AI przyszłością farmacji?

Nie jest przesadą stwierdzenie, że sztuczna inteligencja (AI) zmienia oblicze opieki zdrowotnej. Wyobraź sobie asystenta zdrowotnego, który zawsze jest gotowy do pomocy i zna Twoją historię choroby lepiej niż Ty sam. Takie wsparcie to nie tylko poprawa jakości opieki, ale także oszczędności, gdyż szacuje się, że dzięki AI roczne koszty opieki zdrowotnej w USA mogą spaść nawet o 150 miliardów dolarów do 2026 roku. ¹ Czy sztuczna inteligencja rzeczywiście jednak może wspomóc w leczeniu pacjentów? Przybliżymy tę kwestię w poniższym artykule.

AI analizuje, przewiduje i optymalizuje terapię

Sztuczna inteligencja analizuje różne źródła danych medycznych, takie jak wyniki badań genetycznych, raporty o skutkach ubocznych oraz ich strukturę chemiczną. Na tej podstawie uczy się rozpoznawać wzorce i przewidywać, czy dany lek może wywołać niepożądane działania. ²

AI może również czerpać informacje z aplikacji zdrowotnych zbierających dane o diecie, aktywności fizycznej czy nastroju pacjenta oraz integracji z urządzeniami wearables, takimi jak opaski fitness. Dodajmy do tego wiek, płeć, położenie geograficzne, rasę, historię rodzinną, profil immunologiczny, podatność środowiska, a otrzymujemy terapię dopasowaną dla indywidualnego pacjenta. ³

Przykładem takich rozwiązań jest polska aplikacja „Time is brain”, która pomaga w profilaktyce udarów mózgu, monitorując parametry zdrowotne: ciśnienie tętnicze, poziom glukozy, cholesterol oraz skuteczność leków przeciwzakrzepowych. W przypadku przekroczenia bezpiecznych wartości, aplikacja alarmuje użytkownika, zaznaczając wyniki na czerwono i sugerując kontakt z lekarzem lub wizytę w szpitalu. ⁴

AI napędza odkrycia leków

Proces wydawania nowych leków na rynek może przyspieszyć dzięki algorytmom. Przewidywanie właściwości cząsteczek, takich jak ich rozpuszczalność czy aktywność biologiczna, to dla AI zaledwie początek. Narzędzia dokowania molekularnego, takie jak AutoDock czy Glide, umożliwiają dokładne symulacje interakcji między cząsteczkami a receptorami docelowymi, wskazując na możliwe nowe leki. ⁵

W ramach badań prowadzonych w USA, zastosowanie sztucznej inteligencji pozwoliło w ciągu zaledwie kilku sekund przeszukać miliony cząsteczek chemicznych i wytypować te, które są zdolne zahamować rozwój bakterii opornej na leki, takiej jak E. coli. ⁶

Z kolei podczas pandemii COVID-19 firmy takie jak Predictive Oncology wykorzystały potencjał sztucznej inteligencji, przeprowadzając tysiące symulacji komputerowych, aby przyspieszyć rozwój szczepionek. AI nie tylko przewidywało, ale także aktywnie uczestniczyło w tworzeniu nowych cząsteczek, które mogły zablokować mechanizmy replikacji wirusów. ⁷

Dodatkowo, sztuczna inteligencja może również pomóc określić, które z istniejących już leków mogą zostać użyte do leczenia innych chorób, na które wcześniej nie były przepisywane. ⁵

Wykrywanie działań niepożądanych

Dzięki zaawansowanym algorytmom możliwe jest przewidywanie działań niepożądanych jeszcze na etapie badań klinicznych. Analiza baz danych, takich jak TG-GATEs czy FAERS, pozwalała osiągać imponujące wyniki – z 89,4% skutecznością w identyfikacji toksycznych efektów leków. Modele, oparte na algorytmach drzewa decyzyjnego, potrafią z jeszcze większą dokładnością, sięgającą 90,2%, analizując jedynie chemiczne i fizyczne właściwości substancji. Najnowsze wersje AI, działające na granicy innowacji, potrafią przewidywać nawet nieznane dotąd działania uboczne. ⁸

Jednak sztuczna inteligencja nie poprzestaje na analizie skutków ubocznych. Wykorzystując zestawy kryteriów, takich jak Beersa czy STOPP/START, AI umożliwia wczesne wykrycie nieprawidłowo przepisywanych leków. Przykładem jest system CDSS (Clinical Decision Support System), który przetworzył 78 017 recept i wygenerował tylko 0,4% alertów, a mimo to doprowadził do przerwania lub modyfikacji aż 135 nieprawidłowych terapii. ⁹

AI zawsze pamięta

Każdy pacjent z chorobą przewlekłą wie, jak łatwo zapomnieć o przyjęciu leku. Szacuje się, że połowa chorych nie przestrzega zaleceń terapeutycznych, a to prowadzi do milionów niepotrzebnych hospitalizacji rocznie. ¹⁰ Aby przeciwdziałać temu problemowi, można wykorzystać AI w technologii monitorowania terapii.

