Штучний інтелект

Анотація: Стаття присвячена концептуальному аналізу ШІ як об’єкта інформаційної фармакології, із фокусом на визначення межі між його роллю як допоміжного інструменту та як самостійного лікувального фактора. Запропоновано розмежування між фармакологічною інформатикою та інформаційною фармакологією як двома рівнями аналізу терапевтичної дії - інструментальним і онтологічним відповідно. У роботі сформульовано операційні критерії віднесення систем штучного інтелекту до інформаційних лікарських засобів, зокрема через їхню здатність здійснювати дозозалежний, відтворюваний та клінічно значущий вплив на перебіг патологічних процесів. Окрему увагу приділено проблемі співвідношення матеріальних (молекулярних) та інформаційних засобів терапії, які розглядаються як концептуально споріднені, але онтологічно відмінні класи лікувальних агентів. Проведено порівняльний аналіз фармакодинаміки та фармакокінетики матеріальних і інформаційних лікарських засобів, що дозволяє описати інформаційні ефекти в термінах терапевтичного вікна, дози, ефективності та ризику. Розглянуто роль формальних моделей у класичній та інформаційній фармакології, зокрема як інструментів стандартизації, прогнозування та регуляторної оцінки. Завершальну частину роботи присвячено аналізу юридичних та етичних рамок застосування інформаційної фармакології в умовах розвитку цифрової медицини та автономних терапевтичних систем.

Ключові слова: інформаційна фармакологія; фармакологічна інформатика; штучний інтелект; цифрові терапевтики; інформаційні лікарські засоби; фармакодинаміка; фармакокінетика; етика та регуляція

Посилання:

