ИИ в подборе лекарств и проверке совместимости препаратов

Почему проверка совместимости препаратов — критическая проблема медицины

Некорректное сочетание лекарств убивает людей — это не преувеличение. По имеющимся данным, в результате взаимодействия лекарственных средств развивается около 50% побочных реакций на препараты, а среди пациентов, умерших вследствие побочных реакций, приблизительно 30% погибли именно из-за взаимодействия препаратов. При этом масштаб полифармакотерапии огромен: полипрагмазия встречается у 56% пациентов моложе 65 лет и у 73% старше 65 лет. Приём двух препаратов приводит к лекарственным взаимодействиям у 6% пациентов, пяти — уже у 50%, а при приёме десяти препаратов риск лекарственных взаимодействий достигает 100%.

Анализ научных данных показывает, что 7–23% назначаемых врачами комбинаций лекарственных средств являются потенциально опасными и могут повысить риск неблагоприятных побочных реакций. При этом нежелательные побочные реакции вследствие лекарственного взаимодействия составляют 19,8% от всех спонтанных сообщений, полученных Росздравнадзором, из которых 72,6% являются серьёзными.

Традиционный подход к решению этой проблемы — ручная проверка по базам данных — не справляется. Традиционно проблема совместимости лекарств решается при помощи обращения к «Государственному реестру лекарственных средств». Однако работа в этой базе занимает продолжительное время: фактически, она сводится к самостоятельному изучению множества прикреплённых PDF-файлов медицинских инструкций. Зарубежные базы позволяют производить более быстрый поиск, но в них автоматизированное сравнение достигается только для двух препаратов одновременно, хотя для исключения рисков необходимо проверять от шести лекарств.

Именно здесь на помощь приходит искусственный интеллект — технология, способная мгновенно анализировать сотни взаимодействий и предупреждать об опасных комбинациях ещё до назначения.

Как работает ИИ при проверке лекарственных взаимодействий?

Искусственный интеллект в фармакологии решает задачу предсказания взаимодействий через несколько принципиально разных архитектур. Машинное обучение стало мощным инструментом предсказания взаимодействий препаратов, способным обрабатывать сложные многомерные данные, включая химические структуры, молекулярные свойства, биологическую активность, фармакологические механизмы и клиническую информацию.

Три ключевых класса подходов, которые сегодня используются в системах:

1. Графовые нейронные сети (GNN) — моделируют молекулу как граф, где атомы являются вершинами, а химические связи — рёбрами. Последние достижения в архитектурах глубокого обучения, графовых нейронных сетях и сложном feature engineering заметно улучшили прогностическую точность, предложив масштабируемые альтернативы традиционным подходам.

2. Трансформерные языковые модели (DrugBERT, BioBERT) — обучаются на медицинской литературе. Интеграция трансформерных моделей таких, как DrugBERT и BioBERT, становится всё более популярной: они обеспечивают глубокое семантическое понимание из обширной медицинской литературы. В сочетании с NLP-конвейерами это позволяет выявлять новые взаимодействия ещё до их документирования в клинических базах данных.

3. Модели на основе сходства — исходят из предположения, что препараты с похожими химическими или биологическими характеристиками демонстрируют схожие взаимодействия. Для измерения сходства препаратов используются различные метрики: молекулярные отпечатки, профили побочных эффектов, белковые мишени и аннотации генной онтологии.

Российские учёные разработали оригинальный текстовый подход: подход в обучении модели ИИ основан не на анализе химических процессов, а на анализе текста, больших языковых моделях — это делает систему более гибкой и не привязанной к конкретным молекулам.

Какие задачи ИИ решает в подборе лекарств?

ИИ в фармакологии выполняет сразу несколько взаимосвязанных функций, которые раньше требовали часов ручного труда специалиста. Алгоритмы машинного обучения анализируют огромные базы химических соединений и биологических данных. В персонализированной медицине ИИ используется для анализа генетических и клинических данных пациента, помогая врачам подбирать терапию и дозировки с учётом индивидуальных особенностей. Благодаря моделям прогнозирования побочных эффектов и учёту фармакогеномики риск неэффективного или токсичного лечения снижается до минимума.

