NetraMark Holdings Inc. kondigt de release van NetraGPT aan. Via nieuw ontwikkelde algoritmen bouwt NetraGPT voort op de krachtige hypotheses die gegenereerd worden door het eigen Good Clinical Practice (GCP) gevalideerde AI/ML-systeem van het bedrijf, NetraAI. De kracht van het NetraAI-systeem ligt in zijn vermogen om te leren over speciale combinaties van variabelen die subpopulaties van patiënten definiëren met betrekking tot de respons op geneesmiddelen of placebo's en bijwerkingen, allemaal belangrijke overwegingen voor klinische proeven. NetraGPT revolutioneert nu de kracht van NetraAI waarbij de NetraAI output wordt ingevoerd in generatieve voorgetrainde (GPT) modellen met behulp van Large Language Model (LLM) APIs. Momenteel worden LLM's getraind met een enorme hoeveelheid gegevens, waarbij ChatGPT4 wordt getraind op ongeveer 300 miljard woorden aan gegevens, waaronder medische literatuur. Deze innovatie plaatst NetraMark in een unieke positie om niet alleen voort te bouwen op de hypothese- en subpopulatiedefinities die zijn afgeleid van NetraAI, maar om nu ook potentieel verdere inzichten te ontdekken die de kracht van LLM's benutten en de uitvoerrapporten in minuten vs. weken te leveren. Dit biedt NetraMark een ongekende kans om de output van NetraAI naadloos te integreren en snel krachtige inzichten over patiëntenpopulaties over te brengen aan klanten met verhoogde efficiëntie en uitlegbaarheid. NetraGPT neemt informatie op over specifieke subpopulaties van klinische studies die door NetraAI zijn ontdekt. Meer specifiek gaat het om het voeden van de verzameling variabelen, biologisch of anderszins, die statistisch significant zijn voor de ontdekte subpopulaties van belang, gebaseerd op de afhankelijke variabele, bijv. geneesmiddelenrespons, placeborespons, placebo non-respons, bijwerking, enz. Het resultaat van de NetraGPT-module is een gedetailleerd, door mensen leesbaar rapport dat gebruik maakt van de kracht van LLM's en het enorme corpus aan medische literatuur:
Uitvoerrapporten die binnen enkele seconden worden samengesteld en binnen enkele minuten worden afgerond, Verbeterde verklaarbaarheid van de invloedrijke variabelen die ten grondslag liggen aan ontdekte subpopulaties, Aanvullende inzichten die onderlinge verbanden tussen variabelen, de respons en de ziektetoestand afbakenen, Referenties uit relevante en hedendaagse literatuur, Belangrijk is dat het proces transparant is over de variabelen die de specifieke patiëntensubpopulaties aansturen die duidelijk kunnen worden geïdentificeerd en gevalideerd door statistische inspectie. Dit niveau van transparantie is van cruciaal belang voor sponsors, met name wanneer zij werken met LLM's, omdat het menselijke deskundigen en trialists in staat stelt delen van het proces van het genereren van hypothesen met behulp van kunstmatige intelligentie (AI) en het door LLM gegenereerde rapport te controleren, om de juistheid van de gegenereerde inzichten en aanbevelingen te waarborgen.