Штучний інтелект трансформує аптеки: як технології розширюють можливості фармацевтів

27 Серпня 2026 4:16 RSS Стрічка, Новини фармацевтики та фармації, Фармацевтика та фармація Поділитися Ще нещодавно штучний інтелект (ШІ) сприймався як елемент наукової фантастики. Сьогодні ж він поступово стає невід’ємною частиною нашої роботи та повсякденного життя, і фармацевтична практика не є винятком. Хоча станом на 2025 рік лише половина медичних закладів планувала інтегрувати рішення на базі ШІ, у 2026 році ця технологія вже активно трансформує не тільки операційні процеси, як-от управління запасами, а й надає клінічну підтримку в ухваленні рішень, автоматизує фасування рецептів та забезпечує персоналізовану комунікацію з пацієнтами. Для найбільших аптечних мереж світу ШІ вже перетворюється на щоденний робочий інструмент. ШІ вже широко використовується на різних етапах розробки лікарських засобів – від пошуку нових молекул та прогнозування їхніх властивостей до аналізу даних клінічних досліджень (Ali S. et al., 2025). Проте не менш захопливою є сфера його потенційного застосування безпосередньо у щоденній роботі фармацевтів.

Штучний Інтелект: Додатковий Рівень Захисту від Медикаментозних Помилок

Одним із ключових напрямів використання ШІ є підвищення безпеки медикаментозної терапії. Лікарські помилки залишаються серйозною проблемою систем охорони здоров’я. Особливо в ситуаціях, коли фармацевт працює під високим навантаженням, обробляє велику кількість рецептів, має обмежений час та потребує одночасного аналізу значного обсягу клінічної інформації. Дослідження підтверджують зв’язок між робочим навантаженням та ризиком помилок у медикаментозній терапії (Francis S.G., 2022). Саме в таких умовах цифрові системи можуть слугувати додатковим рівнем контролю. Системи підтримки клінічних рішень здатні автоматично аналізувати доступні дані та сповіщати про потенційно небезпечні лікарські взаємодії, дублювання терапії, невідповідність дозування чи інші фактори ризику. Сучасні підходи також передбачають використання алгоритмів для пріоритезації сповіщень, щоб уникнути перевантаження фахівця малозначущими попередженнями та допомогти йому зосередитися на клінічно важливих випадках (Graafsma J. et al., 2024; d’Elia A. et al., 2025; Said A.S.A. et al., 2026). Систематичні огляди застосування ШІ в клінічній фармації свідчать, що алгоритми машинного навчання та мовні моделі можуть ефективно 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). Отже, ШІ доцільніше розглядати не як заміну фармацевтичного контролю, а як допоміжний інструмент, який допомагає фармацевту уникнути потенційно небезпечних ситуацій. Водночас базові механізми безпеки – професійна перевірка, подвійний контроль, сканування штрих-кодів та інші стандартизовані процедури – зберігають своє значення. Найбільш безпечна модель передбачає інтеграцію автоматизованих систем із обов’язковим професійним контролем з боку людини (Ouda E. et al., 2026).

Від Стандартизованого Підходу до Персоналізованої Фармацевтичної Допомоги

Іншим потенційно трансформаційним напрямком є персоналізація медикаментозної терапії. Традиційно, багато клінічних рішень базуються на даних масштабних досліджень та усереднених показниках ефективності для певних груп пацієнтів. Однак кожна людина може суттєво відрізнятися від такого “середнього” пацієнта за віком, супутніми захворюваннями, генетичними особливостями, одночасним прийомом інших препаратів та іншими факторами. Моделі машинного навчання здатні аналізувати складні взаємозв’язки між цими параметрами. Зокрема, дослідження продемонстрували потенціал алгоритмів для прогнозування індивідуальної реакції пацієнтів на певні види фармакотерапії, включно з антидепресантами (Sheu Y. Н. et al., 2023). Неприхильність до лікування залишається однією з ключових проблем сучасної системи охорони здоров’я, особливо серед пацієнтів із хронічними захворюваннями та тих, хто одночасно приймає декілька лікарських засобів. Цифрові інструменти на базі 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 року показав, що аптечні спільноти, які впровадили ШІ-технології, зафіксували майже 40% зростання прихильності до медикаментозного лікування та 55% скорочення пропущених поновлень рецептів (Simpson M.D. et al., 2025). Варто зазначити, що різноманітні чат-боти та віртуальні помічники у сфері охорони здоров’я на базі ШІ надають персоналізовані поради щодо ліків, нагадування та освітні ресурси, що сприяє підвищенню прихильності пацієнтів та їхньої задоволеності (Clark M. et al., 2024; Reis Z.S.N. et al., 2025).

