ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტის ეკონომიკისა და ბიზნესის ფაკულტეტის რეფერირებადი და რეცენზირებადი საერთაშორისო სამეცნიერო-ანალიტიკური ჟურნალი
ხელოვნური ინტელექტის (AI) ინტეგრაციის ბარიერების დაძლევის სტრატეგია საქართველოს ფარმაცევტულ სექტორში
doi.org/10.52340/eab.2025.17.02.04
გლობალურ დონეზე, ხელოვნური ინტელექტის ინტეგრაცია ფარმაცევტულ პრაქტიკაში, სწრაფად ვითარდება. ამ ეტაპზე, ის განიხილება, როგორც ერთ-ერთი თანამედროვე და პერსპექტიული გზა სამკურნალო საშუალებების მართვის, მომსახურების ოპტიმიზაციისა და პერსონალიზებული მკურნალობის მიმართულებით. ფარმაციის სფეროში ხელოვნური ინტელექტი მნიშვნელოვან როლს ასრულებს მედიკამენტების კვლევისა და დანერგვის პროცესების დაჩქარებაში, ინდივიდუალურ პაციენტებზე მორგებული თერაპიის შემუშავებასა თუ წამლის მიმოქცევის პროცესის ოპტიმიზაციაში. AI სისტემები ხელს უწყობს დიდი მოცულობის მონაცემების ანალიზს, რაც ფარმაცევტებს დაეხმარება უფრო სწრაფად და ზუსტად მიიღონ გადაწყვეტილებები. ინოვაციური ტექნოლოგიები აუმჯობესებს ლოჯისტიკას, მარაგების მართვასა და პაციენტის მომსახურებას, ხელს უწყობს მკურნალობის უსაფრთხოებას, მინიმუმამდე დაყავს გვერდითი ეფექტების რისკი და ზრდის სამედიცინო სერვისების ხარისხს. AI მომავლის ინსტრუმენტია, რომელიც მნიშვნელოვნად გარდაქმნის ფარმაციას. თუმცა, საქართველოში მისი დანერგვა მრავალი გამოწვევის წინაშე დგას. წარმოდგენილ სტატიაში განხილულია AI-ის ინტეგრაციის ძირითადი ბარიერები ქართულ ფარმაცევტულ სისტემაში და მოწოდებულია სტრატეგიული რეკომენდაციები მის დასაძლევად.
ნაშრომის მიზანია, წარმოაჩინოს ხელოვნური ინტელექტის მნიშვნელობა ფარმაცევტულ პრაქტიკაში, გამოიკვლიოს დანერგვის ბარიერები საქართველოში, წარმოადგინოს ამ ბარიერების გადალახვის სტრატეგიები და შეიმუშაოს რეკომენდაციები AI-ის წარმატებული ინტეგრაციისთვის, რაც დაეხმარება საქართველოს ფარმაცევტულ სექტორს უფრო ეფექტურად და ინოვაციურად გამოიყენოს ახალი ტექნოლოგიები პაციენტთა მომსახურების გაუმჯობესების მიზნით.
კვლევა ეფუძნება ბოლო წლების ადეკვატური ლიტერატურის ანალიზს და საერთაშორისო გამოცდილების გაცნობას, რათა შეფასდეს, თუ როგორ შეიძლება გლობალური მიდგომების ადაპტირება საქართველოს რეალობაში.
ხელოვნური ინტელექტის დანერგვას ფარმაცევტულ პრაქტიკაში თან ახლავს მრავალი ბარიერი: კონფიდენციალურობის დაცვა, ალგორითმული მიკერძოება, მონაცემთა სტანდარტიზაციის ნაკლებობა და სისტემური შეუთავსებლობა. გამოწვევებია ასევე მედიკოსთა და ფარმაცევტთა ტექნოლოგიური მზადყოფნა, საზოგადოებრივი ნდობის დეფიციტი და ეთიკური საკითხები. ხშირია ავტომატური სისტემების შეცდომებიც, რაც პაციენტის უსაფრთხოებას ემუქრება. დამატებითი სირთულეებია ფინანსური ხარჯები, რეგულაციების გლობალური უთანხმოება და ინტეგრაციის პრობლემა კლინიკურ პრაქტიკაში. სერიოზული ბარიერები გამოვლენილია ტექნოლოგიების, რეგულირების, განათლებისა და ინფრასტრუქტურის მიმართულებით. წარმატებული დანერგვისთვის კი აუცილებელია ფარმაცევტული განათლების მოდერნიზაცია, მონაცემთა დაცვის გაძლიერება, პროფესიული გადამზადება და მრავალდონიანი თანამშრომლობა ყველა დაინტერესებულ მხარესთან. საჭირო ხდება საჯარო და კერძო პარტნიორობა, ცნობიერების ამაღლება, საერთაშორისო რეგულაციებთან ჰარმონიზაცია და მრავალპროფილური თანამშრომლობა. სტრატეგიული მიდგომით და გამჭვირვალე პროცესებით შესაძლებელი გახდება AI-ის ეფექტიანი და პასუხისმგებლიანი გამოყენება ფარმაცევტულ სფეროში.
