A mesterséges intelligencia lehet a mentőöv

Évtizedek óta folyamatosan romlik a gyógyszerfejlesztés hatékonysága

Hiába a sok évtizedes tapasztalat és a kiváló szakembergárdák, egy új gyógyszer kifejlesztése módszertanilag ma is afféle ugrás a sötétbe. Vagy bejön, vagy nem. Márpedig ami így működik, az lassú és drága. A nagy gyártók a mesterséges intelligenciában látják a megoldást, áldoznak is rá, de úgy tűnik, a remélt változás akkor is lassú lesz, ha a technológia nagyon jó eredményeket tud felmutatni.

Már az 1980-as években feltűnt az iparág képviselőinek, hogy a gyógyszerfejlesztés hatékonysága évtizedek óta folyamatosan romlik. Ellentétben a technika legtöbb ágával, az új termékek kifejlesztése itt egyre lassabb és egyre több pénzt emészt föl. Ma már ott tartunk, hogy egy új gyógyszer a kutatás elindulásától a piacra kerülésig tíz év alatt jut csak el, a folyamat teljes költsége pedig jóval egymilliárd dollár fölött van. A 2010-es évek elején írták le a jelenséget, mely szerint 1960 óta kilencévente megduplázódott az inflációval korrigált átlagos ráfordítás nagysága, így egy gyógyszert kifejleszteni ma már nagyjából 80-szor annyiba kerül, mint az előző évszázad közepén. El is nevezték a megfigyelést Eroom-törvénynek, arra utalva, hogy az iránya éppen ellentétes a ’70-es évek óta sokat idézett Moore-törvényével. Aszerint a számítástechnikában az integrált áramkörök összetettsége – a legalacsonyabb árú ilyen komponenst figyelembe véve – másfél-két évente megduplázódik (vagyis a fejlesztés fajlagos költsége rohamosan csökken).

Ilyen körülmények között nem csoda, hogy a betegeket és a politikai döntéshozókat idegesíti a mind nagyobb befektetést igénylő innovatív terápiák drágulása, illetve a támogatásuk finanszírozása. Ám ez a trend nem feltétlenül az iparág szereplőinek a hibája. Az okok egyike egyszerűen az, hogy már sok mindenre van jó gyógyszer, így a még jobbak előállítása eleve nagyon nehéz, a hatásosságban elért javulás pedig aránytalanul nagy befektetést kíván. Egy további magyarázat a szabályozók óvatossága. A gyógyszerhatóságok által megkövetelt biztonsági garanciák világszerte szigorodnak. Különösen olyan esetekben teszik magasra a lécet, amikor egy biztonsági megfontolásból kivont, régebbi fejlesztésű termék pótlása van napirenden.

A tíz legnagyobb gyártó már belefogott

Mindez azonban nem lenne akkora gond, ha nem létezne az alapprobléma. A gyógyszerfejlesztésben ugyanis óriási a végül tévútnak bizonyuló próbálkozások, a hatalmas összegeket felemésztő kutatási zsákutcák aránya a sikeres kísérletekhez képest. A felszívódásban, az anyagcserében vagy a kiválasztásban tapasztalt nehézségek miatt tíz fejlesztés alatt álló gyógyszerből kilenc már azelőtt elbukik, hogy klinikai tesztekre kerülhetne sor. Pontosan ezért várnak forradalmi áttörést a mesterséges intelligencia (MI) lehetőségeinek kihasználásától. Nem véletlen, hogy, mint a Healthcareweekly.com idén márciusban megírta, a világ tíz legnagyobb gyógyszercége (Abbvie, AstraZeneca, Bristol-Myers Squibb, GlaxoSmithKline, Johnson & Johnson, Merck, Novartis, Pfizer, Roche, Sanofi) mind vásárolt vagy egy erre szakosodott céggel közösen fejlesztett már a mesterséges intelligencián alapuló technológiát. A Roche, például, egymaga megvett három ilyen profilú vállalkozást, és együtt dolgozik egy negyedikkel. A Novartis partnerei az egyik legnevesebb amerikai egyetem, az MIT, valamint a technológiai szektor olyan óriásai, mint az IBM, az Intel és a Quantumblack. Az említett tíz vállalat évente összességében majdnem 70 milliárd dollárt fordít kutatás-fejlesztésre, elemi érdekük tehát a hatékonyság javítása.

Az adatok újrafeldolgozásából jósolnak is

De pontosan mire lehet használni a mesterséges intelligenciát? Az egyik irány a számítógépen szimuláció útján történő gyógyszertervezés, ezzel egyik-másik gyártó évek óta próbálkozik. A Merck már 2012-ben összeállt a Numerate nevű mesterségesintelligencia-fejlesztő céggel kisebb molekulák tervezésére. Az igazán sokat ígérő módszer azonban a nagy adatbázisokkal (big data) dolgozó algoritmusok bevetése. Az ilyen rendszerek képesek lehetnek arra, hogy az óriási mennyiségű rendelkezésre álló információból – korábbi, bárhol a világon végrehajtott eredményes és eredménytelen kísérletek adathalmazaiból – kinyerjék és rendszerezzék azt, ami az adott kutatás szempontjából releváns. Az algoritmus ebből meg tudja jósolni a reménybeli gyógyszerjelölt optimális tulajdonságait, így tehát jó eséllyel csökkenthető a kudarccal végződő tesztek száma és persze a fölöslegesen elköltött pénz és ráfordított idő mennyisége. Már a tesztek időtartamának 5-10 százalékos csökkentésével több millió dollár takarítható meg, amit jó esetben a páciensek is érzékelnek majd a gyógyszerek árában. De ennél sokkal merészebb számok is elképzelhetőek. A brit Economist hetilap által nemrég ismertetett felmérés szerint a klinikai vizsgálatok során önkéntesek toborzására szánt időt 37 százalékkal csökkentették a legmodernebb módszerek, a termékek piacra jutásának esélyét pedig 16 százalékkal növelték. A személyre szabott szerek terjedésével annak is egyre nagyobb lesz a jelentősége, hogy sikerül-e a klinikai tesztekhez kellő számban olyan önkénteseket találni, akiknek nemcsak az állapota, de a genetikai profilja is megfelelő. Ebben megint csak nagy szerepe lehet az MI-nek a genetikai elemzés révén.

