هوش مصنوعی در داروسازی؛ از کشف دارو تا مدیریت درمان و آینده سلامت

1. مقدمه: چرا هوش مصنوعی در داروسازی یک نقطه عطف است؟

صنعت داروسازی یکی از پیچیده‌ترین، پرهزینه‌ترین و در عین حال استراتژیک‌ترین بخش‌های نظام سلامت است.
مسیر سنتی توسعه دارو، از کشف یک مولکول تا دریافت مجوز و عرضه نهایی، معمولاً بین ۱۰ تا ۱۵ سال طول می‌کشد و
هزینه‌ای معادل صدها میلیون تا بیش از یک میلیارد دلار به‌همراه دارد. بخش بزرگی از این هزینه‌ها در میانه راه،
به‌دلیل شکست در مراحل پیش‌بالینی یا کارآزمایی‌های بالینی، سوخت می‌شود و تنها درصد اندکی از ترکیبات،
به بازار دارویی راه پیدا می‌کنند. این ساختار، هم برای شرکت‌های داروسازی و هم برای سیستم‌های سلامت و بیماران،
فشار مالی و زمانی بسیار زیادی ایجاد می‌کند.

در چنین زمینه‌ای، هوش مصنوعی در داروسازی در حال تبدیل شدن به یکی از مهم‌ترین نیروهای تحول‌آفرین است.
توانایی تحلیل کلان‌داده‌ها، شبیه‌سازی رفتار مولکولی، پیش‌بینی احتمال موفقیت در فازهای بالینی،
بهینه‌سازی طراحی کارآزمایی‌ها و حتی شخصی‌سازی درمان برای هر بیمار، باعث شده هوش مصنوعی در داروسازی
نه‌فقط یک ابزار کمکی، بلکه یک پارادایم جدید در زنجیره ارزش دارو باشد.

اگر با فرآیند توسعه دارو
آشنا باشید، می‌دانید که هر مرحله از این فرایند، فرصت و چالش خاص خود را دارد.
هوش مصنوعی در داروسازی دقیقاً در همین نقاط گلوگاهی وارد می‌شود: از غربالگری اولیه ترکیبات،
تا طراحی فرمولاسیون، پیش‌بینی عوارض و کمک به تصمیم‌گیری بالینی. نتیجه آن، شکل‌گیری عصری جدید در سلامت دیجیتال است؛
عصری که در آن توسعه دارو، تشخیص بیماری و مراقبت از بیمار، سریع‌تر، دقیق‌تر و داده‌محورتر از گذشته پیش می‌رود.

برای فهم عمیق‌تر نقش هوش مصنوعی در داروسازی، لازم است این فناوری را از سطح «ابزار» فراتر ببینیم و آن را
در پیوند با تحول دیجیتال در نظام سلامت،
تحول دیجیتال در سلامت،
و نیز حاکمیت داده در حوزه سلامت درک کنیم. تنها در این صورت است که می‌توانیم ظرفیت‌ها، محدودیت‌ها و اثرات بلندمدت آن بر اقتصاد دارو و سیاست‌گذاری را درست تحلیل کنیم.

2. هوش مصنوعی چیست و چرا در داروسازی اهمیت ویژه دارد؟

هوش مصنوعی (Artificial Intelligence) مجموعه‌ای از الگوریتم‌ها، مدل‌ها و روش‌های محاسباتی است که به سیستم‌ها
امکان می‌دهد از داده‌ها یاد بگیرند، الگوها را کشف کنند، پیش‌بینی انجام دهند و در بسیاری موارد،
به‌صورت نیمه‌خودکار تصمیم‌گیری کنند. در عمل، وقتی از هوش مصنوعی در داروسازی صحبت می‌کنیم،
منظور ترکیبی از چند فناوری است:

یادگیری ماشین (Machine Learning)

یادگیری ماشین قلب تپنده بسیاری از کاربردهای هوش مصنوعی در داروسازی است.
در این رویکرد، الگوریتم‌ها با استفاده از داده‌های گذشته، الگوهایی را می‌آموزند که بتوانند رفتار آینده را پیش‌بینی کنند.
مثال‌ها در داروسازی شامل پیش‌بینی سمیت دارو، احتمال موفقیت در فازهای مختلف بالینی، یا پیش‌بینی پاسخ بیماران
به یک درمان خاص است.