Takim przykładem są elektroniczne butelki, które rejestrują każde otwarcie, co pozwala określić regularność przyjmowania leków. Inteligentne blistry z technologią NFC są wyposażone w obwód elektroniczny, który przy każdym wyjęciu tabletki lub kapsułki wykrywa przerwanie ścieżki przewodzącej. Dzięki temu automatycznie rejestrowana jest data i godzina. Z kolei czujniki połknięcia monitorują faktyczne przyjęcie leku i przesyłają zebrane dane do aplikacji mobilnych. Te drobne technologie dostarczają pacjentowi informacji o rutynie przyjmowanych leków, jednocześnie wysyłając dane lekarzowi. ²

Roboty i chatboty

Roboty wprowadzane do aptek nie tylko usprawniają procesy, ale zmniejszają ryzyko błędów ludzkich. W jednym z francuskich szpitali na oddziale intensywnej terapii, po wprowadzeniu zautomatyzowanego systemu wydawania leków, liczba pomyłek spadła o 6,9%. ¹¹ Drobne liczby? Nie, to wielkie kroki ku bezpieczeństwu pacjentów i wydajności systemów zdrowotnych. Innym miejscem wykorzystania sztucznej inteligencji jest szpital UCSF, gdzie roboty przygotowały 3,5 miliona dawek leków bez błędów, w tym toksyczne preparaty do chemioterapii. ¹²

Z kolei w aptekach ogólnodostępnych sztuczna inteligencja może stać się narzędziem usprawniającym obsługę pacjentów i zarządzanie zapasami. Chatboty mogą odpowiadać na pytania pacjentów, doradzać w kwestii leczenia lub monitorować farmakoterapię, wysyłając alerty, gdy coś idzie nie tak. Dodatkowo warto zauważyć, że AI to także precyzja w prognozowaniu zapotrzebowania na leki. Przykładem jest system opracowany przez firmę AI dla niemieckiego sprzedawcy Otto Group, który z 95% dokładnością przewidywał sprzedaż produktów w ciągu 30 dni. Dzięki takim rozwiązaniom apteki mogą nie tylko lepiej planować zaopatrzenie, ale także zapewnić, że pacjent zawsze znajdzie na półce dokładnie to, czego potrzebuje. ¹³

Dlaczego AI jeszcze nie zdominowało zdrowia?

Jednym z problemów są obawy o prywatność i bezpieczeństwo danych pacjentów – informacji wrażliwych, których niewłaściwe wykorzystanie może mieć poważne konsekwencje. Dodajmy do tego stronniczość algorytmów, wynikającą z błędnych lub niekompletnych danych treningowych, i mamy system, który zamiast pomagać, może nieświadomie wprowadzać w błąd. ¹⁴

AI wciąż zmaga się z trudnościami w łączeniu wielu źródeł danych, co uniemożliwia pełną optymalizację decyzji klinicznych. W praktyce istnieje też ryzyko błędnych rekomendacji, które w skrajnych przypadkach mogą zagrażać zdrowiu pacjentów. Co więcej, brak jednoznacznych dowodów na skuteczność AI w codziennych warunkach medycznych podsyca dodatkowy sceptycyzm. ¹⁴

Niewyjaśnione pozostają również kwestie etyczne: kto ponosi odpowiedzialność za decyzje podejmowane przez algorytm? Czy maszyna może zastąpić specjalistę w podejmowaniu trudnych wyborów? Lęk przed zastąpieniem personelu medycznego przez „bezduszną technologię” dodatkowo pogłębia obawy społeczne. ¹⁴

Nowa era w medycynie i farmacji

Największe wyzwanie, jakie stoi przed sztuczną inteligencją w opiece zdrowotnej, nie tkwi w jej potencjale, lecz w jej wdrożeniu do codziennej praktyki klinicznej. To nie sama technologia, ale złożony proces uzyskiwania zgód regulacyjnych i integracji z istniejącymi systemami medycznymi decyduje o sukcesie AI. Bez odpowiednich długoterminowych inwestycji i ciągłego udoskonalania algorytmów, sztuczna inteligencja pozostanie jedynie obietnicą na papierze.

