Влияние искусственного интеллекта на фармдизайн

"Дизайн — это пространство, где наука и искусство достигают точки равновесия"
РобинМэтью, многопрофильный дизайнер, создатель цифровых продуктов (Индия)

В более широком контексте — это креативное творчество, направленное на создание пространства фармацевтической реальности для разработчиков, дистрибуторов и отпускающих лекарственные средства, мотивирующей намерение пациента принять по назначению (рекомендации) врача лечение с гарантией благоприятного эффекта.

Функции искусственного интеллекта (ИИ) и машинного обучения (МО) в контексте новой фармацевтической реальности концептуально можно рассматривать как составную часть системного реинжиниринга медицины (диагностика и назначение лечения), фармации (разработка ЛП, фармакотерапия) и здравоохранения (создание условий реализации указанных целей) в интересах пациента. По умолчанию — реинжиниринг путем надлежащей оптимизаций означенных опций с целью формирования гармоничной общественной социальной среды, наиболее полно отвечающей материальным и духовным потребностям человека, включая собственное здоровье.

В указанных «опциях» заключается глобальный смысл замещения (совмещения) с помощью ИИ и МО многих нынешних профессиональных компетенций, в т.ч. фармацевтических — дизайна (разработки ЛП), промышленной фармации, дистрибуции, ритейла (отпуска), системы качества, аудита, регуляторики, образования.

Необходимо подчеркнуть, что роль фармработника в имплементации технологий ИИ исключительно велика, прежде всего, в формулировке задания (входа) и интерпретации результата (выхода) отраслевых процессов.

Отмечается рост числа вакансий и найма специалистов в области ИИ в фармацевтической сфере знаний по сравнению с другими секторами экономики. Бюро статистики труда США полагает, что к 2028 г. ожидаемый рост профессий в сфере жизненных, физических и социальных наук составит 7%, где более половины будущих вакансий придется на фармацию. Прогнозируется, что это будет происходить быстрее, чем в среднем по всем другим компетенциям. По мере сближения технологий и медико-биологических наук все больше внимания будет уделяться (и уже уделяется!) привлечению профессионалов, обладающих опытом разработки и имплементации фармацевтических организационных и технологических решений.^[1]

Сегодня ведущей страной по внедрению ИИ в фармацию пока являются США, где наблюдается наибольшее количество патентов, вакансий и сделок, связанных с ИИ. Между тем, Китай, Великобритания, Южная Корея, Индия и Япония сохраняют значительные позиции по внедрению ИИ в фармацию, причем Китай наращивает свою мощь в данной области здравоохранения за счет роста числа молодых специалистов, прошедших обучение за рубежом. ЕС сохраняет догоняющий потенциал в сфере фармацевтического ИИ, черпая большинство инноваций из открытого мирового исходного кода в данной области.

Фармацевтический дизайн для инновационной полноты

Следует подчеркнуть, что фармацевтический дизайн в своей уникальной инновационной полноте становится одним из сложнейших направлений современной цивилизации, требующей особых профессиональных компетенций от его создателей и исполнителей на всем протяжении жизненного цикла создаваемого лекарственного продукта — вещества (препарата), помощи и услуги.

Конструирование (создание) ЛП (Drugdesign) — искусство творческого мышления, основанного на современных достижениях комплекса наук и практик с применением ИИ и МО. Представим с помощью концептуальной дорожной карты, как это реализуется.

Коллекция больших данных (БД) аккумулирует в доступном открытом медицинском пространстве диагнозы и лекарственные назначения со всего мира: это ТБ (терабайты) клинической информации. Исследование базируется на ПО (алгоритмах), создаваемом инженерами ИИ в сотрудничестве (хакатон, междисциплининарная команда) с другими специалистами в области ИИ — врачами (медстатистиками в т.ч.), дата-учеными, аналитиками данных и пр. На их основании МО анализирует сведения о поставленных диагнозах и назначениях с учетом особенностей патологических состояний, увязывая излечение, химическую (биологическую) структуру ЛП и известную биомишень. Обработанная информация становится основой функционирования обученного ИИ, причем в дальнейшем суперкомпьютер самостоятельно совершенствует ПО (алгоритмы) без участия человека с экспоненциальным ростом вычислительной мощности (закон Хуанга^[2]). На выходе машинный анализ БД может занимать миллисекунды (и меньше!), в то время как подобный анализ человеком может измеряться годами(!).