یادگیری عمیق (Deep Learning)

یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است که بر شبکه‌های عصبی چندلایه مبتنی است و قدرت ویژه‌ای در تحلیل
داده‌های پیچیده مانند تصاویر پزشکی، ساختارهای سه‌بعدی پروتئین‌ها، و توالی‌های ژنومی دارد.
بسیاری از کاربردهای پیشرفته هوش مصنوعی در داروسازی، مانند پیش‌بینی ساختار پروتئین‌ها،
تفسیر خودکار تصاویر MRI و CT، و استخراج الگو از داده‌های بیولوژیک پیچیده، مبتنی بر یادگیری عمیق است.

پردازش زبان طبیعی (NLP)

بخش قابل توجهی از دانش دارویی و پزشکی در قالب متن‌های غیرساخت‌یافته مانند مقالات علمی، گزارش‌های بالینی،
دستورالعمل‌های رگولاتوری و پرونده‌های بیماران ذخیره شده است.
هوش مصنوعی در داروسازی با بهره‌گیری از NLP می‌تواند این متن‌ها را تحلیل کند، مفهوم‌سازی انجام دهد،
و اطلاعات مهم را برای تصمیم‌گیری استخراج کند؛ مثلاً کشف عوارض نادر از گزارش‌های متنی پزشکان.

آنچه هوش مصنوعی در داروسازی را ارزشمند می‌کند، نه صرفاً هوشمندی الگوریتم‌ها،
بلکه توانایی آن‌ها در ترکیب، تحلیل و تفسیر حجم عظیمی از داده‌های پیچیده است؛ داده‌هایی که شامل نتایج آزمایشگاهی،
داده‌های اُمیک (ژنوم، پروتئوم، متابولوم)، داده‌های کارآزمایی بالینی، اطلاعات بازار، و داده‌های واقعی دنیای بالین
(Real-World Data) هستند.

3. نقش هوش مصنوعی در کشف و طراحی دارو

یکی از زمان‌برترین و پرهزینه‌ترین بخش‌های چرخه توسعه دارو، مرحله کشف مولکول‌های کاندید و طراحی ساختارهای شیمیایی است.
در رویکردهای سنتی، پژوهشگران سال‌ها زمان صرف می‌کردند تا از میان هزاران مولکول، چند ترکیب امیدبخش را برای ادامه مسیر انتخاب کنند.
هوش مصنوعی در داروسازی این مرحله را به‌شدت دگرگون کرده است.

3.1. غربالگری هوشمند دیتابیس‌های مولکولی

با استفاده از مدل‌های یادگیری ماشین و یادگیری عمیق، می‌توان میلیون‌ها ترکیب شیمیایی را در دیتابیس‌های مولکولی
در زمان بسیار کوتاه تحلیل کرد. الگوریتم‌ها با توجه به ویژگی‌های ساختاری، فیزیکوشیمیایی و داده‌های قبلی،
احتمال اتصال هر مولکول به گیرنده هدف را تخمین می‌زنند. بدین ترتیب، هوش مصنوعی در داروسازی
به‌طور قابل توجهی تعداد ترکیباتی را که باید در آزمایشگاه بررسی شوند کاهش می‌دهد.

3.2. پیش‌بینی تعامل دارو–گیرنده و شبیه‌سازی مولکولی

یکی دیگر از کاربردهای کلیدی هوش مصنوعی در داروسازی، استفاده از مدل‌های محاسباتی برای شبیه‌سازی
تعامل دارو با گیرنده هدف (Docking) و پیش‌بینی انرژی اتصال است. با این کار، بسیاری از آزمایش‌های تکراری و پرهزینه در محیط مرطوب،
جای خود را به شبیه‌سازی‌های پرسرعت در محیط خشک (In silico) می‌دهند. این رویکرد، زمان رسیدن از ایده تا کاندید اصلی را به‌طور چشمگیری کوتاه می‌کند.

3.3. کاهش زمان کشف اولیه از سال‌ها به ماه‌ها

نمونه‌های واقعی نشان می‌دهد که ترکیب روش‌های محاسباتی با داده‌های ساختاری، می‌تواند مرحله کشف اولیه را از ۵–۱۰ سال
به چند ماه کاهش دهد. شرکت‌هایی مانند Insilico Medicine و BenevolentAI، با تکیه بر هوش مصنوعی در داروسازی،
موفق شده‌اند در زمانی بسیار کوتاه، کاندیداهای دارویی جدید را شناسایی و وارد فازهای بعدی کنند. همچنین پروژه AlphaFold
از شرکت DeepMind، با پیش‌بینی ساختار سه‌بعدی پروتئین‌ها، بستر کاملاً جدیدی برای طراحی منطقی دارو فراهم کرده است.

