Воспроизводимость аналитики ИИ повышает доверие к исследованиям в медицине

Индустрия здравоохранения и медико-биологических наук демонстрирует ускоренное внедрение искусственного интеллекта в рабочие процессы. По данным ItWeek, современные технологии обеспечивают рост эффективности и стимулируют появление инновационных методов лечения. Национальная академия наук, инженерии и медицины (NASEM) дала свои рекомендации по эффективному и безопасному использованию моделей искусственного интеллекта для анализа больших массивов данных при разработке лекарственных препаратов.

Исследование Американской медицинской ассоциации подтверждает популярность новых инструментов среди профессионального сообщества: 66% врачей сообщили об использовании ИИ, тогда как в 2023 году этот показатель составлял 38%. Специалисты применяют технологии для планирования лечения, ведения документации и взаимодействия с пациентами. При этом 72% биомедицинских исследователей указывают на наличие проблемы воспроизводимости полученных данных. Журнал Nature ранее сообщал о невозможности повторить результаты чужих экспериментов в 70% случаев.

Воспроизводимая аналитика позволяет получать одинаковые результаты при использовании идентичного кода, данных и условий среды. Проблема часто возникает из-за разделения команд между экосистемами R и Python, зависимости от ситуативных рабочих процессов и несоответствия сред. В условиях жесткого регулирования такие ошибки снижают достоверность научных выводов и создают риски при проверках регуляторами и экспертных оценках. ИИ может только усугубить эту проблему, масштабируя несоответствия.

Точность аналитики напрямую влияет на разработку медикаментов и понимание природы заболеваний. Воспроизводимость ИИ необходима для прохождения аудита со стороны регуляторов через длительное время после завершения проекта. Согласованность данных гарантирует безопасность людей при принятии клинических решений на основе алгоритмов.

Так, американская компания, специализирующаяся на эпигенетическом тестировании, TruDiagnostic продемонстрировала пример успешного решения этой проблемы при обработке 80 000 биологических образцов. Организация объединила рабочие среды для исключения разрозненности инструментов. Данный подход позволил сократить расходы на облачную инфраструктуру на 60%. Производительность обучения статистических моделей при этом увеличилась в 10 раз.

Подробнее о том, как обеспечивать соответствие требованиям GxP, эффективно интегрировать ИТ-системы и измерять возврат инвестиций от внедрения нейросетей, расскажут эксперты на Четырнадцатой конференции «Цифровые технологии в фармацевтике: фокус на импортозамещении и повышении эффективности». Мероприятие пройдет 27 мая 2026 года в Москве.