Создание новых лекарств с помощью ИИ обсуждалось не раз. Это действительно перспективная идея. Фармацевтические гиганты все чаще используют технологии искусственного интеллекта для решения адской задачи успешного создания новых эффективных лекарств против рака, нарушений обмена веществ и проблем с иммунитетом. О том, как они это делают, можно прочитать, например, здесь.
Компьютерные алгоритмы, используя уже накопленный людьми опыт и информацию, способны упростить процесс поиска наркотиков. Они используются для:
- Отбор неэффективных и выделение перспективных лекарственных соединений на ранней стадии создания;
- Создание и выявление новых комбинаций препаратов, которые были упущены/выброшены как ранее неэффективные;
- Выявление механизмов действия того или иного препарата в смоделированных ситуациях.
Просто пример: фармацевтическая компания Berg использует технологию ИИ для анализа биологических данных и результатов анализов пациентов (липиды, ферменты, метаболиты, белковые профили). Эта информация позволяет выявить новые механизмы возникновения рака и его лечения, найти основные отличия здоровых клеток от больных. Еще одним примечательным примером стала публикация DeepMind возможных белковых структур, связанных с вирусом COVID-19, с использованием их системы AlphaFold.
Многие медицинские стартапы (вот интересный список) также тестируют возможности ИИ для анализа разнонаправленных и неструктурированных медицинских данных (исследовательских работ, патентов, клинических испытаний, историй болезни). Используются методы байесовского вывода, цепей Маркова, обучения с подкреплением и обработки естественного языка (NLP). Модели строятся в облаке, потому что эта технология делает сложные расчеты быстрее и дешевле. Кроме того, в облаке также удобнее хранить собранные наборы данных и построенные ранее модели, чем на локальных серверах.
Прецизионная медицина и профилактика заболеваний
Прецизионная медицина может быть одним из наиболее значительных преимуществ использования ИИ/МО. Этот термин означает принципиально новый подход к лечению и профилактике заболеваний с учетом индивидуальных генетических особенностей и образа жизни конкретного человека, а также окружающей среды.
Проще говоря, лечение будет проходить не по усредненным стандартам, которые подходят большинству пациентов. Люди слишком разные, и одна и та же таблетка действует на всех по-разному. Будет составлен индивидуальный план терапии, позволяющий вылечить человека быстрее, безопаснее и эффективнее.
Задача крайне интересная, но сложная. Необходимо найти точный способ лечения человека, исходя из истории болезни, образа жизни, генетических данных и постоянно меняющихся результатов анализов. Естественно, нам нужно использовать самые мощные методы искусственного интеллекта: глубокие нейронные сети, поисковые алгоритмы на основе ИИ, расширенное обучение с подкреплением, вероятностные графические модели.
Если выйти за рамки традиционного лечения, то системы ИИ, использующие данные раннего скрининга или регулярного ежегодного медосмотра, способны прогнозировать риски тех или иных заболеваний у конкретных людей.
Машинный разум может понять, почему и при каких обстоятельствах более вероятно возникновение болезней. И подготовить врачей к вмешательству (в индивидуальном порядке) еще до того, как у человека появятся первые симптомы. Сердечно-сосудистые и онкологические проблемы, диабет — если научить машину предсказывать эти заболевания, то человечество станет здоровее, продолжительность жизни и ее качество тоже должны улучшиться.
Возможен и менее точечный вариант. Например, при ИИ выявляют степень сходства клинической картины у больных с одинаковыми заболеваниями. Используя эти данные, вы можете составить отдельные категории пациентов и определить, какое лечение им лучше всего подходит. Анализируя информацию о пациенте, полученную при посещении врача, ИИ автоматически относит его к определенной группе и дает рекомендации по лечению.
ИИ и глобальные системы здравоохранения
Само собой разумеется, что такие мощные инструменты могут быть применены и к глобальным проблемам. Вполне возможно улучшить качество компьютерного мониторинга пандемий и подготовки аналитиков по общественному здравоохранению.
Коронавирус показал, насколько важно проводить сотни параллельных испытаний вакцин и медицинских исследовательских проектов. Сбор данных и выявление закономерностей с использованием разрозненных источников информации — трудоемкая задача, дающая очень приблизительные результаты. Стандартные методы статистического моделирования хорошо подходят для небольших исследований. Методы ИИ отлично подходят для задач планетарного масштаба.
Клинические испытания
Машинное обучение также может быть полезно в клинических испытаниях/исследованиях. Известно, что эта работа требует много времени, сил и денег. Иногда испытания растягиваются на годы из-за сложности поиска больных с конкретным заболеванием, сложности постоянного наблюдения за их состоянием и контроля за приемом лекарств, проблемы выбора лучших образцов лекарств.
Применяя прогностическую аналитику к кандидатам в клинические испытания, врачи и фармацевты могут работать с более полными и точными данными. Алгоритмы ИИ также способны находить оптимальные размеры выборки для повышения эффективности клинических испытаний и снижения вероятности ошибок в данных.
Технологии машинного обучения можно использовать для выявления потенциальных кандидатов на клинические испытания, предоставления доступа к их истории болезни и наблюдения за участниками испытаний на протяжении всего процесса испытаний. Предоставляя статистику о здоровье пациентов в облаке, инструменты ИИ могут прогнозировать и предотвращать любые потенциальные угрозы для здоровья пациентов.
