Wetenschappelijke literatuurstudies en het potentieel van AI voor bewijssynthese

Het meest uitgebreide type review, systematische literatuuronderzoeken (SLR's), worden gewaardeerd om hun rigoureuze en reproduceerbare benadering van het evalueren van belangrijke onderzoeksvragen. De transparante methodologie beperkt vooringenomenheid en spiegelreflexcamera's worden beschouwd als de gouden standaard voor evidence-based medicine. 1 Andere soorten wetenschappelijke literatuuronderzoeken, zoals uitgebreide gerichte beoordelingen, maken gebruik van minder strenge methoden, maar bieden nog steeds uitgebreide informatie over onderwerpen als behandeling en ziektelandschappen. Zowel spiegelreflexcamera's als uitgebreide gerichte beoordelingen begeleiden de strategie en ondersteunen de indiening van regelgevende instanties, waardoor ze betrouwbare bronnen zijn voor de ontwikkeling van geneesmiddelen.

SLR's en uitgebreide gerichte beoordelingen zijn echter arbeids- en tijdsintensieve processen, die vaak maanden of zelfs jaren in beslag nemen. Deze lange tijdlijnen en het snel groeiende aantal gepubliceerde artikelen en beschikbare tijdschriften betekenen dat nieuw bewijs oudere wetenschappelijke literatuuronderzoeken snel kan vervangen. 2 Dit kan besluitvormingsprocessen belemmeren, met name op snelle gebieden zoals gezondheidszorg en geneesmiddelenontwikkeling, waar tijdige en nauwkeurige informatie cruciaal is.

Als reactie hierop is er een groeiende belangstelling voor tools en methodologieën die meer efficiëntie kunnen ondersteunen, zoals kunstmatige intelligentie (AI), die de tijd die nodig is voor het beoordelen en bijwerken van wetenschappelijke literatuuronderzoeken zou kunnen versnellen.³

Het is echter van vitaal belang dat dergelijke tools worden gevalideerd en dat het gebruik ervan wordt geleid door deskundige kennis van wanneer en waar het het meest geschikt is, evenals een duidelijk begrip van hoe het zal worden toegepast, met name in gebruikscontexten waar wetenschappelijke nauwkeurigheid van methode en resultaten van het grootste belang zijn, zoals spiegelreflexcamera's.

Het bewijs voor blijven

De meest rigoureuze en uitgebreide wetenschappelijke literatuuronderzoeken zijn spiegelreflexcamera's die worden uitgevoerd als onderdeel van de indiening van gezondheidstechnologie (HTA), die voldoen aan strikte richtlijnen van HTA-agentschappen. Deze spiegelreflexcamera's moeten worden ingevuld door ervaren onderzoekers. Vanwege de beperkingen van AI-ondersteunde beoordelingen, waaronder de kans op het missen van relevant onderzoek, wordt AI niet geadviseerd voor spiegelreflexcamera's die HTA-beslissingen informeren.

De begeleiding op dit gebied evolueert echter. Het Britse National Institute for Health and Care Excellence (NICE) heeft een standpuntverklaring gepubliceerd over het gebruik van AI bij het genereren van bewijsmateriaal, waarin de nadruk wordt gelegd op vroege betrokkenheid bij NICE en dialoog met technische teams van NICE bij gebruik van AI-methoden. 4 Uiteindelijk kan het gebruik van AI als tweede beoordelaar passend zijn als de AI-tools op de juiste manier zijn gevalideerd.

SLR's worden ook uitgevoerd voor interne strategie en voor publicatie. Dit soort spiegelreflexcamera's zijn ook cruciaal voor het identificeren van hiaten in het bewijs en kunnen geïntegreerde bewijsplannen (IEP's) informeren. Wetenschappelijke nauwkeurigheid is nog steeds van cruciaal belang voor deze spiegelreflexcamera's. Daarom wordt geadviseerd om AI te beschouwen als een tweede reviewer voor de eerste fase van literatuuronderzoek.

Het hebben van één menselijke beoordelaar en één AI-beoordelaar met conflicten opgelost door een derde menselijke beoordelaar biedt een ingebouwde kwaliteitscontrole. Bovendien moeten alle AI-ondersteunde methoden transparant worden beschreven in SLR-rapporten of publicaties, wat in overeenstemming is met de PRISMA-richtlijnen van 2020 over de noodzaak van een "transparant, volledig en nauwkeurig verslag van waarom (een) beoordeling werd gedaan, wat de auteurs deden (zoals hoe studies werden geïdentificeerd en geselecteerd), en wat ze vonden (zoals kenmerken van bijdragende studies en resultaten van meta-analyses)." 5 Als dit soort spiegelreflexcamera's met behulp van AI sneller en tegen lagere kosten kunnen worden uitgevoerd, kunnen spiegelreflexcamera's eerder in het ontwikkelingsproces van geneesmiddelen worden gebruikt en vaker worden bijgewerkt. Dit kan IEP's beter informeren en leiden tot een effectievere planning voor het genereren van bewijsmateriaal.