این تحولات نشان می‌دهد که هوش مصنوعی در داروسازی نه‌تنها یک ابزار سرعت‌دهنده است،
بلکه شیوه فکر کردن ما به طراحی دارو را نیز تغییر داده و آن را از یک فرآیند عمدتاً تجربی، به یک فرآیند مبتنی بر مدل و داده تبدیل کرده است.

4. کاربرد هوش مصنوعی در توسعه فرمولاسیون دارویی

بعد از شناسایی مولکول مؤثر، چالش اصلی این است که آن مولکول را در قالب یک فرمولاسیون دارویی پایدار، ایمن و قابل استفاده در دنیای واقعی عرضه کنیم.
هوش مصنوعی در داروسازی در این مرحله نیز نقشی کلیدی دارد.

4.1. انتخاب حامل‌ها و افزودنی‌های بهینه

انتخاب نوع حامل (اکسیپیانت) و افزودنی‌ها تأثیر مستقیم بر پایداری، آزادسازی، طعم، قابلیت استفاده و مقبولیت دارو دارد.
مدل‌های یادگیری ماشین می‌توانند بر اساس داده‌های تاریخی، پیشنهاد دهند که کدام ترکیب از پلیمرها، حلال‌ها و افزودنی‌ها
بیشتر احتمال دارد به فرمولاسیون پایدار و مؤثر منجر شود. بدین شکل، هوش مصنوعی در داروسازی
تعداد آزمایش‌های «سعی و خطا» را کاهش می‌دهد.

4.2. پیش‌بینی پایداری، آزادسازی و رفتار در بدن

یکی از دغدغه‌های اصلی در توسعه فرمولاسیون، پیش‌بینی پایداری دارو در شرایط مختلف (دما، رطوبت، نور) و نیز الگوی آزادسازی آن در بدن است.
مدل‌های پیش‌بینی‌کننده مبتنی بر هوش مصنوعی در داروسازی می‌توانند از داده‌های پیشین استفاده کنند تا پیشاپیش مشخص شود
کدام طراحی فرمولاسیون، احتمال موفقیت بیشتری دارد. این رویکرد، تکمیل‌کننده آزمایش‌های پایداری تسریع‌شده و مطالعات فارماکوکینتیک است.

4.3. بهبود ژنریک‌ها و توسعه بایوسیمیلارها

در بازارهای در حال توسعه، بخش مهمی از تولید دارویی به داروهای ژنریک و بایوسیمیلار اختصاص دارد.
هوش مصنوعی در داروسازی می‌تواند با تحلیل داده‌های موجود، بهینه‌ترین فرمولاسیون برای ژنریک‌ها را پیشنهاد دهد؛
به‌گونه‌ای که از نظر اثربخشی و پایداری، به محصول برند نزدیک‌تر باشد. در حوزه بایوسیمیلارها نیز،
ترکیب داده‌های پیچیده مولکولی با مدل‌های پیشرفته، می‌تواند عدم قطعیت را کاهش بدهد.

این سطح از استفاده از هوش مصنوعی در داروسازی، پیوند مستقیمی با
تحقیق و توسعه در صنعت داروسازی دارد؛
جایی که رقابت جهانی بسیار شدید شده و کاهش هزینه و زمان توسعه، مزیت رقابتی حیاتی به‌حساب می‌آید.

5. هوش مصنوعی در تشخیص، کارآزمایی بالینی و مدیریت درمان

کاربردهای هوش مصنوعی در داروسازی محدود به تحقیق و توسعه نیست؛ در مرحله بالین و مدیریت درمان نیز این فناوری نقش پررنگی پیدا کرده است.
هم‌زمان، مرز میان صنعت دارو و سیستم ارائه خدمات سلامت، در قالب مفهوم سلامت دیجیتال، در حال کمرنگ شدن است.

