ШІ трансформує аптеки: технології як союзники фармацевта

Штучний інтелект трансформує аптечну практику

Ще донедавна штучний інтелект (ШІ) асоціювався переважно із сюжетами наукової фантастики. Сьогодні ж він поступово стає частиною повсякденної роботи і життя. Не оминула ця трансформація й аптечну практику. Попри те що близько половини організацій охорони здоров’я лише планували інтегрувати рішення на основі ШІ вже до 2025 р., у 2026 р. ця технологія охопила не лише операційні процеси на кшталт управління запасами, а й клінічну підтримку ухвалення рішень, роботизоване фасування рецептів і персоналізовану комунікацію з відвідувачем аптеки, та вже перетворюється на щоденний робочий інструмент найбільших аптечних мереж світу.

ШІ вже активно використовують на різних етапах життєвого циклу лікарського засобу — від пошуку нових молекул і прогнозування їхніх властивостей до аналізу даних клінічних досліджень (Ali S. et al., 2025). Однак не менш цікавою є інша сфера — його потенційне використання безпосередньо у щоденній фармацевтичній практиці.

ШІ ЯК ДОДАТКОВИЙ РІВЕНЬ ЗАХИСТУ ВІД ЛІКАРСЬКИХ ПОМИЛОК

Однією з важливих сфер потенційного використання ШІ є підвищення безпеки медикаментозної терапії. Лікарські помилки залишаються суттєвою проблемою систем охорони здоров’я. Особливо вразливими є ситуації, коли фармацевтичний фахівець працює в умовах високого навантаження, великої кількості рецептів, дефіциту часу та необхідності одночасно опрацьовувати значний обсяг клінічної інформації. Дослідження також вказують на зв’язок між робочим навантаженням і ризиком помилок, пов’язаних із медикаментозною терапією (Francis S.G., 2022).

Саме в таких умовах цифрові системи можуть виконувати роль додаткового рівня контролю. Системи клінічної підтримки ухвалення рішень здатні автоматично аналізувати доступні дані та сигналізувати про потенційно небезпечні лікарські взаємодії, дублювання терапії, невідповідність дози або інші фактори ризику. Сучасні підходи передбачають також використання алгоритмів для пріоритезації сповіщень, щоб не перевантажувати фахівця великою кількістю малозначущих попереджень і допомагати зосередитися насамперед на клінічно важливих випадках (Graafsma J. et al., 2024; d’Elia A. et al., 2025; Said A.S.A. et al., 2026).

Систематичні огляди використання ШІ у клінічній фармації свідчать, що алгоритми машинного навчання та мовні моделі потенційно можуть допомагати виявляти проблеми, пов’язані з медикаментозною терапією, зокрема потенційно небезпечні взаємодії, побічні дії та недоцільні призначення (Alqahtani S.S. et al., 2025; Allam H., 2025).

Тому ШІ доцільніше розглядати не як альтернативу фармацевтичному контролю, а як додатковий інструмент, що допомагає фармацевту не пропустити потенційно небезпечної ситуації. При цьому базові механізми безпеки — професійна перевірка, подвійний контроль, сканування штрих-кодів та інші стандартизовані процедури — не втрачають свого значення. Навпаки, найбільш безпечна модель передбачає поєднання автоматизованих систем із обов’язковим професійним контролем людини (Ouda E. et al., 2026).

ВІД СТАНДАРТИЗОВАНОГО ПІДХОДУ — ДО ПЕРСОНАЛІЗОВАНОЇ ФАРМАЦЕВТИЧНОЇ ДОПОМОГИ

Ще одним потенційно трансформаційним напрямом є персоналізація медикаментозної терапії. Традиційно багато клінічних рішень ґрунтуються на даних великих досліджень і середніх показниках ефективності для певних груп пацієнтів. Проте конкретна людина може істотно відрізнятися від такого «середнього» пацієнта за віком, супутніми захворюваннями, генетичними особливостями, одночасно застосовуваними препаратами та іншими чинниками. Моделі машинного навчання можуть аналізувати складні взаємозв’язки між такими параметрами. Зокрема, дослідження продемонстрували потенціал алгоритмів для прогнозування індивідуальної відповіді пацієнтів на окремі види фармакотерапії, включно з антидепресантами (Sheu Y. Н. et al., 2023).

