny materiał wideo o akceleracji AI w ochronie zdrowia.
- WHO, Ethics and governance of artificial intelligence for health, kontekst governance dla systemów AI działających blisko opieki.
- Komisja Europejska, European Health Data Space, europejskie ramy użycia danych zdrowotnych w opiece i badaniach.