Як Relevant Software створили аналітичну платформу на базі ШІ для AstraZeneca
Команди Medical Affairs рідко стикаються з браком даних. Набагато частіше проблема в тому, що дані надходять у формі, непридатній для швидкого ухвалення рішень. Польові нотатки зберігаються у вигляді вільного тексту, клінічна документація — у довгих PDF, дані реальної клінічної практики мають нестабільну структуру, а записи в CRM містять нюанси, які ніколи не потрапляють у звіти. У підсумку для фармацевтики це виглядає однаково: повільний цикл отримання інсайтів, дублювання роботи та постійний компроміс між швидкістю і контролем.
Цей кейс — конкретний приклад того, як можна розірвати це коло. В його основі — історія AstraZeneca та те, як команда Relevant Software побудувала AI-процес, що перетворює розрізнені дані Medical Affairs у структуровані результати, з якими команди можуть працювати швидко.
Вузькі місця, що повторюються майже в кожному процесі Medical Affairs
Ці проблеми виникають знову і знову, тому що робота Medical Affairs базується на мові, контексті та простежуваності, а не лише на цифрах.
Найчастіше команди стикаються з чотирма обмеженнями:
- Неструктуровані дані у великих обсягах. Польові спостереження та медичний контекст надходять у вигляді тексту, який потрібно інтерпретувати, узагальнювати та приводити до формату звітності.
- Ручна обробка CRM. Дані копіюються, звіряються між джерелами, що сповільнює процес і створює зайві помилки.
- Жорсткі вимоги комплаєнсу. Чутливі дані вимагають шифрування, чітких прав доступу та зрозумілого управління. Багато «швидких» підходів на цьому етапі не працюють.
- Повільне повторне використання знань. Інсайти залишаються в особистих нотатках і локальних файлах, тому команди щотижня повторюють одну й ту саму аналітичну роботу.
З цими ж викликами зіткнулась і AstraZeneca. Команди Medical Affairs працювали з дедалі більшим обсягом складних, неструктурованих медичних даних: протоколи клінічних досліджень, спостереження за пацієнтами, нотатки з розмов із лікарями. Ручна обробка затримувала доступ до критично важливих інсайтів.
Що потрібно було AstraZeneca
Проєкт почався з простого питання: як автоматизувати аналіз CRM-записів без втрати точності та без порушення дотримання регуляторних вимог.
Рішення мало працювати з трьома різними потоками даних:
- Документація клінічних досліджень: протоколи, результати лікування, спостереження щодо безпеки пацієнтів.
- Дані реальної клінічної практики: зворотний зв’язок від лікарів, історії пацієнтів, медичні звіти.
- Польові нотатки, які Medical Science Liaisons фіксують під час спілкування з медичними працівниками.
Система також повинна була усунути вузькі місця в обробці, забезпечити швидший доступ до ключової інформації та пришвидшити реакцію команд у дослідницькій і ринковій діяльності.
Як Relevant Software вирішила задачу
Relevant Software зайшла як партнер з упровадження, щоб побудувати AI-рішення, яке перетворює «сирі» фрагменти Medical Affairs даних на структуровані, готові до використання звіти з дотриманням вимог до безпеки та відповідності.
Автоматизоване витягування інсайтів із медичного тексту
Система сканує великі обсяги польових нотаток, дослідницьких даних і клінічних матеріалів, а потім витягує ключові інсайти для підтримки звітності та ухвалення рішень із дотриманням регуляторних вимог.
Це дозволило змістити фокус із ручної обробки на експертну оцінку — там, де команди Medical Affairs створюють найбільшу цінність.
Обробка в реальному часі на Google Cloud
Рішення працює на Google Cloud, щоб забезпечити швидкий, стабільний доступ і підтримати великі команди, глобальні операції та зростання обсягів медичної інформації.
Доступ у реальному часі входив у явні вимоги клієнта разом із високою точністю витягування інсайтів і повною відповідністю регуляторним вимогам.
Безпека і відповідність регуляторним вимогам вбудовані в архітектуру
Система захищає чутливі дані за допомогою шифрування та рольового контролю доступу (RBAC), тому кожен користувач бачить лише те, що потрібно для його ролі. Такий підхід знижує ризик витоків, допомагає запобігати людським помилкам і узгоджується з регуляторними рамками на кшталт GDPR і HIPAA.
