Badanie opublikowane 26 października 2026 r. wykazało, że pięć modeli AI często koncentrowało pierwsze rekomendacje leków na jednym produkcie w ramach poszczególnych analiz. Szacowane 55,6 mln USD rocznie to modelowana różnica w kosztach nabycia leków w USA, a nie zmierzony wzrost wydatków.
Jak przebiegał test pięciu modeli
Badacze sprawdzili GPT-5.4, Claude Sonnet 4.6, Gemini 3.1 Flash, Llama 4 i MedGemma. Przygotowali 177 120 syntetycznych winiet klinicznych na podstawie 123 par choroba–lek i 1440 profili społeczno-demograficznych. Każdy model miał wskazać maksymalnie trzy zatwierdzone przez FDA produkty dla podanej choroby i substancji czynnej; temperaturę ustawiono na 0. Powstały 883 403 odpowiedzi zawierające co najmniej jedną rekomendację.
Winiety były opisami przypadków, a nie konsultacjami z pacjentami. Wyniki dotyczą więc odpowiedzi modeli w tym teście i nie opisują decyzji podejmowanych w rzeczywistym leczeniu.
Co oznacza koncentracja rekomendacji
Najczęściej wskazywany produkt odpowiadał średnio za 97,5% pierwszych wyborów w analizach poszczególnych par choroba–lek i modeli. To miara koncentracji w tych grupach, nie udział jednej marki we wszystkich odpowiedziach.
Badacze porównali też wyniki z amerykańskim badaniem Medical Expenditure Panel Survey (MEPS), które dostarczyło danych o rozkładzie przepisywanych leków z lat 2019–2023. Porównanie objęło 100 par choroba–lek z danymi MEPS. Najczęściej przepisywany lek był pierwszym wyborem modelu średnio w 29,7% przypadków, a w pierwszej trójce rekomendacji pojawiał się w 58,8% przypadków.
| Miara | Wynik | Zakres |
| Udział najczęstszego produktu w pierwszych wyborach | 97,5% średnio | Analizy par choroba–lek i poszczególnych modeli |
| Zgodność pierwszego wyboru z najczęściej przepisywanym lekiem | 29,7% średnio | 100 par choroba–lek z danymi MEPS |
| Obecność najczęściej przepisywanego leku w pierwszej trójce | 58,8% średnio | Porównanie z danymi MEPS |
| Substancje czynne z wyższym prognozowanym kosztem | 38 z 51, czyli 74,5% | Podzbiór z kompletnymi danymi kosztowymi |
Skąd wzięła się projekcja 55,6 mln USD
W analizie kosztów badacze uwzględnili 51 substancji czynnych, dla których mieli kompletne dane MEPS oraz dane o cenach nabycia z National Average Drug Acquisition Cost (NADAC), sięgające końca 2024 r. W przypadku 38 z tych 51 substancji rozkład rekomendacji modeli dawał wyższy prognozowany koszt nabycia niż rozkład oparty na danych o przepisywaniu.
Autorzy porównali ważone średnie koszty jednostkowe, a różnice przeliczyli z użyciem rocznych wolumenów recept MEPS oraz reguł normalizacji dotyczących drogi podania, jednostki dawki i czasu działania. Na tej podstawie oszacowali roczną różnicę kosztów nabycia w USA na 55,6 mln USD. To wynik modelowania, nie kwota zaobserwowana w rachunkach pacjentów ani rzeczywistych wydatkach systemu. Badanie nie obejmowało dalszych etapów, takich jak przepisanie leku, zamiana w aptece, wydanie czy zakup.
Jak zmieniały się wyniki po zmianie polecenia
Inne polecenia zmieniały lidera w części porównań, a prośby o leki generyczne lub tańsze opcje często przesuwały rekomendacje w stronę leków generycznych. Koncentracja pierwszych wyborów pozostawała jednak wysoka: średni udział najczęściej wskazywanego produktu wynosił 93,1% przy prośbie o pełną listę, 94,9% przy wskazaniu najtańszej opcji i 97,6% przy preferencji dla leków generycznych. Badanie nie oceniało klinicznej skuteczności tych alternatywnych poleceń.
Analiza wykazała też związki między częstotliwością rekomendacji a statusem leku oryginalnego (iloraz szans, OR, 20,5), liczbą wyszukiwań w Google (OR 1,70) oraz posiadaniem osobnej strony w Wikipedii (OR 3,00). Iloraz szans opisuje zależność statystyczną w badanej analizie; wyniki nie dowodzą, że status leku lub jego widoczność w sieci powodowały konkretne rekomendacje.