Fotó: 123rf.com

Mindez természetesen nem azt jelenti, hogy számítógépes programok teljes egészében átvennék a szakemberek szerepét, bár a cél kétségkívül az, hogy a monoton, ismétlődő műveletek elvégzését, és részben a döntések meghozatalát is átvállalják. Az ideális együttműködés mégis inkább úgy néz ki, hogy az algoritmus következtetéseket von le, ezek alapján opciókat ajánl, és a kutatók választanak közülük. Már az nagy előrelépés lesz, ha egy gépi előszűrés után csak olyan vegyületekkel kell próbálkozniuk, amelyek az elemzés szerint jó eséllyel alkalmasak lehetnek az adott célra. A mesterséges intelligencia funkcióját gyakran döntéstámogatóként, illetve -előkészítőként is határozzák meg. Azért van rá szükség, mert bármilyen fejlett az orvostudomány, a sejtek és így a szervezet pontos működését még mindig nem értjük teljesen – és addig is míg megértjük, szükségünk van egy statisztikai adatokkal dolgozó, megbízható segédeszközre.

Nem könnyű megosztani a döntést a gépekkel

A felsorolt eszközök, lehetőségek gyakorlatilag rendelkezésre állnak, még ha gyakran további fejlesztésre is szorulnak. A technológia evangelizátorai ugyanakkor maguk is arra figyelmeztetnek, hogy ebben az iparágban az MI térnyerése nem megy egyik napról a másikra.  Úgy számolnak, 10-20 év leforgása alatt, fokozatosan épülhet be a mindennapi gyakorlatba. Addigra azonban valószínűleg minden jelentős gyártó kutatási folyamatának szerves részévé válik, a versenyben maradás egyik feltétele lesz. Az óvatosságot az indokolja, hogy az egészségügyben dolgozók érthetően nehezen fogadják el, hogy a felelősséget megosszák egy géppel vagy egyenesen át is adják, ahelyett, hogy maguk döntenének.

Akadnak azért már egészen látványos sikerek. A Berg Health nevű startup 2013-ban az Egyesült Államok védelmi minisztériumának megbízásából kezdett dolgozni a pilóták körében gyakori prosztatarák korai felismerésének és új gyógymódjainak kidolgozásán. Öt év múltán egy MI-alapokon működő megoldást ezer páciensen nagyon ígéretes eredményekkel teszteltek.

Adott esetben viszont a nagy játékosok is tudnak bukni egy zászlóshajónak szánt termékkel. Az IBM Watson nevű rendszere az onkológia területén nagy reményekkel indult, egy ideig úgy tűnt, hogy használható lesz, de a Forbes tavaly ősszel már arról számolt be, hogy a partner Pfizernél gyakorlatilag elengedték a projektet. És ha már a nehézségeknél tartunk: a cégek legnagyobb félelme, hogy az egyébként jól teljesítő eszközük a nem elég jó minőségű adatállomány miatt nem lesz képes a kívánt eredményeket produkálni. Ilyen esetben ugyanúgy időt és pénzt pazarolnának, mint ha a hagyományos módszerekkel dolgoztak volna. E veszély felismerése szintén arra sarkallja némelyik piaci szereplőt, hogy a lehető legnagyobb kontrollt gyakorolja az adatgyűjtés fölött. A Roche ezért fizetett csaknem kétmilliárd dollárt az onkológiai területen betegadatok gyűjtésével foglalkozó Flatiron Healthért.

Nagy segítség a társterületeken is

A mesterséges intelligenciára messze nem csak a gyógyszerfejlesztésben támaszkodhat az egészségipar. Léteznek már szoftverek, amelyek röntgenképek elemzésével, a legapróbb részletekre koncentrálva, olyan korán képesek kimutatni bizonyos tüdőbetegségeket, amikor az emberi szem még semmi gyanúsat nem lát. Bizonyos kórképek esetén a szoftveres diagnosztizálás bizonyítottan 10 százalékkal precízebb, mint az emberi. Az eddig elképzelhetetlenül korai és pontos felismerés rengeteg pénzt takarít meg, és ami még fontosabb, életeket ment. Hasonlóan, a ritka betegségek azonosítása sokkal egyszerűbb egy, a beteg leleteit egy adatbázissal összevető szoftver segítségével. Ugyancsak nagy lehetőségek rejlenek a betegellátás okosításában is, például az adherencia javítása mesterséges intelligenciát használó applikációk segítségével egy sok fejtörést okozó problémát enyhít.

G.P.

Szóljon hozzá!

(Kötelező.)

(Kötelező - nem jelenik meg.)

(Nem kötelező.)

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>