Искусственный интеллект уже используется во многих областях медицины, от медицинской визуализации до поиска новых лекарств. Менее заметное направление может оказаться не менее важным: применение ИИ еще до начала клинического исследования.
Клинические исследования дороги, продолжительны и неопределенны. Исследователи должны решить, каких пациентов включать, какие показатели измерять, как формировать группы лечения, сколько должно длиться исследование и какой статистический подход использовать. Эти решения могут повлиять на то, даст ли исследование содержательный ответ.
QuantHealth разрабатывает инструменты моделирования на базе ИИ, которые позволяют фармацевтическим и биотехнологическим компаниям виртуально проверять некоторые из этих решений до запуска реального исследования.
Идея привлекательна, но требует осторожной интерпретации. Смоделированный пациент не является реальным пациентом, а прогнозируемый результат не доказывает эффективность лекарства.
Что значит смоделировать клиническое исследование?
Моделирование использует математические и вычислительные модели для оценки того, что может произойти при разных дизайнах исследования.
Представим фармацевтическую компанию, готовящую исследование нового лечения. До начала набора команда может захотеть понять, изменит ли другой критерий включения состав пациентов, даст ли другой конечный показатель больше информации или повлияет ли иной режим терапии на вероятность обнаружить эффект.
Традиционно такие решения основываются на предыдущих исследованиях, биологической логике, статистическом моделировании и экспертном мнении. ИИ добавляет еще один уровень, анализируя большие объемы клинических и биологических данных и формируя прогнозы по множеству сценариев.
QuantHealth сообщает, что ее система позволяет менять параметры протокола и оценивать моделируемое влияние на результаты, осуществимость, стоимость и другие факторы. Чтобы понять подход компании, читатели могут посмотреть процесс моделирования клинической разработки QuantHealth.
Ключевое слово здесь "моделируемое". Это прогноз, а не клинический результат.
Почему это интересно разработчикам лекарств
Плохо спроектированное исследование может потребовать годы и значительные финансовые ресурсы.
Поэтому существует сильный стимул обнаружить проблемы до включения первого пациента. Если моделирование показывает, что предлагаемая группа пациентов вряд ли даст полезный ответ или конечная точка плохо соответствует ожидаемому эффекту лечения, дизайн можно попытаться изменить заранее.
Потенциальная ценность шире, чем прогноз успеха или неудачи. Моделирование может служить инструментом поддержки решений, позволяя сравнивать структуры исследований, предположения о наборе пациентов, подгруппы и варианты протокола.
Интерес к этой сфере растет вместе с инвестициями фармацевтической отрасли в ИИ. В августе 2026 года QuantHealth объявила о раунде Series B на 45 млн долларов под руководством Qumra Capital с участием инвесторов, включая Pitango HealthTech и Sanofi Ventures. Независимые израильские СМИ подтвердили раунд.
Финансирование делает QuantHealth актуальным израильским примером более широкой тенденции: ИИ выходит за пределы раннего поиска лекарств и начинает использоваться при принятии решений в самой клинической разработке.
Вопрос доказательности нельзя пропустить
Полезность любой симуляции зависит от модели и данных, лежащих в ее основе.
Если данные неполны, нерепрезентативны или содержат систематические смещения, даже сложная модель может привести к ошибочному выводу. В медицине это особенно важно, поскольку возраст, пол, генетика, стадия заболевания, предыдущие методы лечения и другие переменные могут существенно влиять на результат.
Модель, хорошо работающая в одном контексте, может показать другой уровень качества в другом.
QuantHealth публикует примеры валидации и сообщает, что ее платформа использовалась для моделирования сотен исследований. Такие показатели следует представлять как заявления компании, пока они не будут независимо воспроизведены или подтверждены в доступных внешних исследованиях.
Это различие необходимо при обсуждении медицинского ИИ.
Регуляторы также спрашивают, надежна ли модель именно для конкретного применения
Управление по контролю за продуктами и лекарствами США, FDA, разработало подход к оценке ИИ-моделей, используемых при разработке лекарств и биологических продуктов. Одно из ключевых понятий - "контекст использования".
Проще говоря, недостаточно спросить, точна ли модель вообще. Нужно понимать, какое решение она должна поддерживать, на каких данных создана, как оценивалась и каковы последствия ошибки.
Этот подход полезен и для понимания клинического моделирования. Модель, применяемая для исследования альтернативных дизайнов, не обязательно выполняет ту же роль, что и модель, результат которой непосредственно влияет на регуляторное решение.
Чем важнее применение, тем сильнее должны быть подтверждающие доказательства.
Моделирование не заменяет клиническое исследование
Это самое важное ограничение и одно из тех, которые легче всего понять неправильно.
ИИ может моделировать возможные результаты. Он не может доказать, что экспериментальный препарат безопасен и эффективен у реальных пациентов только потому, что модель это прогнозирует.
Человеческая биология сложна, а неожиданные эффекты являются одной из причин существования клинических исследований.
Поэтому наиболее реалистичная краткосрочная роль ИИ заключается в улучшении решений вокруг исследований, а не в их устранении. Если модель раньше выявляет слабый дизайн, она может сэкономить время и ресурсы. Если помогает системнее анализировать популяции и конечные точки, она может улучшить решения до начала набора.
Это не отменяет потребность в валидации, независимой проверке и соответствующем регуляторном надзоре.
Израильская healthtech-история с более широким вопросом
QuantHealth интересна как пример компании на пересечении израильского ИИ, фармацевтических исследований, клинических данных и вычислительной медицины.
Главный вопрос не в том, способна ли одна платформа предсказать каждое исследование. Важно, может ли разработка лекарств стать более прогнозируемой до того, как пациенты и капитал будут связаны решениями, которые трудно изменить.
Системы ИИ способны обрабатывать больше переменных, чем человеческая команда может разумно оценивать по одной. Это создает реальный потенциал. Однако медицина снова и снова показывает, что впечатляющий прогноз должен выдерживать проверку реальностью.
Поэтому моделирование клинических исследований лучше рассматривать как еще один инструмент внутри клинической науки, а не как способ обойти ее. При надежной валидации и четко определенных границах технология может изменить подход к некоторым из самых дорогих решений при планировании исследований.
Принцип остается простым: чем важнее решение, тем сильнее должны быть доказательства, прежде чем доверять модели, которая помогает его принимать.
