ИИ в фармацевтике: прогнозирование рентабельности новых проектов

Я помогаю предпринимателям и топ-менеджерам увидеть новые возможности в развитии бизнеса с помощью моделей и сервисов искусственного интеллекта.

И сегодня я хочу поделиться своей историей того, как я пришел к идее реализации модели искусственного интеллекта для крупных фармацевтических компаний (в частности, компании Pfizer)

Начало Пути

Все началось, когда я был студентом первого курса аспирантуры на экономическом факультете Московского государственного университета. Как и многие аспиранты, я раздумывал о том, на какую тему писать диссертацию. Изначально моя тема была связана с машинным обучением в сфере банкинга, но, по бюрократическим причинам, пришлось искать иную область исследования.

Я начал копать в направлении медицины, чтобы понять, где и как ИИ может быть применен, так как медицина казалась мне довольно нецифровизированной средой, куда можно было бы интегрировать новую перспективную технологию. Выяснилось, что основные направления для внедрения искусственного интеллекта включают:

1. Маркетинг — работать с маркетингом мне было не очень интересно.

2. Аппаратное обеспечение — устройства для  различного типа медицинских анализов, это, конечно было интересно, но диссертационный совет по экономике вряд ли бы принял такую работу.

Поняв это, я начал искать ближайшую к медицине область, где мои навыки могли бы быть полезны. Выяснилось, что фармацевтика — именно та сфера, где можно найти множество интересных вызовов и проблем для исследования. Забегая вперед, стоит сказать, что здесь было все намного более недружелюбно к технологиям, чем в медицине, поэтому поле для работы огромно.

Итак, я решил углубиться в изучение бизнес-процессов крупных фармацевтических компаний, чтобы понять, какие там существуют проблемы и где можно применить ИИ для автоматизации и оптимизации.

Идея для Pfizer

После детального анализа процесса производства нового лекарственного препарата фармацевтическими компаниями я обнаружил несколько ключевых проблем, которые могли бы быть решены с помощью ИИ. Это натолкнуло меня на идею разработать модель ИИ для одной из крупнейших компаний в этой отрасли — Pfizer.

Доход фармацевтических компаний во многом зависят от правильного прогноза долгосрочного развития своих инновационных проектов. Конечно, существуют и другие риски, которые могут не позволить лекарству вообще выйти на рынок, но правильное определение выборки проектов, в которую стоит инвестировать огромные деньги и время является залогом экономического успеха в случае преодоления технических условия разработки и тестирования препарата.

Процесс разработки нового фармацевтического препарата может занимать в среднем 13 лет и 6 месяцев — так дела обстоят, например, в США, крупнейшем фармацевтическом рынке мира. Основную часть этого времени занимают клинические испытания, которые стоят фармацевтическим компаниям десятки или даже сотни миллионов долларов в год. Шансы на успешное прохождение всех этапов разработки и одобрения лекарства составляют всего 11,4%. Иначе говоря, из каждой десятки препаратов, на которые были потрачены средства для клинических испытаний, только один выйдет на рынок.

Но даже после того, как новый препарат получит лицензию на продажу, нет гарантий, что он будет приносить доход и окупится в ближайшие годы. Например, в начале пандемии COVID-19 весной 2020 года многие крупные фармацевтические компании не решались начинать разработку новых вакцин именно по этой причине. У корпораций не было уверенности в том, что на новую вакцину будет достаточный спрос в будущем.

Соответственно, я увидел большую необходимость в разработке методологии дополнительной оценки инновационно-инвестиционных фармацевтических проектов на ранних стадиях (до принятия решения об инвестировании в доклинические и клинические испытания) . Так как разработка новых лекарственных средств — это долгий, дорогой и рискованный процесс, и любое улучшение в процессе оценки перспектив новых препаратов может иметь значительное влияние.

Для ответа на этот вопрос были собраны и использованы материалы Управления по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) США, данные из государственного реестра лекарственных средств Министерства здравоохранения РФ и другие специализированные источники.

Выборка составила 64 инновационных лекарственных средства с 21 характеристикой для каждого, т.е. суммарно 1280 признаков.

Далее была проведена предобработка данных, произведено деление на обучающую и тестовую выборку, определены семь ИИ алгоритмов и проведено обучение.

В результате, только один из алгоритмов, на тестовой выборке,  показал точность прогнозирования 72%, что являлось статистически значимым научным результатом.

Т.е. такая точность позволяла считать выдвинутую гипотезу и методологию оценки экономической рентабельности проектов на этапе их отбора в фармацевтических компаниях проверенной.

Что это дает фармацевтическим компаниям?

Разработанная модель может быть использована фармацевтическими компаниями для предварительной оценки экономической рентабельности инновационных проектов на ранней стадии разработки.

Преимущества использования такой модели для фармацевтических компаний являются:

- Снижение рисков: Возможность прогнозирования экономической рентабельности на ранних стадиях поможет фармацевтическим компаниям принимать более обоснованные решения о вложении средств в инновационные проекты.

- Экономия ресурсов: Снижение вероятности вложения средств в неперспективные проекты, что может значительно сократить затраты на разработку новых препаратов.

После того как я провел тестирование, мне нужно было подтверждение, что проблема действительно существует и что предложенное решение будет полезным для фармацевтических компаний. Я также хотел узнать, смогут ли они использовать его в будущем. В ходе работы мне удалось связаться с представителем компании Pfizer. Он просмотрел мою работу, дал свое заключение и оценил ее позитивно.

Вывод из всей этой истории очевиден: современные технологии, в частности ИИ, предоставляют мощные инструменты для автоматизации процессов в компаниях любого размера. Они не только позволяют прогнозировать будущие продажи, но и способствуют увеличению прибыли и оптимизации затрат.

Было полезно?