Прогнозы 76-летнего Рэймонда Курцвейла — американского футуролога (технического директора Google по совместительству) и специалиста в области распознавания речи, показывают, что к 2029 г. дизайн как форма реализации ИИ не только заменит человека (т.е. пройдет тест Тьюринга^[3]), но и появятся нанороботы (чипы), способные проникать в мозг для поддержания его функционирования. Ученый предполагает, что они могли бы «питать» орган, то есть поддерживать его здоровье, устранять повреждения и расширять (стимулировать) природные способности: улучшать память, усиливать сенсорное восприятие или активизировать когнитивные процессы для творчества или решения проблем. Илон Маск уже вживил в мозг 29-летнего парализованного человека подобный нейрочип (нейроинтерфейс) Neuralink, позволяющий мысленно управлять гаджетами (компьютерной мышкой), что дало возможность пациенту успешно сыграть в шахматы, передвигая фигуры на компьютерной шахматной доске одним лишь усилием мысли.^[4] Ожидается подобная имплантация в мозг незрячего.

Курцвейл предсказывает, что к 2045 г. человечество столкнется с технологической сингулярностью — моментом, когда прогресс в сфере ИИ (где дизайну отведена особая роль) станет неуправляемым и необратимым, что может привести к непредсказуемым изменениям человеческой цивилизации.^[5] Ждать остается недолго.

Исследование БД клинического материала (в т.ч. электронных медицинских карт пациента, Electronic Medical Record, EMR) — не единственный источник «знаний» для МО. Другой базой обучения является, например, AugLiChem — библиотека химических структур, в которой представлены методы расширения для кристаллических систем, которые можно использовать для моделей МО на основе "отпечатков пальцев" и графических нейронных сетей (GNN).^[6] С этой целью используется язык программирования Python с открытым исходным кодом, который может быть имплементирован непосредственно в любой рабочий процесс МО.^[7]

И, наконец, использование базы сведений Gene Expression Omnibus (GEO) национального центра биотехнологической информации (NCBI, США) — самого большого общедоступного репозитория высокопроизводительных данных об экспрессии генов, а также массивов, чипов и микрочипов гибридизации.^[8]

Обширные фармацевтические базы данных, посвященные белкам, генам, лекарственным продуктам/мишеням этих продуктов и заболеваниям, содержащие ТБ информации, являются неиссякаемой, непрерывно пополняемой и обновляемой базой БД, лежащих в основе алгоритмов и ПО МО ИИ. Реестр актуальных баз представлен в литературе.^[9]

Информационные фармацевтические базы с подробными и структурированными БД, предлагаемые исследователями и разработчиками во всем мире, играют ключевую роль в продвижении приложений ИИ в медицинских и фармацевтических исследованиях. Главный вопрос повестки дня сегодня – качество представленных экспериментальных и клинических данных, последовательно определяющее качество МО и ИИ, а отсюда — надежность и достоверность ожидаемых исходов (результатов, решений, выводов, заключений и пр.).

Вот почему качеству указанных исследований (точности, достоверности, воспроизводимости) с прицелом на грядущие исследования и технологии МО и ИИ сегодня придается столь большое значение.

Пространство оборота фармацевтической продукции

Фармдизайн — это не только разработка ЛП, но и их производство, распределение (хранение, дистрибуция) и отпуск (реализация, ритейл), включая менеджмент фармацевтического качества как систему. В этом разделе пространства фармбизнеса ИИ создает, управляет и оптимизирует:

• систему, структуру, схемы и элементы промышленной фармации — от процессов различного уровня до точечных операций в форматах вход-выход;
• цепочки прослеживаемости жизненного цикла продукции (ЖЦП) на основе процессно-ориентированного и системного менеджмента;
• отраслевую дистрибуцию в разрезе регионального, федерального, странового и союзного менеджмента;
• планирование ритейла в связках пространственной инфраструктуры (сетевого ритейла, т.е. аптечной сети) и логистики с учетом масштабов (муниципального, регионального, федерального, союзного);
• доступность фармакотерапевтической помощи как ключевого звена первичной медико–санитарной помощи системы здравоохранения;
• менеджмент персонала на протяжении ЖЦП;
• систему качества на протяжении ЖЦП.

Два слова о том, как достигается требуемый фармацевтический результат, управляющий процессом реализации конкретных функций фармотрасли на основе технологий МО. Цель — сориентировать коллег в подходах к способам решения фармпроблем на основе ИИ — от текущих до глобальных.

Технологии МО

МО является одним из разделов методологии ИИ. Важной особенностью решения задач с его помощью является процесс обучения на примерах (прецедентах), так или иначе схожих с конкретной исходной задачей.

