Branża farmaceutyczna przechodzi fundamentalną transformację, w której algorytmy i uczenie maszynowe zastępują wieloletnie procesy prób i błędów w projektowaniu nowych terapii. Wdrożenie zapętlonych systemów predykcyjnych oraz testowanie medycznych modeli językowych na lokalnych, m.in. polskich danych klinicznych udowadnia, że technologia nie tylko przyspiesza badania naukowe, ale też realnie obniża koszty leczenia dla pacjentów na całym świecie.
Najważniejsze w skrócie
- Drastyczne skrócenie cyklu R&D: Model „lab in a loop” stosowany przez Genentech integruje dane eksperymentalne z algorytmami, co może skrócić tradycyjny, 10–15-letni proces tworzenia leku.
- Polska na mapie innowacji: Podczas Poland Healthcare Datathon 2025 w Gdańsku po raz pierwszy na masową skalę ewaluowano modele językowe na autentycznych, polskich danych klinicznych, minimalizując ryzyko tzw. halucynacji.
- Rewolucja w logistyce: Optymalizacja łańcuchów dostaw pozwala na omijanie pośredników. W Nigerii wdrożenie bezpośredniego modelu dystrybucji obniżyło koszty leków na raka piersi o 200–500 dolarów miesięcznie dla pacjenta.
- Wsparcie dla patologów: AI wspomaga analizę obrazową (m.in. przy amplifikacji genu HER2), umożliwiając szybsze i bardziej precyzyjne diagnozy, co udowodniono podczas pandemii COVID-19.
Od prób i błędów do predykcji. Nowa era projektowania leków
Odkrywanie nowych substancji leczniczych od zawsze było jednym z najdroższych i najbardziej ryzykownych procesów w gospodarce. Historycznie przypominało to szukanie igły w stogu siana – polegało na fizycznym przesiewaniu dziesiątek tysięcy związków chemicznych. Dziś, podobnie jak przełomowy system AlphaFold zrewolucjonizował przewidywanie struktur białkowych na podstawie sekwencji aminokwasów, tak generatywna sztuczna inteligencja (ang. GenAI) pozwala projektować celowane cząsteczki lecznicze in silico (w środowisku wirtualnym).
Firma Roche, poprzez swój oddział Genentech kierowany przez dr Aviv Regev, wdrożyła metodologię określaną jako „lab in a loop”. To zamknięty cykl, w którym dane z fizycznych eksperymentów i badań klinicznych natychmiast zasilają modele AI. Algorytmy te generują predykcje dotyczące nowych celów terapeutycznych i projektują przeciwciała. Te hipotezy są następnie błyskawicznie weryfikowane w laboratorium, co tworzy nowe dane treningowe i stale podnosi dokładność modelu. Aby udźwignąć tak potężne zapotrzebowanie na moc obliczeniową, sektor farmaceutyczny musi polegać na strategicznych partnerstwach z gigantami technologicznymi, takimi jak AWS czy NVIDIA. Cel jest jasny: zautomatyzowanie powtarzalnych zadań analitycznych, by badacze mogli skupić się na strategicznym podejmowaniu decyzji, co w efekcie ma skrócić dekadę badań do zaledwie kilku lat.
Polski kontekst: Dlaczego globalne modele potrzebują lokalnych danych?
Technologiczny wyścig w medycynie nie opiera się jednak wyłącznie na surowej mocy obliczeniowej. Kluczowym wąskim gardłem pozostają jakość i reprezentatywność danych. Globalne algorytmy trenowane głównie na populacjach z Ameryki Północnej często wykazują błędy (bias), gdy są stosowane w innych regionach.
Odpowiedzią na ten problem są inicjatywy takie jak Poland Healthcare Datathon 2025, który we wrześniu odbył się w Gdańsku. Było to przełomowe wydarzenie na polskim rynku – ponad 200 specjalistów (lekarzy, inżynierów i analityków z 14 ośrodków) pracowało na rzeczywistych, zanonimizowanych danych klinicznych polskich pacjentów. Jak podkreślali eksperci, w tym dr n. med. Maciej Bobowicz oraz dr hab. Jakub Mieczkowski, udostępnienie takich zbiorów to kamień milowy.
Podczas wydarzenia ewaluowano duży model językowy (LLM) pod kątem jego przydatności w polskim systemie ochrony zdrowia. Wnioski są jednoznaczne: aby AI w medycynie była odpowiedzialna, musi opierać się na trzech filarach. Są to: lokalny kontekst danych (redukujący halucynacje), rygorystyczne metryki bezpieczeństwa oraz głębokie osadzenie narzędzi w szpitalnych procesach klinicznych. Eksperci zaznaczają jednocześnie, że popularne chatboty konsumenckie absolutnie nie nadają się do samodiagnozy bez konsultacji lekarskiej. Transformacja cyfrowa medycyny to już nie opcja, a konieczność, ale musi być realizowana przez interdyscyplinarne zespoły.