Замість того щоб перетворювати governance на «паперовий етап наприкінці», проєкт вбудував правила доступу й контролю в щоденні сценарії використання.
Масштабування між командами без втрати швидкості та точності
Рівень використання Medical Affairs рішень зазвичай зростає швидко, щойно команди починають довіряти результатам. Кейс підкреслює масштабованість як базову властивість: AI-рішення обробляє великі набори даних між командами та департаментами, зберігаючи продуктивність.
З інженерного боку впровадження включало побудову системи на базі ChatGPT і Llama 2, донавчання моделей під інтерпретацію Medical Affairs, розгортання на Google Cloud та інтеграцію шифрування, контролю доступу й регуляторних запобіжників.
Що змінилося після запуску
Результати виглядають як операційні покращення, які керівник Medical Affairs може захистити цифрами:
- +25% до ефективності польових медичних команд і 20 годин економії на тиждень на ручній обробці CRM-даних.
- –35% витрат на роботу з доступом до ринку через усунення зайвих процесів.
- –40% часу на підготовку медичних матеріалів завдяки автоматизації пошуку даних і підготовки документів.
- 35 000+ записів, оброблених автоматично, зі збором, перевірками та структуризацією з різних джерел.
- –25% помилок у даних, що підвищило довіру до звітів і матеріалів для лікарів та регуляторів.
Фідбек клієнта підсилює той самий меседж. Директор напряму bio-pharma medical evidence описав результат як «точну і AI-систему» та підкреслив критичність NLP і безпечного управління даними для успіху.
Ключовий висновок для регульованих AI-рішень у фармі
Коли аналітика Medical Affairs тримається на ручній обробці тексту, першими просідають швидкість і узгодженість, а потім падає якість. Цей кейс показує робочу альтернативу: поєднати витягування інсайтів, контроль доступу та вимоги до відповідності в одну інженерну задачу, а потім побудувати систему, яка швидко дає структуровані результати, масштабується і витримує реальну експлуатацію.
Як Relevant Software створили аналітичну платформу на базі ШІ для AstraZeneca
Команди Medical Affairs рідко стикаються з браком даних. Набагато частіше проблема в тому, що дані надходять у формі, непридатній для швидкого ухвалення рішень. Польові нотатки зберігаються у вигляді вільного тексту, клінічна документація — у довгих PDF, дані реальної клінічної практики мають нестабільну структуру, а записи в CRM містять нюанси, які ніколи не потрапляють у звіти. У підсумку для фармацевтики це виглядає однаково: повільний цикл отримання інсайтів, дублювання роботи та постійний компроміс між швидкістю і контролем.
Цей кейс — конкретний приклад того, як можна розірвати це коло. В його основі — історія AstraZeneca та те, як команда Relevant Software побудувала AI-процес, що перетворює розрізнені дані Medical Affairs у структуровані результати, з якими команди можуть працювати швидко.
Вузькі місця, що повторюються майже в кожному процесі Medical Affairs
Ці проблеми виникають знову і знову, тому що робота Medical Affairs базується на мові, контексті та простежуваності, а не лише на цифрах.
Найчастіше команди стикаються з чотирма обмеженнями:
- Неструктуровані дані у великих обсягах. Польові спостереження та медичний контекст надходять у вигляді тексту, який потрібно інтерпретувати, узагальнювати та приводити до формату звітності.
- Ручна обробка CRM. Дані копіюються, звіряються між джерелами, що сповільнює процес і створює зайві помилки.
- Жорсткі вимоги комплаєнсу. Чутливі дані вимагають шифрування, чітких прав доступу та зрозумілого управління. Багато «швидких» підходів на цьому етапі не працюють.
- Повільне повторне використання знань. Інсайти залишаються в особистих нотатках і локальних файлах, тому команди щотижня повторюють одну й ту саму аналітичну роботу.
З цими ж викликами зіткнулась і AstraZeneca. Команди Medical Affairs працювали з дедалі більшим обсягом складних, неструктурованих медичних даних: протоколи клінічних досліджень, спостереження за пацієнтами, нотатки з розмов із лікарями. Ручна обробка затримувала доступ до критично важливих інсайтів.