Неприхильність до лікування залишається однією з важливих проблем сучасної системи охорони здоров’я, особливо серед пацієнтів із хронічними захворюваннями та тих, хто одночасно застосовує декілька лікарських засобів. Цифрові інструменти на основі ШІ можуть використовуватися для персоналізованих нагадувань, адаптації комунікації до поведінки користувача, аналізу причин пропуску терапії та надання зрозумілої інформації щодо застосування ліків. Систематичний огляд 2025 р. показав, що спільноти аптек, які впровадили ШІ-технології, зафіксували майже 40% зростання прихильності до медикаментозного лікування та 55% скорочення пропущених поновлень рецептів (Simpson M.D. et al., 2025). Примітно, що різні чат-боти та віртуальні помічники з охорони здоров’я на базі ШІ надають персоналізовані поради щодо ліків, нагадування і навчальні ресурси, що дає змогу підвищувати прихильність і задоволеність пацієнтів (Clark M. et al., 2024; Reis Z.S.N. et al., 2025).

РОБОТИЗАЦІЯ АПТЕКИ: ВАЖЛИВО НЕ ПЛУТАТИ АВТОМАТИЗАЦІЮ ІЗ ШІ

Коли говорять про «аптеку майбутнього», ШІ часто ототожнюють із роботами для фасування та видачі лікарських засобів. Проте з наукової точки зору ці поняття не варто порівнювати. Роботизоване фасування, автоматичне дозування та централізоване заповнення рецептів самі по собі не обов’язково є ШІ. Це можуть бути системи автоматизації, що працюють за чітко заданими алгоритмами. Водночас у сучасних аптечних екосистемах автоматизація дедалі частіше поєднується з алгоритмами аналізу даних, прогнозування попиту, оптимізації робочих процесів і комп’ютерного розпізнавання. Саме тому доцільніше говорити про ширшу цифрову трансформацію аптечної практики, одним зі складників якої є ШІ.

Найбільш масштабним прикладом такої трансформації є централізоване роботизоване фасування рецептів: великі американські аптечні мережі активно автоматизують фасування ліків, використовуючи для цього різні підходи. Зокрема, такі аптечні мережі США, як CVS Health, Walgreens та Walmart, активно створюють спеціалізовані центри, де значну частину стандартних рецептів обробляють автоматизовані системи, після чого препарати надходять до аптек для подальшої видачі. Мета такої моделі полягає не лише у прискоренні обробки рецептів, а й можливості перерозподілити робоче навантаження між централізованими виробничими процесами та аптекою, де фармацевтичний фахівець безпосередньо контактує з пацієнтом. У результаті фармацевт потенційно може приділяти більше часу клінічній перевірці медикаментозної терапії, консультуванню, вакцинації, проведенню скринінгових тестів та іншим професійним послугам.

Одне з досліджень, присвячене оцінці автоматизованої системи дозування, показало, що її впровадження знизило загальний рівень помилок дозування з 0,204 до 0,044%, а частка невиявлених помилок зменшилася з 0,015 до 0,002%. Крім того, небезпечні помилки (видача не того препарату чи хибного дозування) скоротилися практично до нуля, а середній час фасування одного рецепта фармацевтом зменшився з 60 до 23 с (Takase T. et al., 2022). Такі результати демонструють, що автоматизація може підвищувати стабільність і точність виконання повторюваних операцій. Особливо це актуально в умовах великих обсягів роботи, коли людський фактор, втома та дефіцит часу можуть підвищувати ризик помилок. Водночас навіть найефективніша автоматизована система потребує належного контролю, регулярної валідації та чітко визначених процедур на випадок технічних збоїв. Технологія може знизити ризик одних помилок, але водночас створити нові — наприклад, пов’язані з некоректними даними, програмним забезпеченням або неправильною інтеграцією у робочий процес.