5.1. تصویربرداری پزشکی و تشخیص زودهنگام

الگوریتم‌های یادگیری عمیق، قادرند در تصاویر MRI، CT، X-Ray و ماموگرافی، ضایعات بسیار کوچک یا الگوهای ظریفی را شناسایی کنند
که ممکن است از نگاه پزشک انسانی پنهان بماند. این توانایی، یکی از مهم‌ترین کاربردهای هوش مصنوعی در داروسازی و پزشکی است؛
زیرا تشخیص زودهنگام بسیاری از بیماری‌ها (مثل سرطان‌ها) کیفیت و نتیجه درمان را به‌شدت بهبود می‌بخشد و در نهایت،
بر الگو و حجم مصرف داروها اثر می‌گذارد.

5.2. طراحی و اجرای کارآزمایی‌های بالینی هوشمند

کارآزمایی‌های بالینی، گران‌ترین و زمان‌برترین مرحله در توسعه دارو هستند. هوش مصنوعی در داروسازی
می‌تواند در چند سطح بهینه‌سازی ایجاد کند:

• انتخاب بهتر بیماران واجد شرایط بر اساس داده‌های بالینی و ژنتیکی.
• طراحی تطبیقی (Adaptive Design) که براساس داده‌های میان‌دوره، پروتکل مطالعه را تنظیم می‌کند.
• پایش خودکار داده‌ها برای کشف زودهنگام عوارض یا نشانه‌های اثربخشی.

این موارد، احتمال موفقیت کارآزمایی و کارآمدی هوش مصنوعی در داروسازی را در سطح بالین افزایش می‌دهند و
در نهایت، به کاهش زمان دسترسی بیماران به داروهای جدید منجر می‌شوند.

5.3. سیستم‌های تصمیم‌یار بالینی (CDSS) و درمان شخصی‌سازی‌شده

سیستم‌های تصمیم‌یار بالینی، با تکیه بر هوش مصنوعی در داروسازی و پزشکی، می‌توانند به پزشکان کمک کنند
تا بر اساس پروفایل ژنتیکی، سابقه بیماری، درمان‌های قبلی و ترجیحات بیمار، بهترین پروتکل درمان را انتخاب کنند.
این رویکرد، بنیان «پزشکی شخصی‌سازی‌شده» را شکل می‌دهد؛ پزشکی که در آن یک نسخه واحد برای همه بیماران تجویز نمی‌شود.

5.4. چت‌بات‌های پزشکی و مدیریت ارتباط با بیمار

چت‌بات‌های مبتنی بر هوش مصنوعی در داروسازی می‌توانند پاسخ‌گوی پرسش‌های اولیه بیماران، یادآوری زمان مصرف دارو،
پایش عوارض و هدایت بیمار در مسیر دریافت خدمات تخصصی باشند. این ابزارها اگر درست طراحی و نظارت شوند،
می‌توانند بار سیستم ارائه خدمات سلامت را کاهش دهند و دسترسی به راهنمایی‌های پایه را برای بیماران تسهیل کنند.

6. مزایای استفاده از هوش مصنوعی در داروسازی

جمع‌بندی کاربردها نشان می‌دهد که هوش مصنوعی در داروسازی چند دسته مزیت کلیدی ایجاد می‌کند:

6.1. کاهش هزینه‌ها و ریسک سرمایه‌گذاری

با کاهش تعداد آزمایش‌های ناموفق، بهینه‌سازی طراحی کارآزمایی‌ها و غربالگری هوشمند کاندیداهای دارویی،
هزینه نهایی هر داروی موفق کاهش می‌یابد. از منظر
اقتصاد دارو و ارزیابی اقتصادی،
این امر می‌تواند فضای بیشتری برای قیمت‌گذاری منطقی، پوشش بیمه‌ای و دسترسی عادلانه ایجاد کند.

6.2. افزایش سرعت و کیفیت تصمیم‌گیری

هوش مصنوعی در داروسازی با فراهم کردن تحلیل‌های بلادرنگ از داده‌های پیچیده،
تصمیم‌گیری را سریع‌تر و مبتنی بر شواهد‌تر می‌کند؛ از تصمیم‌های علمی در آزمایشگاه، تا تصمیم‌های بالینی در مطب و بیمارستان.

6.3. کاهش خطاهای انسانی

الگوریتم‌ها خسته نمی‌شوند، حواسشان پرت نمی‌شود و به‌صورت سیستماتیک، الگوهایی را که برای انسان قابل مشاهده نیست، کشف می‌کنند.
این ویژگی، در کنار نظارت انسانی، باعث می‌شود هوش مصنوعی در داروسازی به ابزاری جدی برای کاهش خطا و افزایش ایمنی تبدیل شود.

