Готовность к внедрению ИИ в фармацевтической отрасли – заложение прочной основы.

Комментарий предоставлен Нарасимхой Кумаром, глобальным руководителем отдела технологий и обработки данных компании BC Platforms.

18 июня 2026 г. | Много лет назад, когда искусственный интеллект чаще встречался в научной фантастике, чем в реальном мире, на семинаре по инновациям нам задали, казалось бы, простой вопрос: почему наши банковские счета и кредитные карты можно использовать по всему миру, а с информацией о нашем здоровье — нет? Участники говорили о проблемах совместимости и необходимости гармонизации, ориентированной на пациента.

Недавно я беседовал с руководителем фармацевтической компании, который хотел узнать, насколько быстро искусственный интеллект может помочь ускорить процесс получения доказательств.

«Прежде чем говорить об ИИ, — сказал я, — можем ли мы объединить ваши клинические, геномные и реальные данные? Можно ли получить к ним законный и безопасный доступ через границы?»

Мы часто говорим о готовности к ИИ так, будто это в основном алгоритмы, облачная инфраструктура или выбор подходящей большой языковой модели. Однако в биологических науках готовность к ИИ в корне связана с готовностью к получению доказательств (данных).

Без решения вопроса готовности доказательств даже самый лучший набор инструментов ИИ не сможет ускорить разработку лекарств и быстрее доставить терапевтические средства пациентам.

От поиска новых молекул и оптимизации протоколов до набора пациентов и цифровых двойников для клинических исследований — фармацевтическая индустрия не испытывает недостатка в амбициях. Однако реальность сурова: эффективность ИИ зависит от экосистемы доказательств, которая его поддерживает.

Для понимания прогрессирования заболевания, прогнозирования ответа на лечение или определения подходящих групп пациентов для клинических испытаний организациям все чаще необходимо объединять мультимодальные данные: данные клинических испытаний, электронные медицинские карты, данные страховых компаний, данные визуализации, патологоанатомические данные, данные геномики, данные регистров, данные биомаркеров и информацию, предоставленную самими пациентами.

В теории это звучит вполне выполнимо. На практике же это может напоминать сборку пазла из тысячи деталей, половина из которых принадлежит разным производителям.

В разговорах с коллегами я сравниваю использование ИИ в разработке лекарств с проектированием транспортной системы города. Представьте, что вы пытаетесь спланировать дороги, линии метро и маршруты для пассажиров, не имея полного представления о том, где живут люди, где сосредоточены предприятия или как связаны между собой районы. А потом, как только начинается строительство, вы обнаруживаете подземные водопроводные системы, канализационные сети и энергетическую инфраструктуру, которые никто должным образом не нанес на карту. Инженерные решения могут быть мирового класса, но без полного понимания экосистемы задержки, перепроектирование и непредвиденные последствия становятся неизбежными.

Во многом процесс сбора убедительных клинических доказательств, особенно в странах с фрагментированными системами здравоохранения, меняющимся регулированием и неравномерным доступом к данным, кажется схожим.

За пределами США эта задача становится еще сложнее.

Несмотря на собственные проблемы с совместимостью данных, Соединенные Штаты по-прежнему выигрывают от наличия относительно больших массивов данных в сфере здравоохранения и более унифицированной правовой среды. Но как только речь заходит о Европе, Азиатско-Тихоокеанском регионе, Ближнем Востоке или многострановых глобальных исследованиях, сложность резко возрастает.

Во многих программах сама научная часть относительно проста, но стратегия сбора доказательств становится сложной логистической задачей, связанной с географическими и правовыми аспектами. Исследование, охватывающее Германию, Великобританию и несколько рынков ЕС, может включать в себя совершенно разные рамки получения согласия, местные этические требования, ожидания относительно места хранения данных и различные интерпретации законодательства о защите персональных данных.

Правда заключается в следующем: путь пациента может пересекать границы, но медицинские данные зачастую — нет. Эта фрагментация замедляет создание глубоких клинических доказательств, которые необходимы ИИ для получения значимых результатов.