Що потрібно було AstraZeneca
Проєкт почався з простого питання: як автоматизувати аналіз CRM-записів без втрати точності та без порушення дотримання регуляторних вимог.
Рішення мало працювати з трьома різними потоками даних:
- Документація клінічних досліджень: протоколи, результати лікування, спостереження щодо безпеки пацієнтів.
- Дані реальної клінічної практики: зворотний зв’язок від лікарів, історії пацієнтів, медичні звіти.
- Польові нотатки, які Medical Science Liaisons фіксують під час спілкування з медичними працівниками.
Система також повинна була усунути вузькі місця в обробці, забезпечити швидший доступ до ключової інформації та пришвидшити реакцію команд у дослідницькій і ринковій діяльності.
Як Relevant Software вирішила задачу
Relevant Software зайшла як партнер з упровадження, щоб побудувати AI-рішення, яке перетворює «сирі» фрагменти Medical Affairs даних на структуровані, готові до використання звіти з дотриманням вимог до безпеки та відповідності.
Автоматизоване витягування інсайтів із медичного тексту
Система сканує великі обсяги польових нотаток, дослідницьких даних і клінічних матеріалів, а потім витягує ключові інсайти для підтримки звітності та ухвалення рішень із дотриманням регуляторних вимог.
Це дозволило змістити фокус із ручної обробки на експертну оцінку — там, де команди Medical Affairs створюють найбільшу цінність.
Обробка в реальному часі на Google Cloud
Рішення працює на Google Cloud, щоб забезпечити швидкий, стабільний доступ і підтримати великі команди, глобальні операції та зростання обсягів медичної інформації.
Доступ у реальному часі входив у явні вимоги клієнта разом із високою точністю витягування інсайтів і повною відповідністю регуляторним вимогам.
Безпека і відповідність регуляторним вимогам вбудовані в архітектуру
Система захищає чутливі дані за допомогою шифрування та рольового контролю доступу (RBAC), тому кожен користувач бачить лише те, що потрібно для його ролі. Такий підхід знижує ризик витоків, допомагає запобігати людським помилкам і узгоджується з регуляторними рамками на кшталт GDPR і HIPAA.
Замість того щоб перетворювати governance на «паперовий етап наприкінці», проєкт вбудував правила доступу й контролю в щоденні сценарії використання.
Масштабування між командами без втрати швидкості та точності
Рівень використання Medical Affairs рішень зазвичай зростає швидко, щойно команди починають довіряти результатам. Кейс підкреслює масштабованість як базову властивість: AI-рішення обробляє великі набори даних між командами та департаментами, зберігаючи продуктивність.
З інженерного боку впровадження включало побудову системи на базі ChatGPT і Llama 2, донавчання моделей під інтерпретацію Medical Affairs, розгортання на Google Cloud та інтеграцію шифрування, контролю доступу й регуляторних запобіжників.
Що змінилося після запуску
Результати виглядають як операційні покращення, які керівник Medical Affairs може захистити цифрами:
- +25% до ефективності польових медичних команд і 20 годин економії на тиждень на ручній обробці CRM-даних.
- –35% витрат на роботу з доступом до ринку через усунення зайвих процесів.
- –40% часу на підготовку медичних матеріалів завдяки автоматизації пошуку даних і підготовки документів.
- 35 000+ записів, оброблених автоматично, зі збором, перевірками та структуризацією з різних джерел.
- –25% помилок у даних, що підвищило довіру до звітів і матеріалів для лікарів та регуляторів.
Фідбек клієнта підсилює той самий меседж. Директор напряму bio-pharma medical evidence описав результат як «точну і AI-систему» та підкреслив критичність NLP і безпечного управління даними для успіху.
Ключовий висновок для регульованих AI-рішень у фармі
Коли аналітика Medical Affairs тримається на ручній обробці тексту, першими просідають швидкість і узгодженість, а потім падає якість. Цей кейс показує робочу альтернативу: поєднати витягування інсайтів, контроль доступу та вимоги до відповідності в одну інженерну задачу, а потім побудувати систему, яка швидко дає структуровані результати, масштабується і витримує реальну експлуатацію.
