Verbesserung der regulatorischen Kommunikation und Entscheidungsfindung mit einem AI/ML FDA-Copilot und SmartSearch+

Dieser Artikel untersucht, wie die Integration von künstlicher Intelligenz (KI) und Machine Learning (ML) in pharmazeutische Zulassungsprozesse die Erstellung und Überprüfung von Zulassungsanträgen revolutionieren kann, wobei Quality Overall Summaries (QOS) als Beispiel dienen. Anhand einer öffentlichen Fallstudie aus 2009, die den Quality-by-Design-(QbD-)Ansatz veranschaulicht, und mit Schwerpunkt auf den Aspekten großer Sprachmodelle (LLM) zeigt das Papier die Anwendung eines KI/ML-gestützten FDA Copilot, erweitert durch SmartSearch+, und die innovative „Dueling Banjo“-Methodik. Diese Methodik zielt darauf ab, KI-generierte Erkenntnisse nahtlos mit fachlicher menschlicher Validierung zu verbinden, um die Kommunikation mit Regulierungsbehörden zu verbessern und sicherzustellen, dass Einreichungen — wie New Drug Applications (NDAs) und Biologics License Applications (BLAs) — den sich entwickelnden regulatorischen Standards entsprechen. Letztlich strafft dieser Ansatz die regulatorische Analyse und fördert einen global harmonisierten Standard in der Arzneimittelentwicklung, wobei die entscheidende Bedeutung einer effektiven Mensch-KI-Zusammenarbeit zur Wahrung wissenschaftlicher Integrität und Compliance in der regulatorischen Wissenschaft betont wird.

Einführung

Die pharmazeutischen Zulassungsangelegenheiten entwickeln sich vor dem Hintergrund zunehmender Komplexität, dem Bedarf an schnelleren Arzneimittelprüfungen und optimierter Kommunikation mit Aufsichtsbehörden weiter. Die Quality Overall Summary (QOS) steht im Zentrum dieser Transformation und bietet einen strukturierten Überblick über qualitätsbezogene Daten innerhalb von NDAs, ANDAs und BLAs.Wie die FDA erklärt, die QOS „setzt die Teile eines Puzzles zusammen“, wodurch die Transparenz erhöht, Prüfungen beschleunigt und die Qualitätssicherung über den gesamten Lebenszyklus eines Arzneimittels gestärkt wird.

Aufbauend auf früheren Diskussionen in Pharma Now, untersucht dieses Papier, wie ein KI/ML-gestützter FDA Copilot, kombiniert mit SmartSearch+, die regulatorische Exzellenz unterstützen kann. Unter Verwendung des „Dueling Banjo“-Ansatzes — der KI-generierte Erkenntnisse mit fachlicher menschlicher Verifikation verbindet — durch umfassende Volltextrecherchen der FDA.Gov Guidance-PDFs und der 21 CFRs, herausgegeben von CDER (drugs), CBER (biologics) & CDRH (medical devices), beleuchtet der Artikel, wie diese Synergie die QOS-Erstellung und die regulatorischen Prüfprozesse verfeinern kann. Die zentrale Frage lautet: Wie können menschliche Experten mit einem KI/ML-gestützten System zusammenarbeiten, um die QOS-Entwicklung zu verbessern und eine effiziente, evidenzbasierte Entscheidungsfindung bei Arzneimittelzulassungen zu ermöglichen?

Hintergrund

In einem Bericht aus 2022, „Ist eine global harmonisierte Quality Overall Summary möglich?“, diskutierten Branchenexperten die Herausforderungen und Vorteile der Etablierung eines standardisierten QOS-Formats weltweit. Eine harmonisierte QOS könnte Prüfungen straffen, Redundanzen verringern und die Klarheit verbessern, indem sie eine einheitliche Darstellung bietet, die Produktmerkmale mit Herstellungsprozessen verknüpft. Ein solcher Standard würde zudem das Lebenszyklusmanagement unterstützen, indem Established Conditions (ECs) definiert werden, um eine konsistente Produktqualität sicherzustellen und nachzulassungsbezogene Änderungen zu vereinfachen.

Aufbauend darauf kritisiert „Ein Vorschlag für eine umfassende Quality Overall Summary“ (2023) die Grenzen der Common Technical Document-(CTD-)Struktur, insbesondere Modul 2.3. Dieses Modul repliziert häufig redundante Daten aus Modul 3, ohne eine kohärente Erzählung oder eine regulatorische Begründung für die Kontrollstrategie zu liefern. Die Autoren plädierten für eine Umstrukturierung von Modul 2.3 zur Integration zentraler Elemente des Target Product Profile (TPP) und des Quality Target Product Profile (QTPP), um eine klare Entwicklungsnarrative zu bieten und reibungslosere regulatorische Übergänge zu unterstützen.