ხელოვნური ინტელექტის დანერგვის პროცესში ,ფარმაცევტულ სექტორში არსებული მრავალმხრივი ბარიერის ღრმად გასაანალიზებლად, შემუშავდა ანალიტიკური სტრუქტურა, რომელიც ეფუძნება ძირითადი გამოწვევების თემატურ კლასიფიკაციას. საქართველოს ფარმაცევტული და ჯანდაცვის სისტემების სპეციფიკიდან გამომდინარე, მათ შორის ციფრული ინფრასტრუქტურის არასაკმარისი განვითარება, ბაზრის ფრაგმენტაცია და რეგულაციური მექანიზმების ეტაპობრივი განახლება – გამოყოფილ იქნა შვიდი მნიშვნელოვანი ბარიერი, რაც აჩვენებს იმ სპეციფიკურ დაბრკოლებებსაც, რომელთაც საქართველოს ფარმაცევტური სექტორის წარმომადგენლები ყოველდღიურად აწყდებიან. მაგალითად, ციფრული დოკუმენტაციის სტანდარტების ნაკლებობა და ფარმაცევტული მიწოდების ჯაჭვში მონაწილე სუბიექტებს შორის ინფორმაციის შეუსაბამო ინტეგრაცია – მნიშვნელოვან შეფერხებას იწვევს AI ტექნოლოგიების ეფექტიან დანერგვაში. ფარმაცევტებისა და პაციენტების მხრიდან ხელოვნური ინტელექტის მიმართ არსებული სკეპტიციზმი კი მიუთითებს აუცილებლობაზე, გაძლიერდეს საინფორმაციო და საგანმანათლებლო კამპანიები ამ ჯგუფებისთვის.
ხელოვნური ინტელექტის ეფექტიანად ინტეგრაციისთვის ჩვენ მიერ შემუშავებული რეკომენდაციები მოიცავს: AI-ის სწავლების ინტეგრაციას უნივერსიტეტებში, ფარმაცევტებისა და პაციენტების ინფორმირებულობის ამაღლებას, ჯანსაღი პარტნიორობის შექმნას მცირე აფთიაქების დასახმარებლად, ტექნოლოგიების უწყვეტ შეფასებას, მოსახლეობის ჩართვას დაგეგმვისა და მონიტორინგის პროცესებში და ეთიკური ჩარჩოების ჩამოყალიბებას მონაცემთა დაცვისა და სამართლიანობის უზრუნველსაყოფად. აღნიშნული ნაბიჯები ხელს შეუწყობს სამედიცინო მომსახურების გაუმჯობესებას, დიგიტალიზაციის გაძლიერებას და საზოგადოების ნდობის ჩამოყალიბებას ხელოვნური ინტელექტის სისტემების მიმართ.
AI-ის პოტენციალი საქართველოს ფარმაცევტულ სისტემაში დიდია, თუმცა, მისი რეალიზება მხოლოდ კოორდინირებული და სათანადოდ მართული სტრატეგიის პირობებში იქნება შესაძლებელი. კვლევის შედეგები მიუთითებს, რომ ტექნოლოგიური დანერგვა უნდა მოხდეს არამხოლოდ ტექნიკური, არამედ სამართლებრივი, სოციალურ-ეთიკური და საგანმანათლებლო რეფორმების ფარგლებში, რაც უზრუნველყოფს თანამედროვე ციფრული ტრანსფორმაციის გამოწვევების შესაბამისი ფარმაცევტული მოდელის ჩამოყალიბებას.
საკვანძო სიტყვები: ხელოვნური ინტელექტი, ინოვაციური ტექნოლოგიები, ბარიერი, ფარმაცევტული პრაქტიკა, ციფრული ტრანსფორმაცია.
References::
• Abd-alrazaq, A., Alajlani, M., Alhuwail, D., Househ, M., & Shah, Z. (2022). Artificial intelligence in pharmacy practice: A scoping review. Pharmacy, 10(2), 43. https://doi.org/10.3390/pharmacy10020043
• Adler-Milstein, J., Aggarwal, N., Ahmed, M., Castner, J., Evans, B., Gonzalez, C. A., James, S., Lin, S., Mandl, K., Matheny, M., Sendak, M., Shachar, C., & Williams, A. (2022). Meeting the moment: Addressing barriers and facilitating clinical adoption of artificial intelligence in medical diagnosis. NAM Perspectives. Discussion Paper. https://doi.org/10.31478/202209c
• Agarwal, R., & Gao, G. (2024). Toward an “equitable” assimilation of artificial intelligence and machine learning into our healthcare system. North Carolina Medical Journal, 85(4), 246–250. https://doi.org/10.18043/001c.120561
• Amosu Olamide & Kumar Praveen & Ogunsuji Yewande & Oni Segun & Faworaja Oladapo. (2024). AI-driven demand forecasting: Enhancing inventory management and customer satisfaction. World Journal of Advanced Research and Reviews. 23. 708-719. 10.30574/wjarr.2024.23.2.2394.