Роботизація Аптеки: Не Плутайте Автоматизацію зі Штучним Інтелектом

Коли йдеться про “аптеку майбутнього”, ШІ часто ототожнюють з роботами для фасування та видачі лікарських засобів. Однак з наукової точки зору ці поняття не слід порівнювати. Роботизоване фасування, автоматичне дозування та централізоване виконання рецептів самі по собі не обов’язково є ШІ. Це можуть бути системи автоматизації, що працюють за чітко визначеними алгоритмами. Водночас у сучасних аптечних екосистемах автоматизація все частіше поєднується з алгоритмами аналізу даних, прогнозування попиту, оптимізації робочих процесів та комп’ютерного розпізнавання. Саме тому доцільніше говорити про ширшу цифрову трансформацію аптечної практики, одним із компонентів якої є ШІ. Найбільш масштабним прикладом такої трансформації є централізоване роботизоване фасування рецептів. Великі аптечні мережі США активно автоматизують цей процес, використовуючи різноманітні підходи. Зокрема, мережі, такі як CVS Health, Walgreens та Walmart, створюють спеціалізовані центри, де значна частина стандартних рецептів обробляється автоматизованими системами, після чого препарати надходять до аптек для подальшої видачі. Мета такої моделі – не лише прискорити обробку рецептів, а й перерозподілити робоче навантаження між централізованими виробничими процесами та аптеками, де фармацевт безпосередньо взаємодіє з пацієнтом. У результаті фармацевт може приділяти більше часу клінічній перевірці медикаментозної терапії, консультуванню, вакцинації, проведенню скринінгових тестів та іншим професійним послугам. Дослідження, 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 секунд (Takase T. et al., 2022). Ці результати свідчать, що автоматизація може підвищувати стабільність і точність виконання повторюваних операцій, особливо в умовах великих обсягів роботи, коли людський фактор, втома та дефіцит часу можуть збільшувати ризик помилок. Водночас, навіть найефективніша автоматизована система потребує належного контролю, регулярної валідації та чітко визначених процедур на випадок технічних збоїв. Технологія може зменшити ризик одних помилок, але водночас створити нові – наприклад, пов’язані з некоректними даними, програмним забезпеченням або неправильною інтеграцією в робочий процес.

Генеративний ШІ та Взаємодія з Пацієнтом

Ще одним напрямком розвитку є використання генеративного ШІ для комунікації та роботи з інформацією. Такі системи потенційно можуть допомагати у підготовці персоналізованих інформаційних матеріалів, структуруванні даних, створенні первинних чернеток документації, відповідях на типові адміністративні запити та підтримці навігації пацієнта в цифрових сервісах. Однак використання генеративного ШІ в клінічно значущих ситуаціях вимагає особливої обережності: великі мовні моделі можуть генерувати переконливу, але неточну інформацію, неправильно інтерпретувати контекст або не враховувати індивідуальні особливості пацієнта. Тому наразі найбезпечнішою моделлю вважається використання генеративного ШІ як інструменту підтримки роботи фахівця, а не як автономного джерела клінічних рішень, з 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 році Королівське фармацевтичне товариство (Royal Pharmaceutical Society – RPS) Великої Британії опублікувало спеціальну політику щодо використання ШІ у фармації. У документі наголошується, що ШІ може сприяти безпечному та ефективному застосуванню лікарських засобів, проте технології повинні впроваджуватися відповідально, проходити належну валідацію та постійний моніторинг. Важливо, 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 та 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, по суті, формує одну з головних професійних моделей майбутнього: технологія може виконувати частину роботи, але відповідальність за безпечне застосування лікарських засобів не зникає з 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 інтеграції ШІ в щоденні робочі процеси без перевантаження персоналу. По-друге, існують клінічні ризики: мовні моделі можуть помилятися або “галюцинувати”, надаючи хибні поради, а більшості рішень 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 та 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 та автоматизації документообігу. Водночас найбільш перспективними, ймовірно, будуть не повністю автономні системи, а моделі “фармацевт + ШІ”, де 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 та 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 в появі нової моделі – фармацевта, посиленого технологіями.

Інна Грабова

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 в 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

1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. Allam H. (2025) Prescribing the Future: The Role of Artificial Intelligence in Pharmacy. Information, 16: 131. doi.org/10.3390/info16020131.
8. 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.
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. 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.
19. 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.
20. Matarèse B.F.E. (2026) Quantum and Artificial Intelligence in Drugs and Pharmaceutics. BioChem., 6: 2. doi.org/10.3390/biochem6010002.

Бажаєте завжди бути в курсі останніх новин фармацевтичної галузі?
Тоді

Порада від АіФ UA:

Ця стаття розкриває, як штучний інтелект вже сьогодні трансформує аптечну практику, від підвищення безпеки пацієнтів до персоналізації лікування. Вона допоможе зрозуміти, які можливості відкриваються перед фармацевтами та як технологи можуть стати ефективним помічником у їхній роботі, не замінюючи, а доповнюючи людський фактор.

Джерело