Цифровизация клинических исследований: новые возможности применения искусственного интеллекта

Введение / Introduction

В XXI веке два таких взаимосвязанных элемента единой системы охраны здоровья человека как медицина и фармация переживают качественную трансформацию в условиях стремительной цифровизации и бурного развития искусственного интеллекта (ИИ) [1][2]. Ключевым фактором этих изменений выступает интеграция передовых цифровых технологий: больших языковых моделей (от англ. Large Language Models; LLM), алгоритмов машинного обучения, мультиомных аналитических платформ, систем компьютерного зрения для анализа медицинских изображений, а также решений для обработки данных с носимых устройств в реальном времени и сенсоров дистанционного мониторинга [3]. Представленные инструменты играют значимую роль в том числе на этапе клинических исследований лекарственных средств (ЛС); например, при уточнении критериев включения / невключения и стратификации пациентов, прогнозировании потенциальных нежелательных явлений (НЯ), выявлении и валидации референсных биомаркеров, а также уже на этапе анализа клинической данных [4][5].

В Российской Федерации развитие технологий искусственного интеллекта (ИИ) в здравоохранении отнесено к числу приоритетных направлений государственной политики, что закреплено Указом Президента РФ № 490 (ред. 15.02.2024) «О развитии искусственного интеллекта в Российской Федерации» [6]. Сопоставимые меры реализуются на международном уровне: «Европейский регламент об искусственном интеллекте» (от англ. Artificial Intelligence Act, 2024) и финальное правило HTI-1 (от англ. Health Data, Technology, and Interoperability: Certification Program Updates, Algorithm Transparency, and Information Sharing, 2023) Министерства здравоохранения США ориентированы на прозрачность при обмене цифровых данных, а также управлением рисками в области применения ИИ [7–9].

Тем не менее полноценное внедрение цифровых решений в рутинную практику на этапе клинических исследований (КИ) остаётся достаточно фрагментарным. Этот парадокс, получивший в научной литературе название «разрыв внедрения» (от англ. implementation gap) или «пропасть ИИ» (от англ. AI chasm), описывает системное несоответствие между скоростью научно-технического прогресса цифровизации и его фактической интеграцией на всех стадиях жизненного цикла ЛС [10][11].

Причины этого феномена многофакторны и включают технические, организационные и нормативно-правовые барьеры: отсутствие унифицированной валидации ИИ-моделей [12], ограниченная интерпретируемость сложных компьютерных моделей [13], неопределённость этических рамок [14][15]; неоднородность регулирования [16], а также банальный дефицит высококвалифицированных кадров [17]. Ситуацию усугубляет «линейная» модель внедрения цифровых технологий [18][19].

Несмотря на наличие значительного объёма исследований в специализированной литературе, комплексные методики интеграции ИИ в клиническую практику остаются лишь на ранней стадии развития. Отсутствие устоявшихся подходов к поэтапному внедрению и адаптации сложных компьютерных алгоритмов усиливает разрыв между лабораторными результатами и их реальным клиническим эффектом. Важнейшую роль в этом процессе играет грамотное управление клиническими исследованиями, которое, как подчёркивается в методическом руководстве под редакцией Белоусова Д. Ю., Зырянова С. К. и Колбина А. С., является основой для успешной разработки и внедрения новых лекарственных средств [20]. ИИ способен стать ключевым инструментом в руках исследователей, позволяя оптимизировать все этапы КИ, от планирования до анализа данных, и тем самым повысить их эффективность и качество.

В настоящем обзоре обобщены ключевые направления интеграции цифровых технологий в КИ, интегрирующие клинические, организационные, этические и регуляторные элементы, что позволяет не только унифицировать существующий опыт, но и предложить теоретическую основу для его воспроизводимой имплементации в рутинную исследовательскую практику.

Цель / Objective

Обобщить и систематизировать ключевые направления применения ИИ на этапе клинических исследований, выявить существующие барьеры и предложить решения для их преодоления.

