ИИ рекомендует дорогие бренды лекарств вместо дешёвых аналогов

ИИ ПРЕДПОЧИТАЕТ ИЗВЕСТНЫЕ БРЕНДЫ ЛЕКАРСТВ: ИССЛЕДОВАНИЕ ВЫЯВИЛО РИСК МНОГОКРАТНОГО РОСТА РАСХОДОВ НА ЛЕЧЕНИЕ

Пять моделей, 883 тысячи ответов и почти одинаковый выбор

Исследование провела международная группа специалистов Осакского столичного университета (Osaka Metropolitan University) и онкологического центра MD Anderson Техасского университета. Одним из руководителей работы стал профессор Дайдзю Уэда.

Учёные проверили пять больших языковых моделей:

• GPT-5.4 компании OpenAI;
• Claude Sonnet 4.6 компании Anthropic;
• Gemini 3.1 Flash компании Google;
• Llama 4 компании Meta;
• специализированную медицинскую модель MedGemma компании Google.

Для эксперимента подготовили 177 120 искусственно созданных клинических ситуаций. Они охватывали 123 сочетания заболеваний и лекарственных веществ, а также 1440 вариантов характеристик пациентов, включая возраст, пол и социально-демографические особенности.

В каждом основном сценарии действующее вещество уже было задано. Модель должна была назвать до трёх зарегистрированных FDA препаратов, содержащих это вещество, расположив их в порядке предпочтения.

Таким образом, исследователи проверяли прежде всего не способность ИИ выбрать правильное лечение заболевания, а его способность объективно выбирать между разными лекарственными продуктами.

Всего пять моделей сформировали 883 403 ответа, содержащих хотя бы одну лекарственную рекомендацию.

Результаты оказались удивительно однородными.

Показатель 97,5% раскрывает необычное поведение искусственного интеллекта

В каждой изученной группе существовало в среднем 5,5 зарегистрированного лекарственного продукта с заданным действующим веществом.

Однако один и тот же продукт занимал первое место в среднем в 97,5% рекомендаций соответствующей модели для конкретного сочетания заболевания и вещества.

Это не означает, что в 97,5% ответов ИИ называл только одно лекарство. Речь идёт о значительно более интересном явлении: независимо от различий между пациентами модель почти неизменно ставила на первое место один и тот же продукт.

Более того, разные модели часто выбирали одинаковые торговые марки.

В 96 из 123 сочетаний заболевания и действующего вещества наиболее популярный продукт занимал свыше 90% первых позиций, если объединить ответы всех пяти моделей.

Иными словами, использование нескольких разных систем искусственного интеллекта не обязательно обеспечивало более широкий выбор.

Это существенно отличалось от реальной клинической практики.

При сравнении с американской базой медицинских расходов MEPS выяснилось, что первый выбор ИИ совпадал с наиболее часто назначаемым препаратом лишь примерно в 29,7% случаев.

Такое расхождение само по себе не свидетельствует о медицинской ошибке. Реальные назначения зависят от страхового покрытия, закупочных контрактов, доступности препаратов и других обстоятельств.

Но оно показывает, что представление языковых моделей о предпочтительных лекарственных продуктах существенно отличается от того, как устроен настоящий фармацевтический рынок.

Почему известность торговой марки становится преимуществом

Исследователи попытались установить, какие характеристики лекарств связаны с вероятностью появления их названий в ответах ИИ.

Самым сильным фактором оказался статус оригинального препарата.

После статистического учёта других характеристик шансы оригинального брендированного продукта попасть в рекомендации были значительно выше, чем у генерика. Отношение шансов составило 20,5.

Генерик — это лекарственный препарат, содержащий то же действующее вещество, что и оригинальный продукт, и зарегистрированный с соблюдением требований к качеству и, где необходимо, биоэквивалентности.

Биоэквивалентность означает, что действующее вещество поступает в организм из сравниваемых препаратов с сопоставимой скоростью и в сопоставимом количестве.

Одобренные FDA терапевтически эквивалентные генерики должны обеспечивать тот же клинический эффект и профиль безопасности, что и соответствующие оригинальные препараты.

Поэтому предпочтение дорогостоящего оригинального лекарства не обязательно приносит пациенту дополнительную терапевтическую пользу.

Исследование выявило ещё две закономерности.

Вероятность рекомендации была выше у лекарств, названия которых чаще встречались в поисковых запросах Google, а также у продуктов, имеющих отдельные статьи в Википедии.

Напротив, препараты с более поздними датами регистрации FDA и лекарства, которые чаще назначались в реальной клинической практике, получали меньше рекомендаций.

Это позволяет предположить, что языковые модели в определённой степени воспроизводят структуру информационного пространства.

