Mejorando la comunicación regulatoria y la toma de decisiones con un copiloto FDA de AI/ML y SmartSearch+

Este artículo explora cómo la integración de la inteligencia artificial (IA) y el aprendizaje automático (ML) en los procesos regulatorios farmacéuticos puede revolucionar la preparación y revisión de las solicitudes regulatorias, tomando como ejemplo los Quality Overall Summaries (QOS). Utilizando un estudio de caso público de 2009 que ejemplifica el enfoque quality-by-design (QbD) y centrándose en los aspectos del large language module (LLM), el artículo demuestra la aplicación de un FDA Copilot impulsado por AI/ML mejorado con SmartSearch+ y la innovadora metodología "Dueling Banjo". Esta metodología tiene como objetivo combinar sin problemas los conocimientos generados por la IA con la validación experta humana para mejorar la comunicación con los reguladores y garantizar que las presentaciones —como New Drug Applications (NDAs) y Biologics License Applications (BLAs)— cumplan con los estándares regulatorios en evolución. En última instancia, este enfoque optimiza el análisis regulatorio y promueve un estándar armonizado a nivel mundial en el desarrollo de fármacos, enfatizando la importancia crítica de una colaboración efectiva humano-IA para mantener la integridad científica y el cumplimiento en la ciencia regulatoria.

Introducción

Los asuntos regulatorios farmacéuticos están evolucionando en medio de una complejidad creciente, la demanda de revisiones de fármacos más rápidas y una comunicación optimizada con los organismos reguladores. El Quality Overall Summary (QOS) es central en esta transformación, proporcionando una visión estructurada de los datos relacionados con la calidad dentro de NDAs, ANDAs y BLAs.Como explica la FDA, el QOS “pone las piezas de un rompecabezas juntas,” lo que mejora la transparencia, acelera las revisiones y refuerza la garantía de calidad a lo largo del ciclo de vida de un fármaco.

Basándose en discusiones previas en Pharma Now, este documento examina cómo un FDA Copilot impulsado por AI/ML, combinado con SmartSearch+, puede apoyar la excelencia regulatoria. Usando el enfoque “Dueling Banjo”, que mezcla los conocimientos generados por la IA con la verificación experta humana mediante búsquedas de texto completo en los PDFs de Guidance de US FDA.Gov y en los 21 CFR emitidos por CDER (drugs), CBER (biologics) y CDRH (medical devices), el artículo explora cómo esta sinergia puede refinar la preparación del QOS y los procesos de revisión regulatoria. La pregunta clave es: ¿Cómo pueden los expertos humanos colaborar con un sistema impulsado por IA/ML para mejorar el desarrollo del QOS y posibilitar una toma de decisiones eficiente y basada en evidencia en las aprobaciones de fármacos?

Antecedentes

En un informe de 2022, “¿Es posible un Resumen Global de Calidad Armonizado?” expertos de la industria discutieron los desafíos y beneficios de establecer un formato QOS estandarizado a nivel mundial. Un QOS armonizado podría agilizar las revisiones, reducir la redundancia y mejorar la claridad al ofrecer una narrativa unificada que vincule los atributos del producto con los procesos de fabricación. Dicho estándar también apoyaría la gestión del ciclo de vida al definir Established Conditions (ECs) para garantizar una calidad de producto consistente y simplificar las modificaciones posteriores a la aprobación.

Ampliando esto, “Una propuesta para un Resumen Global de Calidad integral” (2023) critica las limitaciones de la estructura del Common Technical Document (CTD), particularmente del Módulo 2.3. Este módulo a menudo replica datos de forma redundante desde el Módulo 3 sin ofrecer una narrativa cohesiva ni una justificación regulatoria para la estrategia de control. Los autores abogaron por reestructurar el Módulo 2.3 para integrar elementos clave del Target Product Profile (TPP) y del Quality Target Product Profile (QTPP), proporcionando una narrativa de desarrollo directa y facilitando transiciones regulatorias más fluidas.

La metodología “Dueling Banjo”

La metodología “Dueling Banjo” es un marco liderado por humanos que aprovecha los conocimientos generados por la IA para construir una narrativa comprensiva a través de fuentes de datos y disciplinas fragmentadas. Al igual que dos músicos que participan en un dueto improvisado, este método entrelaza el análisis computacional con la interpretación experta humana.Herramientas de AI/ML como el FDA Copilot alojado dentro de una plataforma Microsoft OpenAI ChatGPT-4, por ejemplo, pueden generar borradores iniciales de respuesta, formando una base sólida respaldada por SmartSearch+ sobre conocimiento público creíble (p. ej., el sitio web FDA.Gov) y conocimiento confidencial corporativo para un mayor perfeccionamiento por parte de expertos en el contexto de un futuro centrado en el paciente como “Pharma 5.0.” La supervisión humana sigue siendo indispensable en este contexto, dado que la salida de la IA a veces puede carecer del razonamiento matizado requerido para la precisión regulatoria, sin mencionar el sesgo inherente al aprendizaje automático de los LLM.

SmartSearch+ desempeña un papel crucial al permitir que los humanos realicen búsquedas de texto completo en las regulaciones y documentos de orientación de la FDA. Esto permite a los expertos contrastar y validar el contenido generado por la IA, asegurando que la narrativa final sea precisa, completa y esté alineada con las expectativas regulatorias. Esta metodología se implementó en el Estudio de caso A‑Mab (2009), diseñado inicialmente para ilustrar los principios QbD en el desarrollo de anticuerpos monoclonales (mAb). Dos exreguladores (AH y AA) aplicaron Retrieval-Augmented Generation (RAG) para mejorar las capacidades de GPT 4.0 integrando fuentes externas de bases de conocimiento con prompts informados. Al mismo tiempo, el desarrollador de SmartSearch+ y experto en TI RB usó SmartSearch+ para descubrir conocimientos regulatorios adicionales, reconociendo que la US FDA es la única fuente de verdad regulatoria.

