Как цифровые алгоритмы меняют разработку лекарств

Искусственный интеллект постепенно становится одной из ключевых технологий в клинических исследованиях, потому что современная разработка лекарств уже не может опираться только на традиционные методы ручного анализа данных. Клиническое исследование представляет собой сложную систему, в которой одновременно участвуют пациенты, исследовательские центры, врачи, фармацевтические компании, регуляторы, лаборатории, системы электронного документооборота и независимые комитеты по безопасности. Каждый этап требует точности, воспроизводимости и контроля качества. На этом фоне искусственный интеллект рассматривается не как замена медицинскому решению, а как инструмент, который способен ускорить обработку информации, выявить скрытые закономерности и снизить часть организационной нагрузки.

Одним из наиболее важных направлений применения искусственного интеллекта является подбор пациентов для клинических исследований. Во многих исследованиях набор участников занимает месяцы или даже годы, особенно если речь идет о редких заболеваниях, онкологии, аутоиммунных нарушениях или сложных молекулярных подтипах болезни. Алгоритмы могут анализировать электронные медицинские записи, лабораторные показатели, результаты визуализации, генетические данные и историю лечения, чтобы определить, какие пациенты потенциально соответствуют критериям включения. Это не означает автоматического включения человека в исследование, но помогает врачам быстрее находить подходящие группы и уменьшать риск пропуска пациента, который мог бы соответствовать протоколу.

Вторая важная область — проектирование самого исследования. Традиционный протокол клинического исследования содержит строгие критерии, конечные точки, расписание визитов, методы оценки безопасности и эффективности. Ошибки на этом этапе могут привести к затягиванию набора, слишком сложной логистике, высокому числу исключений или недостаточной статистической мощности. Искусственный интеллект способен анализировать предыдущие исследования, характеристики популяций, частоту событий, вероятные причины выбывания пациентов и исторические данные по эффективности препаратов. На основании такой информации можно точнее оценивать реалистичность протокола и снижать риск того, что исследование окажется плохо выполнимым в реальной клинической среде.

Особенно заметным становится использование искусственного интеллекта в мониторинге данных. В классической модели регулятор или спонсор получает структурированные результаты после завершения определенных этапов, когда данные уже собраны, очищены и подготовлены для анализа. В 2026 году Управление по контролю за продуктами и лекарствами США запустило пилотный подход к более оперативному мониторингу данных клинических исследований в реальном времени, чтобы ускорить оценку безопасности и эффективности без ожидания полного административного цикла подготовки документов. По сообщениям, такая модель предполагает работу с агрегированными данными, а не с прямым доступом к индивидуальной медицинской информации пациентов.

Такой сдвиг важен не только технологически, но и концептуально. Клиническое исследование перестает быть процессом, в котором данные полностью оцениваются только после длительного периода накопления. При правильной организации цифровые системы могут раньше выявлять сигналы безопасности, необычные паттерны нежелательных явлений, отклонения от протокола, проблемы с качеством данных или различия между исследовательскими центрами. Это особенно важно для исследований с тяжелыми заболеваниями, где задержка в интерпретации данных может иметь клиническое значение. Однако более быстрый доступ к информации не должен превращаться в поспешные выводы. Любой сигнал требует медицинской проверки, статистической оценки и понимания клинического контекста.

Отдельное направление связано с автоматизацией документации. Разработка лекарств сопровождается огромным количеством текстовых материалов: протоколами, отчетами, формами информированного согласия, описаниями безопасности, регуляторными досье, ответами на запросы и внутренними аналитическими документами. Современные системы искусственного интеллекта могут помогать структурировать эти материалы, находить несоответствия, ускорять подготовку черновиков и проверять согласованность данных между разными документами. По данным Reuters, Johnson & Johnson использует искусственный интеллект для сокращения времени подготовки отчетов по клиническим исследованиям с сотен часов до значительно меньших сроков, при этом компания подчеркивает вспомогательную, а не заменяющую роль таких технологий.

В клинической практике и исследованиях большое значение имеет также анализ медицинских изображений. В онкологии, кардиологии, неврологии и пульмонологии результаты визуализации часто становятся частью конечных точек исследования. Искусственный интеллект может помогать измерять размеры опухолей, оценивать динамику очагов, анализировать МРТ, КТ, ПЭТ-КТ или ультразвуковые изображения. Преимущество алгоритмов заключается в способности последовательно применять один и тот же метод анализа к большому количеству изображений. Это может уменьшать вариабельность между специалистами, но не отменяет необходимости экспертной интерпретации. Изображение пациента всегда связано с клиническим контекстом, анамнезом, лабораторными данными и качеством самого исследования.

Еще одна перспективная область — цифровые биомаркеры. Носимые устройства, мобильные приложения и дистанционные системы наблюдения могут фиксировать частоту сердечных сокращений, уровень активности, сон, вариабельность пульса, сатурацию, походку, тремор или другие параметры. В клинических исследованиях это открывает возможность оценивать состояние пациента не только во время визитов, но и в повседневной жизни. Для хронических заболеваний такой подход особенно важен, потому что традиционные визиты дают лишь отдельные срезы состояния. Искусственный интеллект может анализировать непрерывные данные и выявлять изменения, которые трудно заметить при обычном наблюдении. Тем не менее цифровые биомаркеры должны проходить валидацию: необходимо доказать, что измеряемый параметр действительно связан с клинически значимым исходом.

Регуляторный вопрос остается центральным. Искусственный интеллект в медицине не может внедряться только потому, что технология выглядит современной. FDA в своих материалах по искусственному интеллекту в разработке лекарств подчеркивает необходимость оценки надежности модели, ее конкретного контекста применения, качества данных и возможных рисков для регуляторного решения. Такой подход важен, потому что одна и та же модель может быть приемлемой для вспомогательного анализа, но недостаточной для принятия критического решения о безопасности или эффективности препарата.

Основные риски связаны с качеством исходных данных, смещением алгоритмов, недостаточной прозрачностью и трудностью воспроизведения результатов. Если модель обучалась на неполной или нерепрезентативной популяции, она может хуже работать у пациентов другого возраста, пола, этнического происхождения, с сопутствующими заболеваниями или другими особенностями лечения. В клинических исследованиях это особенно опасно, потому что неправильный отбор или интерпретация данных могут повлиять на оценку эффективности препарата. Поэтому искусственный интеллект должен рассматриваться как регулируемый инструмент, а не как нейтральный технический слой. Необходимо заранее понимать, какие данные использованы, как модель проверялась, где находятся ее ограничения и кто несет ответственность за итоговое решение.

Важным принципом остается сохранение роли врача и исследователя. Алгоритм может помочь найти пациента, оценить риск выбывания, обнаружить аномалию в данных или предложить предварительную классификацию изображения. Но он не обладает клинической ответственностью, не понимает индивидуальные цели пациента и не может заменить этическую оценку пользы и риска. Искусственный интеллект эффективен тогда, когда встроен в понятный медицинский процесс: с контролем качества, проверкой результатов, документированием изменений и возможностью объяснить, почему тот или иной вывод был использован.

Будущее клинических исследований, вероятно, будет связано не с полной автоматизацией, а с гибридной моделью. В ней искусственный интеллект берет на себя анализ больших массивов данных, выявление паттернов, техническую проверку и ускорение рутинных процессов, а медицинские специалисты сохраняют интерпретацию, ответственность и принятие решений. Такая модель может сделать исследования быстрее, точнее и ближе к реальной клинической практике. Но ее успех будет зависеть не от количества внедренных алгоритмов, а от того, насколько строго они проверены, насколько прозрачно используются и насколько хорошо защищают интересы пациента.