6.4. امکان توسعه درمان‌های شخصی‌سازی‌شده

با ترکیب داده‌های ژنومیک، بالینی و رفتاری، هوش مصنوعی در داروسازی می‌تواند راه را برای درمان‌های شخصی‌سازی‌شده باز کند؛
درمان‌هایی که نه‌تنها اثربخشی بیشتری دارند، بلکه عوارض کمتری برای بیمار ایجاد می‌کنند.

7. چالش‌ها و محدودیت‌های هوش مصنوعی در داروسازی

با وجود تمام این مزایا، استفاده از هوش مصنوعی در داروسازی بدون چالش نیست و اگر به‌درستی مدیریت نشود،
می‌تواند به تصمیم‌های نادرست، تبعیض الگوریتمی یا نقض حریم خصوصی بیماران منجر شود.

7.1. وابستگی به داده‌های باکیفیت و استاندارد

کیفیت هر مدل مبتنی بر داده، به کیفیت داده‌های ورودی وابسته است. در بسیاری از نظام‌های سلامت،
داده‌ها ناقص، ناهمگن یا بدون استاندارد مشترک جمع‌آوری شده‌اند. در چنین محیطی، هوش مصنوعی در داروسازی
ممکن است به نتایج گمراه‌کننده برسد. این مشکل بدون طراحی یک چارچوب
حاکمیت داده در حوزه سلامت قابل حل نیست.

7.2. خطر بایاس الگوریتمی و تبعیض

اگر داده‌های آموزش، نماینده کافی از همه گروه‌های جمعیتی نباشند،
هوش مصنوعی در داروسازی ممکن است برای برخی گروه‌ها عملکرد ضعیف‌تری داشته باشد و ناخواسته تبعیض ایجاد کند؛
مثلاً در تشخیص یا پیشنهاد درمان. این مسئله، هم از زاویه اخلاقی و هم از زاویه رگولاتوری حساس است.

7.3. دغدغه‌های اخلاقی و حریم خصوصی

کار با داده‌های حساس سلامت، مستلزم رعایت استانداردهای سخت‌گیرانه در زمینه حریم خصوصی، رضایت آگاهانه و امنیت اطلاعات است.
هرچقدر استفاده از هوش مصنوعی در داروسازی و پزشکی گسترده‌تر شود، اهمیت این موضوع نیز بیشتر خواهد شد.
طراحی سیاست‌ها و مقررات مناسب در این حوزه، بخشی از چالش کلان تنظیم‌گری در سلامت دیجیتال است.

7.4. نیاز به نظارت انسانی و مسئولیت‌پذیری

هوش مصنوعی در داروسازی نمی‌تواند و نباید جایگزین کامل انسان شود. نقش آن، کمک به تصمیم‌سازی است، نه تصمیم‌گیری مستقل.
در نهایت، مسئولیت حرفه‌ای تصمیم‌های بالینی و علمی، بر عهده متخصصان انسانی است و باید سازوکارهای حقوقی و اخلاقی لازم برای این مسئولیت‌پذیری روشن باشد.

8. آینده هوش مصنوعی در داروسازی و پیوند با تحول دیجیتال

چشم‌انداز آینده هوش مصنوعی در داروسازی، ترکیبی از نوآوری تکنولوژیک، تغییر در مدل‌های کسب‌وکار،
و تحول در سیاست‌گذاری و رگولاتوری است. چند روند مهم که آینده را شکل می‌دهند عبارت‌اند از:

8.1. داروهای شخصی‌سازی‌شده براساس ژنوم و سبک زندگی

ترکیب داده‌های ژنومی، اپی‌ژنتیک، سبک زندگی و تاریخچه درمانی، به کمک هوش مصنوعی در داروسازی،
زمینه تولید داروها و پروتکل‌های درمانی شخصی‌سازی‌شده را فراهم می‌کند. این روند، پیامدهای عمیقی برای
مدل‌های قیمت‌گذاری، پوشش بیمه‌ای و سیاست‌های دسترسی به دارو خواهد داشت.