ГЕНЕРАТИВНИЙ ШІ ТА ВЗАЄМОДІЯ З ПАЦІЄНТОМ

Ще одним напрямом розвитку є використання генеративного ШІ для комунікації та роботи з інформацією. Потенційно такі системи можуть допомагати готувати персоналізовані інформаційні матеріали, структурувати дані, створювати первинні чернетки документації, відповідати на типові адміністративні запити та підтримувати навігацію пацієнта в цифрових сервісах. Водночас використання генеративного ШІ у клінічно значущих ситуаціях потребує особливої обережності: великі мовні моделі можуть генерувати переконливу, але неточну інформацію, неправильно інтерпретувати контекст або не враховувати індивідуальних особливостей пацієнта. Тому найбільш безпечною моделлю наразі вважається використання генеративного ШІ як інструменту підтримки роботи фахівця, а не автономного джерела клінічних рішень, із обов’язковою професійною перевіркою результату (Howell M.D., 2024; Hatzimanolis J. et al., 2025).

РЕГУЛЯТОРНИЙ КОН

Чим активніше ШІ інтегрується в охорону здоров’я, тим гострішим стає питання відповідальності за його використання. У 2025 р. Королівське фармацевтичне товариство (Royal Pharmaceutical Society — RPS) Великої Британії опублікувало спеціальну політику щодо використання ШІ у фармації. У документі наголошується, що ШІ може підтримувати безпечне та ефективне застосування лікарських засобів, однак технології повинні впроваджуватися відповідально, проходити належну валідацію та постійний моніторинг. Принципово важливо й те, що RPS розглядає ШІ як технологію, здатну посилити професійну роль фармацевтичних фахівців, а не замінити її.

Подібної позиції дотримується й Американське товариство фармацевтів систем охорони здоров’я (American Society of Health-System Pharmacists — ASHP). У своїх актуальних документах організація підтримує використання автоматизації та нових технологій для підвищення ефективності, зниження ризику помилок і вивільнення часу фармацевтичних фахівців для безпосередньої роботи з пацієнтами. Водночас ASHP наголошує на необхідності активної участі фармацевтичної команди у виборі, впровадженні та постійній оцінці таких технологій.

Це фактично формує одну з головних професійних моделей майбутнього: технологія може виконувати частину роботи, але відповідальність за безпечне застосування лікарських засобів не зникає разом із появою алгоритму.

ВИКЛИКИ: ЧОМУ ШІ ЩЕ НЕ МОЖНА «ПРОСТО ПІДКЛЮЧИТИ» ДО АПТЕКИ

Попри значний потенціал, впровадження ШІ в аптечну практику супроводжується низкою складних проблем.

По-перше, виникають технічні перешкоди через фрагментованість медичних даних, відсутність єдиних стандартів їх сумісності, високі витрати на інфраструктуру та складність вбудовування ШІ у щоденні робочі процеси без перевантаження персоналу. По-друге, існують клінічні ризики: мовні моделі можуть помилятися або «галюцинувати», даючи хибні поради, а більшості рішень усе ще бракує реальних практичних досліджень. Через це ШІ має залишатися лише інструментом підтримки, адже остаточне рішення завжди за провізором.

Нарешті, поширення ШІ порушує етичні та соціальні питання, які стосуються надійного захисту персональних даних, ризиків алгоритмічної упередженості через недосконалі навчальні вибірки та потреби фармацевтів постійно навчатися, щоб адаптуватися до автоматизації рутинної роботи (Hasan H.E. et al., 2024; Anan S. et al., 2025; Said A.S.A. et al., 2026).

ПЕРСПЕКТИВИ І ТЕНДЕНЦІЇ РОЗВИТКУ

Найближчими роками аптечна практика, ймовірно, стане ще більш цифровою. Можна очікувати подальшого розвитку роботизованого фасування, інтелектуальних систем управління запасами, інструментів клінічної підтримки ухвалення рішень, цифрового супроводу пацієнтів і автоматизації документації. Водночас найбільш перспективними, ймовірно, будуть не повністю автономні системи, а моделі «фармацевт + ШІ», у яких технологія виконує те, що вона робить найкраще: швидко аналізує великі масиви даних, знаходить закономірності та автоматизує повторювані операції. Людина ж виконує те, що поки що неможливо повністю звести до алгоритму: оцінює клінічний контекст, бере на себе професійну відповідальність, враховує індивідуальні особливості пацієнта та будує довіру (Braga D.M. et al., 2025; Hamishehkar H. et al., 2025; Matarèse B.F.E., 2026).

