Rivia تجمع 13 مليون يورو لتطوير الذكاء الاصطناعي الوكيلي في إدارة التجارب السريرية

جمعت شركة Rivia السويسرية نحو 13 مليون يورو في جولة تمويل جديدة لتطوير الذكاء الاصطناعي الوكيلي في التجارب السريرية. وتسعى الشركة الناشئة، ومقرها زيورخ، إلى أتمتة الطبقة التشغيلية الأكثر إرهاقًا في تطوير الأدوية، لا العلم نفسه. وتشمل هذه الطبقة جمع البيانات ومطابقتها والتحقق منها وتفسيرها، وهي بيانات لا تزال حتى اليوم موزعة على عشرات الأنظمة.

لماذا يعاني السوق من خلل؟

تُعدّ التجارب السريرية من أكثر العمليات الطبية كثافةً بالبيانات. فحتى دراسة واحدة كبيرة من المرحلة الثالثة (Phase III) قد تستمد معلوماتها في الوقت نفسه من مراكز الأبحاث والمختبرات ويوميات المرضى والأجهزة القابلة للارتداء والصور والبيانات الجينومية والوثائق التنظيمية.

وتكمن المشكلة في أن هذه التدفقات تتبع عادةً موردين مختلفين، وتصل بصيغ متباينة، وتُحدَّث بوتيرات متفاوتة. ونتيجة لذلك، تقضي الفرق وقتها في تجميع صورة موحدة يدويًا بلا نهاية بدلًا من التحليل.

وبحسب Rivia، ارتفع حجم البيانات في الدراسات السريرية خلال العقد الأخير بأكثر من 400%، بينما بقيت البنية التحتية الأساسية دون تغيير يُذكر تقريبًا. وقد عالجت الأنظمة الكبرى مثل Veeva وMedidata تاريخيًا مهمة التخزين والامتثال للمتطلبات التنظيمية، لا دمج المصادر غير المتجانسة في الوقت الفعلي. لذلك تواصل الشركات عمليًا تصدير الملفات من عدة أنظمة وتجميعها في Excel، أو بناء مسارات معالجة (pipelines) منفصلة لكل بروتوكول جديد.

ماذا تبني Rivia؟

تعمل Rivia منذ عام 2022. وبنت في البداية طبقة بيانات موحدة لفرق التقنية الحيوية، ثم بدأت بعد ذلك بإضافة وكلاء الذكاء الاصطناعي فوق هذه القاعدة. وفي يونيو 2024 جمعت الشركة 3 ملايين يورو في جولة تمويل أولية (seed)، وأغلقت الآن جولة Series A أكبر، بلغت بحسب منشورات متعددة 15 مليون دولار، أي ما يعادل نحو 13 مليون يورو. وقادت الجولة Earlybird، وشاركت فيها Defiant وSpeedinvest وAmino Collective وNina Capital. وسيُوجَّه التمويل إلى توسيع الفرق في زيورخ وبوسطن وإطلاق وكلاء مدمجين جدد.

«إذا لم نبنِ هيكل البيانات أولًا، فسيعمل الذكاء الاصطناعي على معلومات سيئة التنظيم ويعطي نتيجة غير موثوقة»، يوضح الرئيس التنفيذي لشركة

Rivia إريك سكالفارو.

تضم منصة Rivia حاليًا عدة طبقات أساسية:

• طبقة موحدة من البيانات المطبَّعة للمصادر المتفرقة
• مكتبة من الإعدادات القابلة لإعادة الاستخدام وفق منطق دراسات بعينها
• الوكيل Spark، الذي يحوّل الاستعلامات بلغة طبيعية إلى رسوم بيانية وملخصات سريرية
• وكلاء للمراقبة الاستباقية لجودة البيانات والانحرافات
• عمليات مع تدقيق شفاف للإجراءات يمكن فحصه في المسار التنظيمي

وتشير Rivia بشكل منفصل إلى نتائج دراسة من المرحلة الثانية (Phase 2)، ساعد فيها Spark فريق الجهة الراعية في مهام نمطية للمراجعة السريرية، بدءًا من تحليل الأحداث الضائرة وصولًا إلى بناء المجموعات (cohorts) وإعداد الملخصات الوصفية. وبحسب الشركة، بلغ متوسط زمن المهمة اليدوية 47 دقيقة، بينما استغرقت إجابة Spark نحو دقيقتين. وبذلك بلغ إجمالي التوفير في الوقت 91%، ما أتاح نحو 20 ساعة تمكّن الفريق من تخصيصها للقرارات السريرية لا لميكانيكا البيانات. ولا تكشف الشركة عن عدد عملائها حتى الآن، لكنها تؤكد أن المنصة مستخدمة بالفعل في تجارب نشطة.

أين تفيد الوكلاء؟

أكثر ما يلفت في قصة Rivia ليس مجرد مساعد ذكاء اصطناعي آخر، بل محاولة إدخال الوكلاء إلى بيئة شديدة التنظيم. ففي التجارب السريرية لا تكفي «دردشة ذكية» تقدم إجابة جميلة. فهنا تكتسب أهمية قصوى قابلية التفسير، ومسار التدقيق (audit trail)، والتحقق من الصحة (validation)، والتحكم في الإصدارات، والامتثال لمتطلبات FDA وEMA. وفي هذا السياق يتزايد الضغط التنظيمي: إذ يتوقع القطاع أدوات تساعد على إدارة المخاطر والامتثال بصورة استباقية، لا بأثر رجعي.

وعمليًا، يمكن لمثل هذه الوكلاء أن تتولى عدة مهام مكلفة وبطيئة في آن واحد: إبراز مشكلات جودة البيانات مسبقًا، ورصد مخاطر استقطاب المرضى قبل تعثر المواعيد، ومساعدة الفرق على بناء التصورات والملخصات بسرعة أكبر أثناء سير الدراسة، وكذلك تنظيم الإجراءات بحيث يمكن التحقق منها لاحقًا. وإذا نجح هذا النهج على نطاق واسع، فلن يستفيد منه مقدّمو خدمات البحث التعاقدي (CRO) وشركات التقنية الحيوية فحسب، بل برامج تطوير الأدوية نفسها، حيث تتحول التأخيرات سريعًا إلى خسائر بملايين الدولارات.

ماذا يعني ذلك؟

تراهن Rivia على فكرة واضحة: المرحلة التالية للذكاء الاصطناعي في التقنيات الصحية ليست توليد النصوص فوق ملفات فوضوية، بل أنظمة وكيلية تفهم منطق الدراسة السريرية وتعمل ضمن الأطر التنظيمية. وتضع الشركة هدفًا طموحًا هو خفض تكلفة التجارب بنسبة تصل إلى 50%. وإذا نجحت في إثبات موثوقية هذا النهج على برامج حقيقية، فلن يحصل السوق على لوحة معلومات (dashboard) أخرى، بل على طبقة تشغيلية جديدة لتطوير الأدوية.