Ekspansja na nowe rynki opieki zdrowotnej: rosnący wpływ sztucznej inteligencji w medycynie

Sztuczna inteligencja w medycynie najczęściej kojarzy się z wykrywaniem nieprawidłowości na obrazach medycznych, analizą wyników badań i pomocą lekarzom w stawianiu diagnoz. Ostatnio jednak coraz częściej spotykam się z innowacjami, które daleko wykraczają poza te zastosowania i każą nam na nowo zastanowić się, jakie możliwości daje technologia medyczna. Niektóre z nich są tak ambitne, że ich wpływ może wykraczać daleko poza opiekę zdrowotną, oddziałując na zupełnie inne obszary naszego życia i dając początek nowym technologiom, modelom biznesowym, a nawet rynkom, które jeszcze nie istnieją.

Dlaczego rzadkie choroby stają się atrakcyjnym obszarem dla startupów medycznych

Jednym z najciekawszych obszarów, które ostatnio śledzę, jest odkrywanie leków — poszukiwanie nowych związków leczniczych i ich opracowywanie z wykorzystaniem metod obliczeniowych oraz sztucznej inteligencji. Prace DeepMind nad AlphaFold odegrały ważną rolę w rozwoju tej dziedziny. Baza danych obejmująca ponad 200 milionów przewidywanych struktur białek dostarczyła naukowcom ogromu informacji, które mogą wykorzystać do badania potencjalnych interakcji molekularnych, a także otworzyła nowe możliwości przed startupami skupiającymi się na określonych schorzeniach.

Załóżmy, że ktoś chce założyć startup, który opracuje terapię stosowaną w stosunkowo rzadkiej chorobie, dotykającej niewielkiego odsetka kobiet w określonej grupie wiekowej. Pierwsze pytanie brzmi: dlaczego miałby kierować swoją ofertę do tak ograniczonego rynku, skoro mógłby zająć się znacznie powszechniejszym schorzeniem? Nawet po zawężeniu populacji świata do tej konkretnej grupy nadal mogłyby w niej być tysiące potencjalnych pacjentek. A jeśli terapia wymagałaby codziennego przyjmowania leku przez dziesięć lat lub do końca życia, nawet tak stosunkowo niewielka populacja pacjentek mogłaby stanowić znaczący rynek.

Rentowna firma farmaceutyczna niekoniecznie potrzebuje dziesiątek milionów klientów. Oczywiście między oszacowaniem potencjalnego rynku a osiągnięciem rzeczywistych przychodów istnieje ogromna przepaść, a po drodze trzeba ponieść koszty badań, badań klinicznych, produkcji i uzyskania zgód regulacyjnych. Mimo to startup może skupić się na jednej zaniedbanej chorobie i zbudować wokół niej cały program badawczy.

Przykładem jest Recursion Pharmaceuticals, amerykańska firma biotechnologiczna opracowująca terapie wspomagane przez sztuczną inteligencję na choroby, w przypadku których istnieje znaczne niezaspokojone zapotrzebowanie medyczne. Jeden z badanych przez nią leków, REC-4881, jest przeznaczony do leczenia rodzinnej polipowatości gruczolakowatej — rzadkiej choroby dziedzicznej, która według szacunków dotyka 50 000 osób w USA i pięciu głównych krajach europejskich. Firma poinformowała o obiecujących wynikach badania klinicznego fazy 1b/2, w tym o zmniejszeniu liczby nieprawidłowych rozrostów tkanek u pacjentów.

Wirtualne laboratoria jako nowy model biznesowy

Znalezienie cząsteczki, która może oddziaływać na białko związane z określoną chorobą, jest prawdziwym wyzwaniem. Wymaga to przesiewowego badania ogromnej liczby związków chemicznych, aby zidentyfikować te, które mogą wiązać się z białkiem docelowym, zmieniać jego aktywność lub wpływać na powiązane procesy biologiczne. Liczy się nie tylko skład chemiczny. Trójwymiarowa struktura każdej cząsteczki odgrywa kluczową rolę w określaniu przebiegu tych interakcji.

