چگونه هوش مصنوعی صنعت داروسازی را متحول می‌کند؟

با اینکه هنوز تاثیرات هوش مصنوعی بر صنعت داروسازی در آغاز راه است، اما تا همین‌جا نیز مدیران کسب‌وکارها و مقامات بهداشتی دولت‌ها از تاثیرات هوش مصنوعی در این صنعت شگفت‌زده شده‌اند. واقعیت این است که دیدگاه ما نسبت به  AI مهم نیست، مهم این است که چه بخواهیم چه نخواهیم هوش مصنوعی صنعت داروسازی را متحول خواهد کرد.

رقابت غول‌های داروسازی برای استفاده از هوش مصنوعی

غول‌های صنعت داروسازی زودتر از دیگران متوجه ظرفیت انقلابی استفاده از هوش مصنوعی در داروسازی شدند. آن‌ها از چند سال پیش تحقیقات و پژوهش‌های خود را درباره نحوه به‌کارگیری هوش مصنوعی در فرایندهای تولیدی خود و چالش‌های آن آغاز کرده‌اند. برای نمونه در ادامه به چند مثال معروف استفاده شرکت‌های بزرگ داروسازی از هوش مصنوعی اشاره می‌کنیم.

فایزر: پس از ساخت واکسن کرونا، امروز کمتر کسی را می‌توان یافت که نام شرکت فایزر را نشنیده باشد. فایزر یکی از بزرگ‌ترین شرکت‌های داروسازی جهان است. این شرکت برای طیف گسترده‌ای از بیماری‌ها، از جمله بیماری‌های مربوط به ضعف ایمنی بدن، انواع سرطان‌ها، بیماری‌های قلبی، غدد و بیماری‌های عصبی دارو و واکسن تولید می‌کند.

سال 2019 بود که فایزر اعلام کرد با شرکت Concreto HealthAI قرارداد همکاری امضا کرده است. بنابراین قرار داد دو شرکت تحقیقاتی را با یکدیگر در حوزه سرطان‌شناسی از طریق استفاده از هوش مصنوعی و داده‌های واقعی انجام خواهند داد.

هدف از این همکاری شناسایی و کمک به بیمارانی است که از تومورهای بدخیم خونی رنج می‌برند. فایزر امیدوار است با کمک هوش مصنوعی بتواند روش‌های درمانی جدید و دقیق‌تری برای انواع سرطان توسعه دهد.

جانسون‌اندجانسون: جانسون اند جانسون یک شرکت آمریکایی بزرگ چندملیتی در حوزه داروسازی است. در سال 2019 این شرکت نیز مانند فایزر خبر از همکاری با شرکت‌های هوش مصنوعی داد. بنابر اعلام این شرکت در این سال جانسون با همکاری یک استارتاپ هوش مصنوعی فرانسوی طرحی را برای تقویت سیستم طراحی دارویی خود اجرا خواهد کرد. این سیستم طراحی دارویی جدید قرار است پاسخی به چالش‌ها در فرایند کشف و تولید داروها و واکسن‌های جدید باشد.

سانوفی: سانوفی شرکت داروسازی چندملیتی فرانسوی است که دفتر مرکزی‌اش در پاریس قرار دارد.  این شرکت در حوزه تولید و بازاریابی دارو کار می‌کند. سانوفی نیز از سال 2018 ارتباطش را با شرکت‌ها و استارتاپ‌های هوش مصنوعی تقویت کرد و قراردادهایی با این شرکت‌ها امضا کرده است.

هوش مصنوعی چه بخش‌هایی از صنعت داروسازی را متحول می‌کند؟

کشف و ساخت داروهای جدید: بنابر آمارها از هر 10 تلاش برای ساخت دارو و واکسن، 9 تلاش به نوعی شکست می‌خورد. یعنی 9 دارو از هر 10 دارویی آزمایشی و جدید از پس همه مراحل تاییدیه گرفتن برای مصرف عمومی برنمی‌آیند. همین آمار به‌تنهایی نشان می‌دهد که چقدر هزینه ساخت داروها و واکسن‌های جدید در صنعت داروسازی بالاست. در واقع هزینه تولید هر داروی جدید عددی بالغ بر 1.2 میلیارد دلار است.

این هزینه بسیار بالاست و اغلب اوقات هزینه تولید بالای دارو باعث می‌شود داروها و واکسن‌ها با قیمت بسیار بالای به دست بیماران و مصرف‌کنندگان برسد. خبر خوب این است که هوش مصنوعی، به‌ویژه یادگیری ماشین و تحلیل داده‌های کلان، ظرفیت بسیار بالایی برای پایین آوردن هزینه‌های تحقیق و توسعه داروهای جدید دارند.

هوش مصنوعی به شرکت‌های بزرگ داروسازی کمک می‌کند تا درمانی برای بیماری‌های پیچیده و نادر بیابند

هوش مصنوعی می‌تواند در کنترل و مدیریت بیماری‌های شناخته‌شده‌ای که درمان مشخصی ندارند، مانند پارکینسون، اوتیسم و آلزایمر، به کمک درمانگران و داروسازان بیاید. نمونه‌هایی از کاربرد هوش مصنوعی وجود دارد که در آن استفاده از این فناوری باعث تشخیص به‌موقع این بیماری‌ها و در نتیجه کنترل و مدیریت بهتر آن‌ها شده است.

برای مثال شرکت فناوری Tencent Holdingچین، با همکاری یکی از شرکت‌های بریتانیایی، سیستم مبتنی‌بر هوش مصنوعی ساخته است که می‌تواند به نظارت و کنترل بیماری پارکینسون از راه دور کمک کند. با استفاده از چنین سیستمی، زمان لازم برای ارزیابی عملکردهای حرکتی بیماران مبتلا به پارکینسون از بیش از 30 دقیقه به زیر 3 دقیقه کاهش می‌یابد.