Die „Dueling Banjo“-Methodik

Die „Dueling Banjo“-Methodik ist ein von Menschen geführter Rahmen, der KI-generierte Erkenntnisse nutzt, um eine umfassende Erzählung über fragmentierte Datenquellen und Disziplinen hinweg aufzubauen. Ähnlich wie zwei Musiker, die ein improvisiertes Duett spielen, verwebt diese Methode computergestützte Analysen mit der Interpretation durch Fachexperten.KI/ML-Tools wie der innerhalb einer Microsoft OpenAI ChatGPT-4-Plattform gehostete FDA Copilot, zum Beispiel, können erste Entwürfe erzeugen, die eine solide Grundlage bilden, untermauert durch SmartSearch+ auf glaubwürdiges öffentliches Wissen (z. B. die FDA.Gov-Website) und unternehmensinterne vertrauliche Kenntnisse für weitere fachliche Verfeinerung im Kontext einer patientenzentrierten Zukunft wie „Pharma 5.0.“ Die menschliche Aufsicht bleibt in diesem Kontext unabdingbar, da KI-Ausgaben gelegentlich die nuancierte Argumentation vermissen lassen, die für regulatorische Präzision erforderlich ist, ganz zu schweigen von den inhärenten Verzerrungen großer Sprachmodelle.

SmartSearch+ spielt eine entscheidende Rolle, indem es Menschen ermöglicht, Volltextsuchen in FDA-Vorschriften und Leitdokumenten durchzuführen. Dadurch können Experten KI-generierte Inhalte querschecken und validieren, sodass die endgültige Darstellung genau, vollständig und mit den regulatorischen Erwartungen übereinstimmend ist. Diese Methodik wurde in der A-Mab Case Study (2009) implementiert, die ursprünglich dazu gedacht war, QbD-Prinzipien in der Entwicklung monoklonaler Antikörper (mAb) zu veranschaulichen. Zwei ehemalige Regulatoren (AH und AA) wandten Retrieval-Augmented Generation (RAG) an, um die Fähigkeiten von GPT 4.0 zu verbessern , indem sie externe Wissensbasen mit gezielten Prompts integrierten. Gleichzeitig nutzte der IT-Experte und SmartSearch+-Entwickler RB SmartSearch+, um zusätzliche regulatorische Einsichten zu gewinnen, wobei anerkannt wurde, dass die US FDA die einzige Quelle regulatorischer Wahrheit ist.

Beispiel-Prompt für eine KI-unterstützte Überprüfung:

"Agieren Sie als FDA-Review-Experte zur Bewertung der CMC-Anforderungen für monoklonale Antikörper (mAbs). Integrieren Sie zentrale regulatorische Rahmenwerke (ICH Q8(R2), Q9, Q10, Q11) und relevante FDA-Leitlinien mit abrufbaren Best Practices. Bewerten Sie die Angemessenheit und Vollständigkeit des mAb Development Report."

Beobachtungen und Erkenntnisse

Die Integration von Retrieval-Augmented Generation (RAG)-Prompting mit SmartSearch+-Validierung innerhalb einer einzigen App-Benutzeroberfläche mildert häufige KI-Einschränkungen wie Kontextlücken und Halluzinationen und gewährleistet die faktische Konsistenz regulatorischer Antworten. Im „A-Mab“-Fallbeispiel entsprach die anfängliche Antwort des AI/ML FDA Copilot weitgehend den Bewertungen von Experten und identifizierte erfolgreich kritische Elemente wie die Bewertung der Critical Quality Attributes (CQAs), einen robusten Quality-by-Design-(QbD)-Ansatz und eine risikobasierte Kontrollstrategie, die Design-Space-Aspekte berücksichtigt. Doch wie das Sprichwort sagt: „the devil is in the details,“ — was die Notwendigkeit einer rigorosen Expertenvalidierung zur Verfeinerung KI-generierter Erkenntnisse und zur Wahrung regulatorischer Präzision unterstreicht. Als Beispiel: Auf die Aufforderung hin, Akzeptanzgrenzen im QOS zu begründen, enthielten die KI-generierten Details — wie Verweise auf „in vitro–in vivo" Korrelation (IVIVC)‑Studien – waren in der ursprünglichen Fallstudie nicht vorhanden. Es hat halluziniert! Weiteres Prompting veranlasste die KI, ihren Fehler zu erkennen, und unterstreicht die Notwendigkeit disziplinierter menschlicher Validierung durch den „Dueling Banjo“-Ansatz.