В процессе МО создается специальный алгоритм (алгоритмы, ПО), фокусирующийся на особенностях БД и преобразующий их в знания, которые машины смогут читать, генерируя людям (нам, фармспециалистам) новые идеи. Эти основанные на приобретенных знаниях идеи и составляют основу (инструмент реализации) ИИ.

Как уже отмечалось ранее, решающую роль в реинжиниринге бизнес-процессов современной фармации будет играть сильный ИИ — интеллект человеческого уровня, который по мере развития данной опции будет трансформироваться в искусственный сверхинтеллект (ИСИ), определяющий большинство наших отношений, в т.ч. профессиональных фармацевтических.

Существуют различные общие алгоритмы МО, из которых исследователи могут выбирать более предпочтительный. Так, например, наивный байесовский алгоритм (алгоритм Байеса, Naive Bayes, NB-алгоритм) представляет собой вероятностный классификатор, основанный на предположениях о независимости между признаками — это простой (наивный) и интуитивно понятный алгоритм.

Алгоритм случайного леса (Random Forest, RF-алгоритм) — универсальный алгоритм МО, суть которого состоит в использовании ансамбля решающих деревьев. RF-алгоритм строит набор несвязанных деревьев решений, образующих целостную иерархическую структуру: при построении модели каждое дерево индивидуально отвечает за решение соответствующей проблемы. Окончательное решение принимается большинством голосов деревьев решений. Модели, генерирующие решения на основе подобного подхода, называют ансамблевыми моделями.

Алгоритм XGBoost — это метод (способ) экстремального повышения градиента (Extreme Gradient Boosting). Данный алгоритм также основывается на дереве решений, но работает лучше (эффективнее), чем RF-метод за счет работы с более сложными наборами БД (включая неструктурированные), используя различные методы оптимизации.

XGBoost — масштабируемый алгоритм МО, основанный на повышении градиента и решающий сложные поисковые задачи, недоступные простым подходам. Этот алгоритм также является ансамблевым методом МО, где несколько моделей обучаются для решения одной и той же проблемы и объединяются с целью получения лучших результатов. Его основное преимущество заключается в том, что результат работы (выход) нескольких моделей более точен, нежели результат только одной модели.

Ансамблевые методы — мощный инструмент построения моделей МО, позволяющие увеличить точность модели до 90+, при этом они просты в понимании и применении.

Подобных моделей — множество с растущей прогрессией по мере роста пространств имплементации, где фармации — на переднем крае.

Несколько слов о глубоком МО (Deep ML или DL). Глубокое МО популярно благодаря своим мощным возможностям обобщения и извлечения признаков: процесс обучения и прогнозирования на его основе является сквозным. В отличие от традиционного процесса МО, состоящего из нескольких модулей, глубокое МО получает выходные данные (выходной конец, исход) непосредственно из входных данных множества модулей, корректируя целевое задание путем учета ошибок между выходными данными и истинным значением (цель), пока не будет достигнут достоверный результат. Достоверность решения и путь к нему ИИ определяет самостоятельно.

Для глубокого МО используются мощные серверы, способные аккумулировать и обрабатывать практически любые объемы информации. Места их компактной локализации принято называть Дата-центрами, или Центрами обработки данных (ЦОД — здания для размещения серверного и сетевого оборудования и его подключения к интернету). В России достаточно собственных вычислительных мощностей и мощностей хранения (в т.ч. графических процессоров — GPU, обучающих генеративные модели) для решения всех необходимых задач ИИ на территории страны.

На сегодняшний день в мире функционируют около 30 млн. физических серверов в тысячах ЦОД, которые либо хранят, либо обрабатывают информацию в интернете. В 2023-м к ним добавилось еще примерно 13,6 млн. единиц подобных устройств на сумму 128,36 млрд. долл. с перспективой дальнейшего роста.^[10]

Глубокая нейронная сеть (Deep neural network, DNN) — это нейронная сеть прямого распространения, состоящая из плотно связанных входных, скрытых и выходных слоев 

данных. Она обеспечивает изучение входных данных путем моделирования нелинейных преобразований между нейронами, при этом каждый слой состоит из различных нейронов. Это наиболее надежный инструмент получения достоверного выхода (решения, заключения, вывода), имеющий непреходящее значение в фармации, где, выражаясь фигурально — всегда "точно, как в аптеке!"

Технологии МО весьма обширны и реализуются с привлечением специалистов в области ИИ и МО — инженеров по разработке ИИ и МО, аналитиков данных (включая БД), нейро-иллюстраторов, когнитивных копирайтеров.^[11] Их инструментарий работы основан, в основном, на линейной алгебре, математическом анализе, статистике, теории вероятностей.

