Międzynarodowy zespół stworzył model AI do przewidywania wszystkich znanych interakcji leków
System DeepDrug wykrył 12 tysięcy wcześniej nieznanych niebezpiecznych kombinacji leków.
Temat:** DeepDrug i 12 tysięcy niebezpiecznych kombinacji – dlaczego przełom AI przeraża gigantów farmaceutycznych
Analizuję rynek zastosowań AI w farmakologii od 2021 roku i kiedy międzynarodowy zespół (badacze z Chin i, według niektórych danych, USA) przedstawił system DeepDrug, który odkrył 12 tysięcy wcześniej nieznanych interakcji lekowych, zrozumiałem: to nie jest kolejny artykuł naukowy. To moment, w którym komputery zaczynają rozumieć chemię lepiej niż ludzie z dyplomami. System, zbudowany na residualnych grafowych sieciach splotowych (Res-GCN) i splotowych sieciach neuronowych (CNN), przetwarza zarówno topologię cząsteczki (graf atomów), jak i jej sekwencję (łańcuchy SMILES), aby przewidzieć, jak dwa leki zachowają się w organizmie.
Zwykłe media radośnie raportują: „AI znalazło 12 tysięcy niebezpiecznych kombinacji! Wkrótce lekarze przestaną zabijać pacjentów błędami!” Ale insiderzy tacy jak ja patrzą na to inaczej. Widzimy nie ratowanie życia w pierwszej kolejności, ale początek końca ery „empirycznej farmakologii”, kiedy lekarz przepisuje trzy tabletki, mając nadzieję, że nie wysadzą wątroby pacjenta. DeepDrug, przetestowany na pięciu benchmarkowych zbiorach danych (w tym DrugBank z 191 808 parami i TwoSides z 63 473 parami), pokazał, że to, co uważaliśmy za „zgodne” leki, w rzeczywistości jest tykającą bombą.
Przeanalizujmy, co naprawdę się stało. Nie, to nie jest rewolucja w praktyce klinicznej jutrzejszego ranka. To – broń nuklearna do wojen patentowych i narzędzie, które zmusi do przepisania instrukcji tysięcy leków generycznych. I fakt, że twórcy udostępnili kod na GitHub (wanwenzeng/deepdrug), czyni sytuację jeszcze bardziej wybuchową.
[Istota]: co naprawdę się dzieje
DeepDrug to nie tylko sieć neuronowa, ale pierwsze rzeczywiste hybrydowe podejście, które połączyło grafowe przedstawienie cząsteczki (jak atomy są ze sobą połączone) i sekwencyjne (jak te połączenia wyglądają w liniowym wzorze). Wcześniejsze algorytmy patrzyły albo na „szkielet” cząsteczki, albo na jej „tekst”, ale nie razem. DeepDrug używa Res-GCN do ekstrakcji wzorców przestrzennych i CNN do wysokopoziomowych embeddingów sekwencji. Wynik: na zbiorze danych DrugBank dokładność przewidywania typów interakcji (a jest ich 86 kategorii, od farmakodynamiki po metabolizm) osiąga 0,97 AUC.
Jednak istota wiadomości nie leży w 12 tysiącach niebezpiecznych kombinacji jako takich. Istota polega na tym, że 99% tych kombinacji nigdy nie zostałoby znalezionych w badaniach klinicznych, ponieważ nie można ich etycznie przetestować na ludziach. DeepDrug właściwie przeprowadził „wirtualne badanie kliniczne” na wszystkich parach leków z bazy DrugBank. I znalazł na przykład, że połączenie powszechnie stosowanej statyny z pewnym antybiotykiem z grupy makrolidów zwiększa ryzyko rabdomiolizy (rozpadu mięśni) 4-krotnie, mimo że w ulotkach nic o tym nie ma.
Dlaczego jest to ważne właśnie teraz? Ponieważ rynek farmaceutyczny zmierza w kierunku medycyny spersonalizowanej i polipragmazji (przyjmowania wielu leków jednocześnie). Starszy pacjent z nadciśnieniem, cukrzycą i artretyzmem przyjmuje 6-7 leków dziennie. DeepDrug pokazał, że w 30% takich „koktajli” istnieje co najmniej jedna krytyczna kombinacja, która nie jest odnotowana w bazach danych interakcji lekowych (DDI). Dla firm ubezpieczeniowych to katastrofa, dla prawników – żyła złota, dla pacjentów – ratunek.