Цифровые технологии на стадии разработки клинических исследований / Digital technologies
in clinical trial development

Искусственный интеллект представляют собой многоуровневую технологическую систему, включающую три взаимосвязанных блока: перцептивный интеллект (от англ. perceptual intelligence), отвечающий за способность «воспринимать» данные, аналогично человеческим органам чувств, с использованием технологий компьютерного зрения, распознавания речи и сенсорных систем [21][22]; когнитивный интеллект (от англ. cognitive intelligence), реализующий способность к логическим рассуждениям, индукции, выявлению закономерностей и накоплению знаний на основе методов обработки естественного языка, графов знаний и механизмов непрерывного обучения [23]; и наконец интеллект принятия решений (от англ. decision-making intelligence), ответственный за применение данных и алгоритмов для выбора оптимальных стратегий, включая автоматическое планирование, экспертные системы и платформы поддержки принятия решений (см. рис.) [24][25].

Интеграция всех трёх уровней ИИ в архитектуру клинических исследований позволяет автоматизировать критически важные процессы на всех ключевых этапах. К примеру, на стадии подготовки к КИ цифровые технологии могут быть задействованы при аналитическом обзоре доказательной базы и формулировании гипотезы в структуре PICO (от англ. Patient, Intervention, Comparison, Outcome) [26]; согласовании протокола эксперимента с исследовательскими центрами; при расчёте мощности и размера необходимой выборки пациентов; подготовке документов и индивидуальных регистрационных карт (ИРК) / электронных ИРК (англ. Case Report Form; CRF / electronic Case Report Form; eCRF) [27][28]; наконец для централизованной валидации критериев включения / невключения и маршрутизации пациентов между площадками. Так, например в последней работе Kudrin et al., был представлен мультимодальный ИИ-движок для прогнозирования исходов КИ, что позволило заранее оценить вероятность успеха исследования и скорректировать его дизайн [29].

В то же время, параллельно другие учёные Denniston [30] и Agboola et al. [31] отмечают, что качество прогнозов цифровых технологий напрямую зависит от полноты и репрезентативности обучающих данных. Предвзятость в «исторических данных» (то есть базовые критерии / показатели, по которым осуществляется первоначальный и последующие итерации обучения цифровой модели) может привести к систематическим ошибкам в дизайне исследования, что, в свою очередь, негативно скажется на валидности и обобщаемости результатов [32]. Это подчёркивает необходимость строгой валидации ИИ-моделей и постоянного мониторинга их производительности в реальных условиях.

Оптимизация рекрутинга и стратификации пациентов. Одним из наиболее ресурсозатратных этапов клинических исследований является рекрутинг пациентов, где сложность обусловлена как строгими критериями включения / невключения, так и необходимостью их строгой верификации [33][34]. Применение методов ИИ открывает возможности для радикального пересмотра этого процесса. Анализируя электронные медицинские карты (ЭМК), лабораторные показатели и даже неструктурированные клинические заметки, ИИ способен автоматически выделять потенциальных кандидатов, соответствующих сложным протокольным требованиям [35-37], что сокращает время скрининга и снижает затраты медицинского учреждения.

Однако значение таких цифровых систем выходит далеко за пределы простого подбора участников. Алгоритмы машинного обучения позволяют формировать так называемые «пациентские траектории» — динамические модели, в которых интегрируются данные из различных источников данных: от многолетней истории анализов до результатов молекулярно-генетического профилирования каждого отдельно взятого человека [38][39]. Такой подход не только оптимизирует размер выборки, но и способствует выявлению наиболее релевантных конечных точек (то есть измеряемых клинических исходов), адаптированных к специфике пациентских подгрупп [40]. Более того, использование ИИ для прогнозирования исходов на основе полных массивов персонализированных данных делает возможным переход от статичной схемы набора к гибкой, итеративной стратегии рекрутинга и стратификации [41].

Цифровые «двойники». Применение цифровых «двойников» представляет собой одно из наиболее перспективных направлений оптимизации клинических исследований. Этот инструмент представляет собой инновационную технологию ИИ, обученную на обширных ретроспективных данных и модельных предсказаниях; причём уже сейчас технология позволяют существенно сокращать необходимый объём выборки и сроки проведения КИ, сохраняя при этом статистическую значимость результатов [42][43].