Вот полный спектр задач, которые решают современные ИИ-системы в клинической практике:

• Проверка совместимости при полифармакотерапии — одновременный анализ шести и более препаратов, что невозможно в традиционных базах
• Персонализированный подбор дозировок с учётом возраста, пола, массы тела, сопутствующих заболеваний и генетических маркеров
• Предиктивное выявление нежелательных реакций до начала лечения
• Поиск аналогов с более безопасным профилем взаимодействий
• Проверка взаимодействий «лекарство — еда» (например, грейпфрутовый сок блокирует метаболизм ряда препаратов)
• Автоматическое обновление базы знаний по мере появления новых клинических данных

Присвоение ранга паре «лекарство – последствие» проводится с учётом частоты возникновения побочных эффектов, пола и возраста пациента. Модель допускает автоматическую коррекцию рангов в рамках персонализированного подхода, когда ранг тяжести последствий повышается, если пациент имеет соответствующие сопутствующие заболевания.

Компании, которые решаются на внедрение искусственного интеллекта в бизнес-процессы здравоохранения, сокращают число предотвратимых нежелательных реакций уже в первые месяцы эксплуатации системы.

Обзор актуальных ИИ-инструментов для проверки совместимости препаратов

Рынок решений для проверки совместимости препаратов с помощью ИИ активно развивается как в России, так и за рубежом.

Исследование в реальных клинических условиях (апрель 2025) оценило OpenAI ChatGPT (модель GPT-4), Google Gemini 2.0 (Flash edition) и Microsoft Bing Copilot в задаче выявления лекарственных взаимодействий. При этом традиционные онлайн-базы взаимодействий нередко расходятся в оценках и охвате. Высокий объём предупреждений низкой клинической значимости приводит к когнитивной перегрузке и «усталости от оповещений», что может привести к пропуску критических взаимодействий или ненужным изменениям схемы лечения.

Российский медицинский ассистент «Киберис» создан на основе ИИ для диагностики и персонифицированной терапии, подбора аналогов лекарств, проверки безопасности назначений и автозаполнения медицинской карты.

Как ИИ применяется в персонализированной медицине и подборе терапии?

Персонализированная медицина — ключевое направление, где ИИ меняет правила игры. Интеграция технологий искусственного интеллекта и молекулярной медицины открывает новые возможности для раннего выявления заболеваний, оценки факторов риска и подбора оптимальной профилактики и терапии с учётом генетических особенностей.

Системы работают с данными электронной медицинской карты, анамнезом пациента и результатами лабораторных исследований, помогая врачу оценивать риски возможных осложнений, выбирать оптимальную тактику лечения и выстраивать приоритеты наблюдения за пациентами. Принципиально важно, что подобные решения обучаются на верифицированных медицинских источниках и клинических рекомендациях, одобренных профессиональным и регуляторным сообществом.

Особенно значимы результаты в онкологии и кардиологии. Система MedGenome анализирует генетические данные, историю болезни и реакцию на препараты, предлагая индивидуальные протоколы лечения, что, по данным Mayo Clinic, повышает эффективность терапии на 35%.

При этом искусственный интеллект в бизнес-аналитике — а именно анализ больших данных — позволяет строить предиктивные модели ответа на лечение на основе миллионов историй болезни, недоступных для изучения отдельному врачу.

Что происходит в России: отечественные разработки и проекты

Россия активно развивает собственные ИИ-решения для медицины. В 2025 году группа компаний Сбер и Институт искусственного интеллекта AIRI создали специализированный центр ИИ-исследований в области фармакологии. При этом 95% крупнейших мировых фармкомпаний уже инвестируют в ИИ-решения, и объём инвестиций должен вырасти с $4 млрд до $25 млрд к 2030 году — рост на 600%.

В части проверки совместимости препаратов создан конкретный отечественный продукт: междисциплинарный консорциум учёных разработал специализированную систему поддержки принятия врачебных решений, оснащённую искусственным интеллектом. Тестовая эксплуатация системы показала, что модель безошибочно указывает на верный результат, причём она оказалась способной установить связь между препаратами даже там, где её не увидели специалисты-медики.

