Искусственный интеллект в фармации

Традиционные методы производства лекарств являются сложными и дорогостоящими — разработка нового препарата обходится фармацевтической компании примерно в 2,6 миллиарда долларов США и может занимать 12–14 лет^[2]. Алгоритмы искусственного интеллекта позволяют анализировать огромные наборы данных с большей скоростью и точностью по сравнению с классическими методами^[3]. Это способствует выявлению перспективных кандидатов в лекарства, прогнозированию их взаимодействий и оптимизации формул^[4]. Анализ и моделирование на основе ИИ помогают исследователям лучше понимать молекулярные взаимодействия, тем самым ускоряя процесс разработки препаратов^[5].^[6]

Особо полезными для поиска новых лекарств оказались искусственные нейронные сети (ИНС) и генеративно-состязательные сети (ГСС). Эти модели применяются для виртуального скрининга, моделирования схем «структура-активность» (SAR) и генерации новых молекул^[7]. К примеру, пептиды, спроектированные с помощью ИИ, показали значительно большую эффективность против ряда многорезистентных бактерий. Также транскриптомные данные клеточных линий человека использовались для обучения моделей глубокого обучения, которые классифицировали лекарства по их терапевтическим свойствам. Эти инновации позволяют сократить время, стоимость и ресурсы на ранних этапах разработки лекарств^[2].

ИИ меняет системы доставки лекарственных средств. Технологии ИИ, такие как нейронные сети, метод главных компонент и нейро-нечёткая логика, применяются для выявления биологических мишеней для препаратов, оценки фармакологических профилей потенциальных лекарств и анализа генетической информации. Интеллектуальные системы способны отслеживать отклик пациента и корректировать дозировки в реальном времени с учётом индивидуальных физиологических параметров, что особенно важно для лечения хронических заболеваний. В перспективе такие решения могут привести к персонализации лекарств, целевой противораковой терапии и созданию съедобных вакцин^[8].^[9]

ИИ способствует прогнозированию и выявлению нежелательных реакций на лекарственные препараты (НРЛП). Для этого применяют различные техники, такие как граф знаний, классификаторы на базе логистической регрессии, нейронные сети. В 2023 году была создана модель машинного обучения, использующая граф знаний для классификации причин НРЛП. Отдельные исследования показывают, что методы обработки естественного языка и глубокого обучения, например LSTM, превосходят по точности традиционные подходы для выявления злоупотребления опиоидами и предотвращения передозировок. При этом анализируются как структурированные данные из электронных медицинских карт, так и неструктурированные источники — заметки врача или сообщения из социальных сетей^[10].

Инструменты ИИ всё шире используются для поддержки клинических решений. Системы машинного обучения обучаются на данных пациентов, чтобы прогнозировать индивидуальные риски, потенциальные аллергии и лекарственные взаимодействия, опасные для здоровья. Это сокращает время, затрачиваемое врачами на анализ, и снижает вероятность ошибок. ИИ способствует формированию персонализированных схем лечения.

Автоматизация аптечных процессов с помощью ИИ позволяет повысить скорость, точность и безопасность. Внедрение робототехники в Медицинском центре Сан-Францисского университета (UCSF) обеспечило приготовление 350 000 доз с 100%-ной точностью^[2]. Роботы, такие как TUG, используются для подготовки и транспортировки препаратов и лабораторных образцов. ИИ также внедряют в системы управления запасами, что позволяет прогнозировать спрос на препараты и предотвращать их дефицит.

Контроль за соблюдением режима приёма препаратов представляет серьёзную проблему в здравоохранении. ИИ помогает решать эту задачу с помощью «умных» коробок для лекарств, RFID-меток, проглатываемых сенсоров и видеоидентификации. Такие приборы позволяют получать актуальные данные о состоянии здоровья пациента.

Несмотря на потенциал ИИ в фармацевтике, существуют значительные препятствия для его широкого распространения. Требуются дополнительные исследования для обоснования пользы для пациентов. Недостаточна подготовка и информированность фармацевтов. Многие исследовательские центры не располагают нужной инфраструктурой, а её создание требует существенных финансовых вложений. Если модель ИИ обучена на смещённых данных, это может привести к ошибочным и потенциально опасным результатам.

Внедрение ИИ вызывает множество этических и правовых вопросов, включая вопросы безопасности, предвзятости и конфиденциальности данных^[11]. Утечки информации могут раскрыть чувствительные сведения, а использование необъективных данных чревато неадекватными и даже опасными назначениями.

Необходимы образовательные и обучающие программы по применению ИИ. Государственная поддержка в виде инвестиций в здравоохранение может способствовать исследованиям в данной области. Данные пациентов должны надёжно шифроваться и защищаться, а контроль за достоверностью данных — ужесточаться. Для предотвращения использования предвзятых данных необходимы регулирующие рекомендации и стандарты.^[12]. Прозрачность процессов важна для осведомлённости пользователей о том, на каких данных обучалась модель^[10].

Эксперты отмечают, что в будущем основное развитие ИИ в фармации связано с интеграцией с электронными медицинскими картами и другими технологиями ради снижения расходов на здравоохранение^[11]. Создание унифицированной платформы ИИ может содействовать международному сотрудничеству и ускорить научный прогресс^[10].