В медицинской литературе данная концепция описана как TwinRCTs (от англ. Twin Randomized Controlled Trials), основанная на создании «виртуального аватара» для каждого участника на базе ретроспективных данных о течении заболевания [44], которая позволяет достоверно оценить эффективность терапии путём сопоставления фактического эффекта у пациента с прогнозируемым исходом его цифрового двойника, устраняя необходимость в обширных плацебо-группах [45][46].

Данный подход уже получил предварительное одобрение Европейского агентства лекарственных средств (англ. European Medicines Agency; EMA), которое в проекте руководящих принципов допустило использование цифровых двойников в качестве контроля на поздних фазах КИ, отметив отсутствие значимой систематической погрешности цифровой модели [47]. Это решение отражает постепенное смещение регуляторной политики в сторону признания модельных данных как валидного источника доказательств, хотя пока оно носит только пилотный характер и требует подтверждения на более широких массивах клинических данных.

Вызовы внедрения цифровых «двойников». Несмотря на очевидные преимущества, широкое внедрение «цифровых пациентов» в клиническую практику сопряжено с рядом существенных вызовов и ограничений.

Во-первых, критически важным аспектом является качество и репрезентативность исходных данных, на которых обучаются модели цифровых «двойников». Неполные, предвзятые или нерелевантные данные могут привести к созданию клонов, неточно отражающих реальную биологию и реакцию пациентов на терапию, что, в свою очередь, ставит под сомнение валидность результатов КИ [48, 49]. В свою очередь, диспропорция полового состава участников (в зарубежной литературе чаще обозначаемая термином «гендерный разрыв данных», от англ. gender data gap) и недостаточное представительство различных этнических групп в существующих базах данных наглядно иллюстрируют данное ограничение, подчёркивая необходимость системных мер по его преодолению для обеспечения справедливости и непредвзятой воспроизводимости моделей ИИ [50].

Во-вторых, интерпретируемость и прозрачность алгоритмов, лежащих в основе цифровых «двойников», остаются серьёзной проблемой. Для регуляторных органов и клиницистов крайне важно понимать, как именно модель приходит к своим предсказаниям, чтобы обеспечить доверие и безопасность её использования. Отсутствие такой прозрачности может стать барьером для широкого принятия технологии, несмотря на её потенциальную эффективность [19].

В-третьих, нормативно-правовая база для использования цифровых «двойников» в КИ находится на стадии формирования. Хотя Европейское агентство лекарственных средств демонстрирует открытость к инновациям, тем не менее отсутствие чётких, унифицированных стандартов для валидации, верификации и регулирования этих технологий замедляет их масштабирование. Необходимость разработки новых подходов к оценке надёжности и безопасности виртуальных контрольных групп, а также их сопоставимости с традиционными методами, является первостепенной задачей [51][52].

Преодоление вызовов, связанных с внедрением цифровых «двойников» в КИ, возможно лишь при условии международной координации усилий научного сообщества, регуляторов и специалистов в области здравоохранения и цифровых технологий. Ключевым направлением в данном контексте является развитие методов объяснимого ИИ (от англ. Explainable Artificial Intelligence; XAI) [53], что в теории позволит повысить прозрачность алгоритмов и обеспечить их интерпретируемость. В добавок, фундаментальной предпосылкой надёжности моделей является создание обширных и репрезентативных массивов данных, отражающих разнородные реальные «учебные датасеты» (лишённые при этом любого рода предвзятости) — то есть массивы клинических показателей, на которых будет обучаться цифровая модель, поскольку именно такой подход определит справедливость и корректность реальных прогнозов.

Оценка эффективности и безопасности лекарственного средства. Несмотря на то, что каждая фаза КИ имеет свои уникальные цели и значение, в контексте данной работы особый интерес представляет именно II фаза КИ, где формируются основы определения оптимального диапазона доз и режимов введения лекарственных средств, а также предварительная оценка терапевтической эффективности и безопасности препарата в целевой популяции (в добавок, в отличие от I фазы КИ, сосредоточенной преимущественно на безопасности ЛС, именно II фаза позволяет перейти к проверке гипотезы о клинической эффективности) [22][54].