Jednocześnie warto podkreślić, że AI nie jest konkurencją dla funkcjonariuszy zdrowia – to ich partner i wsparcie. Automatyzacja powtarzalnych zadań, analiza ogromnych zbiorów danych i precyzyjne przewidywanie trendów zdrowotnych pozwolą specjalistom skupić się na tym, co naprawdę istotne – kontakcie z pacjentem, stawianiu diagnoz i podejmowaniu decyzji terapeutycznych. AI nie zastąpi empatii, intuicji i doświadczenia farmaceutów lub lekarzy, ale z pewnością stanie się narzędziem, które te cechy wzmocni.

Adam Krzeszowiec

Źródła:

Bohr A., Memarzadeh K., “The rise of artificial intelligence in healthcare applications,” Artificial Intelligence in Healthcare, vol. 26, pp. 25–60, 2020 [Dostęp: 28.12.2024]
Chalasani S. H., Syed J., Ramesh M., Patil V., “Artificial intelligence in the field of pharmacy practice: A literature review,” Exploratory Research in Clinical and Social Pharmacy, vol. 12, p. 100346, Dec. 2023, doi: 10.1016/j.rcsop.2023.100346 [Dostęp: 28.12.2024]
Love-Koh J. et al., “The Future of Precision Medicine: Potential Impacts for Health Technology Assessment,” Pharmacoeconomics, vol. 36, no. 12, pp. 1439–1451, Dec. 2018, doi: 10.1007/s40273-018-0686-6 [Dostęp: 28.12.2024]
magazyn-recepta.pl, Apteka przyszłości – jak nowoczesne technologie wpłyną na pracę farmaceutów, https://magazyn-recepta.pl/apteka-przyszlosci-jak-nowoczesne-technologie-wplyna-na-prace-farmaceutow/2/ [Opublikowano: 11.06.2021, dostęp: 28.12.2024]
Shi T. et al., “Molecular image-based convolutional neural network for the prediction of ADMET properties,” Chemometrics and Intelligent Laboratory Systems, vol. 194, p. 103853, Nov. 2019, doi: 10.1016/j.chemolab.2019.103853 [Dostęp: 28.12.2024]
Stokes J. M. et al., “A Deep Learning Approach to Antibiotic Discovery,” Cell, vol. 180, no. 4, pp. 688-702.e13, Feb. 2020, doi: 10.1016/j.cell.2020.01.021 [Dostęp: 28.12.2024]
Zhang H. et al., “Deep Learning Based Drug Screening for Novel Coronavirus 2019-nCov,” Interdiscip Sci, vol. 12, no. 3, pp. 368–376, Sep. 2020, doi: 10.1007/s12539-020-00376-6 [Dostęp: 28.12.2024]
Hammann F., Gutmann H., Vogt N., Helma C., “Prediction of Adverse Drug Reactions Using Decision Tree Modeling,” Clin Pharmacol Ther, vol. 88, no. 1, pp. 52–59, Jul. 2010, doi: 10.1038/clpt.2009.248 [Dostęp: 28.12.2024]
Segal G., Segev A., Brom A., Lifshitz Y., Wasserstrum Y., “Reducing drug prescription errors and adverse drug events by application of a probabilistic, machine-learning based clinical decision support system in an inpatient setting,” Journal of the American Medical Informatics Association, vol. 26, no. 12, pp. 1560–1565, Dec. 2019, doi: 10.1093/jamia/ocz135 [Dostęp: 28.12.2024]
Brown M. T. and Bussell J. K., “Medication Adherence: WHO Cares?,” Mayo Clin Proc, vol. 86, no. 4, pp. 304–314, Apr. 2011, doi: 10.4065/mcp.2010.0575 [Dostęp: 28.12.2024]
Chapuis C. et al., “Automated drug dispensing system reduces medication errors in an intensive care setting,” Crit Care Med, vol. 38, no. 12, pp. 2275–2281, Dec. 2010, doi: 10.1097/CCM.0b013e3181f8569b [Dostęp: 28.12.2024]
UCSF, New UCSF Robotic Pharmacy Aims to Improve Patient Safety, https://www.ucsf.edu/news/2011/03/98776/new-ucsf-robotic-pharmacy-aims-improve-patient-safety, [Opublikowano: 07.03.2011, dostęp: 28.12.2024]
Chalasani SH, Syed J, Ramesh M,. Artificial intelligence in the field of pharmacy practice: A literature review. Explor Res Clin Soc Pharm, 21,12, 2023 [Dostęp: 28.12.2024]
Aung Y. Y. M, Wong D. C. S., Ting D. S. W., “The promise of artificial intelligence: a review of the opportunities and challenges of artificial intelligence in healthcare,” Br Med Bull, vol. 139, no. 1, pp. 4–15, Sep. 2021, doi: 10.1093/bmb/ldab016 [Dostęp: 28.12.2024]