Praktycznie niemożliwe jest przetestowanie w laboratorium wszystkich potencjalnych kombinacji. Nawet przy znacznych zasobach finansowych przeprowadzenie tak wielu eksperymentów trwałoby zdecydowanie zbyt długo. Dlatego część procesu badawczego przenosi się do środowisk wirtualnych, gdzie modele obliczeniowe i symulacje pozwalają przewidywać interakcje molekularne oraz wskazywać najbardziej obiecujące związki do dalszych badań. Takie podejście ogranicza liczbę eksperymentów laboratoryjnych, choć przewidywania nadal trzeba zweryfikować w testach fizycznych.

Wokół tych technologii powstaje cały ekosystem startupów działających w oparciu o różne modele biznesowe. Niektóre tworzą infrastrukturę do symulacji molekularnych i udostępniają ją firmom farmaceutycznym oraz zespołom badawczym. Inne korzystają z istniejących narzędzi, aby opracowywać własne kandydaty na leki. To ciekawy przykład tego, jak jeden przełom technologiczny może stworzyć możliwości biznesowe na wielu poziomach rynku. Firma może zbudować odnoszący sukcesy biznes, nie wprowadzając na rynek ani jednego własnego leku, pod warunkiem że jej technologia okaże się wartościowa dla innych podmiotów opracowujących leki.

Świetnym przykładem jest Isomorphic Labs, firma opracowująca technologie sztucznej inteligencji na potrzeby odkrywania leków i projektowania cząsteczek. Nawiązała ona partnerstwa badawcze z Novartis i Eli Lilly, a w 2025 roku rozszerzyła współpracę z Novartis, obejmując nią dodatkowe programy odkrywania leków. To przykład tego, jak technologia wykorzystywana do odkrywania i projektowania cząsteczek może sama stać się podstawą działalności firmy współpracującej z dużymi koncernami farmaceutycznymi.

Spersonalizowana tabletka w dwadzieścia minut

Niektóre startupy idą jeszcze dalej w rozwijaniu idei odkrywania leków. Niedawno spotkałem zespół pracujący nad technologiami związanymi z rakiem skóry. Jego członkowie chcą identyfikować genetyczne predyspozycje do tej choroby i badają możliwości jej leczenia na poziomie DNA. Zamiast opracowywać lek dla szerokiej grupy pacjentów, sprawdzają, czy terapie można dostosować do profilu genetycznego konkretnej osoby.

Założyciele przedstawili niezwykle ambitną wizję przyszłości. Wyobraźmy sobie, że wchodzimy do kliniki, oddajemy próbkę śliny, a urządzenie analizuje nasze DNA, by przygotować lek zaprojektowany specjalnie dla nas. Według tej wizji cały proces mógłby pewnego dnia trwać około dwudziestu minut i kosztować zaledwie 100 dolarów. Oczywiście, to wciąż ambicja technologiczna, a nie dostępna usługa medyczna. Jej urzeczywistnienie wymagałoby pokonania ogromnych wyzwań naukowych, produkcyjnych i regulacyjnych.

Rozmowy takie jak ta pokazują jednak, jak bardzo zmieniają się ambicje przedsiębiorców z branży medycznej. Zamiast po prostu udoskonalać istniejące procedury diagnostyczne, zastanawiają się oni, czy sam proces opracowywania terapii można gruntownie przeprojektować. Fascynuje mnie, jak postępy w technologiach obliczeniowych skłaniają założycieli firm do ponownego przemyślenia procesów, które przez dziesięciolecia w dużej mierze pozostawały niezmienne.

