NetraMark Holdings Inc. annuncia il lancio di NetraGPT. Grazie ad algoritmi di nuova concezione, NetraGPT si basa sulle potenti ipotesi generate dal sistema AI/ML convalidato dalla Good Clinical Practice (GCP) di proprietà dell'azienda, NetraAI. La potenza del sistema NetraAI risiede nella sua capacità di apprendere combinazioni speciali di variabili che definiscono le sottopopolazioni di pazienti in relazione alla risposta al farmaco o al placebo e agli effetti avversi, tutte considerazioni importanti per gli studi clinici. NetraGPT rivoluziona ora la potenza di NetraAI, in quanto l'output di NetraAI viene alimentato in modelli generativi pre-addestrati (GPT) che utilizzano API Large Language Model (LLM). Attualmente, gli LLM vengono addestrati con un volume enorme di dati; ChatGPT4 è stato addestrato su circa 300 miliardi di parole di dati, compresa la letteratura medica. Questa innovazione pone NetraMark in una posizione unica, non solo per costruire sulle ipotesi e sulle definizioni di sottopopolazione derivate da NetraAI, ma anche per scoprire potenzialmente ulteriori intuizioni che sfruttano la potenza degli LLM e consegnare i rapporti di output in pochi minuti anziché in settimane. Questo crea un'opportunità senza precedenti per NetraMark di integrare perfettamente l'output di NetraAI e di trasmettere rapidamente alla clientela intuizioni potenti sulle popolazioni di pazienti, con una maggiore efficienza e spiegabilità. NetraGPT ingerisce informazioni su specifiche sottopopolazioni di pazienti di studi clinici scoperte da NetraAI. Più specificamente, si tratta di alimentare la raccolta di variabili, biologiche o di altro tipo, che sono statisticamente significative per le sottopopolazioni di interesse scoperte, in base alla variabile dipendente, ad esempio la risposta al farmaco, la risposta al placebo, la non risposta al placebo, l'evento avverso, ecc. L'output risultante del modulo NetraGPT è un rapporto dettagliato leggibile dall'uomo che sfrutta la potenza degli LLM e l'enorme corpus di letteratura medica per fornire:
Rapporti di output che iniziano ad assemblarsi in pochi secondi e si concludono in pochi minuti, migliore spiegabilità delle variabili influenti alla base delle sottopopolazioni scoperte, ulteriori approfondimenti che delineano le interconnessioni tra le variabili, la risposta e lo stato della malattia, riferimenti tratti dalla letteratura pertinente e contemporanea, Importante, il processo è trasparente sulle variabili che guidano le specifiche sottopopolazioni di pazienti che possono essere chiaramente identificate e convalidate attraverso l'ispezione statistica. Questo livello di trasparenza è fondamentale per gli sponsor, in particolare quando si lavora con gli LLM, in quanto consente agli esperti umani e ai trialisti di verificare alcune parti del processo di generazione di ipotesi di intelligenza artificiale (AI) e il rapporto generato dall'LLM, per garantire la veridicità delle intuizioni e delle raccomandazioni generate.