• Bryan, J., & Li, D. (2024). Comments on contemporary uses of machine learning for electronic health records. North Carolina Medical Journal, 85(4), 263–265. https://doi.org/10.18043/001c.120561
• Hofweber, T., & Walker, R. L. (2024). Machine learning in healthcare: Ethical considerations tied to privacy, interpretability, and bias. North Carolina Medical Journal, 85(4), 240–245. https://doi.org/10.18043/001c.120561
• Kampanart Huanbutta, Kanokporn Burapapadh, Pakorn Kraisit, Pornsak Sriamornsak, Thittaporn Ganokratanaa, Kittipat Suwanpitak, Tanikan Sangnim, Artificial intelligence-driven pharmaceutical industry: A paradigm shift in drug discovery, formulation development, manufacturing, quality control, and post-market surveillance, European Journal of Pharmaceutical Sciences, Volume 203, 2024, 106938, ISSN 0928-0987, https://doi.org/10.1016/j.ejps.2024.106938.Topol, E. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.
• Mosley, Y., Tardif-Douglin, M., & Edmondson, L. (2024). A compass for North Carolina health care workers navigating the adoption of artificial intelligence. North Carolina Medical Journal, 85(4).
• Noorbakhsh-Sabet N, Zand R, Zhang Y, Abedi V. Artificial Intelligence Transforms the Future of Health Care. Am J Med. 2019 Jul;132(7):795-801. doi: 10.1016/j.amjmed.2019.01.017. Epub 2019 Jan 31. PMID: 30710543; PMCID: PMC6669105.
• Norori N, Hu Q, Aellen FM, Faraci FD, Tzovara A. Addressing bias in big data and AI for health care: A call for open science. Patterns (N Y). 2021 Oct 8;2(10):100347. doi: 10.1016/j.patter.2021.100347. PMID: 34693373; PMCID: PMC8515002.
• Riad, M., Naimi, M., & Okar, C. (2024). Enhancing Supply Chain Resilience Through Artificial Intelligence: Developing a Comprehensive Conceptual Framework for AI Implementation and Supply Chain Optimization. Logistics, 8(4), 111. https://doi.org/10.3390/logistics8040111
• Saha Aritra, Singh Indu, Harnessing the Power of Artificial Intelligence in Pharmaceuticals: Current Trends and Future Prospects, Intelligent Pharmacy, 2025, ISSN 2949-866X, https://doi.org/10.1016/j.ipha.2024.12.001.Kumar, A., Thakur, R., & Rana, S. (2022). Pharmacovigilance and artificial intelligence: Opportunities and challenges. Journal of Drug Safety and Health, 8(3), 101–110. https://doi.org/10.1016/j.sapharm.2021.04.002
• Sengupta S, Rao R, Kaufman Z, et al. A health care clinical data platform for rapid deployment of artificial intelligence and machine learning algorithms for cancer care and oncology clinical trials. N C Med J. 2024;85(4):270-273.
• Sharma, A., & Verma, R. (2023). Inventory optimization using artificial intelligence in the pharmaceutical industry. Operations Research Perspectives, 10, 100266. https://doi.org/10.1016/j.orp.2023.100266
• Shashiashvili, N. (2025). Artificial Intelligence in Pharmaceutical Services and the Concept of Pharmaco-Intelligence. Georgian Scientists, 7(2), 69-79. https://doi.org/10.52340/gs.2025.07.02.07
• Wang, Yichuan & Kung, Leeann & Byrd, Terry. (2018). Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations. Technological Forecasting and Social Change. 126. 3-13. 10.1016/j.techfore.2015.12.019.
• Wiljer D, Hakim Z. Developing an Artificial Intelligence-Enabled Health Care Practice: Rewiring Health Care Professions for Better Care. J Med Imaging Radiat Sci. 2019 Dec;50(4 Suppl 2):S8-S14. doi: 10.1016/j.jmir.2019.09.010. Epub 2019 Nov 29. PMID: 31791914.
• Zhang,H. (2023). Artificial intelligence in healthcare: Opportunities and challenges. Theoretical and Natural Science,21,130-134.
Keywords: Artificial intelligence, innovative technologies, barrier, pharmaceutical practice, digital transformation.
JEL Codes: I10, I18, O33, L65, K32, I23, D83