Softver za provjeru interakcija odavno je dio svakodnevnog rada u apoteci, a sada mu se pridružuju i alati zasnovani na vještačkoj inteligenciji. Dobra strana je što brzo pretraže ogroman broj kombinacija i podsjete na parove koje bi čovjek mogao previdjeti. Loša strana je što različiti alati daju različite odgovore, često upozoravaju i na klinički nevažne parove, a jezički modeli poput ChatGPT-a znaju i da izmisle interakciju koje nema. Zato takvi alati služe kao podsjetnik i pomoć, a ne kao zamjena za stručnu procjenu farmaceuta.
Provjera interakcija jedan je od najčešćih zadataka u apoteci. Kada pacijent uzima više lijekova, važno je znati da li se neka kombinacija pojačava, slabi ili postaje opasna. Baze podataka i softverski alati tu pomažu godinama. Pitanje danas nije da li ih koristiti, nego kako ih koristiti pametno, jer njihova upozorenja nisu ni potpuna ni uvijek tačna.
Koliko su tačni alati za provjeru interakcija?
Prva stvar koja iznenadi jeste da se alati međusobno ne slažu. U poređenju pet čestih programa za provjeru interakcija (Lexi-Interact, Micromedex, iFacts, Medscape i Epocrates), Lexi-Interact i Epocrates bili su najtačniji, sa 250 od mogućih 400 bodova, dok su ostali zaostajali. Lexi-Interact je imao najveću osjetljivost, 0,77, a Micromedex najveću specifičnost, 0,78 (Kheshti i saradnici, Journal of Research in Pharmacy Practice, 2016).
Novija poređenja idu u istom smjeru. Analiza iz 2025. godine pokazala je da se pet popularnih alata (Micromedex, Lexicomp, Epocrates, Medscape, Drugs.com) slaže tek u 16 do 24 odsto identifikovanih interakcija. Drugim riječima, isti par lijekova može u jednom alatu biti označen kao težak, u drugom kao umjeren, a u trećem se možda neće ni pojaviti. Razlog je jednostavan: svaka baza ima svoj izvor podataka, svoj sistem klasifikacije i svoj ritam ažuriranja.
Zašto previše upozorenja može biti problem?
Moglo bi se pomisliti da je više upozorenja uvijek bolje. Nije tako. Kada alat prijavi previše parova koji u praksi nisu klinički važni, javlja se takozvani zamor od upozorenja. U jednoj studiji koja je pratila 38.409 upozorenja o vrlo teškim interakcijama, ljekari su ih čak 88,2 odsto poništili (override). Sistematski pregled i meta-analiza našli su da je ukupna stopa poništavanja upozorenja oko 90 odsto.
Kada se skoro sva upozorenja poništavaju, raste rizik da se u toj gomili previdi ono jedno koje je zaista bilo bitno. Zato se pravi alati sve više okreću ka manjem broju, ali relevantnijih upozorenja. Ilustrativan je primjer analize kod pacijenata sa transplantiranim bubregom: od 63 jedinstvena para lijekova, samo 3 su svi programi ocijenili jednako, a kada su interakcije klinički procijenjene, kao „moguće” relevantnih bilo je svega 4 do 8 odsto prijavljenih. Ostalo je bio šum.
Mogu li jezički modeli poput ChatGPT-a provjeravati interakcije?
Ovdje je oprez najveći. Veliki jezički modeli djeluju uvjerljivo jer tečno pišu, ali to nije isto što i biti tačan. U studiji koja je na podacima 120 hospitalizovanih pacijenata provjeravala sposobnost ChatGPT-a da prepozna interakcije, model je imao nisku osjetljivost, a bolju specifičnost (Krishnan i saradnici, British Journal of Clinical Pharmacology, 2024). Prevedeno: propustio je dio stvarnih interakcija.
Pregledi više modela dosljedno nalaze istu manu: svi jezički modeli haluciniraju, to jest ponekad iznesu tvrdnju koja zvuči stručno ali nije tačna. U kliničkom kontekstu to je ozbiljno, jer izmišljena interakcija može uplašiti bez razloga, a propuštena može naškoditi. Zaključak istraživača je jasan: takvi modeli mogu pomoći, ali nisu dovoljno pouzdani kao samostalni alat i traže stručnu provjeru. Više o tome kako prepoznati granice ovih alata pisala sam u tekstu Šta vještačka inteligencija ne smije bez nadzora u apoteci?, a o njihovom mjestu u smanjenju grešaka u tekstu Može li vještačka inteligencija smanjiti greške u propisivanju lijekova?.
Kako farmaceut da koristi ove alate pametno?
Nekoliko načela pomaže. Prvo, koristiti alat kao podsjetnik, a ne kao presudu: on skreće pažnju na par, a procjenu donosi čovjek uz poznavanje pacijenta. Drugo, ne oslanjati se na jedan izvor, jer se alati razlikuju. Treće, uvijek uzeti u obzir pacijenta: dozu, bubrežnu i jetrenu funkciju, druge lijekove i stvarni rizik, jer softver često ne zna kontekst. I četvrto, jezičkim modelima ne vjerovati na riječ kada je u pitanju konkretna interakcija, nego provjeriti u priznatoj bazi ili literaturi.
Vještačka inteligencija tu ne oduzima posao farmaceutu, nego ga mijenja. Sve više vrijednosti je u tome da čovjek zna šta alat radi dobro, gdje griješi i kada mu ne treba vjerovati.
Često postavljana pitanja
Da li alati za provjeru interakcija daju iste rezultate?
Ne. Poređenja pokazuju da se popularni alati slažu tek u 16 do 24 odsto interakcija, jer imaju različite baze i sisteme ocjenjivanja. Isti par lijekova može dobiti različitu ocjenu težine.
Koji je najtačniji alat za interakcije?
U poređenju pet programa iz 2016. godine, Lexi-Interact i Epocrates bili su najtačniji. Lexi-Interact je imao najveću osjetljivost, a Micromedex najveću specifičnost. Nijedan nije bio savršen.
Šta je zamor od upozorenja?
To je pojava da se, zbog previše nevažnih upozorenja, ona počnu masovno poništavati. U studijama se poništava oko 90 odsto upozorenja, pa raste rizik da se previdi ono zaista bitno.
Može li ChatGPT pouzdano provjeriti interakcije lijekova?
Ne kao samostalni alat. Studije pokazuju nisku osjetljivost i sklonost halucinacijama, to jest izmišljanju tvrdnji. Takav odgovor uvijek treba provjeriti u priznatoj bazi ili literaturi.
Zamjenjuje li AI farmaceuta u provjeri interakcija?
Ne. AI ubrzava pretragu i podsjeća na moguće parove, ali kliničku procjenu koja uzima u obzir konkretnog pacijenta donosi farmaceut.