Возьмем, к примеру, редкие заболевания или онкологию. Для получения убедительных доказательств исследователям часто приходится объединять когорты пациентов из разных стран, поскольку ни один регион не обладает достаточным масштабом. Однако учет законодательства отдельных стран, институциональной политики и ограничений доступа может увеличить сроки получения доказательств на несколько месяцев.

Регулирование существует не просто так. Угрозы кибербезопасности в здравоохранении растут, а данные клинических испытаний имеют огромную научную и коммерческую ценность. Именно здесь отрасли необходимо переосмыслить, что на самом деле означает готовность к ИИ. Слишком часто организации рассматривают готовность к ИИ как приобретение инструментов: новой платформы GenAI, инициативы в области машинного обучения или создание нового подразделения для инноваций в сфере ИИ.

Организации, добивающиеся реального прогресса, инвестируют в надежные экосистемы доказательств. Все чаще выигрышный подход заключается не в том, чтобы «перенести все данные в ИИ», а в том, чтобы «перенести аналитику в данные».

Мы уже видим обнадеживающие примеры такого подхода. Защищенные исследовательские среды, такие как Wessex SDE в рамках сети защищенных сред данных Национальной службы здравоохранения Великобритании, и модели контролируемого доступа, такие как Финский биобанк, демонстрируют, что ценные исследования могут проводиться с использованием высококачественных данных без ущерба для конфиденциальности или управления. Федеративная аналитика, технологии повышения конфиденциальности, синтетические данные для прототипирования моделей и доверенные исследовательские среды все чаще доказывают свою ценность.

Необязательно, чтобы каждая организация придерживалась одной и той же модели. Важно понимать, что доверие, безопасность и совместимость больше не могут быть второстепенными вопросами. Они должны быть заложены в саму структуру платформы для генерации доказательств.

На мой взгляд, истинная готовность фармацевтической отрасли к внедрению ИИ основывается на пяти принципах.

Во-первых, готовность доказательств: согласованные, лонгитюдные, мультимодальные данные, способные ответить на важные клинические вопросы. Нам необходимо убедиться, что причинно-следственные модели ИИ обучаются на правильных данных.

Во-вторых, готовность к управлению: четкие модели согласия, отслеживание происхождения данных и возможность аудита, позволяющие точно знать, откуда данные поступили и как они используются.

В-третьих, киберготовность: архитектуры, изначально обеспечивающие безопасность, способные защитить конфиденциальные данные пациентов и результаты исследований.

В-четвертых, готовность к интероперабельности: общие стандарты и онтологии, позволяющие данным «говорить на одном языке» в разных системах, учреждениях и странах.

И в-пятых, оперативная готовность: междисциплинарные команды, в которых врачи, исследователи, специалисты по анализу данных, руководители отделов по соблюдению нормативных требований и специалисты по безопасности работают вместе, а не изолированно.

Всё это звучит не так захватывающе, как разговоры о следующей перспективной модели ИИ. Но на практике именно эти основы определяют, принесёт ли ИИ ощутимый клинический эффект или станет ещё одним дорогостоящим экспериментом.

Чтобы сократить сроки разработки и быстрее предоставить лекарства пациентам, нам необходимо перестать рассматривать готовность к внедрению ИИ как простое приобретение технологий. Основное внимание следует уделить созданию надежных, совместимых и обеспечивающих конфиденциальность экосистем доказательств, которые позволят ИИ процветать.

Возвращаясь к нашей аналогии с транспортной системой, искусственный интеллект может быть двигателем, преобразующим разработку лекарств, но ни один город не функционирует эффективно только за счет транспортных средств. Он работает потому, что дороги, туннели, коммунальные услуги и система управления спроектированы таким образом, чтобы функционировать совместно. Разработка лекарств не является исключением.

Нарасимха Кумар обладает более чем 25-летним опытом работы в сфере технологического консалтинга, управления продуктами на основе ИИ и соблюдения нормативных требований в медико-биологических науках и здравоохранении. Ранее он занимал должность директора по продуктам и коммерции в Datafoundry AI и старшего руководителя в PAREXEL International. Нарасимха специализируется на платформах на основе ИИ и облачной трансформации. С ним можно связаться по адресу [email protected]

Источник: www.bio-itworld.com