Czy AI w medycynie skraca drogę do leku, czy tylko wygładza zakręty?

W farmacji wszyscy mówią o „przyspieszaniu” – jakby nowy lek dało się zwinąć w rulon i puścić z górki. AstraZeneca dorzuca do tego pięć narzędzi AI i obietnicę: szybciej, trafniej, bezpieczniej. Zaczepne pytanie brzmi: czy to skraca dystans do pacjenta, czy tylko wygładza prezentacje na komitetach?

Kontekst: dane puchną, decyzje zwalniają

Nauki life science od kilku lat jadą na podwójnym paliwie: omiki (genomika, proteomika) i cyfryzacja R&D. Dane rosną wykładniczo – od sekwencji po obrazy CT i protokoły badań. To więcej niż człowiek potrafi przesiać „na oko”. AstraZeneca mówi wprost: bez AI gubimy sygnał w szumie, a łańcuch decyzji się korkuje. Cel jest przyziemny: sprawniej wyłowić obiecujące cele terapeutyczne, nie tracić miesięcy na papierologię i szybciej doprowadzić cząsteczki do pacjentów. A przy okazji dowieźć swoje KPI na 2030: 20 nowych leków, 80 mld dolarów przychodów i ujemny bilans CO₂. Ambitnie, ale policzalnie.

1) Databricks + graf wiedzy: silnik hipotez zamiast polowania w mgle

Zacznijmy od źródła problemu: 10–15 lat i nawet 5 mld dolarów na „jeden lek”, z mniej niż 5% projektów, które kończą na rynku. Przy takim rachunku każda godzina badacza i każdy błąd selekcji kosztują naprawdę. Stąd ruch: centralna platforma Data Intelligence w Databricks i graf wiedzy, który skleja fakty z milionów rekordów – publikacji, baz, wyników eksperymentów. Na to nakłada się silnik rekomendacji: naukowiec wpisuje chorobę, a system zwraca nie tylko listę „celi”, ale ich ranking i uzasadnienie.

• Co to zmienia: krótsza droga od danych do insightu, wspólne środowisko pracy dla bioinformatyków i analityków, skala bez dłubania w klastrach.
• Rzecz najważniejsza: decyzyjność. Mniej intuicji „bo tak czuję”, więcej hipotez, które mają szansę dowieźć sukces kliniczny.

Narracja z korytarza: to jest moment, w którym zespół zamiast dwóch tygodni „kopania” w literaturze ma popołudnie na kalibrację hipotez. Reszta dnia to projektowanie eksperymentów, nie polowanie na PDF-y.

2) Radiomika na CT: od ręcznego zakreślacza do 3D‑autopilota

Kto widział radiologa przy oznaczaniu zmian na CT, ten wie: to rzemiosło i maraton. Przy skali badań w onkologii czy pulmonologii ręce po prostu nie wyrabiają. AstraZeneca kładzie na to model radiomiki 3D, który rozpoznaje struktury i patologie, oparty o „nauczone” wcześniej oznaczenia.

• Zysk: mniej klikania, szybsze, spójniejsze dane obrazowe, krótszy cykl analizy.
• Efekt uboczny, ale zdrowy: badacze przesuwają kandydatów do kolejnych faz wtedy, gdy da się to obronić liczbą, nie wiarą.

I ta mała rzecz, o której mało kto mówi: spójność adnotacji. Jedna definicja zmiany w całym programie klinicznym to mniejszy bałagan na końcu.

3) Protokoły badań z pomocą LLM: mniej CTRL+C, więcej sensu

Protokół to serce badania i jednocześnie papier, który potrafi zjeść miesiące – wersje, uzgodnienia, zgodność regulacyjna, zrozumiałość dla pacjenta. Tutaj wchodzi narzędzie oparte na dużym modelu językowym, które składa szkice na bazie firmowego repozytorium: wcześniejsze protokoły, standardowe zapisy, formularze zgody.

• W praktyce: autorzy przestają zaczynać „od zera”, narzędzie proponuje strukturę i treści, które trzymają standardy; człowiek poprawia to, co wymaga kontekstu.
• Pierwsze testy: 4 z 5 autorów mówi „to pomaga” przy streszczeniach. W planie – kolejne sekcje i wskakiwanie do innych obszarów terapeutycznych.

Narracyjny konkret: tydzień krócej na starcie badania to nie jest ładna cyferka – to realnie wcześniejsze pierwsze włączenie pacjenta.

