Modifica di Applicazioni mediche dell'intelligenza artificiale (sezione)

===Produzione Farmaci===
L'utilizzo dell’IA in ambito farmaceutico sta compiendo notevoli passi avanti, soprattutto se si pensa al suo impatto sull’abbattimento dei costi e sul raggiungimento degli obiettivi in tempi rapidi per gli standard del settore. Centinaia di startup stanno esplorando l’uso dell’apprendimento automatico nell’industria farmaceutica. L’obiettivo “comune” è quello di utilizzare l’Intelligenza Artificiale per rendere la scoperta dei farmaci più veloce, sicura ed economica. Prevedendo il comportamento dei potenziali farmaci nell’organismo e scartando “in anticipo” i composti che non funzionano. I modelli di apprendimento automatico possono ridurre la necessità di ricorrere a lunghe procedure di laboratorio. L'industria farmaceutica ha iniziato a produrre numerosi dati chimici e biologici per addestrare modelli di apprendimento automatico efficaci.
La nuova generazione di aziende del campo dell’Intelligenza Artificiale si sta concentrando su tre punti critici nel processo di sviluppo dei farmaci:

1) Individuare il bersaglio giusto nell’organismo;
2) Progettare la molecola giusta per interagire con esso;
3) Determinare in quali pazienti la molecola ha maggiori probabilità di essere utilizzata con successo.
Con l’apprendimento automatico è possibile sfruttare grandi quantità di dati, compresi quelli relativi a farmaci e molecole, per costruire automaticamente “modelli complessi”. In questo modo è molto più facile e veloce prevedere il comportamento dei farmaci nell’organismo, consentendo di effettuare molti esperimenti. I modelli di apprendimento automatico possono esplorare potenziali molecole di farmaci in un modo prima sconosciuto. 
Prima ancora di arrivare a simulare il comportamento dei farmaci, molte aziende stanno applicando l’apprendimento automatico al problema dell’identificazione dei bersagli e l’utilizzo del linguaggio naturale per estrarre i dati da vasti archivi di relazioni scientifiche risalenti a decenni fa, tra cui centinaia di migliaia di sequenze genetiche pubblicate e milioni di articoli accademici. I modelli di apprendimento automatico possono prevedere quali sono i bersagli più promettenti su cui concentrarsi per cercare di curare una particolare malattia. La scelta di un bersaglio è solo l’inizio. La sfida più grande è progettare una molecola di farmaco che faccia “qualcosa”, che sia produttiva di risultati. L’interazione tra le molecole all’interno del corpo, peraltro, è molto complicata. Molti farmaci devono attraversare ambienti ostili, come l’intestino, prima di poter svolgere il loro lavoro. Tutto il processo è regolato da leggi fisiche e chimiche che operano su scala atomica. L’obiettivo della maggior parte degli approcci alla progettazione di farmaci basati sull’Intelligenza Artificiale è quello di “navigare” tra le vaste possibilità e individuare rapidamente nuove molecole che soddisfino il maggior numero possibile di requisiti.
L'idea è quella di riprogettare gli anticorpi esistenti per renderli più adatti a legarsi ai bersagli oppure  quello di scegliere gli anticorpi “più promettenti”, che potrebbero combattere particolari varianti aggressive, utilizzandoli per progettare vaccini straordinariamente efficaci. 
Dopo aver apportato modifiche simulate, i ricercatori sintetizzano e testano i progetti che funzionano meglio.
D’altronde, il vero potenziale dell’Intelligenza Artificiale è di aprire un enorme bacino non sfruttato di strutture biologiche e chimiche che potrebbero diventare gli ingredienti di futuri farmaci. 
L’IA può ridurre i tempi ed i costi della ricerca di nuovi farmaci.
I farmaci devono essere testati sugli esseri umani. Queste fasi finali dello sviluppo di un farmaco, che prevedono il reclutamento di un gran numero di volontari, sono difficili da gestire e, in genere, richiedono molto tempo: si va, alle volte, dai dieci ai venti anni. L’Intelligenza Artificiale non sarà in grado di accelerare il processo di sperimentazione clinica, ma potrebbe aiutare le aziende farmaceutiche a limitare i tempi di gestione dei dati.  

Anche una migliore selezione dei pazienti potrebbe contribuire a migliorare l’intero processo selezionando i “pazienti giusti” dall’origine, incorporando i dati dei pazienti nelle prime fasi del processo per addestrare un’Intelligenza Artificiale “migliorata”.