Big data и AI: Как промениха правилата на играта и създадоха новата златна мина на фарма индустрията

Тома Томов е експерт с над 20-годишен професионален опит в разработването и управлението на иновационни политики и проекти в сферите на здравеопазването, публичния сектор и регионалното развитие. Кариерата му обхваща водещи експертни и ръководни позиции в Народното събрание, Министерския съвет, Министерството на здравеопазването, отговарящи за промени по отношение на законодателната рамка и оперативни програми в областта на здравеопазването, включително и изпълнението на проектите за Eлектронното здравеопазване в Министерството на здравеопазването. През последното десетилетие ръководи и консултира проекти, финансирани от европейски програми като ОПРЧР, ОПРР, ОПАК и INTERREG с фокус върху електронното здравеопазване, дигиталната трансформация на публичните услуги и стратегическото планиране. Има активен международен профил с участия в проекти в Северна Македония, Гърция и Югоизточна Европа. Консултира стратегически трансформации, въвеждане на иновации и електронно управление в публичния сектор. В Healthcare Magazine Тома Томов споделя експертна перспектива по теми като здравни иновации, електронно здравеопазване и дигитални решения за по-устойчиви здравни системи.

Анализът на големи данни (Big Data) и изкуственият интелект (AI) променят фундаментално начина, по който се следят и оценяват резултатите от медицински терапии и процесите в клиничните изпитвания – от подбор на участници и дизайн на протокол до мониторинг, анализ на резултатите и прогнозиране на успешността. Big Data предлага по-дълбок, по-динамичен и по-прецизен подход – с непрекъснато събиране, анализ и адаптиране на терапията въз основа на реалния живот на пациента. Чрез събиране на данни от електронните здравни досиета (EHR), лабораторни системи, носими устройства, мобилни приложения и пациенто-декларирани резултати се създават богати, мултимодални масиви от информация. Тези данни не са просто статистика – AI, машинното обучение, дълбоките невронни мрежи, предсказателните алгоритми могат да открият модели, които са невидими за човешкото око. Например такива модели могат да предскажат кои пациенти са под риск да прекъснат терапия, да прогнозират нежелани реакции или да оптимизират дозировката спрямо индивидуалния отговор.

Докладът на Fortune Business Insights оценява, че глобалният пазар за AI решения в клинични изпитвания е бил на стойност около 2,76 млрд. USD през 2024 г. и се очаква да нарасне до приблизително 54,81 млрд. USD до 2032 г. със средногодишен темп на растеж (CAGR) от около 46,4 %. (Fortune Business Insights)

КАКВИ СА КЛЮЧОВИТЕ РОЛИ, КОИТО AI И BIG DATA ИЗПЪЛНЯВАТ В ТОЗИ ТРАНСФОРМАЦИОНЕН ПРОЦЕС?

Подбор и наемане на участници

Една от най-големите пречки за клиничните изпитвания винаги е била подходящото набиране на участници – този процес е скъп, продължителен и често се проваля. Сега AI модели, работещи върху големи бази данни от електронни здравни досиета, демографски профили и геномни данни, могат да предскажат кои пациенти ще отговарят на критериите, кога ще се отказват и какъв е рискът от неучастие. Това ускорява набора, намалява разходите и подобрява ефективността.

Оптимизация на дизайна на изпитванията и прогнозиране на резултати

AI се използва за симулиране на различни протоколи – промяна на включване/изключване на участници, дозировки, крайни точки – още преди изпитването да започне. Това води до по-умни, по-гъвкави дизайни, които могат да намалят броя на провалите в късни фази. Тези технологии също така предсказват резултатите: кои участници вероятно няма да отговорят на терапията, при кои могат да се появят нежелани реакции, какви са рискът и времевата линия на резултатите.

Мониторинг в реално време и постмаркетингово проследяване

Със събиране на данни от носими устройства, мобилни приложения, дигитални здравни платформи и клинични системи AI модели могат да следят здравословното състояние на участниците във „виртуални“ или хибридни изпитания. Това дава възможност за ранно откриване на усложнения, намаляване на времето за реакция и по-добра сигурност и ефективност на изследванията.

Икономическа ефективност и ускорено развитие на лекарства

Една от основните причини за нарастващото приемане на AI в клиничните изпитвания е икономическата – фарма компаниите и изследователските организации търсят начини да съкратят времето за разработка на лекарства, намалят разходите и увеличат вероятността за успех. Големите данни дават възможност за създаване на модели за прогнозиране на разходи и ползи, за да се обоснове инвестицията.