8.2. پلتفرم‌های خودکار کشف و توسعه دارو

در آینده نزدیک، می‌توان انتظار داشت که بخش‌های مهمی از زنجیره کشف و توسعه دارو، در قالب پلتفرم‌های خودکار مبتنی بر
هوش مصنوعی در داروسازی و رباتیک، به‌صورت نیمه‌خودکار انجام شود. این تحول، نیاز به مهارت‌های جدید در نیروی انسانی
و بازآرایی ساختار سنتی شرکت‌های داروسازی را به‌همراه خواهد داشت.

8.3. تشخیص و پایش سلامت در خانه

ترکیب سنسورها، دستگاه‌های پوشیدنی، اپلیکیشن‌های سلامت و هوش مصنوعی در داروسازی
و پزشکی، امکان پایش مستمر وضعیت بیماران و تشخیص زودهنگام تغییرات را فراهم می‌کند.
این داده‌ها می‌توانند بر طرز تجویز و مصرف دارو، طراحی کارآزمایی‌های مبتنی بر داده‌های دنیای واقعی (RWD)
و مدل‌های پرداخت مبتنی بر نتیجه (Outcome-based Payment) تأثیر بگذارند.

8.4. تغییر نقش داروساز و پزشک

با گسترش هوش مصنوعی در داروسازی، نقش داروساز و پزشک از ارائه‌دهنده اطلاعات پایه،
به تحلیل‌گر و تصمیم‌ساز داده‌محور تغییر خواهد کرد. این امر، نیازمند بازنگری در آموزش علوم دارویی و پزشکی،
و افزودن مهارت‌های داده‌کاوی، تفکر سیستمی و فهم الگوریتم‌ها به سرفصل‌های آموزشی است.

این آینده، تنها در صورتی به‌صورت پایدار و عادلانه محقق می‌شود که سیاست‌گذاران، با درک درست از
تحول دیجیتال در نظام سلامت
و چرخه سیاست‌گذاری سلامت،
چارچوب‌های تنظیم‌گری هوشمند و منعطف را طراحی کنند.

9. جمع‌بندی: هوش مصنوعی در داروسازی؛ فرصت بزرگ، مسئولیت بزرگ‌تر

در این مقاله دیدیم که هوش مصنوعی در داروسازی چگونه تقریباً تمام حلقه‌های زنجیره ارزش دارو را تحت تأثیر قرار داده است؛
از کشف و طراحی مولکول، توسعه فرمولاسیون و کارآزمایی‌های بالینی، تا تشخیص زودهنگام بیماری، تصمیم‌یارهای بالینی
و مدیریت ارتباط با بیماران. این فناوری می‌تواند زمان و هزینه توسعه دارو را کاهش دهد، دقت تصمیم‌گیری را افزایش دهد،
خطاهای انسانی را کم کند و راه را برای درمان‌های شخصی‌سازی‌شده هموار کند.

در عین حال، استفاده گسترده از هوش مصنوعی در داروسازی بدون توجه به کیفیت داده‌ها،
خطر بایاس الگوریتمی، حریم خصوصی و مسئولیت‌پذیری حرفه‌ای، می‌تواند پیامدهای ناخواسته‌ای داشته باشد.
به همین دلیل، موفقیت این تحول، به میزان بلوغ نظام‌های حاکمیت داده، رگولاتوری، اخلاق حرفه‌ای و سرمایه‌گذاری بلندمدت در زیرساخت‌های دیجیتال بستگی دارد.

برای کشورهایی مانند ایران، که هم‌زمان با چالش محدودیت منابع، فشار بیماری‌ها و ضرورت ارتقای عدالت در سلامت مواجه‌اند،
نگاه استراتژیک به هوش مصنوعی در داروسازی یک ضرورت است؛ نه یک تجمل تکنولوژیک.
پیوند دادن فرآیند توسعه دارو،
تحقیق و توسعه دارویی،
اقتصاد دارو،
حاکمیت داده سلامت
و تحول دیجیتال در سلامت،
می‌تواند مسیر طراحی سیاست‌هایی را هموار کند که هم از بیماران محافظت کند، هم ظرفیت نوآوری را آزاد سازد.

در نهایت، هوش مصنوعی در داروسازی نه‌فقط یک ابزار تکنیکال، بلکه یک موضوع حاکمیتی، اقتصادی و اجتماعی است.
نحوه مواجهه ما با این فناوری، تعیین خواهد کرد که آیا از آن برای تعمیق شکاف‌ها استفاده می‌شود،
یا برای ساختن نظام سلامت کارآمدتر، عادلانه‌تر و انسان‌محورتر.