RAPORT: Sztuczna inteligencja w służbie farmacji

Jeszcze dekadę temu sztuczna inteligencja w farmacji była przede wszystkim tematem publikacji naukowych i wizji przyszłości medycyny. Dziś algorytmy uczenia maszynowego pomagają projektować nowe cząsteczki leków, analizować ogromne zbiory danych klinicznych oraz monitorować bezpieczeństwo farmakoterapii^{[1, 2]}. Rozwiązania oparte na AI zaczynają również pojawiać się w kontekście praktyki aptecznej – jako narzędzia wspierające analizę interakcji lekowych, przeglądy lekowe czy zarządzanie zapasami produktów leczniczych^[1]. Rozwój tych technologii niesie jednak nie tylko potencjalne korzyści, ale również nowe wyzwania dotyczące bezpieczeństwa danych, transparentności algorytmów oraz odpowiedzialności za decyzje terapeutyczne.

Sztuczna inteligencja w odkrywaniu leków

Proces opracowania nowego produktu leczniczego jest długotrwały i kosztowny. Według analiz branżowych średni czas od identyfikacji celu terapeutycznego do wprowadzenia leku na rynek wynosi 10-15 lat, zaś całkowity koszt może przekraczać 1-2 mld dolarów^{[2, 3]}. Jednocześnie ponad 90% kandydatów na leki nie przechodzi wszystkich etapów badań klinicznych^[3].

Jednym z najbardziej czasochłonnych etapów jest identyfikacja i optymalizacja cząsteczki aktywnej biologicznie. Właśnie w tym obszarze sztuczna inteligencja zaczyna odgrywać coraz większą rolę.

„Sztuczna inteligencja może znacznie przyspieszyć proces odkrywania leków, identyfikując obiecujące cząsteczki znacznie szybciej niż w przypadku tradycyjnych metod” – uważa dr Alex Zhavoronkov, założyciel i CEO firmy Insilico Medicine, jednej z najbardziej znanych firm rozwijających leki projektowane z użyciem AI. W wywiadach Zhavoronkov podkreśla, że algorytmy generatywne mogą znacząco skrócić etap projektowania cząsteczek terapeutycznych i pomóc w analizie ogromnych zbiorów danych biologicznych^[5].

Dr Andrew Hopkins, założyciel i CEO firmy Exscientia, pioniera zastosowania sztucznej inteligencji w projektowaniu leków, wskazuje, że jeszcze dekadę temu branża farmaceutyczna była sceptyczna wobec AI, natomiast obecnie większość firm farmaceutycznych wykorzystuje ją w badaniach i rozwoju leków^[6].

Algorytmy uczenia maszynowego są obecnie wykorzystywane do:

• analizy ogromnych bibliotek związków chemicznych;
• przewidywania aktywności biologicznej cząsteczek;
• modelowania właściwości farmakokinetycznych i toksykologicznych;
• projektowania od podstaw nowych cząsteczek terapeutycznych (tzw. de novo drug design)^{[2, 3]}.

Nowoczesne modele generatywne potrafią proponować nowe struktury chemiczne o określonych właściwościach farmakologicznych, które następnie są optymalizowane i testowane w warunkach laboratoryjnych[3].

Przykłady leków projektowanych z użyciem AI

W ostatnich latach pojawiło się kilka głośnych projektów wykorzystujących sztuczną inteligencję w projektowaniu leków. Jednym z pierwszych przykładów był DSP-1181, opracowany przez firmę Exscientia we współpracy z Sumitomo Dainippon Pharma jako potencjalna terapia zaburzeń obsesyjno-kompulsyjnych. Cząsteczka została zaprojektowana w ciągu około 12 miesięcy, podczas gdy w tradycyjnym modelu opracowanie kandydata na lek może zająć 4-5 lat^[4].

Kolejnym przykładem jest cząsteczka INS018_055 opracowana przez firmę Insilico Medicine w terapii idiopatycznego włóknienia płuc. Proces identyfikacji celu terapeutycznego i opracowania kandydata na lek trwał mniej niż 30 miesięcy, czyli około połowę czasu potrzebnego w klasycznym modelu badań[4]. W 2025 r. cząsteczka ta otrzymała nazwę międzynarodową rentosertib, a badania kliniczne fazy II obejmowały kilkudziesięciu pacjentów z idiopatycznym włóknieniem płuc.

Według analiz branżowych do 2024 r. ponad 70 cząsteczek opracowanych z wykorzystaniem sztucznej inteligencji weszło do badań klinicznych^[3].

AI w badaniach klinicznych

Sztuczna inteligencja znajduje zastosowanie także w kolejnych etapach rozwoju leków – przede wszystkim w badaniach klinicznych[2]. Algorytmy oparte na uczeniu maszynowym mogą analizować elektroniczną dokumentację medyczną i identyfikować pacjentów spełniających kryteria włączenia do badań klinicznych. Szacuje się, że nawet 30-40% badań klinicznych ulega opóźnieniu z powodu problemów z rekrutacją pacjentów[3].

AI jest wykorzystywana także do:

• analizy wyników badań klinicznych w czasie rzeczywistym;
• przewidywania skuteczności terapii w określonych populacjach pacjentów;
• modelowania ryzyka działań niepożądanych;
• optymalizacji protokołów badawczych^[2].