В России рынок ИИ в медицине составил 12 млрд рублей и может вырасти до 78 млрд рублей к 2030 году.

На операционном уровне врачи всё активнее используют ИИ для поддержки клинических решений: за период с 6 февраля по 16 марта 2026 года почти 3,9 тысячи медработников задали системе IQDOC около 25 тысяч вопросов, из которых 87% касались диагностики и тактики лечения.

Чтобы понять полный масштаб происходящего, стоит изучить, как искусственный интеллект применяется в науке — фармакология является одной из наиболее быстро трансформирующихся областей.

Как ИИ ускоряет разработку новых лекарств?

Помимо проверки уже существующих препаратов, ИИ кардинально меняет процесс создания новых. Обычно на поиск лекарств-кандидатов и их оптимизацию уходит три года из 15 лет всего пути создания препарата. Совместная работа «Р-Фарм», ЛАИ «Сбера» и AIRI позволила ускорить этот трёхлетний этап в три раза — до одного года.

По оценкам экспертов, комбинация методов драг-дизайна и технологий искусственного интеллекта и машинного обучения сократит сроки поиска перспективных лекарств с нескольких лет до одного-двух месяцев и существенно снизит не только стоимость поисковых исследований, но и цены на созданные таким образом препараты.

Российские разработчики создают конкурентные решения: первую в стране платформу полного цикла на основе ИИ для моделирования, описания и улучшения лекарственных молекул представили исследователи Университета Иннополис и ВНИИ автоматики. Разработанная система позволяет моделировать новые соединения за 72 часа, в то время как на поиск молекул традиционными методами уходит от двух до четырёх недель.

На уровне точности предсказаний: новые модели достигли на 50% большей точности, чем традиционные методы, для предсказания взаимодействий, подобных лекарственным препаратам, на стандартных эталонных наборах данных.

Какие риски несёт применение ИИ в фармакологии?

Несмотря на впечатляющие результаты, применение ИИ в подборе лекарств сопряжено с реальными ограничениями, которые нельзя игнорировать.

Несмотря на высокий потенциал, сохраняются опасения относительно надёжности ИИ-моделей из-за их природы «чёрного ящика». Создание ИИ-моделей с объяснимыми механизмами повышает их прозрачность. Объяснимый ИИ (XAI) обеспечивает безопасность и прозрачность, демонстрируя, как принимаются решения в ИИ-моделях, особенно в критически важных задачах, таких как предсказание взаимодействий препаратов.

Ключевыми проблемами остаются интерпретируемость модели, обобщаемость и интеграция с клиническими рабочими процессами.

С точки зрения регулирования: FDA опубликовало проект руководства под названием «Рекомендации по использованию искусственного интеллекта для поддержки принятия регуляторных решений в отношении лекарственных и биологических препаратов». В руководстве устанавливается семиступенчатая оценка достоверности на основе «контекста использования» и планы обслуживания на протяжении всего жизненного цикла, а также обеспечивается прозрачность в отношении архитектуры моделей и обучающих данных.

Более детально о рисках внедрения искусственного интеллекта в критически важные отрасли можно прочитать в отдельном разборе — медицина, пожалуй, самый показательный пример.

Пошаговая инструкция: как внедрить ИИ-систему проверки совместимости препаратов

Внедрение ИИ-инструментов в клиническую практику требует системного подхода. Вот практическая дорожная карта:

1. Аудит текущего процесса. Проанализируйте, как сейчас проверяется совместимость: вручную по PDF, через базы данных или не проверяется вовсе. Зафиксируйте число назначений в день и среднее количество препаратов на пациента.

2. Выбор типа решения. Определитесь: вам нужен встроенный модуль в МИС (медицинскую информационную систему), отдельный веб-сервис или API-интеграция с существующим ПО.

3. Оценка баз знаний. Убедитесь, что выбранная система работает с актуальными базами данных взаимодействий (DrugBank, SIDER, базы Росздравнадзора) и регулярно обновляется.

