Фармакокінетика терапевтичної інформації штучного інтелекту: теоретичне обґрунтування та ADME-модель
Том 20 № 2 (2026), Статьи
Том 20 № 2 (2026)

Фармакокінетика терапевтичної інформації штучного інтелекту: теоретичне обґрунтування та ADME-модель

Статьи
https://doi.org/10.33250/20.02.179
Опубліковано June 19, 2026
М. Я. Головенко
В. Б. Ларіонов
pdf

Ключові слова

клінічний ШІ
інформаційна фармакокінетика
Fi, Clі, ADME-аналогія
біомедична інформатика

Анотація

Сучасна медицина все частіше інтегрує клінічні системи штучного інтелекту (ШІ) як активні інструменти підтримки прийняття рішень, але оцінка їхньої ефективності переважно обмежується статичними показниками (точністю, чутливістю, специфічністю, ROC-кривою). Такі параметри не відображають динаміку життєвого циклу алгоритму в реальному клінічному середовищі, не враховують час впровадження, масштаб проникнення, адаптацію та поступову втрату впливу. Мета дослідження – теоретичне обґрунтування концепції інформаційної фармакокінетики клінічних систем ШІ та розробка структурно-ізоморфної ADME-аналогової моделі, що описує часову динаміку інтеграції, функціонування, адаптації та зменшення впливу алгоритмічних агентів у клінічному середовищі. Використовуючи цю аналогію, запропоновано формалізувати поняття інформаційної біодоступності (Fi), інформаційного кліренсу (Clᵢ), інформаційного об’єму розподілу (Vᵢ) та періоду напів­ ведення (t½ᵢ), що дає змогу кількісно оцінити життєвий цикл алгоритму в клінічному середовищі. Для досягнення цієї мети застосовано комплексний методологічний підхід задля оцінки можливостей прогнозування. Запропонована модель описує інформаційний вплив клінічного ШІ як динамічний процес і дозволяє прогнозувати часові характеристики впливу ШІ, оцінювати ризики втрати ефективності й інтегрувати кінетичні метрики, які враховують життєвий цикл систем.