Въпреки огромните възможности интегрирането на AI и Big Data в клиничните изпитвания носи също редица рискове. Сред тях са: необходимостта от качествени и представителни данни, защита на личните здравни данни, прозрачност и обяснимост на моделите, регулаторна увереност, както и въпросът дали AI-основаните подходи наистина ще доведат до по-висока успеваемост на изпитванията, или само до оптимизация на процесите. Едновременно с това прекалената зависимост от AI може да доведе до недооценка на човешкия фактор и клиничния опит.

AI и Big Data вече не са „екстри“ или експерименти в клиничните изпитвания – те са ключов компонент от модерната инфраструктура за разработка на лекарства. Докладът на Fortune Business Insights показва ясна траектория на огромен растеж и превръщане на този сегмент в стратегическа инвестиция за фарма индустрията. За компаниите, които успеят да интегрират AI-технологии навреме, това означава по-бързо научно инженерство, по-малък риск и по-висока рентабилност. За здравните системи и обществото потенциалът се крие в по-бързо достъпни терапии и по-добър контрол на хроничните заболявания. Но успехът ще зависи от това как се справят с данните, поддръжката, етиката и регулациите.

От данни към решения: Big Data потенциалът на България в здравеопазването

Въпреки че България се намира все още в ранна фаза на интеграция на Big Data и AI в здравеопазването, страната развива стабилна и динамична екосистема от компании, болници и технологични платформи, които внедряват дигитални решения на световно ниво. Натрупаните данни от електронното здравеопазване, наличието на силен ИТ сектор и постепенното въвеждане на международни стандарти позиционират България като естествен кандидат за регионален център на иновации в здравните технологии.

В центъра на тази екосистема стои Националната здравноинформационна система (НЗИС) – интегрирана платформа, която обединява електронни рецепти, прегледи, лабораторни резултати и здравни досиета. Въпреки значителния обем от стотици милиони документи системата остава далеч от потенциала си да функционира като ефективна инфраструктура за Big Data. Основните предизвикателства включват ограничена интероперабилност между болничните информационни системи, водеща до дублиране на записи и несъответствия; отсъствие на задължително прилагане на международни стандарти като SNOMED CT, LOINC и HL7 FHIR, което оставя голяма част от данните неструктурирани; както и нестабилна архитектура, чести технически прекъсвания и вариабилно качество на въведените данни. За да се превърне в стратегически актив, НЗИС изисква модернизирана архитектура, последователна стандартизация, надежден контрол на качеството и сигурен достъп до анонимизирани данни за научни и аналитични цели – условия, без които националните регистри, анализите на реални данни и AI моделите остават ограничени. И още: реално отваряне на системата за конкуренция, интеграция на съществуващи решения и приложения, защото паралелно с държавната инфраструктура частният сектор демонстрира значим капацитет за иновации. Експертността на екипите и конкурентоспособността на компаниите в условията на реален пазарен механизъм ускоряват внедряването на нови технологии, повишават качеството на решенията и стимулират разработката на иновативни продукти.

Българският частен сектор вече предлага решения, напълно съизмерими с международните практики – дигитални здравни приложения, които осигуряват личен здравен дневник, проследяване на хронични заболявания, интеграцията им с медицински центрове и онлайн консултации, телемедицински станции, облачни платформи за електронни досиета и решения за дистанционен мониторинг. Техният подход, съчетаващ устройства, софтуер и централизирано събиране на данни, е първата стъпка към внедряване на „виртуални болници“ и непрекъснато проследяване на пациенти – парадигма, широко разпространена в модерните здравни системи.

Същевременно все повече здравни организации – болници, клиники, лаборатории и дигитални платформи – въвеждат електронна документация, алгоритми за предиктивен триаж и телемедицински услуги за хронични пациенти. Макар инициативите да са фрагментирани, те демонстрират готовността на медицинската среда да премине към активното използване на данните.

Препятствия като липсваща интероперабилност, нееднакво качество на данните и ограничена регулаторна рамка за AI не променят факта, че България разполага с ключовите елементи за изграждане на модерен, данно-ориентиран здравен модел. При стратегическа интеграция, стандартизация и координация между държава, здравни организации, индустрия и технологични компании страната може да развие устойчива национална Big Data платформа, която ще предостави стабилна аналитична основа за подобряване на клиничните решения и ефективността на здравната система.

