Améliorer la communication réglementaire et la prise de décision avec un copilote FDA IA/ML et SmartSearch+

Cet article explore comment l’intégration de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML) dans les processus réglementaires pharmaceutiques peut révolutionner la préparation et l’examen des dossiers réglementaires, en prenant pour exemple les Quality Overall Summaries (QOS). En s’appuyant sur une étude de cas publique de 2009 qui illustre l’approche quality-by-design (QbD) et en se concentrant sur les aspects liés aux large language modules (LLM), l’article démontre l’application d’un FDA Copilot piloté par l’IA/ML, enrichi par SmartSearch+, et la méthodologie innovante « Dueling Banjo ». Cette méthodologie vise à combiner de manière fluide les analyses générées par l’IA avec la validation experte humaine afin d’améliorer la communication avec les autorités réglementaires et de garantir que les soumissions — telles que les New Drug Applications (NDAs) et les Biologics License Applications (BLAs) — satisfont aux normes réglementaires en évolution. En fin de compte, cette approche rationalise l’analyse réglementaire et favorise une normalisation mondiale de la conformité en développement pharmaceutique, en soulignant l’importance cruciale d’une collaboration efficace homme‑IA pour préserver l’intégrité scientifique et la conformité en science réglementaire.

Introduction

Les affaires réglementaires pharmaceutiques évoluent dans un contexte de complexité croissante, d’exigence d’accélération des évaluations des médicaments et de simplification des communications avec les instances réglementaires. La Quality Overall Summary (QOS) est au cœur de cette transformation, en fournissant une synthèse structurée des données liées à la qualité au sein des NDAs, ANDAs et BLAs.Comme l’explique la FDA, la QOS «met les pièces d’un puzzle ensemble », renforçant ainsi la transparence, accélérant les examens et consolidant l’assurance qualité tout au long du cycle de vie d’un médicament.

S’appuyant sur des discussions antérieures dans Pharma Now, cet article examine comment un FDA Copilot piloté par l’IA/ML, combiné à SmartSearch+, peut soutenir l’excellence réglementaire. En utilisant l’approche « Dueling Banjo » — qui mêle les analyses générées par l’IA à la vérification experte humaine via des recherches en texte intégral exhaustives des PDF d’orientation sur FDA.Gov et des 21 CFR publiés par CDER (drugs), CBER (biologics) & CDRH (medical devices) — l’article explore comment cette synergie peut affiner la préparation des QOS et les processus d’examen réglementaire. La question clé est : comment les experts humains peuvent-ils collaborer avec un système IA/ML pour améliorer l’élaboration des QOS et permettre une prise de décision efficace et fondée sur des preuves dans l’homologation des médicaments ?

Contexte

Dans un rapport de 2022, «Un résumé global de qualité harmonisé au niveau mondial est-il possible ?», des experts de l’industrie ont discuté des défis et des avantages liés à l’établissement d’un format QOS standardisé au niveau mondial. Une QOS harmonisée pourrait rationaliser les évaluations, réduire les redondances et améliorer la clarté en offrant un récit unifié qui relie les attributs du produit aux processus de fabrication. Une telle norme soutiendrait également la gestion du cycle de vie en définissant des Established Conditions (ECs) pour assurer une qualité produit cohérente et simplifier les modifications post‑approbation.

Allant plus loin, «Proposition pour un résumé global de qualité complet » (2023) critique les limites de la structure du Common Technical Document (CTD), en particulier le Module 2.3. Ce module reproduit souvent de manière redondante des données du Module 3 sans fournir un récit cohérent ni une justification réglementaire de la stratégie de contrôle. Les auteurs préconisent de restructurer le Module 2.3 pour intégrer des éléments clés du Target Product Profile (TPP) et du Quality Target Product Profile (QTPP), offrant un récit de développement clair et facilitant des transitions réglementaires plus fluides.

La méthodologie « Dueling Banjo »

La méthodologie « Dueling Banjo » est un cadre dirigé par des humains qui exploite les analyses générées par l’IA pour construire un récit complet à travers des sources de données et des disciplines fragmentées. À l’image de deux musiciens engagés dans un duo d’improvisation, cette méthode entrelace l’analyse computationnelle et l’interprétation experte humaine.Des outils IA/ML tels que le FDA Copilot hébergé sur une plateforme Microsoft OpenAI ChatGPT-4, par exemple, peuvent générer des brouillons initiaux, formant une base solide étayée par SmartSearch+ sur des connaissances publiques crédibles (par ex., le site FDA.Gov) et des connaissances confidentielles d’entreprise pour un affinage ultérieur par des experts dans le contexte d’un avenir centré sur le patient tel que «Pharma 5.0». La supervision humaine reste indispensable ici, étant donné que les sorties de l’IA peuvent parfois manquer du raisonnement nuancé requis pour la précision réglementaire, sans parler des biais inhérents aux LLM.

SmartSearch+ joue un rôle crucial en permettant aux humains d’effectuer des recherches en texte intégral des règlements et des documents d’orientation de la FDA. Cela permet aux experts de recouper et de valider le contenu généré par l’IA, garantissant que le récit final est exact, complet et conforme aux attentes réglementaires. Cette méthodologie a été mise en œuvre dans l’Étude de cas A-Mab (2009), conçue initialement pour illustrer les principes QbD dans le développement d’anticorps monoclonaux (mAb). Deux anciens régulateurs (AH et AA) ont appliqué la Retrieval-Augmented Generation (RAG) pour renforcer les capacités de GPT 4.0 en intégrant des bases de connaissances externes avec des invites informées. Parallèlement, le développeur de SmartSearch+ et expert IT RB a utilisé SmartSearch+ pour découvrir des approfondissements réglementaires supplémentaires, reconnaissant que la US FDA est la source unique de vérité réglementaire.

