В контексте инноваций фармацевтическая промышленность при использовании больших данных и углубленном анализе получила фундаментальный сдвиг. Искусственный интеллект открывает новые возможности от разработки новых лекарственных средств, до повышения производительности и улучшения результатов всей цепи формирования стоимости, а также создания новых решений и бизнес-моделей.
За последние несколько лет использование искусственного интеллекта (ИИ) в фармацевтической и биомедицинской промышленности превратилось из научно-популярной фантастики в научный факт. Фармацевтические и биотехнологические компании все чаще внедряют автоматизированные процессы, которые включают решения на основе данных и используют инструменты прогнозной аналитики. Следующая эволюция этого подхода к расширенной аналитике данных включает в себя ИИ и машинное обучение.
В отличие от образа вселенского поглотителя и угрозы для всей цивилизации, созданного киноиндустрией (к примеру, Стэнли Кубрик в 1968 году снял фантастический фильм с «2001: Космическая одиссея» с технологиями ИИ), искусственный интеллект, используемый в фармацевтике и других отраслях биопромышленности, представляет собой узконаправленный тип машинного интеллекта, предназначенный для решения конкретных задач с использованием автоматизированных алгоритмов.
Цель такого типа технологии ИИ – находить скрытые закономерности и собирать информацию из огромных объемов данных способами, недоступными человеку. Использование ИИ для интеллектуального анализа данных и аналитики уже меняет многие отрасли, в том числе фармацевтику и биотехнологии. Его применение варьируется от открытия лекарств до автоматизации производственных процессов и клинических приложений (таких как создание медицинских изображений и хирургические роботы).
Типы искусственного интеллекта
Большинство решений искусственного интеллекта, используемых сегодня в здравоохранении, основаны на алгоритмах обработки данных, созданных человеком. В этом типе ИИ используется многомерная аналитика данных, подтвержденная прошлыми экспериментальными данными. Он может сочетать, например, результаты лечения на уровне населения с клиническими данными и историей болезни отдельных пациентов, чтобы создавать альтернативы лечения и рекомендовать комбинации препаратов.
Другой уровень искусственного интеллекта – это машинное обучение, основанное на так называемых нейронных сетях, имитирующих работу человеческого мозга, но потенциально способных принимать решения намного быстрее и точнее. В машинном обучении используются алгоритмы, управляемые данными, которые позволяют программным приложениям с высокой точностью прогнозировать результаты без необходимости явного программирования.
Следующий уровень ИИ – это глубокое обучение, которое также основано на нейронных сетях, но включает в себя комбинацию отдельных уровней вычислений вместе с комбинированными сигналами. Глубокое обучение имеет большой потенциал для диагностического использования, так как позволяет точно анализировать изображения (например, фотографии кожных заболеваний или рентгенологические снимки) в сочетании с данными патологии и историческими результатами лечения.
Применение искусственного интеллекта в фармацевтике
Использование искусственного интеллекта в биофармацевтической отрасли неуклонно растет, от открытия лекарств на ранней стадии до назначения вариантов лечения. Прогнозируемый объем рынка к 2024 году достигнет 10 млрд долларов США (включая медицинскую визуализацию на основе искусственного интеллекта, диагностику, персональных помощников ИИ, открытие лекарств и геномику).
Способы применения ИИ в биофармацевтической промышленности сегодня
Улучшение производственного процесса
При разработке и производстве ИИ предоставляет множество возможностей для улучшения процессов. Искусственный интеллект может выполнять контроль качества, сокращать время проектирования, сокращать отходы материалов, улучшать повторное использование продукции, выполнять профилактическое обслуживание и многое другое.
ИИ можно использовать по-разному, чтобы повысить эффективность производства и сократить количество отходов. Например, процесс, который основан при участии человека для ввода или управления данными, может быть выполнен с помощью ЧПУ (числовое программное управление). Алгоритмы машинного обучения ИИ не только обеспечивают очень точное выполнение задач, но и анализируют процесс, чтобы найти области, в которых его можно оптимизировать. Это приводит к снижению отходов материала, более скорому и стабильному производству и соответствию стандартам качества продукта.
Оптимизация тестового периода лекарств
От разработки новых молекул до определения новых биологических целей ИИ играет роль в идентификации назначения лекарств; открытии целевых, фенотипических и многоцелевых лекарств; перепрофилировании лекарств; распознавании биомаркеров. Ключевым преимуществом для фармацевтических компаний являются возможности искусственного интеллекта для сокращения времени испытания лекарства и получения разрешения выхода на рынок. Это экономит время, средства, что, в конечном итоге, отражается на более низкой стоимости препарата и вариативности выбора лечения.
Например, фармацевтические исследователи могут идентифицировать и проверять новые результаты противораковых препаратов, используя такие данные, как продольные электронные медицинские записи (записи EMR), секвенирование следующего поколения и другие данные, которые используются для создания репрезентативных моделей отдельных пациентов.
Обработка биомедицинских и клинических данных
Возможно, наиболее развитое использование ИИ на сегодняшний день – это алгоритмы, предназначенные для чтения, группировки и интерпретации больших объемов текстовых данных. Это значительно экономит время исследователей отраслей науки о жизни, предоставляя более эффективный способ изучения огромных объемов данных из растущего массива исследовательских публикаций для подтверждения или опровержения гипотезы.