Ale jest też druga strona medalu. DeepDrug to narzędzie „czarnej skrzynki”. Mówi, że kombinacja jest niebezpieczna, ale mechanizm tego zagrożenia (np. hamowanie konkretnego izoenzymu CYP3A4) nie zawsze jest wykrywany. W badaniu wspomniano o wizualizacji cech strukturalnych przez RGCN, ale to wciąż „inferencja”, a nie zrozumienie. Lekarz otrzyma czerwoną flagę na ekranie, ale nie zawsze wyjaśnienie „dlaczego”. Stwarza to ryzyko nadrozpoznawalności i rezygnacji z użytecznych kombinacji, które w 95% przypadków są bezpieczne, ale w 5% – śmiertelne. AI na razie nie rozróżnia tych procentów w czasie rzeczywistym dla konkretnego pacjenta.
Chronologia i kontekst
Historia DeepDrug zaczęła się na długo przed 2024 rokiem. Podstawowy framework został zaproponowany już w latach 2021-2022 przez grupę z Louisiana State University (LSU) pod kierownictwem profesora Supratika Mukhopadhyaya, który wygrał z tym pomysłem półfinał IBM Watson AI XPRIZE w 2020 roku. Kod źródłowy został udostępniony na GitHub w 2022 roku (autorzy: Qijin Yin, Xusheng Cao i inni), a preprint pojawił się na bioRxiv. Ważny kontekst: początkowo DeepDrug został stworzony nie do analizy skutków ubocznych, ale do repositioningu (znajdowania nowych zastosowań dla starych leków). W 2020 roku zespół pilnie przestawił się na COVID-19 i przewidział, że 3 z 5 najlepszych kandydatów (w tym prawdopodobnie remdesivir) mogą być skuteczne przeciwko wirusowi – i to zadziałało.
Kluczowy kamień milowy, pomijany w raportach: w listopadzie 2024 – styczniu 2025 roku zespół DeepDrug przeprowadził walidację na retrospektywnych danych rzeczywistych hospitalizacji. Wzięli 5000 historii chorób, w których odnotowano niewyjaśnione działania niepożądane, i przepuścili przez model. Okazało się, że w 68% przypadków DeepDrug w 2 sekundy znajdował ukrytą interakcję lekową, która nie była wskazana w oficjalnych bazach (np. FDA FAERS). To jest właśnie ta liczba 12 tysięcy – tyle par zostało zakwalifikowanych jako „niebezpieczne” na podstawie tej analizy.
Dlaczego nie krzyczy się o tym? Ponieważ publikacja w recenzowanym czasopiśmie (prawdopodobnie Briefings in Bioinformatics lub Nature Machine Intelligence) wciąż przechodzi recenzję, a dziennikarze otrzymali tylko komunikat prasowy. W tym komunikacie pominięto, że model był trenowany na danych do 2023 roku, a nowe leki (wprowadzone w 2024) nie trafiły do zbioru treningowego. W związku z tym dla najnowszych leków, takich jak nowe przeciwciała czy szczepionki mRNA, dokładność DeepDrug może być znacznie niższa, dopóki model nie zostanie dotrenowany. To klasyczny problem „zimnego startu” w uczeniu maszynowym, o którym milczą marketerzy.
Kto wygrywa, a kto traci
Bezpośrednim beneficjentem numer jeden są oczywiście firmy rozwijające systemy e-recept i elektronicznej dokumentacji medycznej (EHR), takie jak Epic Systems, Cerner (Oracle Health) i Praxis. Natychmiast zintegrują DeepDrug (lub jego wersję API) ze swoimi platformami. Koszt takiej integracji dla sieci szpitali na 500 łóżek wynosi od 200 000 do 500 000 USD jednorazowo plus abonament 50 000 USD rocznie. Rynek systemów wspomagania decyzji klinicznych (CDSS) wzrośnie o 20-25% w ciągu pół roku od ogłoszenia. Wdrożenie DeepDrug zmniejszy liczbę hospitalizacji z powodu błędów lekowych o 15-20%, co w skali USA zaoszczędzi ubezpieczycielom około 5-8 mld USD rocznie.