Algorytmy uczenia głębokiego umożliwiają również analizę nieustrukturyzowanych danych medycznych, takich jak dokumentacja kliniczna czy wyniki badań obrazowych.

Zastosowanie AI w farmakowigilancji

Kolejnym obszarem intensywnego wykorzystania sztucznej inteligencji jest farmakowigilancja. To dziedzina nauki i praktyka medyczna zajmująca się nadzorem nad bezpieczeństwem leków po wprowadzeniu ich na rynek. Systemy AI mogą analizować ogromne bazy danych dotyczące działań niepożądanych leków oraz publikacji naukowych. Algorytmy są w stanie identyfikować tzw. sygnały bezpieczeństwa, czyli potencjalne zależności między stosowaniem określonego leku a występowaniem działań niepożądanych[2].

W przyszłości takie narzędzia mogą znacząco przyspieszyć proces wykrywania nowych zagrożeń związanych z farmakoterapią.

Czy sztuczna inteligencja trafi do aptek?

Choć obecnie najwięcej zastosowań AI obserwuje się w przemyśle farmaceutycznym, coraz częściej wskazuje się także potencjalne zastosowania w praktyce aptecznej.

Do najważniejszych należą:

• analiza interakcji lekowych (systemy oparte na AI mogą analizować historię farmakoterapii pacjenta oraz identyfikować potencjalnie niebezpieczne interakcje między lekami)^[1];
• wsparcie przeglądów lekowych (algorytmy mogą wspierać farmaceutów w identyfikacji problemów lekowych, takich jak polipragmazja czy niewłaściwe dawkowanie)^[1];
• zarządzanie zapasami w aptece (algorytmy predykcyjne mogą analizować dane sprzedażowe i prognozować zapotrzebowanie na leki);
• personalizacja opieki farmaceutycznej (w przyszłości AI może wspierać analizę danych klinicznych pacjentów i optymalizację farmakoterapii).

Eksperci nie mają jednak przy tym wątpliwości – nowoczesne narzędzia analityczne mogą w przyszłości wspierać farmaceutów w analizie farmakoterapii pacjentów. Nie zastąpią jednak kompetencji specjalisty i powinny być traktowane jako narzędzie wspomagające.

Polska perspektywa: cyfryzacja ochrony zdrowia

Rozwój technologii AI w Polsce jest ściśle związany z cyfryzacją systemu ochrony zdrowia. Wprowadzenie takich rozwiązań jak e-recepta, Internetowe Konto Pacjenta czy system P1 doprowadziło do powstania ogromnych zbiorów danych dotyczących farmakoterapii pacjentów[5]. W przyszłości dane te mogą stanowić podstawę do tworzenia systemów wspierających analizę farmakoterapii i monitorowanie bezpieczeństwa leków. Eksperci zgodnie podkreślają, że cyfryzacja ochrony zdrowia otwiera nowe możliwości wykorzystania danych medycznych. Jednocześnie wymaga odpowiedzialnego podejścia do nowych technologii i wysokich standardów bezpieczeństwa danych.

Zagrożenia związane z wykorzystaniem sztucznej inteligencji

Mimo ogromnego potencjału technologii AI jej zastosowanie w medycynie i farmacji wiąże się z istotnymi wyzwaniami:

• jakość i wiarygodność danych (algorytmy uczą się na podstawie danych. Jeśli dane te są niepełne lub obarczone błędami, system może generować nieprawidłowe wnioski)^{[1, 2]};
• problem tzw. „czarnej skrzynki” (wiele modeli sztucznej inteligencji jest trudnych do interpretacji; w praktyce oznacza to, że użytkownik nie zawsze jest w stanie zrozumieć, w jaki sposób algorytm doszedł do określonego wniosku)^[2];
• ryzyko błędnych decyzji terapeutycznych (algorytm może sugerować niewłaściwe decyzje terapeutyczne, jeśli model został wytrenowany na niewystarczających danych)^[1];
• bezpieczeństwo danych medycznych (systemy AI wymagają dostępu do ogromnych zbiorów danych medycznych, co rodzi pytania dotyczące prywatności i ochrony danych pacjentów)^{[1, 2]};
• nadmierne poleganie na algorytmach (eksperci podkreślają, że zbyt duża automatyzacja procesu podejmowania decyzji może prowadzić do osłabienia roli specjalistów medycznych).

Co AI zmieni w pracy farmaceuty w najbliższych latach w Polsce i na świecie?

1. Inteligentna analiza interakcji lekowych (systemy wspierające identyfikację problemów lekowych podczas realizacji recept).
2. Automatyczne wsparcie przeglądów lekowych (algorytmy analizujące schematy farmakoterapii pacjentów).
3. Predykcja zapotrzebowania na leki (systemy analizujące dane sprzedażowe i przewidujące popyt na produkty lecznicze).
4. Automatyzacja części pracy administracyjnej (analiza dokumentów, raportów i informacji o lekach).
5. Personalizacja opieki farmaceutycznej (analiza danych klinicznych i farmakoterapeutycznych pacjentów).