وقتی که به جامعه آماری مبتلایان به چنین بیماری‌هایی نگاه می‌کنیم به اهمیت توسعه راه‌حل‌های مبتنی بر هوش مصنوعی برای غلبه بر این بیماری‌ها پی می‌بریم. برای مثال بنابر آمارها حدود یک درصد از جمعیت ایران از بیماری آلزایمر رنج می‌برند.

اندازه‌گیری میزان مصرف دارو و کنترل مصرف آن: رعایت دز مصرفی و تبعیت از دستورهای مصرفی در صنعت داروسازی از اهمیت بالایی برخوردار است. به بیان ساده‌تر، برای اثبات میزان موفقیت و اثربخشی یک دارو، شرکت‌های داروسازی از مطالعات بالینی استفاده می‌کنند. اگر شرکت‌کنندگان در این بررسی‌ها قوانین و پروتکل‌ها را رعایت نکنند، می‌توانند تاثیر منفی زیادی در نتایج مصرف این دارو و میزان اثربخشی آن بگذارند.

یکی از راه‌های جدیدی که برای کنترل فرایند مطالعات بالینی توسعه داده شده است، استفاده از فناوری‌های مثل الگوریتم‌های بازشناسی چهره است. برای مثال شرکت Abbvie در یکی از مطالعات بالینی‌اش از فناوری‌های تشخیص چهره شرکت AiCure استفاده کرده است. با استفاده از این فناوری داوطلبان هنگام مصرف داروی موردآزمایش با تلفن همراهشان از خود فیلم می‌گیرند و سیستم‌های شرکت ای‌آی کر به‌صورت خودکار تشخیص می‌دهد که آیا این همان فرد داوطلب است که دارو را مصرف می‌کند و آیا از دز درستی استفاده می‌کند یا نه.

نتایج استفاده از این فناوری هوش مصنوعی بسیار خیره‌کننده و شگفت‌انگیز بود. به‌گفته شرکت‌های دخیل در این آزمایش، با استفاده از هوش مصنوعی وفاداری داوطلبان به پروتکل‌ها و دزهای مصرفی به بالای نود درصد رسید.

استفاده در تحلیل داده‌های کلینیکی و تولید تحلیل‌های بهتر: در بخش پزشکی و داروسازی هر روز حجم عظیمی از داده‌ها مربوط به بیماران، پژوهش‌های پزشکی و داده‌های تشخیصی تولید می‌شود. فرایند تحلیل و مدیریت این داده‌ها اگر به‌صورت دستی و به روش‌های سنتی انجام شود، بسیار زمان‌بر و فرسایشی خواهد بود. استفاده از هوش مصنوعی در این بخش می‌تواند سرعت تحلیل داده‌ها را بالا ببرد و استفاده از نتایج این تحلیل‌ها باعث افزایش دقت و سرعت فرایندهای درمانی و تشخیصی می‌شود.

بسیاری از شرکت‌ها برای مدیریت و تحلیل داده‌هایشان به‌سمت استفاده از پلتفرم‌های مبتنی‌بر هوش مصنوعی رفته‌اند. برای مثال در چند سال اخیر استفاده از پلتفرم هوش مصنوعی IBM Watson افزایش چشمگیری در صنعت داروسازی و سلامت داشته است.

یافتن بیماران داوطلب مناسب برای تست بالینی داروها: علی‌رغم اینکه داده‌های بسیاری درباره جزئیات بیماری بیماران مختلف در دست است اما یافتن داوطلبان و گزینه‌های مناسب برای طی کردن فرایندهای آزمایشی برای شرکت‌های بزرگ داروسازی همچنان امری چالش‌برانگیز باقی مانده است. هر ساله تعداد بسیار زیادی مطالعات بالینی در جهان انجام می‌شود که یافتن داوطلب برای این این مطالعات کاری زمان‌بر و طاقت‌فرساست. استفاده از هوش مصنوعی در این حوزه نیز فرایندها را به میزان بسیار زیادی تسریع کرده است. با استفاده از هوش مصنوعی داده‌های مربوط به هزاران بیمار تحلیل می‌شود و از بین آن‌ها گزینه‌های مناسب برای گذراندن مطالعات کلینکی انتخاب می‌شود. کاستن از زمان مطالعات بالینی به معنای تسریع در روند تولید تجاری داروها و بالا رفتن سرعت درمان بیماران است.

چالش‌های استفاده از هوش مصنوعی در صنعت داروسازی در ایران

استفاده از فناوری‌های مبتنی بر هوش مصنوعی در ایران با چالش‌ها و مشکلات بسیاری دست به گریبان است. شاید مهم‌ترین مشکل در این حوزه را بتوان نگاه سنتی و عدم آشنایی کسب‌وکارها و مدیران دولتی با پیشرفت‌های تکنولوژیکی اخیر در زمینه هوش مصنوعی و ظرفیت‌های بالای آن‌ها در زمینه پزشکی دانست.

در ایران نیز روزانه داده‌های بسیار زیادی در حوزه‌های مختلف نظام سلامت، از اطلاعات مربوط به بیماران تا اطلاعات مربوط به مدیریت بیمارستان‌ها، تولید می‌شود. متاسفانه هنوز این داده‌ها به‌صورت نظام‌مند و سیستماتیک تحلیل نمی‌شوند. اگر بتوان داده‌های این چنینی را به‌صورت خودکار از طریق سیستم‌های مبتنی بر هوش مصنوعی انجام داد بینش‌های بسیار زیادی برای پزشکان و مدیران نظام سلامت در پی خواهد داشت.