ДОБРИ ПРАКТИКИ

Международният опит ясно показва какво става възможно, когато медицинските данни се използват като стратегически ресурс. Конкретен пример е платформата на Johns Hopkins за пациенти след трансплантация на сърце. Тя използва алгоритъм за машинно обучение, който анализира лабораторни резултати, физиологични показатели и лекарствена история и предсказва вероятността от отхвърляне на органа седмици предварително. В резултат клиницистите успяват да предотвратят усложнения, вместо да реагират постфактум. Това намалява хоспитализациите и нуждата от агресивни интервенции. Сходен подход използва и Mayo Clinic при проследяване на пациенти със сърдечна недостатъчност. Алгоритъм за машинно обучение анализира повече от 20 постоянни клинични параметъра и може да предвиди с до 78 – 83% точност кои пациенти ще бъдат приети по спешност през следващите 30 дни. Това дава възможност за ранни интервенции – промяна на терапията, допълнителен лекарски контакт или домашен мониторинг. Друг впечатляващ пример идва от онкологията. В MD Anderson Cancer Center е внедрена AI система, която анализира комбинация от образни изследвания (CT, MRI), генетични данни и отговор на химиотерапия. Системата предсказва с 30 – 50% по-точно ефекта от лечението още преди втория цикъл, което позволява пациентът да бъде прехвърлен към алтернативна и по-подходяща терапия по-рано – без да губи време и здраве в неефективно лечение.

Тези примери показват, че ролята на AI и Big Data вече не е допълнение към медицината, а централен елемент от нея – система за ранно предупреждение, механизъм за персонализация, инструмент за доказване на ефективност и в крайна сметка – начин да се лекува по-бързо, по-добре и по-икономически издържано. Това е промяна, която само преди 10 години беше почти немислима, но днес оформя нов стандарт на медицинска грижа и отчетност.

Данните от носими устройства също започват да играят ключова роля. Stanford Medicine проведе изследване с над 2000 пациенти, използващи смартчасовници, които постоянно измерват пулс, активност, сън и вариабилност на сърдечния ритъм. Анализът показва, че чрез тези параметри може да се предвиди влошаване на хронични заболявания (например белодробни и сърдечни) до 2 седмици предварително, което дава възможност на лекарите да се намесят навреме.

По отношение на диабета пример е програмата на Livongo (днес част от Teladoc). Платформата събира глюкозни измервания, данни за хранене и поведение и изпраща автоматично генерирани препоръки. Клиничните резултати са впечатляващи: потребителите изпитват с 19 – 30% по-малко хипо- и хипергликемични състояния, а разходите за хоспитализации се намаляват осезаемо.

GLP-1 МОДЕЛЪТ И КАК С ПОМОЩТА НА НОВИТЕ ТЕХНОЛОГИИ СЕ РОДИ ИКОНОМИКАТА НА МЕТАБОЛИТНИТЕ БОЛЕСТИ?

GLP-1 терапиите – най-актуалните медикаменти за диабет и затлъстяване – също се възползват от този модел. Компании, предлагащи цифрово проследяване в комбинация с лечение, докладват, че пациенти, които използват приложение за наблюдение плюс AI-персонализирани препоръки, постигат между 15 и 20% по-голяма загуба на тегло за 12 месеца в сравнение с пациенти, получаващи само медикамент и стандартни контролни прегледи. Това доказва, че данните усилват не само лечението, но и повлияват поведението на пациента.

Най-големият успех на инкретиновите терапии не е само в тяхната медицинска ефективност, а в това, че създадоха изцяло нова категория лечение – такава, която изисква месеци и години терапия, наблюдение, цифрови инструменти и анализ на поведението и реакцията на пациентите. Този модел е много по-близо до софтуерния бизнес, отколкото до традиционната продажба на лекарства. За компаниите той означава не еднократна продажба, а устойчив, повтарящ се приходов поток, който расте с всеки месец, в който пациентът продължава лечението.

Според анализа на Fortune Business Insights глобалният пазар на GLP-1 агонисти през 2024 г. достига стойност от 52,08 млрд. USD и се очаква да нарасне до приблизително 186,64 млрд. USD до 2032 г. Това представлява впечатляващ средногодишен темп на растеж от около 16,8% – показател, който рядко се наблюдава при зрели терапевтични категории.

