至顶网CIO与CTO频道 12月16日 编译:金融服务企业在数据分析与数据管理方面的投资可谓历史悠久。鉴于吸引、保持以及发展金融服务客户的平均单位成本较高,相关企业更有了解客户的积极性也完全可以理解。除此之外,金融服务企业还需要管理信贷、流动性以及金融工具风险,这同样需要复杂数据分析能力作为基本前提。
但除了金融服务行业之外,其他不少行业也存在着丰富的数据,有必要利用上述能力分析一番。在这些领域,数据中同样蕴藏着巨大的能量,而数据管理仍然作为发掘这股能量的基本前提。但令人遗憾的是,很多行业——特别是目前的生命科学与医疗保健行业,还没有充分运用可行的数据与分析功能。
为了了解生命科学中数据驱动下的为变革潜力,我与Jonathan White进行了交流。他拥有多年数据与生命科学跨界从业经验,先后在辉瑞、Haemonetics、IQVIA以及iCarbonX等企业担任负责研发、技术与数据功能的高管职务。White指出,“制药行业已经进入研发能力的黄金时代,FDA批准新药上市的速度也已经远超上世纪九十年代中期。但对于‘大数据’在生命科学领域内的出现与发展有望带来怎样的生产力提升效果,很多人还没有建立起充分的理解。”
研发生产力
根据White的介绍,尽管制药业企业高管层已经或多或少意识到了大数据战略的理论优势,但却鲜有人真正采取具体措施以确保公司能够在整体或者个别部门之内建立起数据管理方法。White认为,随着以数据为中心思维以及具备相关专业知识的领导者们的积极推动,行业研发生产力也开始围绕这一核心发生变化。他指出,“早期研发生产力的提升途径,主要在于选定具有理想特性的分子靶标。生物制药领域的初步变革,源自那些专门研究罕见疾病的制药企业。他们利用强大的数据与分析基础建立起定位能力,从而准确分离出单一致病基因突变。”White同时强调,丰富的数据与强大的分析能力对于制药企业而言至关重要,目前全球销量最高的药物当中,有半数集中在免疫或者肿瘤相关治疗领域。
现实世界证据
White还强调了现实世界证据(RWE)的重要意义,这些数据提取自电子健康记录(EHR)、医疗赔付、账单条目以及其他由患者等来源获得的观察性数据。他评论称,“随着数字化处方的推广,电子病历的普及以及可穿戴设备使用量的不断提升,现实世界中的数据正在激增。尽管大部分EHR数据由于太过杂乱而无法在临床试验中直接使用,但利用病历内数据设计成功临床试验场景的可行性,已经得到了充分证明。”
White坚信,IMS近期收购临床研究组织Quitiles背后,体现的正是数据至上这一基本逻辑。目前的新药开发渠道,往往要求企业在临床试验中寻找患有罕见疾病、或者其他符合严格选择标准的患者。只有筛选成千上万份病历,并对拟议中的临床试验进行建模与验证,才能确保存在符合标准的合格患者,最终让试验获得成功。
临床试验
White观察到,目前研究人员已经开始重视数据的作用,希望借此摸索如何在临床试验设计层面充分了解每位患者的情况。这一方面是为了确保药物能够与患者的实际体验匹配起来,另一方面则是要保证试验不至于影响到患者的日常生活。目前的临床注册审查,已经批准研究人员利用这些数据监控患者的健康变化与实际感受。
White还注意到,随着对数据质量信心的逐步增强,研究人员的相关尝试也开始快速延伸。他评论道,“从长远来看,药物开发的主要目标将有所变化,即通过使用实际数据来减少临床试验控制部门的工作负担。虽然在普适性道路上还有不少问题需要克服,但在领先学术中心之内,这种将良好流程控制与高质量数据管理作为核心的举措已经成为现实。”White认为,在未来十年之内,各大领先医疗机构将开始为生物制药企业提供高质量的匿名患者数据,这也将成为下一阶段最重要的创新中心所在。但他同时也强调称,目前他所看到的都还只是孤立的案例,数据的全部奥秘仍然有待发掘。
总而言之,White认为制药行业拥有广阔而光明的数据驱动转型前景。例如,Paul Hudson最近就正式入驻赛诺菲公司,将利用他自己在数字策略与肿瘤学致病机制方面的经验,为该公司提供以往传统首席执行官所无法实现的内部研发助力。Hudson也明确表示,他计划将赛诺菲改造成一家数据驱动型数字化企业。
我们期待赛诺菲的实际表现,也预祝他们能够成为全球第一家全面普及并切实运用数据驱动能力的大型制药企业。加油!
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。