Een ander type wetenschappelijk literatuuronderzoek dat bijzonder nuttig is in de HEOR-ruimte is de uitgebreide gerichte review. Uitgebreide gerichte beoordelingen hebben vaak betrekking op ziekte- en behandelingslandschappen en vormen de basis voor de vroege ontwikkeling van geneesmiddelen. AI-ondersteunde methoden zijn vooral nuttig voor brede onderwerpen met een grote hoeveelheid gepubliceerde literatuur. Het gebruik van AI om de eerste fase van literatuuronderzoek te voltooien wordt voorgesteld als een optie voor tijd- en kostenbesparingen. Hoewel uitgebreide gerichte beoordelingen minder strenge methodologische vereisten hebben dan SLR's, zijn human-in-the-loop-processen nog steeds belangrijk, en het implementeren van kwaliteitscontroles van een vooraf bepaald percentage referenties dat door AI wordt beoordeeld, is ook een voorgestelde optie.

Ten slotte is het bijwerken van wetenschappelijke literatuuronderzoeken - of het nu gaat om spiegelreflexcamera's of uitgebreide gerichte beoordelingen - een ander type bewijssynthese waarbij het gebruik van AI voordelen kan opleveren. Bestaande wetenschappelijke literatuuronderzoeken kunnen worden gebruikt als trainingsgegevens en AI-tools kunnen worden gebruikt om te beoordelen of er voldoende nieuwe, relevante gepubliceerde literatuur is om een beoordelingsupdate uit te voeren. Door de recent gepubliceerde literatuur te monitoren, wordt ervoor gezorgd dat evaluatie-updates tijdig en adequaat worden uitgevoerd.

Voorzichtige adoptie van AI bij het genereren van bewijs

Het vinden van manieren om aan de eisen van de EGT-autoriteiten te voldoen en tegelijkertijd een aantal van de tijdrovende processen te verminderen, is een grote prioriteit voor bedrijven, aangezien elke dag dat het product van een bedrijf niet wordt terugbetaald, inkomsten misloopt. NICE-richtlijnen ondersteunen bedrijven enigszins bij het oordeelkundig gebruik van AI om de besluitvorming bij het genereren van bewijsmateriaal te verbeteren. NICE heeft echter gewaarschuwd voor de transparantie en betrouwbaarheid van AI.⁴

In de juiste context en correct toegepast, kunnen AI-tools bedrijven in staat stellen door het gemakkelijker en kostenefficiënter te maken om vaker spiegelreflexcamera's uit te voeren en hen bijgevolg te helpen beter geïnformeerde beslissingen te nemen.

PRISMA geeft richtlijnen voor het gebruik van automatisering in zijn uitgebreide checklist van 2020. Dit omvat rapportage over hoe automatiseringstools werden geïntegreerd in het algemene studieselectieproces, evenals de toepassing van machine learning in het screeningproces en welke validatie werd uitgevoerd om het risico van gemiste studies of onjuiste classificaties te begrijpen.⁶

Uit enquêtes onder besluitvormers in de gezondheidszorg blijkt dat er steeds meer comfort is met AI-tools voor het verzamelen van bewijsmateriaal en het samenvatten van bewijsmateriaal. Er blijven echter legitieme zorgen bestaan over beveiliging en privacy bij het gebruik van AI-tools, evenals mogelijke vooringenomenheid die onbedoeld door beoordelaars wordt geïntroduceerd. Bovendien is het belangrijk om te benadrukken dat AI aanzienlijke input vereist van onderzoekers en medische experts en dat het van vitaal belang is om nauwkeurigheid te waarborgen bij het onderzoeken van onderwerpen die van invloed kunnen zijn op de gezondheid en gezondheidszorg van mensen.

Sommige van deze zorgen kunnen worden aangepakt door gebruik te maken van workflows voor literatuuronderzoek waarbij gevalideerde AI-tools worden begeleid door ervaren onderzoekers. Human-in-the-loop kwaliteitscontroles bieden ook een manier om risico's te beperken en de onderzoeksintegriteit te behouden. Er is ruimte voor AI om te rijpen als een belangrijk instrument voor literatuuronderzoek, op voorwaarde dat er een solide basis is voor training en validatie in de ontwikkeling ervan.

Geschikte en vertrouwde AI-tools die zijn afgestemd op de verschillende onderdelen van het proces voor het genereren van bewijsmateriaal, kunnen een grote bijdrage leveren aan het wegnemen van een deel van de last en bedrijven de inzichten geven die ze nodig hebben om hun doelstellingen op het gebied van markttoegang te behalen.

Over de auteurs

Kimberly Ruiz is Senior Director, Evidence Generation and Value Communication bij Cencora. Ze leidt teams van onderzoekers bij het uitvoeren van systematische en gerichte literatuuronderzoeken en verschillende soorten medisch communicatiewerk, waaronder wetenschappelijke publicaties en dossierontwikkeling. Ze heeft meer dan 20 jaar ervaring als onderzoeker in de advies-, bedrijfs- en non-profitsector van de gezondheidszorg.

Malia Gill is Manager Evidence Generation en Value Communications bij Cencora. Ze voert systematische en gerichte literatuuronderzoeken uit om een uitgebreid inzicht te krijgen in trends in de literatuurbasis. Haar werk ondersteunt HTA-inzendingen, meta-analyses, economische en epidemiologische modellen en wetenschappelijke publicaties.

