隨著人工智慧（AI）與機器學習（ML）在藥物開發快速發展，特別在深度學習方面，生物醫學大數據提供資料，加上科技進步、公共衛生政策品質提升及社區的積極參與等，都使人工智慧和機器學習技術逐漸成熟，可運用在醫療保健研究和服務，造福人群。
深度學習模式 預測病患預後
成果包括在深度學習模型指導的風險控管下，利用深度學習模式預測病患預後，除了可避免再度入院，也可優化臨床試驗參與者的選擇和招募，並有效監測受試者，加速臨床試驗進程及成功率。
人工智慧和機器學習在臨床藥理領域造成什麼影響？可從確認目標，進一步開發小分子藥物、臨床試驗評量結果扮演角色等面向，進一步觀察。
直到今天，藥物標靶的選擇及優先順序，還是個不確定的過程，如何準確找到藥物可發揮治療作用的標靶，非常重要。目前有11%的人類蛋白質組可被小分子探針偵測，三分之一的蛋白質仍未被充分研究，不清楚在生物學和疾病中的功能和作用，可見仍有很長的路。
一般說來，藥物開發周期長，臨床試驗長達7至10年，將新藥推向市場的平均資本成本，高達14.6億美元。每項臨床試驗失敗，造成的成本損失通常在8至14億美元之間，挑選受試者的不盡理想和招募效率低下、試驗期間無法有效監測患者，則是導致高失敗率的主因。
量化藥物相似性 開發出新藥
人工智慧及機器學習已開始在臨床試驗設計中，從研究準備到執行的幾個關鍵步驟，期提高試驗成功率。例如，IBM Watson開發用於臨床試驗系統Trial Matching，使用大量結構化和非結構化的患者電子病歷數據和可用試驗，為患者建構詳細的臨床檔案，並與試驗資格標準比較，有助於提高招募目標，進而降低成本。
人工智慧和機器學習早期應用於小分子藥物，以量化「藥物相似性」為目標，也就是試圖模仿藥物化學家的直覺，估計哪些新化學結構有可能成為「藥物」，從超過1023種可能的藥物類化合物中，以與其他藥用價值的其他分子相似為基礎，針對多參數相似性評分，雖效果尚無特別顯著，但也成功開發出一些藥物。
目前最常碰到的挑戰是毒性、副作用，甚至智慧財產權等，在為特定族群選擇正確藥物靶點或適當劑量年齡，也遭遇一些困難。
可能影響臨床思維、作業模式
但儘管如此，透過人工智慧和機器學習來開發藥物已難以阻擋，且可能影響臨床藥理學家的思維及作業模式，比如在教學中，數據密集型方法的使用，像文獻搜索和處理等都可能增加；在研究領域，人工智慧和機器學習方法的使用，正在加快腳步；制定政策時，則可預期影響大多數國家的醫療保健。
為了正確使用藥物，大多數所謂的「數位原住民」，包括使用電腦或平板電腦的患者和科學家，以及從小就使用智慧手機者，也都會透過醫療保健機構或社群媒體等網絡平台尋找藥物訊息，加快人工智慧和機器學習開發藥物的腳步。
下個十年 見證與AI無縫整合
有人類就有疾病，就需要藥物治療。下一個十年，我們將會更加見證人類的自然智慧與人工智慧之間的無縫整合。