Цифровые решения вносят фундаментальные изменения в методологию II фазы КИ, предлагая беспрецедентные возможности для оптимизации дозирования и прецизионной стратификации пациентов (табл. 1). Традиционные подходы, основанные на эмпирическом подборе доз и широких критериях включения, часто приводят к неоптимальным результатам, увеличивая продолжительность и стоимость исследований, а также подвергая пациентов риску неэффективного лечения или нежелательных реакций [55][56]. Модели ИИ, напротив, способны анализировать гетерогенные и высокоразмерные данные, включая мультиомиксные профили (геномные, транскриптомные, протеомные, метаболомные и др.), данные электронных медицинских карт и показатели с носимых устройств, что позволяет выявлять тонкие биомаркеры ответа на терапию и прогнозировать нежелательные явления на индивидуальном уровне [57][58].

Как отмечают Azenkot T et al. (2025 г.), применение ИИ в онкологических КИ II и III фаз значительно повышает эффективность отбора пациентов и их дальнейшую стратификацию, что критически важно для определения оптимальной дозы и выявления подгрупп пациентов с наилучшим соотношением польза / риск [59]. Аналогично, в работе Shoda K et al. (2025 г.) показано, как ИИ-алгоритмы могут оптимизировать дозирование в реальном времени, предоставляя обратную связь и автоматизируя систему рисков, что особенно актуально для сложных заболеваний, таких как рак желудка [60]. Это позволяет не только сократить количество пациентов, подвергающихся неэффективному лечению, но и ускорить процесс принятия решений о переходе к следующей фазе исследования.

ИИ также способствует разработке адаптивных дизайнов II фазы КИ, где протокол исследования может динамически корректироваться на основе промежуточных данных. Это включает изменение размера выборки, корректировку дозовых групп или перераспределение пациентов между группами на основе их индивидуального ответа. Подобные адаптивные стратегии, усиленные ИИ, позволяют более эффективно использовать ресурсы и быстрее достигать статистически значимых результатов [19]. Однако, несмотря на очевидные преимущества, внедрение ИИ во II фазу КИ сталкивается с вызовами, связанными с необходимостью в высококачественных, стандартизированных и репрезентативных данных, а также с вопросами валидации, интерпретируемости и регуляторного одобрения ИИ-решений [64].

Перспективы развития цифровых технологий / Future Prospects of Digital Technologies

Несмотря на значительные достижения, будущее ИИ в области исследования ЛС зависит от решения ряда фундаментальных проблем, выходящих за рамки чисто технологических аспектов. Можно полагать, что дальнейшее развитие должно быть сосредоточено на создании целостной экосистемы цифровых инструментов, где инновации гармонично будут сочетаться с этическими нормами, регуляторной ясностью и междисциплинарным сотрудничеством.

Одним из ключевых направлений является переход от изолированных ИИ-решений к интегрированным платформам, способным поддерживать весь жизненный цикл КИ (от начальной гипотезы на этапе «поиска молекулы» до пострегистрационного мониторинга уже финального лекарственного препарата). Так, Bhaskar SMM (2025 г.) в своей последней работе выдвигают схожее предположение. Исследователи считают, что будущее медицины за гибридными моделями, сочетающими предиктивную аналитику, генеративный ИИ и симуляционное моделирование — что позволит не только оптимизировать отдельные лабораторные этапы исследований ЛС, но и создавать динамические, самообучающиеся системы для непрерывного улучшения всех фаз КИ [65]. Это требует разработки новых стандартов интероперабельности данных и интерфейсов прикладного программирования (от англ. Application Programming Interface; API), обеспечивающих бесшовный обмен информацией между различными системами и участниками исследований. В контексте этих перспектив особое внимание уделяется квантовым технологиям, которые, как отмечают российские учёные Кобякова О. С. и др., открывают новые горизонты для здравоохранения, предлагая беспрецедентные возможности для обработки огромных объёмов данных и моделирования сложных биологических систем, что может значительно ускорить разработку новых лекарственных препаратов и персонализированных терапий [66].