Kimberly Ruiz

Senior directeur, Evidence Generation and Value Communication, Cencora

Malia Gill

Manager, Evidence Generation and Value Communications, Cencora

Dit artikel geeft een overzicht van Cencora's begrip van het onderwerp op basis van informatie die op het moment van schrijven openbaar beschikbaar was (zie de vermelde bronnen) en de expertise van de auteurs op dit gebied. Aanbevelingen in dit artikel zijn mogelijk niet op alle situaties van toepassing en vormen geen juridisch advies. Lezers mogen niet op het artikel vertrouwen bij het nemen van beslissingen met betrekking tot de besproken onderwerpen.

Rapport

Anticiperen op de belangrijkste trends op het gebied van markttoegang wereldwijd voor 2025

Het zorglandschap van 2025 staat op het punt aanzienlijk te veranderen. In het rapport van Cencora, 'Anticipating the top market access trends globally for 2025', worden de belangrijkste trends belicht die van invloed zullen zijn op de toegang van patiënten tot innovatieve therapieën.

Belangrijke inzichten zijn onder meer het navigeren door wereldwijde beleidsveranderingen, het begrijpen van de veranderende dynamiek tussen fabrikanten en betalers, het aanpakken van de prijsdruk van geneesmiddelen, het benutten van digitale communicatie voor de betrokkenheid van belanghebbenden en het vergroten van de gelijkheid in de Amerikaanse gezondheidszorg

Lees het rapport

Neem contact op met ons team

Ons team van toonaangevende waarde-experts is toegewijd aan het omzetten van bewijsmateriaal, beleidsinzichten en marktinformatie in effectieve strategieën voor wereldwijde markttoegang. Laat ons u helpen om met vertrouwen door het complexe zorglandschap van vandaag te navigeren. Neem contact op om te ontdekken hoe we uw doelen kunnen ondersteunen.

Contact opnemen

Referenties:

^1. OCEBM-niveaus van bewijs, Centrum voor Evidence-Based Medicine. https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
^2. Literatuuronderzoek benaderingen in een tijdperk van toenemend publicatievolume, ISPOR-poster. https://www.ispor.org/docs/default-source/euro2024/isporeurope24cadarettesa57poster146827-pdf.pdf?sfvrsn=39a72ef6_0
^3. Hoeveel kunnen we besparen door kunstmatige intelligentie toe te passen in de synthese van bewijsmateriaal? Resultaten van een pragmatische beoordeling om de efficiëntie van de werklast en kostenbesparingen te kwantificeren, Front Pharmacol. januari 2025 https://pmc.ncbi.nlm.nih.gov/articles/PMC11826052/
^4.Gebruik van AI bij het genereren van bewijsmateriaal: NICE-positieverklaring. https://www.nice.org.uk/about/what-we-do/our-research-work/use-of-ai-in-evidence-generation--nice-position-statement
^5. De PRISMA 2020-verklaring: een bijgewerkte richtlijn voor het rapporteren van systematische reviews, BMJ, 2021. https://www.bmj.com/content/372/bmj.n71
^6. PRISMA 2020 uitgebreide checklist. https://www.bmj.com/content/bmj/suppl/2021/03/29/bmj.n71.DC1/pagm061899.w2.pdf

Related resources

Gids

HEOR Fundamenteel Onderwijs Serie

Meer informatie

Artikel

Inzichten van ISPOR 2024: Zoeken naar verbeteringen in tools die worden gebruikt in systematische reviewbeoordelingen

Meer informatie

Gids

Controlelijst: Waarom u een partner voor leeroplossingen nodig hebt met expertise op het gebied van markttoegang en vergoedingen

Meer informatie

Cencora.com biedt geautomatiseerde vertalingen om te helpen bij het lezen van de website in andere talen dan het Engels. Voor deze vertalingen zijn redelijke inspanningen geleverd om een nauwkeurige vertaling te leveren, maar geen enkele geautomatiseerde vertaling is perfect en is ook niet bedoeld om menselijke vertalers te vervangen. Deze vertalingen worden aangeboden als een service aan gebruikers van Cencora.com en worden geleverd 'in de huidige staat'. Er wordt geen enkele garantie gegeven, expliciet of impliciet, met betrekking tot de nauwkeurigheid, betrouwbaarheid of juistheid van deze vertalingen die vanuit het Engels in een andere taal zijn gemaakt. Sommige inhoud (zoals afbeeldingen, video's, Flash, enz.) wordt mogelijk niet nauwkeurig vertaald vanwege de beperkingen van de vertaalsoftware.

Eventuele discrepanties of verschillen die ontstaan bij het vertalen van deze inhoud van het Engels naar een andere taal zijn niet bindend en hebben geen rechtsgevolgen voor naleving, handhaving of enig ander doel. Als er fouten worden vastgesteld, neem dan contact met ons op . Als er vragen rijzen met betrekking tot de juistheid van de informatie in deze vertalingen, raadpleeg dan de Engelse versie van de pagina.