Тож з огляду на можливості, перспективи і виклики, чи замінить ШІ фармацевта? Найімовірніше, неправильним є саме формулювання цього питання. ШІ не обов’язково має «замінити» фармацевта. Значно реалістичніший сценарій полягає в тому, що він змінить характер фармацевтичної роботи. А майбутнє аптечної практики, найімовірніше, полягає не у протистоянні «фармацевт проти ШІ», а у появі нової моделі — фармацевта, посиленого технологіями.

Поширені запитання

Як ШІ може допомогти фармацевту? — ШІ потенційно може допомагати аналізувати дані, виявляти потенційно небезпечні взаємодії, дублювання терапії, невідповідність дозування та інші фактори ризику.
Чи може ШІ замінити фармацевта? — Найбільш реалістичний сценарій полягає не в заміні фармацевта, а у зміні характеру його роботи та появі моделі «фармацевт + ШІ».
Чим автоматизація аптеки відрізняється від ШІ? — Роботизоване фасування та автоматичне дозування самі по собі не обов’язково є ШІ, оскільки можуть працювати за чітко заданими алгоритмами.
Чи можна використовувати генеративний ШІ для клінічних рішень? — Використання генеративного ШІ у клінічно значущих ситуаціях потребує особливої обережності, а результати його роботи мають проходити обов’язкову професійну перевірку.
Які основні ризики пов’язані з впровадженням ШІ в аптеці? — Серед основних викликів — фрагментованість даних, складність інтеграції технологій, ризик помилок мовних моделей, захист персональних даних та алгоритмічна упередженість.

Коротко: головне

ШІ поступово охоплює операційні процеси, клінічну підтримку ухвалення рішень, роботизоване фасування рецептів і персоналізовану комунікацію з відвідувачем аптеки.
Алгоритми потенційно можуть допомагати виявляти проблеми, пов’язані з медикаментозною терапією, але не замінюють професійного контролю.
Роботизація та автоматизація аптечних процесів не завжди означають використання ШІ.
Генеративний ШІ може підтримувати роботу фахівця, однак у клінічно значущих ситуаціях потребує особливої обережності та професійної перевірки.
Найбільш перспективною моделлю розвитку аптечної практики є поєднання можливостей технологій із професійною експертизою та відповідальністю фармацевта.