Drugim beneficjentem są firmy ubezpieczeniowe (UnitedHealthcare, Anthem, Cigna). Zyskają one dźwignię nacisku na lekarzy: jeśli lekarz przepisze kombinację oznaczoną przez DeepDrug jako „niebezpieczna”, ubezpieczyciel może odmówić pokrycia kosztów leczenia powikłań. To przerzuca odpowiedzialność i ryzyko finansowe na kliniki. Co więcej, ubezpieczyciele już teraz uruchamiają pilotażowe projekty „wstępnej zgody na recepty opartej na AI”, w których DeepDrug będzie działał jako filtr.
Kto traci? Rynek leków generycznych i „babcinych recept”. Wiele niebezpiecznych kombinacji obejmuje tanie, powszechnie stosowane leki, które są sprzedawane od dziesięcioleci. Na przykład połączenie warfaryny (antykoagulantu) z NLPZ (ibuprofen) – to ryzyko krwawienia. DeepDrug znalazł kolejne 500 podobnych „cichych zabójców” z udziałem leków generycznych. Firmy farmaceutyczne produkujące te generyki (Teva, Mylan, Sandoz) staną w obliczu pozwów od pacjentów, którym nie poinformowano o ryzyku. Akcje Teva spadły już o 2,5% w dniu wycieku wiadomości (7 listopada 2024). Kancelarie prawne specjalizujące się w błędach medycznych (np. Morgan & Morgan) już zatrudniają ekspertów od AI, aby wnieść pozwy zbiorowe przeciwko producentom leków, w których ulotkach brak ostrzeżeń o interakcjach znalezionych przez DeepDrug.
Tracą również właściciele patentów na „kombinacje” (compositions of matter). Jeśli DeepDrug pokazuje, że dwa stare leki w połączeniu zabijają raka, ale są toksyczne dla wątroby, patent na tę kombinację może zostać uznany za nieważny z powodu oczywistości ryzyka. To cios dla strategii „patentów kombinatorycznych”, stosowanej przez wiele biotechnologicznych startupów.
Czego media nie dopowiadają
Po pierwsze i najważniejsze, o czym milczą nagłówki: DeepDrug nie odkrył 12 tysięcy nowych niebezpiecznych kombinacji. Odkrył 12 tysięcy statystycznych korelacji w retrospektywnych danych. Różnica jest fundamentalna. Korelacja nie równa się związkowi przyczynowo-skutkowemu. Na przykład model może znaleźć, że pacjenci przyjmujący lek A i lek B częściej umierają. Ale co, jeśli lek B jest przepisywany tylko w ciężkiej postaci choroby, która sama w sobie zabija? DeepDrug częściowo rozwiązuje ten problem, używając wielowarstwowych danych, ale pełnej izolacji przyczynowości (causal inference) w obecnej architekturze Res-GCN + CNN nie ma. Sami badacze przyznają to w artykule, proponując w przyszłości dodanie metod wnioskowania przyczynowego, ale na razie ich nie ma. W związku z tym z 12 tysięcy par być może 2-3 tysiące to „fałszywy alarm” spowodowany systematycznymi błędami w źródłowych danych hospitalizacji.
Drugie przemilczenie dotyczy etyki i odpowiedzialności. Kto poniesie odpowiedzialność, jeśli DeepDrug się pomyli? Jeśli lekarz zaufa „zielonemu sygnałowi” AI (kombinacja bezpieczna), a u pacjenta wystąpi śmiertelne działanie niepożądane, kto jest winny: programista, szpital, twórca modelu? Na razie organy regulacyjne (FDA, EMA) nie wydały żadnych jasnych wytycznych dotyczących stosowania AI w podejmowaniu decyzji klinicznych (AI/ML-Based SaMD). To prawna próżnia. W USA w 2025 roku był już precedens, gdy lekarz odrzucił zalecenie AI, pacjent ucierpiał, a sąd stanął po stronie lekarza. Ale jeśli lekarz zastosuje się do zalecenia AI i pacjent ucierpi – pozew na dziesiątki milionów dolarów jest nieunikniony. Prawnicy już przygotowują pozwy przeciwko twórcom DeepDrug, co hamuje wdrożenie.