Но зад тези числа стои още една революция – тази на данните. GLP-1 лекарствата събират огромни обеми информация от реалния свят: от електронни досиета и болнични системи през лабораторни резултати и носими устройства до поведенчески данни от мобилни приложения и телездравни платформи. Тези данни позволяват нещо, което фарма досега не можеше да прави в такъв мащаб: да показва в реално време какво се случва с пациентите и да доказва ефективността на лечението не само в клинични изпитвания, а в истинската медицинска практика. Именно тази реална ефективност се превръща в най-силното оръжие в преговорите със застрахователи и държавни плащащи организации.

Малко фармацевтични продукти през последните десетилетия са успели да променят едновременно медицинската практика, корпоративните стратегии и инвестиционната логика така, както го направиха GLP-1 медикаментите. Това, което започна като терапия за диабет тип 2, днес се е превърнало в глобален бизнес феномен, способен да трансформира цели сектори – от здравеопазването и застраховането до корпоративната грижа за служителите и публичните финанси.

GLP-1 терапиите вече са сред най-високомаржовите фарма продукти в света. Те се продават в огромни обеми при рекордни единични цени и генерират мащабни устойчиви приходи. Пазарните прогнози сочат, че сегментът може да надхвърли 100 млрд. USD още преди края на десетилетието, което го поставя редом до най-печелив­шите фарма категории в историята. GLP-1 медикаментите вече не са просто медицински пробив – те се превърнаха във финансов актив с централно място в бизнес стратегията на водещите компании. Нетните приходи от тези продукти се използват не само за научно-развойна дейност, но и за обратно изкупуване на акции, увеличаване на дивиденти и повишаване на пазарната капитализация. По този начин GLP-1 определя не само приходите, но и борсовата динамика и инвестиционната привлекателност на корпорациите.

Пазарната експанзия се подхранва и от разширяване на медицинските индикации. Освен при диабет и затлъстяване GLP-1 медикаментите се изследват активно при неалкохолна мастна чернодробна болест, хронични бъбречни заболявания и сърдечносъдови рискове. Това увеличава броя на потенциалните пациенти, удължава жизнения цикъл на продуктите и осигурява основания за поддържане на премиум ценови позиции в дългосрочен план.

Същевременно иновационният риск остава реален. Навлизането на нови конкуренти, разработването на второ и трето поколение молекули и бъдещата поява на генерични версии могат да окажат натиск върху цените. В отговор компаниите изграждат сложни патентни структури и „патентни гъсталаци“, обхващащи молекули, формулировки, устройства и методи на приложение – стратегия, която цели удължаване на пазарната защита и максимизиране на възвръщаемостта.

В сърцевината на този нов бизнес модел обаче стои друг фактор – данните. Big Data и аналитиката се превръщат в стратегически инструмент, чрез който се доказва ефективността на терапиите, оптимизира се ценообразуването и се управлява рискът. Реални клинични данни от електронни досиета, застрахователни регистри и дългосрочно проследяване позволяват на компаниите да демонстрират икономическа стойност: по-малко хоспитализации, по-нисък риск от усложнения и редуцирани разходи в дългосрочен план.

Постмаркетинговият мониторинг вече се подпомага от изкуствен интелект, който анализира огромни масиви информация в реално време и открива ранни сигнали за нежелани реакции. Това намалява регулаторните рискове и допринася за по-устойчив имидж пред пазара и инвеститорите. В същото време аналитиката позволява сегментиране и таргетиране на пациентите, прогнозиране на терапевтичния отговор и персонализиране на дозите, което увеличава ефективността и рентабилността на лечението.

Big Data дава възможност и за прецизна медицина. Чрез сегментиране на пациентите по клинични и генетични профили, прогнозиране на терапевтичния отговор и създаване на персонализирани дозови схеми компаниите повишават ефективността и възвръщаемостта от лечението на индивидуално ниво. Наблюдението на поведението и адхеранса чрез приложения и носими устройства позволява ранно идентифициране на пациенти в риск от прекъсване и интегриране на коучинг програми и персонализирани интервенции.

Големите масиви от данни подпомагат и развитието на здравно-икономически модели, които доказват, че GLP-1 терапиите могат да намалят дългосрочните разходи за здравеопазване. Това дава основание за въвеждане на иновативни договори, при които заплащането зависи от реално постигнатите резултати – например процент загуба на тегло след определен период.