Оригинальные бренды обычно имеют более продолжительную историю присутствия на рынке, собственные названия, публикации и обширные массивы доступной информации.

Генерики могут быть широко распространены и экономически выгодны, но представлены в интернете менее заметно.

Если модель ориентируется на статистические закономерности в текстах, такое информационное неравенство способно превращаться в неравенство рекомендаций.

При этом исследование обнаружило статистические связи, но не установило прямую причинную зависимость между интернет-популярностью конкретного препарата и его выбором моделью.

Откуда появились дополнительные 55,6 млн долларов

Экономическую часть работы исследователи выполнили на американских данных.

Они использовали сведения о реальных назначениях из базы MEPS за 2019-2023 годы и данные NADAC о закупочных ценах лекарств для розничных аптек по состоянию на конец 2024 года.

Затем учёные смоделировали ситуацию, при которой распределение назначаемых торговых продуктов соответствует рекомендациям искусственного интеллекта, а не наблюдаемой практике.

Для полноценного расчёта удалось использовать 51 действующее вещество, по которому имелись необходимые сведения о назначениях и ценах.

В 38 случаях из 51, или 74,5%, распределение продуктов, предложенное ИИ, приводило к увеличению расходов.

Суммарный расчётный прирост ежегодных закупочных затрат составил 55,6 млн долларов.

Относительно исходного уровня расходов на исследованную группу препаратов увеличение достигало 1019% — приблизительно одиннадцатикратного роста.

Здесь необходимо правильно понимать масштаб результата.

Это не прогноз повышения всех расходов на лекарства в США на 1019%. И не сумма уже понесённых пациентами дополнительных расходов.

Речь идёт о расчётном сценарии для ограниченного набора действующих веществ при определённых предположениях о замене реально используемых продуктов препаратами, рекомендованными ИИ.

Авторы также не моделировали все последующие этапы: решения врача, замену препарата фармацевтом, страховое возмещение и фактическую покупку.

Тем не менее величина полученного различия показывает, насколько чувствительными могут оказаться лекарственные расходы к предпочтению определённых торговых марок.

Скрытая реклама или алгоритмическое предпочтение популярных брендов?

Наиболее важный вопрос исследования связан с коммерческой нейтральностью искусственного интеллекта.

Когда система регулярно рекомендует продукты известных производителей, возникает подозрение, что на результаты каким-то образом влияет фармацевтический маркетинг.

Но между рекламным воздействием и оплаченной скрытой рекламой существует принципиальная разница.

Японско-американское исследование не установило, что фармацевтические компании платили разработчикам моделей за рекомендации определённых лекарств.

Оно также не обнаружило прямых доказательств сознательного продвижения отдельных брендов со стороны создателей ИИ.

Более того, учитываемые авторами расходы производителей на продвижение, отражённые в американской системе Open Payments, не имели положительной статистической связи с частотой рекомендаций после поправки на другие факторы.

Следовательно, называть обнаруженное явление доказанной скрытой рекламой было бы некорректно.

Гораздо точнее говорить об алгоритмическом коммерческом смещении: система формирует рекомендации, которые могут объективно приносить преимущество известным брендам, даже если никто специально не поручал ей их продвигать.

При этом риск прямого рекламного воздействия на медицинские рекомендации ИИ также изучается.

В апреле 2026 года американская исследовательская группа опубликовала на сервере medRxiv отдельную работу Ad-verse Effects: Pharmaceutical Advertising Shifts Drug Recommendations by Consumer-Facing AI.

В эксперименте с 12 моделями и более чем 258 тысячами обращений исследователи оценивали влияние рекламных сообщений, специально включённых в исходную информацию для моделей.

Когда два лекарства одинаково соответствовали клиническим рекомендациям, присутствие рекламы увеличивало частоту выбора рекламируемого препарата в среднем на 12,7 процентного пункта.

Однако при недостаточной доказательной базе рекламируемого препарата модели чаще сохраняли устойчивость к такому воздействию.

Эта работа пока имеет статус препринта и не прошла журнальное рецензирование. Кроме того, она проверяла экспериментально добавленные рекламные сообщения, а не скрытые коммерческие соглашения.

В совокупности оба исследования поднимают важный вопрос: как обеспечить независимость рекомендаций ИИ не только от прямой рекламы, но и от перекосов информационной среды.

Проблема выходит за пределы стоимости лекарств

Ещё один результат исследования касается актуальности информации о лекарственных продуктах.

В зависимости от модели от 12,4% до 14,7% ответов содержали рекомендации, не полностью соответствовавшие проверяемым регуляторным данным.

Большинство таких расхождений было связано с препаратами, ранее одобренными FDA, но уже не находившимися в продаже.

