Technologijos

Kaip dirbtinis intelektas keičia vaistų kūrimą ir mediciną

Dirbtinis intelektas pagreitina vaistų kūrimą nuo metų iki mėnesių ir atveria kelią tikrai personalizuotai medicinai. Aptariame naujausias technologijas, realius pavyzdžius ir iššūkius.
2026 5 gegužės

Kaip dirbtinis intelektas keičia vaistų kūrimą ir personalizuotą mediciną

Dirbtinis intelektas (DI) per kelis pastaruosius metus iš nišinio įrankio tapo vienu svarbiausių medicinos inovacijų variklių. 2024–2025 m. didžiosios farmacijos ir biotechnologijų kompanijos jau planuoja naujus vaistus ir gydymo strategijas taip, lyg DI būtų privalomas standartas, o ne eksperimentas.

Šiame straipsnyje aiškiai ir be perteklinės terminologijos apžvelgsime, kaip DI pagreitina vaistų kūrimą, mažina kainas, ir kodėl tai tiesiogiai veda prie personalizuotos medicinos – gydymo, pritaikyto konkrečiam žmogui, o ne „vidutiniam pacientui“.

Kodėl tradicinis vaistų kūrimas toks lėtas ir brangus

Prieš kalbant apie DI, verta suprasti, ką jis keičia. Klasikinis vaistų kūrimo procesas trunka 10–15 metų ir kainuoja šimtus milijonų ar net milijardus eurų. Didžioji dalis kandidatų į vaistus žlunga dar prieš pasiekiant rinką.

Pagrindiniai iššūkiai:

  • Didžiulė paieškos erdvė: teorinių molekulių skaičius yra praktiškai begalinis – žmogus fiziškai nepajėgus jų visų įvertinti.
  • Brangūs laboratoriniai bandymai: kiekvienas kandidatas reikalauja sintezės, testavimo ląstelėse, gyvūnų modeliuose, galiausiai – klinikiniuose tyrimuose.
  • Didelis nesėkmių procentas: daug molekulių atrodo perspektyvios laboratorijoje, bet nepasiteisina su realiais pacientais.
  • Vienodas požiūris į skirtingus pacientus: tas pats vaistas dažnai skiriamas visiems, nors genetika, gyvenimo būdas ir kiti veiksniai smarkiai skiriasi.

Čia ir atsiranda DI – kaip įrankis, galintis iš anksto „atsijoti“ nevykusius kandidatus ir geriau suprasti, kam konkretus gydymas iš tiesų padės.

Kaip DI pagreitina vaistų kūrimą

1. Molekulių dizainas ir atranka kompiuteryje

Viena pažangiausių sričių – generatyvinis DI, kai modeliai patys „kuria“ naujas molekules, atitinkančias norimas savybes: veiksmingumą, tirpumą, saugumą ir kt.

Kas realiai keičiasi:

  • Laikas: tai, kas anksčiau užtrukdavo metus (rankinis dizainas, sintezė, pirminiai bandymai), dabar gali būti atlikta per kelias savaites ar net dienas.
  • Kandidatų kokybė: DI iš anksto atmeta molekules, kurios tikėtina bus toksiškos ar neveiksmingos.
  • Kūrybiškumas: modeliai randa struktūras, kurių žmogaus chemikas galbūt niekada nesugalvotų.

Praktikoje tai daro tokios įmonės kaip „Insilico Medicine“, „Exscientia“, „BenevolentAI“ ir didžiosios farmacijos kompanijos, kurios 2024 m. jau viešai skelbia apie DI sukurtus kandidatus, pasiekusius klinikinių tyrimų stadiją.

2. Baltymų struktūros ir taikinių prognozavimas

Po „DeepMind“ AlphaFold proveržio baltymų struktūrų prognozė tapo daug greitesnė ir tikslesnė. Tai svarbu, nes nauji vaistai dažnai kuriami būtent prieš konkrečius baltymus organizme.

DI čia padeda:

  • numatyti, kaip baltymas atrodo trimatėje erdvėje;
  • surasti vietas, kuriose vaistas galėtų „prisijungti“;
  • įvertinti, kaip mutacijos (pavyzdžiui, onkologijoje) keičia baltymo elgseną.

Rezultatas – tikslesni taikiniai ir mažiau „šaudymo tamsoje“.

3. Toksikologijos ir šalutinių poveikių prognozės

Vienas brangiausių nusivylimų farmacijoje – kai vėlyvoje stadijoje paaiškėja, kad molekulė yra per daug toksiška. DI modeliai mokomi iš milžiniškų istorinių duomenų bazių ir gali iš anksto įspėti apie galimus pavojus.

DI leidžia:

  • prognozuoti, kaip vaistas sąveikaus su kepenimis, širdimi, inkstais;
  • numatyti vaistų tarpusavio sąveikas (ypač aktualu vyresniems pacientams, vartojantiems daug preparatų);
  • sumažinti nesaugių kandidatų skaičių dar prieš brangius klinikinius tyrimus.

