О сложностях междисциплинарного общения

Суббота началась с желания подготовить лекцию для студентов, но вылилась в очередной холиварный лонгрид:) 

Недавно мне напомнили про одну статью, написанную в 2019 году по теме «Как мы айтишники, вас, биологов и медиков научим работать» (Ссылка). Статья безусловно заслуживает внимания, написана профессионалом своего дела приятным и живым языком. Ниже я приведу несколько замечаний по тексту статьи, а в конце некоторые мои мысли по теме.
1. «У тайного ордена задача — не создать новое знание, не приумножить старое, а просто сохранить знания древних. Из-за этого медицина многие годы тормозила.»

• Тут сложно согласиться. Мы вынуждены тормозить, так как слишком велико влияние ошибки. Это могут быть и сотни, и десятки тысяч жизней (а может и сотни тысяч – мир глобален, из-за этого воздействие может носить сейчас более массовый характер, чем 40 лет назад). Самый известный пример, история с талидомидом (Ссылка).

• Очень бы хотелось услышать название препарата, прошло уже 6 лет, но я не смог найти в интернете историю про препарат, где от идеи до одобрения FDA всего 4 года. Есть конечно отдельная тема с Breakthrough Therapy Designation Approvals, но опять же, от идеи до одобрения…. (Желающие могут в ручная проверить по этой ссылке) Если убрать времена COVID-19 никому не удалость только все стадии клинических исследований провести за 3 года, я молчу про доклинические исследования, так что это звучит как «купите нашу программу, а еще мы в консалтинг могем!
• 

• Этого не произошло и не произойдет еще очень долго. Фарма – это про большие деньги, даже когда мы готовим про биотех стартапы. И никто в здравом уме не будет выкладывать перспективные разработки в доступ. К сожалению, в науке примерно такая же ситуация, грантовая система + публикации в ТОПвых журналах создают конкуренцию, которая порождает воровство идей и данных. Как абстрактная идеалистическая идея – изумительная! Но как это включить в суровую капиталистическую реальность?

• Внедрение методов биоинформатики, моделирования 3D структур и т.д. сильно ускорили и удешевили разработку и исследование новых препаратов. Но это началось уже лет 25 назад, сейчас это уже норма жизни.
• Применение машинного обучения и модного сейчас искусственного интеллекта к обработке различных снимков и лабораторных анализов показывает свою эффективность и будет в ближайшем будущем внедрено в повседневную практику.
• Real world data/Real world evidence – это даже не будущее, это уже наше настоящее. И безусловно, big data вносит здесь ключевой вклад. Направление динамично развивается и позволяет корректировать наши знания о течении заболеваний, реальной (с большими оговорками) практике использования препаратов, межлекарственного взаимодействия и т.д. Но нельзя сказать, что (по крайней мере пока) RWD/RWE может заменить клинические или доклинические исследования. Все-таки там каждая буква написана кровью.
• Говорить про массовое внедрение AI в разработку препаратов пока не приходится. Мы что-то пробуем, что-то проверяем, но пока рано. Медицина и фармацевтика, к счастью, консервативные отрасли.