AI w medycynie: umowa za 1,1 mld dol., recepty od robotów i przełomy w onkologii

W tym tygodniu w dziedzinie technologii zdrowia sztuczna inteligencja przeniosła się z artykułów naukowych do sal operacyjnych, aptek i gabinetów zarządów, gdzie podejmowane są decyzje za miliardy dolarów. Pięć historii — każda z nich sygnałem, w jakim kierunku zmierza medycyna — maluje obraz branży przyspieszającej szybciej, niż regulatorzy i etycy są w stanie nadążyć.

METiS TechBio i Eli Lilly podpisują umowę o wartości 1,1 mld dol. na dostarczanie leków z pomocą AI

Największy nagłówek tygodnia pojawił się dzięki METiS TechBio — szanghańskiemu startupowi, który używa AI do projektowania lipidowych nanocząsteczek — malefinych tłuszczowych otoczek przenoszących leki RNA do konkretnych tkanek w organizmie. Eli Lilly podpisała umowę wartą do 1,1 mld dol. na dostęp do platformy METiS w celu opracowania terapii RNA nowej generacji.

Główny problem, który rozwiązuje METiS, jest uparty. Leki RNA — w tym szczepionki mRNA i leki oparte na interferencji RNA — są niezwykle obiecujące, ale dostarczenie ich do właściwej tkanki bez degradacji i bez wywołania odpowiedzi immunologicznej jest niezwykle trudne. Tradycyjny projekt nanocząsteczek opierał się na kosztownych, powolnych pracach laboratoryjnych metodą prób i błędów. METiS szkoli modele uczenia maszynowego na danych dotyczących struktury molekularnej, by przewidzieć, które preparaty lipidowe trafią do konkretnego narządu — znacząco skracając czas i koszty opracowania.

Dla Eli Lilly umowa to zakład, że zaprojektowane przez AI nośniki odblokują zupełnie nową klasę leków RNA do leczenia chorób metabolicznych, nowotwrów i nie tylko. Dla całej branży sygnalizuje to, że giganci farmaceutyczni są gotowi płacić wielomiliardowe kwoty za infrastrukturę AI — nie tylko za cząsteczki odkryte przy użyciu AI, lecz również za narzędzia do bezpiecznego dostarczania tych cząsteczek do pacjentów.

Utah staje się pierwszym stanem USA, w którym AI może wypisywać recepty bez lekarza

Ten krok natychmiast przyciągnął ogólnokrajową uwagę — i ostrą krytykę ze strony Amerykańskiego Stowarzyszenia Medycznego — gdy Utah po cichu zmieniło w tym miesiącu zasady swojego regulacyjnego „sandboxa”, umożliwiając systemowi AI firmy Nolla Health wystawianie recept na określone leki na trądzik bez żadnego udziału lekarza.

W ramach tego rozwiązania pacjent wypełnia cyfrowy kwestionariusz, AI analizuje odpowiedzi i recepta jest automatycznie generowana i wysyłana do apteki. Żadny lekarz nie sprawdza przypadku. Żadny klinicysta nie składa podpisu.

Zwolennicy argumentują, że w prostych przypadkach dermatologicznych — nastolatek z łagodnym trądzikiem szukający miejscowego retinoidu — obowiązkowa kontrola lekarska dodaje koszty i opóźnienie bez istotnej poprawy bezpieczeństwa. Regulacyjny „sandbox” Utah został stworzony właśnie po to, by testować takie innowacje w kontrolowany sposób, a departament zdrowia stanu może monitorować wyniki i cofać pozwolenia, jeśli pojawią się problemy.

Krytycy na czele z AMA kontrargumentują, że usunięcie nadzoru lekarskiego z pętli wypisywania recept tworzy niebezpieczny precedens. Leki na trądzik mogą wchodzić w interakcje z innymi lekami; pacjenci mogą nie zgłaszać pełnego obrazu objawów; systemy AI mogą przeoczyć kontekst, który wychwićłby wykwalifikowany klinicysta. AMA wezwała inne stany, by nie szły za przykładem Utah, dopóki nie będą dostępne długoterminowe dane dotyczące wyników.

Debata odzwierciedla prawdziwe napięcie w opiece zdrowotnej wspomaganej AI: zyski w efektywności są realne, ale równie realne są ryzyka wynikające z usunięcia ludzi z decyzji o wysokich stawkach. Utah w praktyce dobrowolnie podjęło się przeprowadzenia eksperymentu, który reszta kraju będzie uważnie obserwować.

Zaprojektowana przez AI szczepionka przeciwrakowa EVX-01 firmy Evaxion utrzymuje skuteczność po trzech latach

Duńska firma Evaxion Biotech przedstawiła dane z trzyletniego okresu obserwacji z badania fazy 2 dotyczącego EVX-01 — spersonalizowanej szczepionki przeciw czerniakowi zaprojektowanej w całości przez jej platformę AI PIONEER. Wyniki były uderzające: wszyscy pacjenci, u których zaobserwowano odpowiedź na szczepionkę, utrzymali ją w punkcie trzyletnich obserwacji, bez wykrytej progresji guza — w tym w podgrupie, która otrzymała szczepionkę jako monoterapię bez inhibitorów punktów kontrolnych.