Более того, многие клинические исследования по-прежнему основываются на бумажных дневниках, в которых пациенты записывают время приема лекарства, с какими препаратами они его принимали, и возникающие побочные реакции. ИИ может собирать и интерпретировать все, от рукописных заметок и результатов тестов, до факторов окружающей среды и изображений, полученных при сканировании. Преимущества использования ИИ, таким образом, включают более быстрое исследование и перекрестные ссылки на данные, а также объединение и извлечение результатов в удобные форматы для анализа.
Исследование Cognizant показало, что около 80% клинических испытаний не укладываются в сроки регистрации, а одна треть всех прекращений клинических исследований фазы III происходит из-за сложностей с регистрацией.
Редкие заболевания и индивидуальная медицина
Собирая информацию при сканировании тела, сборе анализов, ИИ различными способами распознает заболевания (к примеру, рак) и даже может упреждать их появление на основе генетических данных. Одним из примеров является IBM Watson for Oncology, который использует медицинскую информацию и историю каждого пациента, чтобы рекомендовать индивидуальный план лечения.
ИИ также используется для разработки персональных препаратов на основе результатов индивидуальных тестов и реакций на те или иные виды лекарств.
Выявление кандидатов на клинические испытания
Помимо помощи в данных клинических испытаний, ИИ может осуществлять поиск пациентов для участия в тестах. Используя расширенную прогностическую аналитику, ИИ может проанализировать генетическую информацию, чтобы определить подходящую популяцию пациентов для исследования и определить оптимальный размер выборки. Некоторые технологии искусственного интеллекта могут читать текст произвольной формы, который пациенты вводят в приложениях для клинических испытаний, а также неструктурированные данные, такие как записи врача и документы приема.
Общеизвестный факт: 86% клинических испытаний не набирают достаточное количество пациентов. Это приводит к замедлению исследований и задержке доступа пациентов к жизненно важным лекарствам.
Прогнозирование результатов лечения
Одно из наиболее эффективных приложений искусственного интеллекта, позволяющего экономить время и средства – это способность подбирать лекарственные препараты для конкретных пациентов, минимизируя время лечения, включающее в себя непереносимость и замену препарата. Модели машинного обучения способны прогнозировать реакцию пациента на возможное лекарственное лечение, выявляя потенциальные взаимосвязи между факторами, которые могут повлиять на результаты, такие как способность организма поглощать соединения, распределение их по организму и метаболизм человека.
Биомаркеры-прогнозисты
Разработка биомаркеров – важная задача не только в контексте медицинской диагностики, но и для процесса открытия и разработки лекарств. Например, прогнозирующие биомаркеры используются для выявления потенциальных респондентов на молекулярную таргетную терапию до того, как лекарство будет испытано на людях. В этом процессе ИИ использует модели биомаркеров, которые «обучены» использованию больших данных.
Перепрофилирование лекарств
Для фармацевтических компаний с ограниченным бюджетом перепрофилирование лекарств обещает стать одной из самых непосредственных областей, в которых технологии на основе ИИ могут принести большую пользу. Переназначение ранее известных препаратов или лекарств-кандидатов на поздних стадиях в новые терапевтические области является желаемой стратегией для многих биофармацевтических компаний, поскольку это представляет наименьший риск токсичности, побочных эффектов при испытаниях на людях и меньшие затраты на исследования и разработки.
Приверженность к лечению и дозировка
Обеспечение соблюдения протокола исследования лекарственных средств добровольными участниками клинических исследований – огромная проблема для фармацевтических компаний. Если пациенты, участвующие в исследовании препарата, не соблюдают правила испытания, они должны быть либо исключены из исследования, либо рискуют исказить результаты исследования. Одним из важных факторов успешного испытания является то, чтобы участники принимали необходимую дозу исследуемого препарата в предписанное время. Вот почему так важно иметь способ обеспечить соблюдение режима приема лекарств. И благодаря удаленному мониторингу, и алгоритмам оценки результатов испытаний ИИ может отличить «хорошие яблоки от гнилых».
Переход к искусственному интеллекту – будущее фармацевтики
Хотя возможности использования ИИ в фармацевтических и биотехнологических разработках очевидны, фактический переход к внедрению таких технологий может быть медленным. Во-первых, традиционные процессы разработки и открытия лекарств требуют постепенной адаптации. Во-вторых, сам процесс «обучения» открытия новых лекарств может занять больше времени, чем в других отраслях.
Например, когда социальные сети помечают вашу фотографию с помощью ИИ, они сразу же получают от вас обратную связь о том, верны ли результаты, что позволяет ИИ быстрей учиться. С открытием лекарств обратная связь о новой молекуле, как потенциального кандидата на лекарство, может занять месяцы или годы.
Тем не менее, нельзя отрицать, что ИИ станет следующим большим достижением в фармацевтической отрасли, и те компании, которые адаптируют и внедряют новые процессы, будут иметь стратегическое преимущество. Хорошая точка для начала – использование существующих технологий для анализа данных, основанных на многомерной и прогнозной аналитике.
Источник
Оказываю консультационные услуги в сфере банкротства.