Другим критически важным аспектом является решение проблемы «регуляторной неопределённости». Ezeogu FL et al. (2025 г.) подчёркивают, что, несмотря на отдельные инициативы, до сих пор отсутствуют глобальные, гармонизированные стандарты валидации и сертификации ИИ-алгоритмов для использования в КИ [67]. Это создаёт серьёзные барьеры для масштабирования и международного признания ИИ-решений. Будущие усилия должны быть направлены на создание международных рабочих групп с участием регуляторов, представителей индустрии и научного сообщества для разработки единых протоколов оценки надёжности, безопасности и эффективности ИИ-инструментов.

Кроме того, необходимо уделить особое внимание этическим и социальным аспектам внедрения ИИ. Вопросы этики применения искусственного интеллекта в здравоохранении особенно остро обсуждаются в области здравоохранения в российском научном сообществе сегодня. Как отмечают многие исследователи, разработка и внедрение этических кодексов / принципов являются ключевыми для обеспечения ответственного использования ИИ в медицинской практике [68–70]. При этом этические принципы, например прозрачность, справедливость, подотчётность и безопасность данных, должны быть интегрированы на всех этапах жизненного цикла ИИ-систем, от их проектирования до внедрения и мониторинга. Васильев Ю. А. и соавторы в своей работе рассматривают ещё одну сторону вопроса этики и цифровых технология, подчёркивая важность этических принципов при разработке систем искусственного интеллекта для здравоохранения на самом начальном этапе, а также акцентируя внимание на необходимость соблюдения конфиденциальности данных, предотвращения дискриминации и обеспечения автономии пациента [71]. В России уже принят «Кодекс этики применения искусственного интеллекта в сфере охраны здоровья», который служит важным ориентиром для всех участников процесса [74][75]. Этот документ призван обеспечить баланс между инновационным потенциалом ИИ и защитой прав и интересов пациентов, а также способствовать формированию доверия к новым технологиям в обществе.

С другой стороны, Rosenzweig M et al. (2924 г.) указывают на риск усугубления существующего неравенства в доступе к инновационным методам лечения, если ИИ-модели будут обучаться на данных, не отражающих всё разнообразие популяций [74]. Исследователи считают, данный аспект требует разработки методологий для оценки и снижения предвзятости в алгоритмах, а также создания механизмов общественного контроля и вовлечения пациентов в процесс разработки и внедрения ИИ-технологий.

Наконец, будущие исследования должны быть направлены на изучение долгосрочного влияния ИИ на клиническую практику и систему здравоохранения в целом. Это включает оценку экономической эффективности ИИ-решений, их влияния на качество медицинской помощи и удовлетворённость пациентов, а также на трансформацию ролей и компетенций медицинских работников. Можно предполагать, что успех ИИ будет измеряться не только технологическими прорывами, но и его способностью реально улучшить исходы для пациентов и сделать систему здравоохранения более справедливой и эффективной.

Заключение / Conclusion

В настоящей работе были проанализированы ключевые направления применения искусственного интеллекта в клинических исследованиях. Целью анализа было показать реальную сторону вопроса интеграции цифровых решений в области исследования лекарственных средств.

При этом очевидно, что дальнейшее развитие невозможно без преодоления системных вызовов, включая вопросы валидации, стандартизации и этической приемлемости мультимодальных цифровых инструментов и методик. Очевидно, что успешная интеграция ИИ требует не локальных пилотных инициатив, а согласованных усилий международного сообщества, направленных на формирование единых подходов и создание устойчивой исследовательской экосистемы.

Истинная ценность ИИ заключается не в замещении, а в дополнении человеческой экспертизы. Только синергия алгоритмов и профессионального опыта клиницистов и исследователей позволит реализовать потенциал цифровых технологий, обеспечив новые стандарты эффективности, прозрачности и справедливости в разработке лекарственных средств.