На тази основа възникват и нови стратегически модели. Все по-често производители договарят директни партньорства с големи работодатели, предоставяйки GLP-1 терапия в пакет с дигитално проследяване и поведенческа подкрепа. За компаниите това означава по-здрава и продуктивна работна сила, по-малко отсъствия и по-ниски разходи за здравно осигуряване. Паралелно се налагат и договори тип „плащане при резултат“, при които заплащането е обвързано с реално постигнати клинични показатели, като процент загубено тегло.

Въпреки впечатляващия растеж моделът остава уязвим пред редица фактори – ограничен достъп, обществено недоволство заради високите цени, риск от прекъсване на терапията и нарастващ регулаторен натиск. Всичко това превръща GLP-1 не само в бизнес възможност, но и в тест за устойчивостта на съвременния здравно-икономически модел.

В крайна сметка GLP-1 не е просто лекарство – това е нова индустриална парадигма. Тя съчетава фармация, технологии, финанси и поведенческа икономика в една платформа, която генерира мащабни приходи и преначертава начина, по който се създава стойност в здравеопазването. За бизнеса това е не просто тренд, а сигнал: бъдещето принадлежи на компаниите, които ще умеят да комбинират медикамент, данни и стратегия в един цялостен икономически модел.

Все по-често застрахователите изискват модел „плащане при резултат“ – заплащане само ако пациентът постигне измерими клинични цели. Това допълнително засилва значението на непрекъснатото събиране и анализ на реални медицински данни.

В някои държави вече съществуват договори за реимбурсация, при които плащането за медикамента зависи от резултатите – например процент загубено тегло за определен период. Това е немислимо без лесен достъп до големи масиви данни и алгоритми, които могат да оценят ефективността на индивидуално и популационно ниво. Така за първи път бизнес моделът на лекарството започва да прилича на този на дигитална услуга – такъв, който зависи от дигитално измерима стойност, а не само от клинични доказателства.

Има и друга страна на монетата. Високите цени поставят редица социални и политически въпроси: кой има достъп до лечението, кой може да го финансира, колко дълго системата може да плаща и какво се случва, ако пациентите прекъснат терапията. Здравните системи по света се опитват да балансират между обещанията за намаляване на усложненията и разходите и риска от това един продукт да погълне непропорционално голяма част от фарма бюджета.

Ситуацията в България днес отразява част от тази глобална динамика. Семаглутид е наличен в аптечната мрежа, но покритието от страна на НЗОК е ограничено. Пациенти, които използват GLP-1 медикаменти извън индикациите за диабет или при частни лекарски схеми, често плащат пълната цена. Това ограничава достъпа до терапията, особено когато се използва за лечение на затлъстяване – едно от най-честите хронични състояния у нас и в света. В същото време българските регулатори и професионални организации предупреждават за нарастващ сив пазар на нелегитимни или нерегистрирани медикаменти, предлагани онлайн – риск, който е резултат именно от бързото нарастване на търсенето.

Страната разполага с потенциал да изгради силен модел, базиран на данни – както за реална оценка на ефективността, така и за икономическа оправданост на финансирането. Българските системи за електронно здравеопазване, ако бъдат интегрирани по-ефективно, могат да служат като основа за национални регистри, проследяване на резултатите и дори AI модели, които да определят кои пациенти имат най-голяма вероятност за успех или риск от нежелани реакции. Но това изисква стратегическо решение: да се използват събраните данни за създаване на стойност, без да се компрометират правата и сигурността на пациентите.

И тук стои най-големият въпрос за следващите години: кой притежава тези данни? Фарма компаниите ги имат, за да доказват ефективност. Застрахователите – за да избират оптимални пациенти и модели на финансиране. Болниците и лекарите – за да проследяват своите резултати. Държавата – за да регулира разходите. А пациентът – за да бъде сигурен, че дан­ните се използват в негов интерес. Битката за собственост и контрол върху медицинската информация вече започна и в нея са заложени не само пари, но и принципи.

Инкретиновите терапии показаха, че едно лекарство може да промени не само подхода към лечението на хронични болести, но и начина, по който се мисли за бизнес, стойност, достъп и данни в здравеопазването. Технологията, изкуственият интелект и реалната медицинска практика започват да се преплитат по начин, който преди десетилетие изглеждаше като научна фантастика. А здравните системи – включително българската – са изправени пред избор: дали да останат наблюдатели, или да се научат да управляват новата реалност и да се възползват от нея.

Едно нещо е сигурно – ерата на лекарствата като самостоятелен про- дукт приключва. Започва ерата на медикаментите като данни, алгоритми и платформи. И GLP-1 е първият голям пример за това.