4. Klinikiniai tyrimai: greitesni ir tikslesni

DI keičia ne tik ankstyvąją fazę, bet ir klinikinį tyrimą su žmonėmis:

  • Pacientų atranka: algoritmai padeda rasti tinkamiausius dalyvius pagal diagnozę, genetiką, kartu vartojamus vaistus ir kt.
  • Prognoziniai biomarkeriai: nustatomi rodikliai, kurie anksti parodo, ar gydymas veikia.
  • Adaptaciniai tyrimų dizainai: remiantis tarpiniu DI analizių vertinimu, tyrimo eiga gali būti koreguojama „skrydžio metu“ – didinamos veiksmingos dozės grupės, mažinamos neveiksmingos.

Personalizuota medicina: kai gydymas pritaikomas konkrečiam žmogui

Personalizuota (arba precizinė) medicina siekia, kad du žmonės su ta pačia diagnoze nebūtų gydomi vienodai, jei jų organizmai ir ligos priežastys skiriasi.

Genomika ir DI – galingas duetas

Paciento genomo sekoskaita šiandien kainuoja šimtus, o ne tūkstančius eurų, o duomenų – daugiau nei bet kada. DI modeliai gali:

  • analizuoti milijonus genetinių variantų ir rasti tuos, kurie susiję su ligomis ar vaistų veikimu;
  • kurti poligeninius rizikos rodiklius (angl. polygenic risk scores) – skaičius, parodančius, kiek žmogus genetiškai linkęs sirgti tam tikra liga;
  • prognozuoti, kaip pacientas metabolizuos konkretų vaistą (farmakogenomika).

Rezultatas – galimybė parinkti tinkamą vaistą ir dozę dar prieš pradedant gydymą, sumažinant bandymų ir klaidų skaičių.

Elektroniniai sveikatos įrašai ir realaus pasaulio duomenys

Lietuvoje ir kitose ES šalyse sparčiai plečiasi elektroninių sveikatos įrašų naudojimas. DI modeliai gali anonimiškai analizuoti:

  • diagnozes ir laboratorinius tyrimus;
  • vaistų vartojimo istoriją;
  • ligoninių priėmimo ir komplikacijų duomenis.

Tokie realaus pasaulio duomenys leidžia pamatyti, kaip vaistai veikia ne tik „idealius“ klinikinių tyrimų dalyvius, bet ir realius pacientus – su gretutinėmis ligomis, skirtingu amžiumi ir gyvenimo būdu.

DI klinikoje: sprendimų palaikymo sistemos

Šiuolaikinės DI sistemos jau ne vienoje ligoninėje veikia kaip sprendimų palaikymo įrankiai, o ne gydytojo pakaitalas. Jos:

  • pasiūlo tikėtiną diagnozių sąrašą pagal simptomus, vaizdinius tyrimus ir laboratorinius rodiklius;
  • įspėja apie pavojingas vaistų sąveikas;
  • siūlo personalizuotus gydymo planus, atsižvelgiant į paciento rizikos profilį.

Galutinį sprendimą vis tiek priima gydytojas, tačiau DI padeda įvertinti daugiau veiksnių, nei žmogus fiziškai spėtų per trumpą konsultaciją.

Nauda pacientams ir sveikatos sistemoms

DI pagreitintas vaistų kūrimas ir personalizuota medicina duoda konkrečią naudą:

  • Greitesnis naujų vaistų atsiradimas: trumpesni kūrimo ciklai reiškia, kad nauji gydymo būdai pasiekia pacientus anksčiau.
  • Mažesnė nesėkmių rizika: geresnės prognozės sumažina žlungančių projektų skaičių, o tai ilgainiui gali mažinti kainas.
  • Tikslesnis gydymas: daugiau pacientų gauna jiems tinkamiausią terapiją iš pirmo karto.
  • Mažiau šalutinių poveikių: personalizuotos dozės ir vaistų pasirinkimas sumažina komplikacijų riziką.
  • Efektyvesnė sveikatos sistema: mažiau nereikalingų hospitalizacijų, pakartotinių vizitų ir brangių komplikacijų gydymo.

Etiniai ir teisiniai iššūkiai

Spartus DI diegimas medicinoje kelia ir rimtų klausimų:

Duomenų privatumas ir saugumas

Personalizuota medicina remiasi itin jautriais duomenimis – genetika, ligų istorija, elgesio ir gyvenimo būdo informacija. ES, įskaitant Lietuvą, taikomi GDPR reikalavimai, tačiau praktikoje išlieka rizikos:

  • duomenų nutekėjimai ir kibernetinės atakos;
  • netinkamas duomenų naudojimas, pavyzdžiui, draudimo ar darbo santykiuose;
  • nepakankamas paciento informavimas, kaip ir kam jo duomenys naudojami.

DI modelių skaidrumas ir šališkumas

Dalis pažangių DI modelių veikia kaip „juodosios dėžės“ – jie pateikia prognozes, bet ne visada aišku, kodėl. Tai kelia pasitikėjimo problemų, ypač kai kalbama apie gyvybiškai svarbius sprendimus.

Kita rizika – šališkumas. Jei modeliai mokomi su duomenimis, kuriuose dominuoja tam tikros populiacijos, vėliau jie gali blogiau veikti kitoms grupėms. Pavyzdžiui, jei dauguma duomenų surinkta iš vienos rasės ar amžiaus grupės, prognozės kitoms gali būti netikslios.