Spersonalizowane szczepionki przeciwrakowe działają poprzez identyfikację mutacji unikalnych dla guza danego pacjenta i trenowanie układu odpornościowego do atakowania tych konkretnych markerów. Wyzwanie polega na tym, że mutacyjny „odcisk palca” guza każdego pacjenta jest inny, co sprawia, że projekt jest zarówno złożony naukowo, jak i czasochłonny. Platforma AI Evaxion przetwarza dane sekwencjonowania genomowego z biopsji pacjenta i przewiduje, które neoantigeny — zmutowane białka na powierzchni guza — z największym prawdopodobieństwem wywołają silną odpowiedź immunologiczną. Szczepionka jest następnie syntetyzowana i podawana w ciągu tygodni, a nie miesięcy.

Trzyletnie dane dotyczące trwałości w onkologii mają duże znaczenie. Wiele terapii immunologicznych wykazuje wczesną obietnicę, ale zanika, gdy guzy ewoluują i wymykają się odpowiedzi immunologicznej. Trwała remisja w całej kohorcie fazy 2 w tym punkcie czasowym wzmacnia argumenty za przejściem EVX-01 do większych badań. Evaxion wskazała, że planuje przejść do fazy 3 i zbadać zastosowania w dodatkowych typach nowotworów.

Zdjęcie twojej twarzy może teraz oszacować ryzyko przeżycia przy raku

Badacze z Mass General Brigham opublikowali w tym tygodniu w The Lancet Digital Health artykuł przedstawiający FAHR-Face — model fundamentalny wytrenowany na około 40 milionach zdjęć, który szacuje biologiczny wiek osoby i ryzyko przeżycia na podstawie jednego zdjęcia twarzy.

Idea, że twarz koduje informacje zdrowotne, nie jest nowa — lekarze od dawna zauważają, że pacjenci wyglądający starzej niż wskazuje ich wiek chronologiczny mają tendencję do gorszych wyników. FAHR-Face polega na skwantyfikowaniu tej intuicji w dużej skali. Model był wstępnie trenowany na ogromnym zbiorze danych złożonym ze zdjęć powiązanych z dokumentacją medyczną, ucząc się wyodrębniać cechy — teksturę skóry, symetrię twarzy, subtelne asymetrie — które korelują z biologicznym starzeniem się i obciążeniem chorobą. W populacjach onkologicznych szacunki biologicznego wieku modelu były znacznie lepszymi predyktorami pięcioletniego przeżycia niż sam wiek chronologiczny.

Kliniczne zastosowanie polega na zapewnieniu onkologom dodatkowego, nieinwazyjnego punktu danych podczas konsultowania pacjentów na temat intensywności leczenia. Pacjent, który ma 65 lat chronologicznie, ale którego twarz jest oceniana biologicznie na 75, może być kandydatem do mniej agresywnego schematu; 70-latek oceniany na 60 może tolerować i czerpać korzyści z bardziej intensywnego podejścia.

Badacze ostrożnie przedstawiają FAHR-Face jako narzędzie wspomagające podejmowanie decyzji, a nie diagnostyczne. Przyznają też, że model był trenowany głównie na danych z pewnych grup demograficznych i będzie wymagał walidacji w bardziej zróżnicowanych populacjach przed szerokim wdrożeniem klinicznym.

Percival z Penn Medicine wykrywa sygnały chorób ukryte w zwykłych badaniach TK

Ostatnia historia tygodnia pochodzi z Penn Medicine, gdzie model AI — Percival — był trenowany na setkach tysięcy badań tomografii komputerowej, by wykrywać wczesne sygnały chorób, które radiolodzy rutynowo pomijają, ponieważ wykraczają poza pierwotny cel kliniczny badania.

Gdy pacjent przechodzi badanie TK klatki piersiowej w celu oceny guzka płucnego, radiolog skupia się na płucach. Percival, wytrenowany do analizowania całego obrazu, zauważył wzorce w gęstości kości, zwapnieniu naczyń i składzie ciała, które korelują z przyszłymi zdarzeniami sercowo-naczyniowymi, osteoporozą i cukrzycą — stanami, o których pacjent może nie wiedzieć i których kierujący lekarz nie szukał.

Model został zwalidowany w badaniu opublikowanym w tym tygodniu, pokazując, że przypadkowe znaleziska Percivala były predyktywne dla diagnoz klinicznych postawionych miesiące lub lata po pierwotnym badaniu. W kilku przypadkach wczesne ostrzeżenia od Percivala mogły zapoczątkować interwencje profilaktyczne, które mogłyby zapobiec hospitalizacjom.

Penn Medicine przedstawia Percivala jako krok w kierunku prawdziwie proaktywnej opieki zdrowotnej: systemu, który przekształca każde rutynowe badanie obrazowe w szeroką okazję do badań przesiewowych. Wyzwaniem, jak przyznają badacze, jest zarządzanie klinicznymi i psychologicznymi konsekwencjami przypadkowych znalezisk — nie każdy pacjent chce wiedzieć o każdym potencjalnym przyszłym ryzyku, a nie każdy sygnał uzasadnia interwencję.

---

Łącząc te wszystkie wątki, historie tego tygodnia opisują branżę w punkcie zwrotnym. AI nie jest już w medycynie ciekawostką badawczą; przepisuje leki, projektuje szczepionki, analizuje twarze i skanuje ciała w poszukiwaniu ukrytych sygnałów. Pytanie brzmi teraz nie czy AI zmieni opiekę zdrowotną, lecz jak szybko instytucje, regulatorzy i pacjenci dostosują się do świata, w którym maszyna jest często pierwszym — a czasem jedynym — klinicystą w łańcuchu opieki.