Cyfrowa patologia i uzdrawianie łańcuchów dostaw
Nawet najszybciej opracowany i najskuteczniejszy lek jest bezużyteczny, jeśli nie dotrze do pacjenta na czas i w odpowiedniej temperaturze. Dlatego cyfryzacja obejmuje dziś zaplecze operacyjne szpitali i laboratoriów. Zastosowanie chmurowych platform zarządzania, takich jak Tecsys Elite (zintegrowanych z systemami SAP), pozwala na monitorowanie w czasie rzeczywistym odczynników w ponad 1000 laboratoriów na świecie, zapobiegając brakom magazynowym i minimalizując błędy ludzkie.
Dobrym przykładem skali oszczędności wygenerowanych przez technologię jest przypadek Nigerii. Ladi Hameed, zarządzający lokalnym rynkiem, wskazał, że jeszcze w 2020 roku głównym problemem był wieloszczeblowy system dystrybucji. Każdy pośrednik dodawał od 5% do 10% marży, a dodatkowo pojawiały się problemy z utrzymaniem łańcucha chłodniczego. Zmiana modelu na bezpośredni (wsparty analityką danych) sprawiła, że w 2021 roku pacjenci płacili za leki na raka piersi od 200 do 500 dolarów mniej w skali miesiąca.
Równolegle, w samych laboratoriach AI staje się „cyfrowym współpracownikiem”. W diagnostyce patomorfologicznej algorytmy potrafią błyskawicznie analizować obrazy pod kątem amplifikacji genu HER2 w raku piersi. Dr Sangeeta Desai z Tata Memorial Centre udowodniła, że takie podejście pozwoliło utrzymać ciągłość diagnozowania pacjentów onkologicznych nawet podczas twardych lockdownów. Z kolei eksperci z Chin, tacy jak prof. Yi Zhang z Qilu Hospital, przypominają o konieczności standaryzacji i czyszczenia gigantycznych zbiorów danych laboratoryjnych, zalecając jednocześnie racjonalne podejście do sztucznej inteligencji – jako wsparcia, a nie nieomylnej wyroczni.
Dlaczego to ważne?
Wdrażanie sztucznej inteligencji w sektorze farmaceutycznym i medycznym przestało być wyłącznie eksperymentem akademickim, a stało się potężną dźwignią operacyjną o bezpośrednim wpływie na makroekonomię i zdrowie publiczne. Obserwujemy właśnie strukturalną zmianę modelu biznesowego: od produkcji „blokbusterów” lekowych wymyślanych w izolowanych laboratoriach, w stronę zintegrowanych systemów opieki, gdzie lek jest tylko jednym z elementów opartego na danych łańcucha wartości.
Kluczowe w tej układance jest połączenie innowacji "in silico" z optymalizacją nudnych, ale krytycznych procesów logistycznych. Fakt, że dzięki eliminacji pośredników i lepszej analizie popytu pacjent w kraju rozwijającym się może zaoszczędzić kilkaset dolarów miesięcznie, pokazuje prawdziwy wskaźnik ROI dla technologii AI w medycynie. Ponadto, polskie inicjatywy ewaluujące modele językowe na lokalnych danych obnażają największą słabość globalnego entuzjazmu wobec AI – uświadamiają, że bez tzw. „suwerenności danych medycznych” i algorytmów uwzględniających specyfikę genetyczną czy proceduralną danej populacji, technologia ta może być wręcz niebezpieczna. To dowodzi, że przyszłość medycyny nie należy do firm, które mają wyłącznie najszybsze komputery, ale do tych, które potrafią bezpiecznie połączyć globalną moc obliczeniową z lokalną, hermetyczną wiedzą kliniczną.
Co dalej?
- Regionalizacja modeli medycznych: Ze względu na różnice populacyjne i regulacyjne, będziemy świadkami powstawania lokalnych, zamkniętych modeli predykcyjnych i językowych (budowanych na wzór tych testowanych w Gdańsku), zamiast polegania na uniwersalnych narzędziach od globalnych korporacji.
- Wielka konsolidacja danych: Szpitale i laboratoria będą zmuszone do unifikacji i czyszczenia swoich historycznych danych. Bez tego wdrożenie jakichkolwiek asystentów cyfrowych na szeroką skalę będzie niemożliwe.
- Zrównoważony rozwój oparty na AI: Konieczność ograniczenia śladu węglowego (np. cele zeroemisyjności do 2045 roku) wymusi stosowanie algorytmów do projektowania energooszczędnych procesów produkcji leków oraz budowania zamkniętych obiegów gospodarczych.
Źródło: Opracowanie własne na podstawie materiałów informacyjnych i raportów korporacyjnych firmy Roche, publikacji z wydarzenia Poland Healthcare Datathon 2025 oraz raportów z wdrożeń AI w jednostkach medycznych.