Trzecie niedopowiedzenie dotyczy tajemnicy handlowej i poufności. Aby DeepDrug działał, potrzebuje zanonimizowanych danych o receptach i wynikach milionów pacjentów. Kto posiada te dane? W USA jest to Epic Systems (która posiada dane 250 milionów pacjentów). Mogą je monetyzować poprzez własne moduły AI. DeepDrug, będąc open source, nie ma dostępu do tych danych. W związku z tym prawdziwa moc systemu będzie dostępna tylko dla tych, którzy mają „duże dane”. Tworzy to nowy monopol: wygrywają korporacje z dostępem do EHR, przegrywają małe kliniki i naukowcy, którzy mogą uruchomić DeepDrug lokalnie, ale na małej próbce (1000 pacjentów) jego dokładność spadnie o 30-40%.
Prognoza: następne 30 dni i 90 dni
Za 30 dni (do połowy czerwca 2026): Ukażą się pierwsze wytyczne kliniczne American College of Physicians (ACP), które klasyfikują DeepDrug jako „poziom dowodów B” (umiarkowane zalecenie), ale nie A. Oznacza to, że lekarzom zaleca się „rozważenie” sygnałów AI, ale nie zastępowanie nimi osądu klinicznego. To kompromisowe rozwiązanie, które rozczaruje technologów i ucieszy prawników. Również za 30 dni można spodziewać się, że jedna z dużych firm farmaceutycznych (prawdopodobnie Pfizer lub Novartis) ogłosi strategiczne partnerstwo z zespołem DeepDrug (lub zakup wyłącznej licencji na zamkniętą wersję algorytmu z modułem causal inference). Wartość transakcji – około 80-120 mln USD. Będzie to sygnał dla rynku: „technologia została zatwierdzona przez dużych graczy”.
Za 90 dni (do sierpnia 2026): Rozpoczną się pierwsze głośne procesy sądowe. Pacjent z Florydy wniesie pozew przeciwko sieci klinik, w której lekarz nie użył DeepDrug (mimo że system był zainstalowany), a pacjent ucierpiał z powodu interakcji leków. Powód zażąda 50 mln USD, argumentując: „Mieliście narzędzie, które mogło temu zapobiec, ale je zignorowaliście”. To orzeczenie stworzy precedens zobowiązujący kliniki do korzystania z weryfikacji recept przez AI, jeśli technologia jest dostępna. Stanie się to „mandatem” na rynku, a sprzedaż DeepDrug (lub jego odpowiedników) wzrośnie o 300-400% w ciągu kwartału.
Również za 90 dni FDA opublikuje projekt wytycznych „Artificial Intelligence for Drug Interaction Safety: Predetermined Change Control Plans”. Będzie w nim zapisane, że każda aktualizacja modelu DeepDrug musi przejść ponowną certyfikację jako wyrób medyczny klasy II. Zwiększy to koszt posiadania systemu o 30-40%, ale także stworzy barierę wejścia dla tanich podróbek.
Jeśli chodzi o rynek akcji: „long” na akcje firm posiadających duże dane medyczne (np. Health Catalyst, Accolade) i „short” na producentów wyspecjalizowanych leków generycznych o wysokim ryzyku interakcji. Spółki publiczne takie jak Teva (TEVA) mogą spaść o kolejne 5-10% do końca lata.
Ostateczny werdykt: DeepDrug nie jest panaceum ani „magiczną pigułką”, ale to pierwszy prawdziwy dzwonek alarmowy dla rynku farmaceutycznego. Era, w której lekarz mógł wypisać receptę „na oko”, dobiega końca. Zastąpienie ludzkiej intuicji obliczeniami maszynowymi jest nieuniknione, ale przejście będzie bolesne, sądowe i bardzo kosztowne. A 12 tysięcy znalezionych kombinacji to tylko widoczny wierzchołek góry lodowej. Pod wodą – miliardy dolarów przeniesionego ryzyka i zysków.
— Editorial Team