Dlaczego startupy z branży robotyki chirurgicznej często powstają z myślą o przejęciu

Podczas gdy technologie obliczeniowe pozwalają małym zespołom analizować ogromną liczbę możliwości w poszukiwaniu nowych leków, robotyka chirurgiczna wymaga zupełnie innego poziomu zasobów. Zbudowanie systemu zdolnego do wykonywania zabiegów chirurgicznych wymaga zaawansowanej inżynierii mechanicznej, precyzyjnego sterowania ruchem, rozległych testów oraz dostępu do środowisk klinicznych. Opracowanie niezawodnego ramienia robota chirurgicznego może zająć od dziesięciu do piętnastu lat, a koszt jednej instalacji może wynieść miliony dolarów. Potencjalna baza klientów jest również ograniczona, a producenci muszą zapewniać wieloletnią konserwację i wsparcie techniczne. Dla małego startupu sprawia to, że robotyka chirurgiczna jest wyjątkowo złożonym i kapitałochłonnym przedsięwzięciem.

Dlatego niektóre zespoły budują swoje strategie wokół perspektywy przejęcia przez dużą firmę z branży technologii medycznych. Ich celem jest opracowanie przekonującej koncepcji technologicznej i wykazanie jej potencjału. Startup może na przykład zbudować prototyp ramienia robota zdolnego do wykonywania określonych zabiegów na manekinie medycznym, choć rozwiązanie to jest jeszcze dalekie od gotowości do pracy z prawdziwym pacjentem. Tymczasem zespół aktywnie nawiązuje kontakty z inwestorami, uczestniczy w konferencjach branżowych i buduje relacje z potencjalnymi nabywcami korporacyjnymi, co często obserwujemy, współpracując przy wydarzeniach medycznych w Scryon. W gruncie rzeczy zespoły te próbują sprzedać obietnicę technologii, zanim stanie się ona gotowym produktem.

Początkowo takie podejście wydawało mi się dość dziwne. Po co opracowywać sprzęt medyczny, jeśli nie zamierza się samodzielnie wprowadzić go na rynek? Kryje się za tym jednak biznesowa logika. Mały zespół może dysponować utalentowanymi inżynierami i obiecującym pomysłem, ale nie mieć zasobów potrzebnych do wieloletnich testów, dostępu do szpitali i produkcji na dużą skalę. Duża korporacja może zapewnić taką infrastrukturę, przejmując startup na stosunkowo wczesnym etapie rozwoju.

Ta strategia pokazuje, jak małe zespoły i duże korporacje mogą się uzupełniać: jedni skupiają się na opracowywaniu i testowaniu nowych pomysłów, a drudzy dysponują zasobami pozwalającymi przekształcić je w użyteczne produkty medyczne. Wielkość firmy niekoniecznie odzwierciedla też złożoność prac, które stoją za jej technologią.

Przekonałem się o tym na własne oczy podczas projektów realizowanych w Keymakr, gdzie współpracowaliśmy z programistami z firm różnej wielkości — od małych startupów po jednego z czołowych światowych producentów sprzętu medycznego. Niezależnie od wielkości firmy projekty te wymagają żmudnej pracy nad udoskonalaniem algorytmów, przygotowywaniem zbiorów danych medycznych i weryfikacją zgodności adnotacji z wymogami klinicznymi.

Poza pierwotnym pomysłem

Firma badająca określony mechanizm biologiczny może pewnego dnia opracować technologię, która odmieni zupełnie niezwiązane z nim branże. Może to mieć dalekosiężne konsekwencje, aż po radykalne wydłużenie życia i całkowitą transformację znanego nam społeczeństwa.

Być może właśnie to najbardziej fascynuje mnie dziś w startupach medycznych. Dzięki sztucznej inteligencji małe zespoły podejmują się wyzwań, które jeszcze niedawno wymagałyby zasobów wielkich korporacji, i często podchodzą do nich z nieoczekiwanej strony. Wiele z tych pomysłów nigdy nie znajdzie zastosowania, ale przedsiębiorcy nie muszą z góry wiedzieć, jak duży rynek może ostatecznie stworzyć udana technologia. Czasem najciekawsze możliwości pojawiają się dopiero po rozwiązaniu pierwotnego problemu naukowego.