Die Bedeutung eines disziplinierten „Dueling Banjo“-Ansatzes

Die Kombination KI-generierter Erkenntnisse mit gründlicher menschlicher Aufsicht und die Verhinderung von „Cherry-Picking“ regulatorischer Prinzipien und Leitlinien durch SmartSearch+ ist entscheidend, um die Integrität regulatorischer Einreichungen zu bewahren. Dieser strukturierte Ansatz minimiert das Risiko grober „Halluzinationen“ und faktischer Ungenauigkeiten in den Details und verbessert die Gesamtqualität des Prüfprozesses. Indem jede KI-generierte Erkenntnis mit autoritativen regulatorischen Quellen abgeglichen wird, erhöht die kollaborative Methodik die Effizienz und wahrt die für die regulatorische Konformität erforderliche Präzision.

Ausblick: Die Zukunft der KI in der Regulatorischen Wissenschaft

Fortschritte in der Chain-of-thought-Reasoning, kontextbewusstem Prompting und verbesserten Retrieval-Mechanismen werden die regulatorische Entscheidungsfindung voraussichtlich weiter revolutionieren. Experimente mit KI-Modellen jenseits von GPT-4.0, einschließlich DeepSeek-R1, haben exponentielle Verbesserungen gezeigt und ebnen den Weg für verfeinerte Anwendungen in der regulatorischen Wissenschaft, die wir in zukünftigen Pharma Now Beiträgen zu untersuchen planen.  

Darüber hinaus ist die Integration großer Sprachmodelle (LLMs) mit quantitativer Erkennung kausaler Zusammenhänge mittels Machine Learning (ML) ein Bereich von großem Interesse und intensiver Aktivität. Dieses Konzept steht im Einklang mit der Idee der "computerunterstützte Entwicklung", die vor Jahrzehnten envisioniert wurde, um Vorwissen zu nutzen und einen produktlebenszyklusorientierten Entwicklungsansatz zu verfolgen. Weitere Anwendungen umfassen das Überwinden von Blindstellen bei der Sicherstellung der Therapeutic Equivalence, die Verbesserung der Vorhersagbarkeit von Scale-up und Zuverlässigkeit der Prozessvalidierung, die fortlaufende Prozessverifizierung, effektives Management von Out-of-Specification-Vorfällen, Corrective and Preventive Actions (CAPA), und fortlaufende Verbesserungsbemühungen. Wir werden diese Themen ebenfalls in künftigen Ausgaben von Pharma Now beleuchten und Erkenntnisse teilen.

Die wahre Stärke der KI liegt nicht allein in ihrer Rechenleistung, sondern in der Qualität der gestellten Fragen und der Strenge des Validierungsprozesses. Die Ausweitung des „Question-Based Review“-Ansatzes — der in der klinischen Pharmakologie und der CMC-Prüfung seit langem etabliert ist — auf alle Abschnitte des CTD könnte eine „One Quality Voice“ in regulatorischen Mitteilungen fördern. Mit Werkzeugen wie FDA Copilot und SmartSearch+ können regulatorische Fachleute fragmentierte Daten überbrücken, verschiedene Quellen synthetisieren und sowohl einen breiten strategischen Überblick als auch detaillierte Präzision in der Entscheidungsfindung wahren.

Fazit

Die Integration AI/ML-getriebener Werkzeuge wie des FDA Copilot mit SmartSearch+ bietet eine transformative Chance für regulatorische Kommunikation und Entscheidungsfindung in der Pharmaindustrie. Die „Dueling Banjo“-Methodik kombiniert KI-Effizienz mit menschlicher Expertenvalidierung innerhalb einer Cloud-App, um regulatorische Kommunikation wie die QOS-Erstellung zu verbessern, Redundanzen zu reduzieren und die Übereinstimmung mit sich entwickelnden regulatorischen Standards sicherzustellen. Da sich das regulatorische Umfeld weiterentwickelt, wird disziplinäre Mensch‑KI‑Zusammenarbeit entscheidend sein, um wissenschaftliche Integrität zu wahren, Effizienz zu steigern und patientenorientierte Innovation in der Arzneimittelentwicklung zu fördern.