Atsakomybė: kas kaltas, jei DI suklysta?

Teisinis reguliavimas dar vejasi technologijas. Šiandien dažniausiai laikomasi principo, kad galutinę atsakomybę už sprendimą prisiima gydytojas ir institucija, tačiau plečiantis DI savarankiškumui ši tema tik aštrės.

Kas laukia artimiausiais metais

Žvelgiant į 2025–2030 m. laikotarpį, galima tikėtis kelių aiškių tendencijų:

  • Daugiau DI sukurtų vaistų klinikiniuose tyrimuose: pirmieji jau pasiekė II–III fazes, tad per artimiausius metus turėtume pamatyti ir registruotų preparatų.
  • DI kaip standartas, o ne išimtis: didžiosios farmacijos kompanijos DI laikys ne papildomu įrankiu, o būtina kūrimo grandinės dalimi.
  • Integruota paciento skaitmeninė kortelė: genetika, laboratoriniai tyrimai, vaistų istorija ir gyvenimo būdo duomenys bus analizuojami kartu, kad būtų pasiūlytas optimalus gydymo planas.
  • Griežtesnis reguliavimas: ES DI aktas (AI Act) ir kiti teisės aktai detaliau apibrėš, kaip galima naudoti DI sveikatos priežiūroje.

Valstybėms, įskaitant Lietuvą, svarbu jau dabar investuoti į duomenų infrastruktūrą, saugumo standartus ir specialistų rengimą, kad DI potencialas būtų išnaudotas atsakingai.

Kaip pasiruošti DI revoliucijai medicinoje

Pacientams

  • Domėtis, kokie tyrimai ir genetinės analizės gali būti naudingi konkrečiai situacijai.
  • Klausti gydytojo, ar yra personalizuoto gydymo galimybių (pvz., farmakogenominiai tyrimai).
  • Sąmoningai sutikti arba nesutikti su duomenų naudojimu moksliniams tyrimams, suprantant rizikas ir naudą.

Gydytojams ir sveikatos įstaigoms

  • Investuoti į DI ir duomenų analizės kompetencijas.
  • Rinktis sprendimus, kurie yra skaidrūs ir pagrįsti moksliniais įrodymais.
  • Akcentuoti pacientų švietimą – paaiškinti, kad DI yra pagalbinė priemonė, o ne gydytojo pakaitalas.

Politikos formuotojams

  • Kurti aiškų ir prognozuojamą reguliavimą, suderinamą su ES teisės aktais.
  • Skatinti viešojo ir privataus sektoriaus bendradarbiavimą kuriant saugias duomenų platformas.
  • Rūpintis, kad inovacijų nauda pasiektų ne tik didžiuosius centrus, bet ir regionines ligonines.

Išvada

Dirbtinis intelektas jau šiandien keičia vaistų kūrimą ir mediciną iš esmės. Nuo greitesnio molekulių dizaino ir tikslesnių klinikinių tyrimų iki individualizuotų gydymo planų – DI tampa pagrindiniu įrankiu, leidžiančiu pereiti nuo „vieno dydžio visiems“ prie tikrai personalizuotos sveikatos priežiūros.

Svarbiausia užduotis artimiausiems metams – suderinti technologinę pažangą su etika, duomenų apsauga ir pasitikėjimu. Jei tai pavyks, laimės visi: pacientai, gydytojai ir visa sveikatos sistema.

DUK: DI, vaistų kūrimas ir personalizuota medicina

Ar dirbtinis intelektas pakeis gydytojus?

DI artimiausiu metu nepakeis gydytojų, bet taps jų kasdieniu pagalbininku. Algoritmai padės analizuoti duomenis, siūlys galimus diagnozių ir gydymo variantus, tačiau galutinį sprendimą ir atsakomybę išlaikys medikas. Svarbiausia – kad gydytojas suprastų, kaip veikia naudojamos DI priemonės ir kokios jų ribos.

Ar personalizuota medicina bus prieinama tik turtingiesiems?

Iš pradžių naujos technologijos dažnai būna brangios ir prieinamos ribotam pacientų skaičiui. Tačiau ilgainiui, kai procesai tampa efektyvesni, kainos mažėja. Jei valstybės ir draudimo sistemos aktyviai rems personalizuotą mediciną, ji gali tapti ne prabanga, o racionaliu standartiniu sprendimu, kuris ilgainiui net taupo lėšas.

Kaip užtikrinamas mano sveikatos ir genetinių duomenų saugumas?

ES, įskaitant Lietuvą, taikomi griežti GDPR reikalavimai, ribojantys, kas ir kokiu tikslu gali naudoti jūsų sveikatos ir genetinius duomenis. Rimti medicininiai DI projektai naudoja anonimizuotus ar pseudonimizuotus duomenis, taiko šifravimą ir griežtas prieigos teises. Visada verta klausti gydymo įstaigos ar tyrėjų, kaip konkrečiai saugomi ir naudojami jūsų duomenys, ir tik tada duoti informuotą sutikimą.