4) Development Assistant: wewnętrzny „copilot” do danych klinicznych

R&D żyje w wielu systemach, a dane lubią siedzieć w silosach. Asystent rozwoju to warstwa, która rozumie pytania w języku naturalnym i odpina od żmudnego „przeklejania do Excela”. Porównuje wyniki, wyciąga dane, rysuje wykresy – wszystko na bazie wewnętrznych produktów danych, spiętych przez LLM.

• Po stronie zespołów: szybciej zauważasz odchylenia, harmonizujesz definicje i nie czekasz na „raport jutro”.
• Po stronie kultury pracy: mniej baronów danych, więcej wspólnego widoku na rzeczywistość.

To ten moment, kiedy klinicysta zadaje pytanie o trend wycofań w konkretnej kohorcie i dostaje odpowiedź od razu – bez pięciu maili do biostatyka.

5) Bayesowska sieć do toksyczności wątroby: predykcja z otwartą przyłbicą

Najtrudniejsze decyzje zapadają wcześnie. Jeśli odrzucisz dobrą cząsteczkę, tracisz szansę; jeśli przepuścisz złą, stracisz lata i pieniądze. Klasyczne modele często nie mają odwagi powiedzieć: „nie wiem, bo danych mało”. Bayesowska sieć neuronowa robi odwrotnie – daje wynik i jego niepewność.

• Co to daje w DILI: trafniejsze odróżnianie związków o podobnej strukturze, ale różnym ryzyku wątrobowym, i przede wszystkim świadome ryzyko – z marginesem niepewności wpisanym w decyzję.
• Zysk organizacyjny: wcześniejsze, lepiej uzasadnione „stop/go” w pipeline, mniej spektakularnych wtop w późnych fazach.

To nie magia, tylko uczciwa statystyka z neuronami: nie tylko „ile”, ale „jak pewne to ile”.

Etyka i bezpieczeństwo: AI to narzędzie, nie wymówka

W tle AstraZeneca mówi o „zdemokratyzowaniu dostępu do danych” i równoległym wdrożeniu rygorów: etyka, bezpieczeństwo, odpowiedzialność. I słusznie. W medycynie „szybciej” bywa w konflikcie z „bezpieczniej”, a algorytmy kochają skróty. Guardraile są potrzebne zanim pierwszy model dostanie dostęp do wrażliwych danych pacjenta.

• Co warto sprawdzać: ścieżki audytu (kto co widział i zmienił), walidacje kliniczne (nie tylko AUROC w slajdzie), zrozumiałość dla pacjentów (język w protokołach), oraz realne wskaźniki: retencja w badaniach, czas do pierwszego pacjenta, liczba re‑worków protokołu.

Co to daje komu i gdzie czają się progi

Pacjent widzi efekt na końcu: szybciej zaczynające się badania, mniej chaosu w komunikacji, terapie lepiej dobrane do biologii choroby. Naukowiec dostaje czas – na myślenie, nie na kopiowanie. Firma – mniejsze ryzyko kosztownych pomyłek. Ale są i koszty: utrzymanie jakości danych, czyszczenie szumów, szkolenia, a przede wszystkim pokusa „kliknij, bo działa”. AI ma pomagać, nie prowadzić za rękę.

• Pytania kontrolne przed zachwytem:
  • Czy poprawiła się trafność wyboru celów (prospektywnie), a nie tylko liczba hipotez?
  • Ile tygodni naprawdę ubyło do „first patient in” po wdrożeniu LLM do protokołów?
  • Czy radiomika przeszła zewnętrzną walidację na danych spoza treningu?
  • Jakie mamy wskaźniki retencji pacjentów po zmianach w komunikacji i protokołach?
  • Jak mierzona jest niepewność w BNN i jak wpływa na decyzje stop/go?

Puenta: mniej czarów, więcej dowodów

Pięć narzędzi, pięć segmentów łańcucha R&D – od hipotezy po bezpieczeństwo. To jest sensowna opowieść, bo spina się w całość: dane → hipotezy → obraz → protokół → decyzja → pacjent. Jeśli AstraZeneca utrzyma dyscyplinę – metryki ponad slajdy, walidacje ponad opowieści – to „szybciej i trafniej” nie będzie hasłem, tylko praktyką. Jeśli nie, AI zostanie ładnym filtrem na starych problemach.

Na dziś? Umiarkowany optymizm. I proste kryterium: pokażcie, ile tygodni ubyło pacjentowi do terapii i ile niepotrzebnych projektów zatrzymano wcześniej. Reszta to dekoracje.