https://doi.org/10.33250/20.02.179
pdf

Посилання

1. Gentner D. Structure-mapping: a theoretical framework for analogy. Cognitive Science. 1983. V. 7 (2). P. 155–170. https://doi.org/10.1207/s15516709cog0702_3.
2. Weingartner P. Analogy among systems. Dialectica. 1979. V. 33 (3/4). P. 355–378. https://www.jstor.org/stable/42968426.
3. Головенко Н. Я. Физико-химическая фармакология. Одесса : Астропринт, 2004, С. 720–740.
4. Головенко М. Я., Ларіонов В. Б. Штучний інтелект як об’єкт інформаційної фармакології: межа між допоміжним інструментом і лікувальним фактором. Artificial Intelligence. 2026. T. 31 (1). C. 98–116. https://doi.org/10.15407/jai2026.01.098.
5. Golovenko M. Ya., Larionov V. B. From pharmacological informatics to informational pharmacology: a conceptual shift in therapeutics. International Multidisciplinary Conference on Innovation, Technology and Sustainability. Futurity Proceedings. 2026. No. 6. https://doi.org/10.5281/zeno-do.18719816.
6. Dang A., Arora D., Rane P. Role of digital therapeutics and the changing future of healthcare. J. Family Med. Prim. Care. 2020. V. 9 (5). P. 2207–2213. https://doi.org/10.4103/jfmpc.jfmpc_105_20.
7. Bielik L. Methodology of science: an introduction. Bratislava : Comenius University in Bratislava, 2019. 232 p.
8. Spiegelhalter D. A. Trust in numbers: the pursuit of objectivity in science and public life. Princeton, NJ : Princeton University Press, 2019. 224 p.
9. L. von Bertalanffy. General system theory: foundations, development, applications. New York, NY : George Braziller, 1968. 228 p.
10. Rowland M., Thomas N. T. Clinical pharmacokinetics: concepts and applications. 4th ed. Philadelphia, PA Lippincott Williams & Wilkins, 2011. 480 p.
11. Altman D. G., Royston P. What do we mean by validating a prognostic model? Stat. Med. 2000. V. 19 (4). P. 453–473. https://doi.org/10.1002/(SICI)1097-0258(20000229)19:4<453::AID-SIM350>3.0.CO;2-5.
12. Beyond adoption: a new framework for theorizing and evaluating nonadoption, abandonment, and challenges to the scale‑up, spread, and sustainability of health and care technologies. T. Greenhalgh, J. Wherton, C. Papoutsi et al. J. Med. Internet Res. 2017. V. 19 (11). P. e367. https://doi.org/10.2196/jmir.8775.
13. Hesse M. B. Models and analogies in science. Notre Dame, IN : University of Notre Dame Press,
1966. 184 p.
14. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva : World Health Organization, 2021. 148 p. ISBN 9789240029200. URL: https://www.who.int/publications/i/item/9789240029200.
15. Shargel L., Wu Pong S., Yu A. B. C. Applied biopharmaceutics & pharmacokinetics. 6th ed. New York, NY : McGraw Hill Education / Medical, 2012. 811 p.
16. Brunton L. L., Hilal Dandan R., Knollmann B. C., editors. Goodman & Gilman’s. The pharmacological basis of therapeutics. 13th ed. New York, NY : McGraw Hill, 2018. 1618 p.
17. The bioavailability of drugs — the current state of knowledge. M. Stielow, A. Witczyńska, N. Kubryń et al. Molecules (Basel, Switzerland). 2023. V. 28 (24). P. 8038. https://doi.org/10.3390/mole-cules28248038.
18. Evaluation of solubility limited absorption as a surrogate to predicting positive food effect of BCS II/ IV drugs. K. Rodriguez Fernandez, J. D. Gómez Mantilla, S. Shukla et al. Clin. Pharmacokinet. 2025. V. 64 (3). P. 373–385. https://doi.org/10.1007/s40262-025-01473-9.
19. A systematic review of AI based clinical decision support systems: from development and implementation to applications. S. U. Hasan, S. Hasan, A. Shiwlani et al. Pak. J. Life Soc. Sci. 2025. V. 23 (1). P. 1482–1500. https://doi.org/10.57239/PJLSS 2025 33.1.00115.
20. Artificial intelligence adoption challenges from healthcare providers’ perspectives: a comprehensive review and future directions. M. Abdelwanis, M. C. E. Simsekler, A. F. Gabor et al. Safety Science. 2026. V. 193. P. 107028. https://doi.org/10.1016/j.ssci.2025.107028.
21. Rowland M., Tozer T. N. Clinical pharmacokinetics: concepts and applications. 4th ed. Philadelphia: Lippincott Williams & Wilkins, 1995. 544 p.
22. Toutain P. L., Bousquet-Mélou A. Plasma clearance. J. Vet. Pharmacol. Ther. 2004. V. 27 (6). P. 415–425. https://doi.org/10.1111/j.1365-2885.2004.00605.x
23. Do no harm: a roadmap for responsible machine learning for health care. J. Wiens, S. Saria, M. Sen- dak et al. Nat. Med. 2019. V. 25. P. 1337–1340. https://doi.org/10.1038/s41591-019-0548-6.
24. Key challenges for delivering clinical impact with artificial intelligence. C. J. Kelly, A. Karthikesalingam, M. Suleyman et al. BMC Med. 2019. V. 17 (1). P. 195. https://doi.org/10.1186/s12916-019-1426-2.
25. U. S. Food and Drug Administration. Proposed regulatory framework for modifications to artificial intelligence/machine learning-based software as a medical device (SaMD). Silver Spring, MD : FDA, 2019. URL: https://www.fda.gov/media/122535/download.