4. Пилотное тестирование. Запустите систему параллельно с текущим процессом на 50–100 назначениях. Сравните выявленные взаимодействия и число ложных срабатываний.

5. Обучение персонала. Алгоритмы берут на себя рутину, позволяя врачу сосредоточиться на стратегическом мышлении, учёте психосоциального контекста и сопутствующих заболеваний. Но для этого персонал должен уметь работать с системой и понимать её ограничения.

6. Настройка приоритетов оповещений. Разделите предупреждения на уровни: критические (требуют немедленного действия), значимые (требуют консультации) и информационные (для сведения). Это предотвратит alert fatigue.

7. Мониторинг и переобучение модели. Запланируйте ежеквартальный аудит: анализируйте случаи, где система ошиблась, и передавайте данные поставщику для дообучения модели.

Как ИИ помогает при полифармакотерапии у пожилых пациентов?

Пожилые пациенты — основная группа риска, где ИИ-контроль совместимости препаратов критически важен. У лиц в возрасте 80 лет и старше частота коморбидности составляет 80%. Коморбидные пациенты сталкиваются с проблемой полипрагмазии — назначения большого количества лекарственных средств. Возрастают риски лекарственных взаимодействий и тяжёлых нежелательных реакций.

Особенно опасна полипрагмазия в гериатрической практике: приём более 10 лекарств при тяжёлых заболеваниях увеличивает риск летального исхода на 10%. Из-за угнетения ферментативной активности печени, уменьшения процента мышечной ткани и неврологических нарушений к непрогнозируемым нежелательным реакциям более склонны пожилые пациенты.

Искусственный интеллект демонстрирует значительный потенциал в управлении полифармакотерапией, особенно в повышении точности прогнозирования лекарственных взаимодействий у пожилых пациентов и больных с несколькими хроническими заболеваниями. Обзор исследований показал, как ИИ-модели эффективно выявляют высокорискованные комбинации препаратов.

Отечественная ранговая модель оценки рисков работает ещё тоньше: совместимость нескольких препаратов определяется на основе графовой модели, когда соединяются между собой только те вершины, для которых суммарный ранг последствий по каждому из возможных побочных эффектов меньше критического уровня.

Правильно настроенное использование искусственного интеллекта в гериатрии позволяет превентивно выявлять опасные сочетания прямо в момент выписки рецепта — без ожидания консультации клинического фармаколога.

Взаимодействие ИИ с врачом: кто принимает финальное решение?

ИИ не заменяет врача — он усиливает его. Это принципиальная позиция, которая должна быть заложена в любой системе поддержки принятия медицинских решений. Алгоритмы берут на себя рутину — от анализа ЭКГ до подбора диагнозов. Это позволяет врачу сосредоточиться на главном. Технологии призваны не заменять функции врачей, а усиливать их. Решающее значение играет эмпатия, доверие и этическое суждение — то, что недоступно машине.

Продвинутые системы включают более 200 алгоритмов, автоматизирующих сбор и анализ данных пациентов, проверку корректности заполнения медицинских карт специалистами, расчёт норм коррекции с учётом возраста и индивидуальных параметров пациента, а также формируют персонализированные рекомендации после приёма.

Модель взаимодействия «человек + ИИ» в фармакологии:

• ИИ делает: сканирует взаимодействия, ранжирует риски, предлагает альтернативы, ведёт учёт всей медикаментозной истории
• Врач делает: интерпретирует с учётом клинического контекста, принимает финальное решение, несёт юридическую ответственность
• Результат: скорость машины + экспертиза человека = безопасность пациента

Понять, как именно строится эта синергия, помогает понимание принципа работы ИИ на уровне алгоритмов и нейронных сетей.

Будущее ИИ в фармакологии: тренды ближайших лет

Отрасль развивается стремительно. Инструменты машинного обучения и ИИ позволяют обрабатывать огромные наборы данных, раскрывать сложные биологические паттерны и прогнозировать поведение препаратов посредством интеграции данных. Эти достижения ускорили открытие препаратов, снизили потребность в обширных лабораторных тестах и открыли возможности для персонализированной медицины за счёт интеграции данных конкретного пациента.

