在本文中，科睿唯安負責產品組合、授權許可及臨床事務的產品總監 Ketan Patel 將為您深度剖析人工智慧在商務拓展及授權許可（ BD&L ）過程中的三個實際應用案例。
為了盡其職責，負責商務拓展和授權的專業人員需要對多種來源的海量訊息進行彙總分析。為了更好瞭解一個藥物的價值，團隊成員必須對藥物研發產品線訊息、臨床試驗申請人的數據、財務條件、交易訊息和臨床試驗的執行…等訊息進行人工篩選、歸類和分析。
他們不僅要面對每天新生成的數據帶來的壓力，而且還要搶在競爭對手之前快速而準確地對這些數據進行評估。許多團隊通常會將同一家製藥公司、或相同的交易訊息及在研藥物作為競爭對象來進行評估。如果他們不能及時收集到所需的全部資訊，無疑會落後於競爭對手。例如：如果您正在計劃評估一家對擁有三款核心在研藥物的一家小型生物技術公司，那麽，對相關訊息進行彙總，以瞭解每款藥物獲得藥證的可能時間節點，將對您的評估進度帶來相當大的幫助。
由於這些數據必須從不同的訊息來源中獲取，如何對有用的訊息進行持續監測？並確保在今後的估值中使用這些訊息。對於商務拓展和授權的目的來說，數據收集的核心目的是：基於市場訊息做出準確的預測和預報。
為了更高效地對以上過程進行管理，很多專業人員開始轉向利用人工智慧（AI）。商務拓展和授權團隊可以透過將目前的人工評估過程轉變為演算法自動化主導，以便能夠處理更多的訊息，並對更多的公司和藥物資產進行評估。同時還可以透過分析歷史數據和利用產品線預測模型，同時對幾種藥物研發的成功率進行預測，來提高藥物產品線預測能力。
目前已有的三個重要的應用案例證明， AI 對商務拓展和授權能夠帶來巨大的影響。
挖掘數據背後的價值，加速創新進程，可以利用歷史數據識別藥物研發路徑和獲證時間。許多歷史數據，包括臨床試驗數據和 FDA 獲證數據均可透過檢索公開資料庫獲取。這些歷史數據對於正在力求識別重要藥物的正確開發路徑和獲證時間的團隊，極具價值。
在科睿唯安，我們使用 AI 工具來整理這些公開數據，然後透過特定的方法對其進行索引以增加其價值。這能夠幫助我們創建一個模型，用於預測和識別藥物獲證時間和成功率。
此外，用戶可以根據歷史獲證訊息和時間節點，對預期的製藥公司或藥物資產進行/評估。例如，對評估一個阿茲海默症的藥物研發產品線時，您可以查看歷史上較低的獲證成功率，回顧使其獲證的關鍵因素，並評估預期的研發產品線是否有可能成功。
您還可以使用 AI 工具分析研發周期時間。如果您能夠了解不同研發階段過渡期的歷史平均周期時間，就能對獲證時間節點做出更準確的預測。
提高預測時間節點和調整計劃的能力
如果您能對某些藥物的歷史平均值進行比較，就能更好地預測同類產品不同的時間節點。如果有多家企業對同一個領域進行投資，您可能預測出所有產品先後獲證的時間。而且也可以分析對這些時間節點造成直接影響的各個因素。
最先啓動臨床試驗的製藥公司往往不會第一個獲證，這其中受到幾個因素影響。如果您能夠瞭解這些關鍵要素，就能對目前的評估過程進行調整，以獲得競爭優勢。
例如，您可以使用一個預測模型進行分析，以確定在臨床試驗的啓動階段，使用真實世界的證據是否能夠提高受試者招募率，從而加速產品上市進程。如果已有數據能夠提示您採取哪些措施會使產品以最快的速度獲證，則可以依據這些對公司內部計劃進行調整，以便在產品獲證的競爭中贏得先機。
確保使用數據驅動方法進行準確評估
每家製藥公司都有自己的一套機制和方法來評估產品組合、對藥物資產進行比較分析以及發現市場缺口。但這些方法往往存在固有的主觀傾向，因而影響評估的準確性。有時候某些主觀傾向可能僅僅來自於一些錯誤的觀念。例如，如果貴公司已經在糖尿病產品方面有成功獲證的經驗，您可能會推測未來的產品也會以同樣的機率獲證。您也可能在評估新適應症時會沿用其他適應症的訊息用於新適應症獲證時間的推算。這些情況雖然較為細微，但可能會對您正在作出的决策帶來不利影響。
透過使用 AI 演算，獲得一個由數據驅動、不受偏見影響的「顧問」
消除了這種固有的主觀傾向後，專業人員就能更準確地對產品組合進行評估並對藥物資產進行比較。
收集競爭情報的下一階段是發掘數據背後的價值，加速創新進程。您還可以使用這種方法對競爭對手的藥物資產進行評估。 AI 算法不僅能對公司內部的數據進行分析處理，還能對任何一家製藥公司和新藥項目的全部藥物研發產品線的訊息進行評估。使得貴公司能夠對競爭對手的產品組合進行估值預測，並且能夠針對本公司產品與其他公司同類產品存在的差距找到解決方案。
AI 還可以透過對您計劃出售的藥物資產與已上市的藥物資產之間進行準確的對比，來完善您的對外許可策略。因為您將能夠更好地瞭解誰將從藥物收購中獲得最大收益，所以這將有助於您進一步提升產品的價值。
人工智慧的數據困境
對於那些計劃將 AI 用於商務拓展和授權許可的製藥公司來說，必須牢記一個關鍵因素 ─ 數據。
製藥公司必須瞭解數據的來源以及數據更新的頻率。
為了保證 AI 模型的有效性，您需要獲取所有相關來源的數據並及時進行更新。
我們構建的模型會在每天夜間對當天收集到的、由不同來源生成的所有新數據進行自動更新。這使得任何可能影響藥物開發計劃的新數據，每天都會被納入模型預測的運算中。
數據品質也是一個重要因素。「無效輸入，無效輸出（garbage in, garbage out）」在數據分析通常是正確的，尤其是您剛剛在模型中輸入了大量非結構化數據後。如果您想提高 AI 模型預測數據的準確度，則需要確保其獲得高品質數據的支持和訓練。
在當今科技飛速發展的時代，用於藥物研發訊息的分析工具也應與時俱進，不斷更新。應該不斷對這些工具進行創新，以使其能夠納入新訊息、新里程碑和新型數據。
對這些模型應該進行升級迭代，使其與行業發展保持同步。例如，目前基因治療市場正在快速發展，但獲證的基因療法的數據卻相對有限。隨著市場不斷走向成熟，更多的數據將會不斷湧現，製藥公司應能夠利用新數據進行產品產品線預測。