Обученный на основе глубокого МО ИИ — это сильный ИИ, генерирующий системный подход в фармацевтическом менеджменте.

Фармспециалист на этапах МО не выпадает из процесса: он может (должен) ставить и формулировать задачи, конкретизировать их, принимать участие в коворкинге (хакатоне, междисциплинарной команде), интерпретации и реализации выходов (решений) частично или полностью в соответствии с собственными актуальными компетенциями и пр.

----
Как уже отмечалось ранее — не вместо, а вместе настолько, насколько это диктуется условиями конкретного бизнес–процесса, его заданиями (задачами) и требуемыми решениями (выводами, заключениями, рекомендациями).
----

Таким путем может осуществиться не только реинжиниринг фармацевтической профессии (фармацевтических компетенций), но и произойти позитивный системный сдвиг фармацевтического менталитета — наиболее продвинутого образа мышления специалиста–профессионала ближайшего будущего (фактически — уже завтра!). К этому надо быть готовым, двигаться в указанном направлении на основе приобретаемых знаний, в том числе из специальных фармацевтических форматов — МА, например.

А если серьезно — необходима перестройка фармобразования и ПМиФО с прицелом на ИИ и МО, которые стучатся в двери нашей профессии настолько громко, насколько это воспринимается руководителями фармотрасли, особенно в условиях суверенизации, где отставание на минуты генерирует провалы на месяцы и годы (если не навсегда), что недопустимо.

Это реальный путь изменения отношения общества к фармации как функции системы здравоохранения и к фармацевтическому работнику (как незаменимому звену связки пациент–врач–фармработник–пациент), без которой достижение цели "надлежащее здоровье нации (страны)" представляется проблематичным.

Здесь на первый план выступает понятие фармацевтической когнитивности как основы конструирования фармацевтического дизайна, без которой он практически невозможен. Два слова об том концептуально новом для нас понятии.

Когнитивность — термин, обозначающий способность к умственному восприятию, переработке и критическому осмыслению внешней информации. Когнитивность базируется на психических процессах личности — убеждениях, желаниях, намерениях, где важнейшая роль принадлежит обучению (образованию) и опыту. Этот термин особенно часто употребляется в изучении так называемого "контекстного знания" (т.е. абстрактизации и конкретизации).

Фармацевтическая когнитивность — это умение применить знания, опыт и навыки в контексте абстрактизации и конкретизации процессов своей профессиональной деятельности, направленных на удовлетворение потребностей пациента, объекты дизайна и исследований в области лекарствоведения, соблюдении интересов фармацевтического трудового сообщества (коллектива, организации, отрасли) и т.д.

Уникальной специфической особенность такой профессиональной когнитивности, когда наука, практика, технологии, общение с пациентом в процессе оказания фармацевтической помощи, где психология и эмпатия граничат с искусством, является соединение знаний в области организма человека, создания, технологий производства и применения ЛП (в сочетании био- + техно-), что не присуще ни одному другому виду профессиональной деятельности, за исключением медицины (биофармация и биомедицина).

Без фармацевтической когнитивности фармработника процесс имплементации технологий ИИ и МО в пространство отечественной фармации будет затруднен, замедлен, обрастет излишними тратами интеллектуальных, информационных и материальных ресурсов, что неприемлемо и чего можно и следует избежать. Задача менеджеров отрасли и госструктур принять эту данность в интересах общества и страны. Время не терпит.

Неудовлетворенность фармработников отношением части общества и власть имущих "от фармацевтики" к их знаниям и умениям является следствием очевидной фармацевтической когнитивности — понимания важности своей личной роли в деле оказания фармацевтической помощи гражданам страны, особенно в периоды ЧС — пандемии и СВО. Это обостренное отношение к своей роли в обществе, привитое в учебном заведении и затем в процессе реализации функций создания и отпуска ЛП, подчеркивает высокую самооценку провизоров и фармацевтов, подкрепленную многолетней самоотверженной практикой служения делу здоровья.

Завершая краткий обзор понятия дизайна в Фармации Х, приходим к выводу: ИИ базируется на фармацевтической когнитивности примерно 500-тысячной армии фармработников (врачей в 2023 г. — 745 тыс.), где дизайну отведено особое место как пространству создания фармацевтической ценности — ЛП, систем их доставки и отпуска, где целевым объектом фармакотерапевтической помощи является пациент — гражданин Российской Федерации.