1. Paul, D., Sanap, G., Shenoy, S., Kalyane, D., Kalia, K., & Tekade, R. K. (2021). Artificial intelligence in drug discovery and development. Drug discovery today, 26(1), 80–93. https://doi.org/10.1016/j.drudis.2020.10.010
2. Ward, I. R., Wang, L., Lu, J., Bennamoun, M., Dwivedi, G., & Sanfilippo, F. M. (2021). Explainable artificial intelligence for pharmacovigilance: What features are important when predicting adverse outcomes? Computer Methods and Programs in Biomedicine, 211, Article 106415. https://doi.org/10.1016/j.cmpb.2021.106415
3. Golovenko M. YA., Larionov V.B. Benefit - Risk Ratio Pharmacotherapy and Medical AI Commonalities and Differences. In: Public Health System in Ukraine and European Union Countries: Realities, Transformation, Development Vectors, Prospects: Scientific monograph. Riga, Latvia. “Baltija Publishing”, 2026. P. 459 - 469.
4. Головенко, М. Я., & Ларіонов, В. Б. (2025). Інформаційне вікно як методологія оцінки співвідношення безпеки та ефективності медичних систем штучного інтелекту. Artificial Intelligence, (4), 10–23. https://doi.org/10.15407/jai2025.04.010
5. Li, B., Tan, K., Lao, A. R., Wang, H., Zheng, H., & Zhang, L. (2024). A comprehensive review of artificial intelligence for pharmacology research. Frontiers in Genetics, 15, Article 1450529. https://doi.org/10.3389/fgene.2024.1450529
6. Sekhon, M., Cartwright, M., & Francis, J. J. (2017). Acceptability of healthcare interventions: An overview of reviews and development of a theoretical framework. BMC Health Services Research, 17(1), Article 88. https://doi.org/10.1186/s12913-017-2031-8
7. Потапова, Т. М., Слєсарчук, В. Ю., & Логвиненко, Н. В. (2024). Світовий досвід і перспективи застосування штучного інтелекту в освітньому процесі та у фармацевтичній практиці. Медична освіта, (1), 53–58.
8. Шостакович-Корецька, Л. Р., & Копча, В. С. (2025). Використання штучного інтелекту в клінічній медицині й наукових дослідженнях. Медична освіта, (1), 99–106.
9. Abdeldjouad, F. Z., Brahami, M., & Sabri, M. (2023). Evaluating the effectiveness of artificial intelligence in predicting adverse drug reactions among cancer patients: A systematic review and meta-analysis. In 2023 IEEE International Conference Challenges and Innovations on TIC (I2CIT) (pp. 1–8). IEEE. https://doi.org/10.48550/arXiv.2404.0576
10. Zheng, Y., Koh, H. Y., Yang, M., Li, L., May, L. T., Webb, G. I., Pan, S., & Church, G. (2024). Large language models in drug discovery and development: From disease mechanisms to clinical trials. arXiv. https://doi.org/10.48550/arXiv.2409.04481
11. Schneider, G. (2020). Automating drug discovery. Nature Reviews Drug Discovery, 19, 69–70. https://doi.org/10.1038/d41573-019-00192-0
12. Meadows, D. H., Meadows, D. L., Randers, J., & Behrens III, W. W. (1972). The limits to growth: A report for the Club of Rome's project on the predicament of mankind. New York, NY: Universe Books
13. Панкратова, Н. Д. (2018). Системний аналіз: Теорія та застосування [Підручник]. Київ: Наук. думка.
14. Бех, В. П., Бех, Ю. В., & Туленков, М. В. (2019). Механізми системного мислення особистості: Структурно-функціональний контекст. Актуальні проблеми соціології, психології, педагогіки: збірник наукових праць, (4(43)), 22–33. Київ: КНУ імені Тараса Шевченка.
15. Данильян, О. Г., & Дзьобань, О. П. (2019). Методологія наукових досліджень [Підручник]. Харків: Право.
16. Ekins, S. (2007). Computational toxicology: Risk assessment for pharmaceutical and environmental chemicals. Hoboken, NJ: John Wiley & Sons.
17. Zhao, L., Ciallella, H. L., Aleksunes, L. M., & Zhu, H. (2020). Advancing computer-aided drug discovery (CADD) by big data and data-driven machine learning modeling. Drug discovery today, 25(9), 1624–1638. https://doi.org/10.1016/j.drudis.2020.07.005
18. Testa, B., van de Waterbeemd, H. Pharmacokinetic Optimization in Drug Research. Wiley-VCH, 2001.
19. O’Connor, S., et al. (2019). Digital therapeutics and the future of medicine. npj Digital Medicine, 2, 1–4.
20. Torous, J., Bucci, S., Bell, I. H., Kessing, L. V., Faurholt Jepsen, M., Whelan, P., Carvalho, A. F., Keshavan, M., Linardon, J., & Firth, J. (2021). The growing field of digital psychiatry: Current evidence and the future of apps, social media, chatbots, and virtual reality. World Psychiatry, 20(3), 318–335. https://doi.org/10.1002/wps.20883
21. Rang, H. P., Ritter, J. M., Flower, R. J., & Henderson, G. (2020). Rang & Dale’s pharmacology (9th ed.). Elsevier.
22. Collins, F. S., & Varmus, H. (2015). A new initiative on precision medicine. The New England journal of medicine, 372(9), 793–795. https://doi.org/10.1056/NEJMp1500523
23. Hood, L., & Friend, S. H. (2011). Predictive, personalized, preventive, participatory (P4) cancer medicine. Nature reviews. Clinical oncology, 8(3), 184–187. https://doi.org/10.1038/nrclinonc.2010.227
24. Topol E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
25. Holzinger, A., Biemann, C., Pattichis, C. S., & Kell, D. B. (2017). What do we need to build explainable AI systems for the medical domain? arXiv. https://doi.org/10.48550/arXiv.1712.09923
26. Головенко, Н. Я. (2004). Физико-химическая фармакология (720 с.). Астропринт.
27. Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books. ISBN 9780465097609
28. Kenakin, T. (2014). A pharmacology primer: Theory, applications, and methods (4th ed.). Academic Press. ISBN 9780124076631.
29. Street R. L., Jr (2013). How clinician-patient communication contributes to health improvement: modeling pathways from talk to outcome. Patient education and counseling, 92(3), 286–291. https://doi.org/10.1016/j.pec.2013.05.004
30. U.S. Food and Drug Administration. (2022). Digital health technologies for remote data acquisition in clinical investigations. U.S. Food and Drug Administration.
31. Klasnja, P., Hekler, E. B., Shiffman, S., Boruvka, A., Almirall, D., Tewari, A., & Murphy, S. A. (2015). Microrandomized trials: An experimental design for developing just-in-time adaptive interventions. Health psychology: official journal of the Division of Health Psychology, American Psychological Associa-tion, 34S(0), 1220–1228. https://doi.org/10.1037/hea0000305
32. Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. Stanford Center for Research on Foundation Models.
33. Головенко, М. Я. (2012). Фармакокінетичний моніторинг — запорука раціональної фармако-терапії. Журнал НАМН України, 18(4), 440–450.
34. Aleksić, S., Seeliger, D., & Brown, J. B. (2022). ADMET predictability at Boehringer Ingelheim: State of the art, and do bigger datasets or algorithms make a difference? Molecular Informatics, 41(2), 2100113. https://doi.org/10.1002/minf.202100113
35. Torous, J., & Blease, C. (2024). Generative artificial intelligence in mental health care: Potential benefits and current challenges. World Psychiatry, 23(1), 1–2. https://doi.org/10.1002/wps.21148
36. Головенко, М. Я. (2012). Філософія фармацевтичних інновацій. Вісник Національної академії наук України, (3), 59–66.
37. Amyx, M., Phi, N. T. T., Alebouyeh, F., Ravaud, P., & Tran, V. T. (2024). Mapping the Evidence Supporting Digital Therapeutics: A Review. JAMA internal medicine, 184(11), 1388–1390. https://doi.org/10.1001/jamainternmed.2024.4972
38. Rowland, M., & Tozer, T. N. (2011). Clinical pharmacokinetics and pharmacodynamics: Concepts and applications (4th ed.). Wolters Kluwer Health / Lippincott Williams & Wilkins. ISBN 9780781750097
39. Crisafulli, S., Santoro, E., Recchia, G., & Trifirò, G. (2022). Digital Therapeutics in Perspective: From regulatory challenges to post marketing surveillance. Frontiers in Drug Safety and Regulation, 2, 900946. https://doi.org/10.3389/fdsfr.2022.900946
40. Beauchamp, T. L., & Childress, J. F. (2019). Principles of biomedical ethics (8th ed.). Oxford University Press.
41. World Medical Association (2013). World Medical Association Declaration of Helsinki: ethical principles for medical research involving human subjects. JAMA, 310(20), 2191–2194. https://doi.org/10.1001/jama.2013.281053