Ключевые тренды ближайших лет:

1. Взаимодействие «лекарство — фитопрепарат». Особенно перспективным становится применение ИИ для оценки взаимодействий лекарств с натуральными продуктами (травами), используемыми в качестве пищевых добавок.

2. Мультимодальные модели. Объединение геномных данных, медицинских изображений, данных носимых устройств и истории лечения в единую предиктивную систему.

3. Объяснимый ИИ (XAI). XAI может обеспечить клиническое применение моделей предсказания взаимодействий, удовлетворяя требованиям к робастным, но понятным человеку системам, обеспечивающим ясные обоснования и способствующим безопасности, надёжности и прозрачности.

4. Интеграция с электронными рецептами. Автоматическая проверка при выписке рецепта, до того как препарат попадёт к пациенту.

5. Фармакогеномика в реальном времени. Прогнозируемое снижение стоимости генетических тестов делает массовое геномное тестирование реальностью, открывая доступ к персонализированным стратегиям лечения широким слоям населения.

Системное внедрение искусственного интеллекта в бизнес-процессы фармацевтических и медицинских организаций уже сейчас даёт измеримый результат — сокращение нежелательных реакций, ускорение подбора терапии и снижение нагрузки на персонал.

Часто задаваемые вопросы

Может ли ИИ полностью заменить фармаколога при проверке совместимости препаратов?

Нет. ИИ — это мощный инструмент поддержки принятия решений, но финальная ответственность всегда остаётся за врачом или клиническим фармакологом. Система выявляет потенциальные взаимодействия и ранжирует риски, однако интерпретация с учётом индивидуального клинического контекста требует человеческой экспертизы.

Насколько точны ИИ-системы предсказания лекарственных взаимодействий?

Современные модели на основе глубокого обучения достигают на 50% большей точности по сравнению с традиционными методами на стандартных тестовых наборах данных. Точность зависит от качества обучающих данных и архитектуры модели — системы на основе DrugBERT и графовых нейронных сетей показывают наилучшие результаты.

Какой риск несёт одновременный приём 5 и более препаратов?

Приём пяти препаратов увеличивает частоту лекарственных взаимодействий до 50%, а десяти — до 100%. При этом в среднем среди назначаемых комбинаций 7–23% являются потенциально опасными, а нежелательные реакции вследствие взаимодействий составляют почти 20% всех серьёзных побочных эффектов, регистрируемых Росздравнадзором.

Какие ИИ-сервисы для проверки совместимости препаратов доступны в России?

Среди отечественных решений выделяются Киберис (kiberis.ru), MedIQ (mediqlab.com) и CheckMed (checkmed.info). На уровне корпоративных МИС-систем активно внедряются модули на базе разработок Сбер ИИ и AIRI. Универсальные LLM (ChatGPT, GigaChat) также используются как вспомогательный инструмент при анализе конкретных сочетаний.

С чего начать внедрение ИИ для проверки назначений в клинике?

Начните с аудита текущего процесса и подсчёта среднего числа препаратов на пациента. Затем выберите решение с интеграцией в вашу МИС и запустите пилот на 50–100 назначениях параллельно с текущим процессом. Убедитесь, что база взаимодействий обновляется — базы Киберис, например, обновляются ежеквартально.

Как ИИ учитывает генетические особенности при подборе лекарств?

Современные системы персонализированной медицины интегрируют данные фармакогеномики — генетических маркеров, влияющих на метаболизм препаратов через ферменты системы CYP450. Это позволяет предсказывать индивидуальную реакцию на лечение и подбирать дозировку с учётом генотипа пациента ещё до начала терапии.

Каков экономический эффект от внедрения ИИ в фармаконадзор?

По данным McKinsey, внедрение ИИ в медицинские бизнес-процессы окупается в течение 18–24 месяцев. Прямой экономический эффект достигается за счёт сокращения числа госпитализаций по поводу нежелательных реакций, снижения затрат на лечение осложнений и сокращения времени врача на рутинные проверки назначений.