Авторы также выявили случаи неправильного указания действующего вещества, отсутствия подходящего зарегистрированного продукта или несоответствия утверждённым показаниям.

Не каждое такое расхождение означает клинически опасную рекомендацию: применение лекарства вне официальных показаний иногда имеет медицинское обоснование.

Тем не менее оно указывает на важное ограничение языковых моделей.

Название препарата может оставаться хорошо представленным в информационной среде долгое время после изменения его регистрационного статуса или прекращения продаж.

Поэтому даже уверенный и грамотно сформулированный ответ ИИ не гарантирует, что названный продукт действительно доступен, зарегистрирован и соответствует конкретной клинической ситуации.

Указание на генерики помогает, но не устраняет ограниченность выбора

Авторы проверили, можно ли изменить поведение моделей с помощью более точных запросов.

В дополнительных экспериментах ИИ просили перечислить все подходящие препараты, предпочесть наиболее дешёвые варианты либо отдавать приоритет генерикам.

Такие инструкции действительно влияли на выбор.

Когда запрос содержал требование рекомендовать дешёвые лекарства или генерики, модели чаще переключались с оригинальных брендов на альтернативные продукты.

Но характерная концентрация рекомендаций сохранялась.

Даже при требовании предпочитать дешёвые продукты один вариант занимал первое место в среднем в 94,9% ответов для соответствующих сочетаний заболевания и вещества.

Это важное наблюдение для разработки медицинских систем ИИ.

Более точный запрос способен скорректировать предпочтения модели, но сам по себе не гарантирует полноту представленного ассортимента.

Чтобы сформировать действительно объективную рекомендацию, необходимо опираться не только на языковую модель, но и на актуальную базу зарегистрированных лекарств, сведения о терапевтической эквивалентности, доступности и стоимости.

Как ИИ может изменить конкуренцию на фармацевтическом рынке

У результатов исследования есть последствия, выходящие далеко за пределы индивидуальных лекарственных назначений.

Традиционно фармацевтический рынок формируется под влиянием клинических доказательств, врачебных рекомендаций, государственного регулирования, конкуренции производителей, системы страхового возмещения и цен.

Распространение искусственного интеллекта добавляет ещё один возможный механизм влияния на спрос — присутствие препарата в ответах цифровых помощников.

Если миллионы пользователей начинают задавать вопросы о лекарствах одной или нескольким популярным моделям, их систематические предпочтения могут становиться самостоятельным фактором конкурентной среды.

При этом преимущество может получать не производитель наиболее доступного препарата, а компания, чей бренд исторически лучше представлен в цифровом информационном пространстве.

Возникает потенциальный механизм самоподдерживающейся известности.

Популярный бренд чаще упоминается в интернете. Модель чаще выбирает его в рекомендациях. Пользователи могут чаще интересоваться этим препаратом и обсуждать его, дополнительно увеличивая цифровую заметность.

Пока это возможный сценарий развития рынка, а не подтверждённое исследованием изменение реальных продаж.

Но он показывает, почему фармацевтическим регуляторам и разработчикам медицинских систем ИИ недостаточно проверять только фактическую правильность ответов.

Необходимо также оценивать, насколько полно и нейтрально представлены доступные терапевтические альтернативы.

Лекарственные рекомендации ИИ потребуют независимой проверки

Для пациентов наиболее разумный подход заключается в использовании искусственного интеллекта как инструмента получения и объяснения информации, а не самостоятельного назначения или замены терапии.

Если ИИ называет конкретную торговую марку, полезно выяснить её международное непатентованное наименование, наличие зарегистрированных аналогов и возможные различия между препаратами.

Однако одинаковое действующее вещество ещё не гарантирует взаимозаменяемости всех лекарственных форм. Имеют значение дозировка, путь введения, особенности высвобождения вещества и подтверждённая терапевтическая эквивалентность.

Самостоятельно менять назначенное лекарство на основании ответа языковой модели не следует.

Для врачей и фармацевтов исследование подчёркивает необходимость сопоставлять рекомендации ИИ с клиническими руководствами, официальными реестрами лекарств, локальными формулярами и реальной стоимостью терапии.

Для разработчиков медицинских систем возникает более сложная задача.

Недостаточно научить модель правильно определять действующее вещество или перечислять известные торговые названия.

Нужно проверять коммерческую нейтральность рекомендаций, актуальность регистрационного статуса, полноту представления генериков и корректность информации о стоимости.

Следующим необходимым этапом исследований станет проверка поведения таких систем в реальных клинических процессах, где окончательный выбор зависит от врача, пациента, аптечного ассортимента и правил лекарственного обеспечения.