Список використаної літератури

Ali S., Tian X., Chen H., Zhou J. (2025) A New Era of Artificial Intelligence (AI): Transforming Drug Discovery and Development. J. Med. Chem., Nov 27; 68(22): 23643–23652. doi: 10.1021/acs.jmedchem.5c03159. PMID: 41306069; PMCID: PMC12908618.
Francis S.G. (2022) Pharmacists’ Perceptions About the Effect of Work Environment Factors on Patient Safety in Large-Chain Retail Pharmacies. J. Pharm. Technol., Dec; 38(6): 376–378. doi: 10.1177/87551225221116000. Epub 2022 Aug 23. PMID: 36311301; PMCID: PMC9608101.
d’Elia A., Morris S.G., Cooper J. et al. (2025) Perceptions of an AI-based clinical decision support tool for prescribing in multiple long-term conditions: a qualitative study of general practice clinicians in England. BMJ Open, Nov 23; 15(11): e102833. doi: 10.1136/bmjopen-2025-102833. PMID: 41285501; PMCID: PMC12645610.
Graafsma J., Murphy R.M., van de Garde E.M.W. et al. (2024) The use of artificial intelligence to optimize medication alerts generated by clinical decision support systems: a scoping review. J. Am. Med. Inform. Assoc., May 20; 31(6): 1411–1422. doi: 10.1093/jamia/ocae076. PMID: 38641410; PMCID: PMC11105146.
Said A.S.A., Al-Ahmad M.M., Shanableh S., Alomar M. (2026) Artificial intelligence in pharmacy practice: pharmacists’ perceptions and concerns toward implementation. Front Digit. Health, Jun 18; 8: 1797213. doi: 10.3389/fdgth.2026.1797213. PMID: 42396387; PMCID: PMC13325469.
Alqahtani S.S., Menachery S.J., Alshahrani A. et al. (2025) Artificial intelligence in clinical pharmacy-A systematic review of current scenario and future perspectives. Digit. Health, Oct 21; 11: 20552076251388145. doi: 10.1177/20552076251388145. PMID: 41146680; PMCID: PMC12553886.
Allam H. (2025) Prescribing the Future: The Role of Artificial Intelligence in Pharmacy. Information, 16: 131. doi.org/10.3390/info16020131.
Ouda E., Chaabi I., Abualola H. et al. (2026) The Role of Artificial Intelligence in Reducing Dispensing Errors for Patient Safety and Quality: A Systems Approach. Risk Manag. Healthc Policy, 19: 573762. doi.org/10.2147/RMHP.S573762.
Sheu Y.H., Magdamo C., Miller M. et al. (2023) AI-assisted prediction of differential response to antidepressant classes using electronic health records. NPJ Digit. Med., Apr 26; 6(1): 73. doi: 10.1038/s41746-023-00817-8. PMID: 37100858; PMCID: PMC10133261.
Simpson M.D., Qasim H.S. (2025) Clinical and Operational Applications of Artificial Intelligence and Machine Learning in Pharmacy: A Narrative Review of Real-World Applications. Pharmacy (Basel), Mar 7; 13(2): 41. doi: 10.3390/pharmacy13020041. PMID: 40126314; PMCID: PMC11932220.
Clark M., Bailey S. (2024) Chatbots in Health Care: Connecting Patients to Information: Emerging Health Technologies . Ottawa (ON): Canadian Agency for Drugs and Technologies in Health, Jan. Report No.: EH0122. PMID: 38564540.
Reis Z.S.N., Pereira G.M.V., Dias C.D.S. et al. (2025) Artificial intelligence-based tools for patient support to enhance medication adherence: a focused review. Front Digit. Health, Apr 29; 7: 1523070. doi: 10.3389/fdgth.2025.1523070. PMID: 40364851; PMCID: PMC12069381.
Takase T., Masumoto N., Shibatani N. et al. () 2022 Evaluating the safety and efficiency of robotic dispensing systems. J. Pharm. Health Care Sci., Oct 1; 8(1): 24. doi: 10.1186/s40780-022-00255-w. PMID: 36180937; PMCID: PMC9526262.
Hatzimanolis J., Riley B., El-Den S. et al. (2025) Applications of artificial intelligence in current pharmacy practice: A scoping review. Res. Social. Adm. Pharm., Mar; 21(3): 134–141. doi: 10.1016/j.sapharm.2024.12.007. Epub 2024 Dec 17. PMID: 39730225.
Howell M.D. (2024) Generative artificial intelligence, patient safety and healthcare quality: a review. BMJ Qual. Saf., Oct 18; 33(11): 748–754. doi: 10.1136/bmjqs-2023-016690. PMID: 39048292; PMCID: PMC11503140.
Hasan H.E., Jaber D., Khabour O.F., Alzoubi K.H. (2024) Ethical considerations and concerns in the implementation of AI in pharmacy practice: a cross-sectional study. BMC Med. Ethics, May 16; 25(1): 55. doi: 10.1186/s12910-024-01062-8. PMID: 38750441; PMCID: PMC11096093.
Jarab A.S., Al-Qerem W., M. Al-Hajjeh D. et al. (2025) Artificial intelligence utilization in the healthcare setting: perceptions of the public in the UAE. International Journal of Environmental Health Research, 35(3): 585–593.
Hamishehkar H., Shahidi M. (2025) Impact of Artificial Intelligence on the Future of Clinical Pharmacy and Hospital Settings. J. Res. Pharm. Pract., Oct 6; 14(3): 87–97. doi: 10.4103/jrpp.jrpp_51_25. PMID: 41164379; PMCID: PMC12560970.
Braga D.M., Rawal B. (2025) Harnessing AI and Quantum Computing for Revolutionizing Drug Discovery and Approval Processes: Case Example for Collagen Toxicity. JMIR Bioinform. Biotechnol., Jul 22; 6: e69800. doi: 10.2196/69800. PMID: 41342151; PMCID: PMC12306909.
Matarèse B.F.E. (2026) Quantum and Artificial Intelligence in Drugs and Pharmaceutics. BioChem., 6: 2. doi.org/10.3390/biochem6010002.

Джерело: www.ukrinform.ua

No votes yet.

Please wait...