ZD至顶网CIO与应用频道 06月06日 北京消息:全球领先的生命科学临床研究领域云解决方案供应商Medidata(纳斯达克股票代码:MDSO)今日宣布,公司凭借与全球领先研发型制药和医疗保健企业葛兰素史克联合发起的移动医疗计划,在首届临床研究卓越(CARE)大奖颁奖典礼上被评为2016年“年度最佳临床合作伙伴”。
Medidata 和葛兰素史克的合作开发项目评估在临床试验环境中将移动医疗设备与云技术相整合的影响。该项合作开创了能够变革药物开发的领先方式,从而使试验更有效率、识别“数字生物标志物”、并带来对治疗效率和患者健康的更深见解。
葛兰素史克研发创新、绩效和技术部副总裁Julian Jenkins 先生表示:“我们相信这类技术能够帮助我们更好地了解患者对药物的反应,在不增加临床试验参与者负担的前提下,更贴切地满足患者需求。”
CARE 大奖由Informa 机构旗下的全球领先的临床研究信息和分析的供应商Pharma Intelligence主办,Informa 旗下还包括Scrip Intelligence, In Vivo 和Pink Sheet 等领先品牌。该奖项旨在表彰生物制药行业内的卓越表现与创新,以及持续致力于改善全球医疗保健领域。由来自全球的独立资深行业专家组成评审团,于波士顿举行的颁奖典礼上,将此项殊荣授予Medidata 和葛兰素史克。
通过从每个研究对象每天的活动和生命体征上收集1800 万个数据点,Medidata 和葛兰素史克展示了移动医疗技术能够全面地收集大量可靠、安全和可供分析的客观数据,并针对患者的身体状况提供实时、持续的观察。
Medidata 首席运营官Mike Capone 先生表示:“我们与葛兰素史克的合作项目起源于一个共同愿景,即移动医疗技术能如何从根本上变革我们进行临床研究的方式,提高患者参与和加速药物开发中的创新。通过将移动医疗设备与Medidata Clinical Cloud 整合,我们已经证明了这项技术的存在,可以安全、有效地为患者提供诊断设备,收集客观、高品质信息,并采集丰富、全新的数据。”
Medidata 和葛兰素史克为项目研究对象提供两个可穿戴设备。Vital Connect 的HealthPatch®MD 和ActiGraph 的wGT3X-BT Monitor 持续测量生命体征、心电图数据和活动水平。此外,研究对象也使用一款由Medidata 行业领先的技术平台提供的移动应用软件Medidata Patient Cloud ePRO(电子患者报告结果)。研究对象通过携带智能手机,从移动医疗设备处采集数据,将这些数据导入Medidata Clinical Cloud®平台,再把它们映射入临床记录当中。研究对象的日常生活
不受影响,只需分别于项目开始和结束时在葛兰素史克的Human Performance Lab 平台签到。
Capone 先生补充道:“随着我们与葛兰素史克持续努力从这些数据中获取有意义的见解,我们预见到未来移动医疗研究将成为实践标准,临床试验将变得更快、更便宜、更以患者为中心。我们致力于为生命科学公司奠定基础,帮助他们探索移动医疗带来的各种令人振奋的可能 – 包括更好的决策、更好的试验结果、以及最终更好的患者诊疗方案。因此,我们为获得这项由Informa颁发的行业大奖而感到自豪。”
除获得“年度最佳临床合作伙伴”殊荣以外,Medidata 的MOVE 研究也进入“最佳患者导向技术开发”奖项类别决选。在这一行为研究中,Medidata 测试了移动医疗工具能否应用在患有二型糖尿病的超重成年人身上以达到更好的医疗结果。这项试点开放式临床试验是Medidata 致力在运行、技术和监管影响下工作的重要一步,将移动医疗设备和工具整合进临床试验,并最终衍生一个药物开发的新模型,从而更快地执行研究和以更低的成本满足患者需求。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。