Exemple de prompt pour une revue assistée par l’IA :

"Agissez en tant qu’expert examinateur de la FDA évaluant les exigences CMC pour les anticorps monoclonaux (mAbs). Intégrez les principaux cadres réglementaires (ICH Q8(R2), Q9, Q10, Q11) et les orientations FDA pertinentes avec des bonnes pratiques récupérables. Évaluez l’adéquation et l’exhaustivité du mAb Development Report."

Observations et perspectives

L’intégration de la génération augmentée par récupération (RAG) et de la validation SmartSearch+ au sein d’une même interface applicative atténue les limites courantes de l’IA, telles que les lacunes contextuelles et les hallucinations, en garantissant la cohérence factuelle des réponses réglementaires. Dans l’étude de cas « A-Mab », la réponse initiale de l’AI/ML FDA Copilot concordait pour l’essentiel avec les évaluations d’experts, identifiant avec succès des éléments critiques tels que l’évaluation des Critical Quality Attributes (CQAs), une approche Quality-by-Design (QbD) robuste, et une stratégie de contrôle basée sur les risques intégrant des considérations d’espace de conception. Cependant, comme le dit l’adage, “the devil is in the details,” — ce qui souligne la nécessité d’une validation experte rigoureuse pour affiner les insights générés par l’IA et maintenir la précision réglementaire. Par exemple, lorsqu’on lui a demandé de justifier les limites d’acceptation dans le QOS, les détails fournis par l’IA — tels que des références à “in vitro–in vivo" corrélation (IVIVC) des études — étaient absentes dans l'étude de cas originale. Il a halluciné ! Un nouvel amorçage a conduit l'IA à reconnaître son erreur, soulignant la nécessité d'une validation humaine disciplinée via l'approche « Dueling Banjo ».

L’importance d’une approche disciplinée « Dueling Banjo »

Combiner les insights générés par l’IA avec une supervision humaine approfondie et empêcher le « cherry-picking » des principes et des guides réglementaires grâce à SmartSearch+ est essentiel pour préserver l’intégrité des dossiers réglementaires. Cette approche structurée minimise le risque d’importantes « hallucinations » et d’inexactitudes factuelles dans les détails et améliore la qualité globale du processus d’examen. En s’assurant que chaque insight généré par l’IA est recoupé avec des sources réglementaires faisant autorité, cette méthodologie collaborative améliore l’efficacité et maintient la précision requise pour la conformité réglementaire.

Perspectives : l’avenir de l’IA en sciences réglementaires

Les progrès dans le raisonnement de type chain-of-thought, le prompting contextuel et les mécanismes de récupération améliorés sont prêts à révolutionner davantage la prise de décision réglementaire. Des expérimentations avec des modèles d’IA au-delà de GPT-4.0, y compris DeepSeek-R1, ont montré des améliorations exponentielles, préparant le terrain pour des applications plus raffinées en sciences réglementaires, que nous prévoyons d’explorer dans de futures Pharma Now contributions.  

De plus, l’intégration des grands modèles de langage (LLMs) avec la reconnaissance de schémas quantitatifs de relations de cause à effet via le machine learning (ML) est un domaine d’intérêt et d’activité significatif. Ce concept s’aligne sur l’idée de "développement assisté par ordinateur," envisagée il y a des décennies pour tirer parti des connaissances antérieures et adopter une approche du cycle de vie du produit pour le développement. Parmi les autres applications figurent surmonter les angles morts dans l’assurance de l’équivalence thérapeutique, améliorer la prévisibilité de la montée en échelle et la fiabilité de la validation des procédés, la vérification continue des procédés, la gestion efficace des incidents hors spécification, les actions correctives et préventives (CAPA), et les efforts d’amélioration continue. Nous explorerons également ces sujets et partagerons des insights dans de futures éditions de Pharma Now.

La véritable force de l’IA ne réside pas seulement dans sa puissance de calcul, mais dans la qualité des questions posées et la rigueur du processus de validation. Étendre l’approche «Revue basée sur des questions» — établie de longue date en pharmacologie clinique et en revue CMC — à toutes les sections du CTD pourrait promouvoir une «Une seule voix qualité» dans les communications réglementaires. Avec des outils comme FDA Copilot et SmartSearch+, les professionnels de la réglementation peuvent combler les données fragmentées, synthétiser des sources diverses et maintenir une vue stratégique d’ensemble ainsi qu’une précision détaillée dans la prise de décision.

Conclusion

L’intégration d’outils pilotés par l’IA/ML tels que FDA Copilot avec SmartSearch+ représente une opportunité transformatrice pour la communication réglementaire et la prise de décision dans l’industrie pharmaceutique. La méthodologie « Dueling Banjo » combine l’efficacité de l’IA et la validation par des experts humains au sein d’une application cloud pour améliorer la communication réglementaire, comme la préparation du QOS, réduire les redondances et assurer l’alignement avec l’évolution des standards réglementaires. À mesure que le paysage réglementaire évolue, une collaboration disciplinée entre humains et IA sera essentielle pour préserver l’intégrité scientifique, améliorer l’efficacité et favoriser l’innovation centrée sur le patient dans le développement des médicaments.