Ejemplo de prompt para revisión asistida por IA:

"Actuar como un Experto revisor de la FDA que evalúe los requisitos de CMC para anticuerpos monoclonales (mAbs). Integrar marcos normativos clave (ICH Q8(R2), Q9, Q10, Q11) y las guías relevantes de la FDA con prácticas recomendadas recuperables. Evaluar la idoneidad y la exhaustividad del Informe de Desarrollo del mAb."

Observaciones e ideas

Integrar el prompting de Retrieval-Augmented Generation (RAG) con la validación SmartSearch+ dentro de una sola interfaz de aplicación mitiga limitaciones comunes de la IA, como lagunas contextuales y alucinaciones, asegurando la consistencia fáctica de las respuestas regulatorias. En el estudio de caso “A-Mab”, la respuesta inicial del copiloto FDA basado en AI/ML se alineó en gran medida con las evaluaciones de expertos, identificando con éxito elementos críticos como la evaluación de los Atributos Críticos de Calidad (CQAs), un enfoque sólido de Quality-by-Design (QbD) y una estrategia de control basada en riesgos que incorpora consideraciones del espacio de diseño. Sin embargo, como dice el refrán, “the devil is in the details,”—lo que subraya la necesidad de una rigurosa validación experta para refinar los conocimientos generados por la IA y mantener la precisión regulatoria. Por ejemplo, cuando se le solicitó justificar los límites de aceptación en el QOS, los detalles generados por la IA —como las referencias a “in vitro–in vivo" correlación (IVIVC) de estudios—estaban ausentes en el estudio de caso original. ¡Alucinó! Con indicaciones adicionales, la IA reconoció su error, lo que subraya la necesidad de una validación humana disciplinada mediante el enfoque "Dueling Banjo".

La importancia de un enfoque disciplinado “Dueling Banjo”

Combinar los conocimientos generados por la IA con una supervisión humana exhaustiva y evitar la “selección sesgada” (“cherry-picking”) de principios y guías regulatorias mediante SmartSearch+ es esencial para mantener la integridad de las presentaciones regulatorias. Este enfoque estructurado minimiza el riesgo de “alucinaciones” graves e imprecisiones factuales en los detalles y mejora la calidad global del proceso de revisión. Al asegurar que cada conocimiento generado por la IA se contraste con fuentes regulatorias autorizadas, la metodología colaborativa mejora la eficiencia y mantiene la precisión requerida para el cumplimiento normativo.

Perspectivas: el futuro de la IA en la ciencia regulatoria

Los avances en razonamiento de cadena de pensamiento, el prompting consciente del contexto y los mecanismos de recuperación mejorados están preparados para revolucionar aún más la toma de decisiones regulatorias. Experimentos con modelos de IA más allá de GPT-4.0, incluidos DeepSeek-R1, han mostrado mejoras exponenciales, preparando el escenario para aplicaciones más refinadas en la ciencia regulatoria, que planeamos explorar en futuras Pharma Now contribuciones.  

Además, integrar grandes modelos de lenguaje (LLMs) con reconocimiento cuantitativo de patrones de relaciones causa-efecto mediante machine learning (ML) es un área de gran interés y actividad. Este concepto se alinea con la idea de "desarrollo asistido por ordenador"," concebida hace décadas para aprovechar el conocimiento previo y adoptar un enfoque de ciclo de vida del producto para el desarrollo. Otras aplicaciones incluyen superar los puntos ciegos en la garantía de Equivalencia Terapéutica, mejorar la predictibilidad de la escalada y la fiabilidad de la validación de procesos, la verificación continua del proceso, gestión eficaz de incidentes fuera de especificación, acciones correctivas y preventivas (CAPA), y esfuerzos continuos de mejora. También exploraremos estos temas y compartiremos conocimientos en futuras ediciones de Pharma Now.

La verdadera fortaleza de la IA no reside únicamente en su poder computacional, sino en la calidad de las preguntas formuladas y en el rigor del proceso de validación. Ampliar el enfoque de “Revisión Basada en Preguntas” —establecido desde hace tiempo en farmacología clínica y en la revisión CMC— a todas las secciones del CTD podría promover una “Una Sola Voz de Calidad” en las comunicaciones regulatorias. Con herramientas como FDA Copilot y SmartSearch+, los profesionales regulatorios pueden unir datos fragmentados, sintetizar fuentes diversas y mantener una visión estratégica amplia y una precisión detallada en la toma de decisiones.

Conclusión

Integrar herramientas impulsadas por AI/ML como FDA Copilot con SmartSearch+ representa una oportunidad transformadora para la comunicación y la toma de decisiones regulatorias en la industria farmacéutica. La metodología “Dueling Banjo” combina la eficiencia de la IA con la validación de expertos humanos dentro de una aplicación en la nube para mejorar la comunicación regulatoria, como la preparación del QOS, reducir la redundancia y garantizar la alineación con normas regulatorias en evolución. A medida que el panorama regulatorio continúa evolucionando, la colaboración disciplinada entre humanos e IA será esencial para mantener la integridad científica, mejorar la eficiencia y fomentar la innovación centrada en el paciente en el desarrollo de fármacos.