Jednym z najbardziej obiecujących obszarów jest wykorzystanie AI do analizy interakcji między lekami. Tradycyjne systemy bazują na wcześniej zdefiniowanych regułach. Tymczasem algorytmy uczenia maszynowego potrafią wykrywać nieoczywiste powiązania w ogromnych bazach danych medycznych. Badania z uniwersytetu Penn State pokazały, iż system uczenia maszynowego może analizować dane FDA i innych organizacji, identyfikując potencjalnie niebezpieczne skutki uboczne kombinacji leków.
Co więcej, niedawne badanie z Vanderbilt University Medical Center potwierdziło dziewięć poważnych interakcji. Okazało się, iż mimo opisania w literaturze naukowej, nigdy nie zostały zarejestrowane w DrugBank. To baza danych wykorzystywana przez pracowników ochrony zdrowia. Przykładowo, badacze odkryli iż połączenie metadonu z antybiotykiem cyprofloksacyną może powodować niebezpieczną depresję oddechową. Pacjenci przyjmujący takie kombinacje mieli ponad 90% większe prawdopodobieństwo wystąpienia groźnych skutków ubocznych.
W Polsce też dostępne są już narzędzia wykorzystujące AI do sprawdzania interakcji. Przykładem jest platforma Supp.AI, która analizuje interakcje między suplementami a lekami, przeszukując literaturę naukową.
Wsparcie w podejmowaniu decyzji klinicznych
Systemy wspomagania decyzji klinicznych (CDSS) oparte na AI potrafią przetwarzać ogromne ilości danych pacjenta – od elektronicznej dokumentacji medycznej po wyniki laboratoryjne – i dostarczać farmaceucie rekomendacje w czasie rzeczywistym. W przeciwieństwie do tradycyjnych systemów opartych na prostych drzewach decyzyjnych, metody oparte na AI mogą uwzględniać ogromne ilości danych z elektronicznej dokumentacji medycznej, rozpoznawać złożone wzorce i dostarczać spersonalizowane prognozy.
Badania pokazują, iż interwencje CDSS poprawiają jakość opieki zdrowotnej poprzez ułatwianie przestrzegania wytycznych klinicznych. Pozwalają na redukowanie błędów w farmakoterapii i minimalizowanie niepożądanych zdarzeń. Przykładem jest szpital Good Shepherd Medical Center w Teksasie. Po wdrożeniu tam systemu TheraDoc liczba interwencji klinicznych farmaceutów wzrosła z 1986 do 4065 miesięcznie, co stanowi wzrost o 105%.
Co ciekawe, badanie dotyczące aptek ogólnodostępnych w Turcji wykazało, iż CDSS pomógł zidentyfikować potencjalnie niewłaściwe leki u 59% pacjentów geriatrycznych, a 85,8% lekarzy zaakceptowało rekomendacje farmaceutów dotyczące zmian w terapii.
Optymalizacja zarządzania zapasami
AI wspiera również prozaiczne, ale niezwykle ważne zadanie zarządzania magazynem leków w aptece. Algorytmy analizują historyczne dane sprzedaży, sezonowość, lokalne trendy epidemiologiczne, a choćby dane pogodowe, by przewidzieć przyszłe zapotrzebowanie. Systemy oparte na uczeniu maszynowym analizują dane sprzedażowe, trendy pacjentów i czynniki zewnętrzne. Dzięki temu zapewniają utrzymanie optymalnych poziomów zapasów, zapobiegając zarówno brakom jak i nadmiernym stanom magazynowym.
- Czytaj również: Sztuczna inteligencja i prawdziwi farmaceuci
Konkretne wyniki? Sieć aptek Aversi w Gruzji, po wdrożeniu rozwiązania AI firmy LEAFIO w 270 lokalizacjach, zmniejszyła nadmierne zapasy, zminimalizowała ilość przeterminowanych produktów i poprawiła ogólną efektywność łańcucha dostaw. Z kolei duża sieć aptek detalicznych w USA odnotowała redukcję nadmiernych zapasów o 30%, spadek braków ważnych leków o 40% oraz zmniejszenie przeterminowanych leków o 25%.
Podsumowanie
Sztuczna inteligencja w aptece to nie futurystyczna wizja – to rzeczywistość, która już dziś pomaga farmaceutom w codziennej pracy. Od wykrywania interakcji leków po optymalizację zapasów, od monitorowania adherencji po automatyzację zadań administracyjnych. AI oferuje konkretne, sprawdzone rozwiązania.
Kluczowe korzyści to poprawa bezpieczeństwa pacjentów, zwiększenie efektywności operacyjnej, oszczędności kosztów. To wszystko prowadzi do najważniejszego – zostaje więcej czasu w bezpośrednią opiekę farmaceutyczną. W erze rosnących wymagań wobec farmaceutów i ograniczonych zasobów, mądre wykorzystanie AI może być tym, co pozwoli aptekom nie tylko przetrwać. Pozwoli też rozwijać swoją rolę jako kluczowego elementu systemu opieki zdrowotnej.
Źródła
- Al-Ashwal, F.Y., et al. (2023). „Evaluating the sensitivity, specificity, and accuracy of ChatGPT-3.5, ChatGPT-4, Bing AI, and Bard in predicting drug-drug interactions”. Drug, Healthcare and Patient Safety. https://www.dovepress.com/evaluating-the-sensitivity-specificity-and-accuracy-of-chatgpt-35-chat-peer-reviewed-fulltext-article-DHPS
- https://ascpt.onlinelibrary.wiley.com/doi/10.1002/cpt.3500?af=R
- Kumara, S., et al. (2019). „AI could offer warnings about serious side effects of drug-drug interactions”. Pharmacy Times. https://www.pharmacytimes.com/view/ai-can-help-identify-potential-adverse-effects-from-drug-drug-interactions
- „Pharmacy Inventory Management System: How to Optimize with AI in 2026”. https://www.leafio.ai/blog/pharmacy-inventory-management/
- https://bezmialemscience.org/articles/evaluation-of-a-clinical-decision-support-system-for-the-identification-of-inappropriate-prescription-patterns-in-elderly-in-the-community-pharmacy-setting/bas.galenos.2024.23500
©MGR.FARM