Établir les fondations de connaissances pour des systèmes qualité pharmaceutiques prêts pour l’IA

Le titre promet des fondations, pas des modèles. Ces fondations sont les devoirs de connaissance qu’un système qualité doit déjà posséder — périmètre, reconstructibilité, détection de rupture d’hypothèses, et l’autorité d’interrompre — avant qu’un modèle, prédictif ou génératif, ne soit apte à siéger dans une stratégie de contrôle ou à rédiger un dossier GxP.

Un modèle qui ne peut pas détecter ses propres hypothèses invalidées n’est pas une stratégie de contrôle.

Cette phrase n’est pas un commentaire sur les algorithmes. C’est un test de gestion des connaissances qui doit maintenant être appliqué de chaque côté d’une couture que l’industrie traite encore comme deux conversations distinctes : Chemistry, Manufacturing and Controls dans le dossier, et current good manufacturing practice sur le site. Si un système qualité échoue au test, chaque discussion ultérieure — qui est responsable lorsque l’IA décide, ce que font les équipes de validation le lundi, qui surveille le surveillant — embellira un système qui n’était pas prêt à être embelli.

La contrainte déterminante n’est pas la capacité du modèle

L’industrie sait déjà comment ajuster un modèle de distribution des temps de résidence (RTD), comment entraîner un modèle chimiométrique sur une sonde Raman ou proche infrarouge, et comment inciter un modèle généraliste à rédiger une procédure ou une déviation. Ce qu’elle ne sait pas de façon fiable, c’est si les connaissances sous-jacentes à ces systèmes sont à jour, suffisamment complètes pour la tâche qui leur a été confiée, et capables d’annoncer quand elles ne le sont plus.

ICH Q10 a déjà nommé le devoir : connaissance du produit et du procédé, maintenue sur tout le cycle de vie, et utilisée dans la stratégie de contrôle (ICH, 2008). La plupart des systèmes considèrent cet intitulé comme une case de conformité à cocher. Le test opérationnel est plus sévère. Le système peut‑il dire qu’une hypothèse figée à l’autorisation — ou figée dans une procédure opératoire standard — est devenue caduque tandis que les anciennes alertes, ou le vieux libellé du modèle, restent au vert ?

Les régulateurs évoluent vers cette seconde question. En janvier 2025, la FDA a publié un projet de guidance sur l’utilisation de l’intelligence artificielle pour produire des informations ou des données destinées à étayer des décisions réglementaires sur la sécurité, l’efficacité ou la qualité. L’unité de revue n’est pas « l’algorithme ». C’est le contexte d’utilisation: le rôle et le périmètre spécifiques du modèle pour répondre à une question d’intérêt (U.S. FDA, 2025a). La crédibilité, dans ce document, est la confiance — établie par des éléments de crédibilité — dans la performance du modèle pour ce contexte d’utilisation. Parce que la crédibilité est définie pour un contexte particulier, un changement de rôle ou de périmètre (un nouveau fournisseur, un nouveau site, un habillage qui transforme un prédicteur en recommandateur) est un changement du travail pour lequel les preuves ont été collectées. L’évaluation doit être rouverte.

Le même mois, des considérations préliminaires pour le 21 CFR 211.110 ont explicité l’implication pour la fabrication. Des modèles de procédé peuvent être incorporés dans des stratégies de contrôle commerciales. Ils ne peuvent pas, selon la science actuelle, être utilisés seuls pour satisfaire le contrôle en cours de procédé. La FDA indique qu’elle n’a pas été informée de modèles de procédé démontrant à la fois que les hypothèses sous‑jacentes restent valides pendant la fabrication routinière et que le fabricant peut détecter lorsqu’une hypothèse n’est plus valide. Les modèles de procédé actuels « ne peuvent pas garantir la validité continue de toutes les hypothèses sous‑jacentes du modèle à tout moment, notamment lors de certaines perturbations imprévues. » Les stratégies de contrôle reposant uniquement sur de tels modèles seraient insuffisantes pour §211.110 (U.S. FDA, 2025b ; Fisher et al., 2026). Ce n’est pas de l’hostilité envers les modèles. C’est une description précise de la fondation de connaissances qui fait encore défaut.

L’admissibilité réglementaire dans le dossier devient plus claire. La préparation sur le site, non.

Deux articles rédigés par la FDA doivent désormais être lus ensemble, puis confrontés au site.

En 2024, O’Connor, Fisher et des collègues européens ont exposé pourquoi les modèles de procédé sont un instrument en croissance pour la conception et le contrôle — et pourquoi le problème contraignant est le risque lié aux modèles tout au long du cycle de vie commercial, et non l’autorisation de déposer un modèle (O’Connor et al., 2024). Ils ont classé les modèles mécanistiques, empiriques/chimiométriques et hybrides, et ont traité les modèles RTD comme des outils déjà utilisés pour la traçabilité des matériaux, les limites d’alimentation et l’élimination des matériaux non conformes sur les lignes continues à administration orale solide.

En 2026, Fisher, Chatterjee, Madurawe, Tian, Tran et Lee ont publié le premier compte rendu public de modèles qui avaient réellement soutenu des dossiers approuvés aux États‑Unis (Fisher et al., 2026). Entre 2012 et 2025, ils ont identifié au moins quinze NDA, BLA — y compris des biosimilaires — originaux et suppléments approuvés, provenant de huit entreprises, couvrant la substance active et le produit fini. Onze de ces dossiers soutenus par des modèles impliquaient la fabrication continue. La FDA a rencontré des modèles mécanistiques (par exemple bilan de masse), des modèles empiriques (chimiométrie NIR et Raman) et des modèles hybrides (RTD). Les modèles apparaissaient à risque ou impact élevé (décisions de libération, contrôle paramétrique), moyen (contrôles en cours de procédé, élimination des matériaux non conformes) et faible (définition de l’espace de conception, enquêtes et surveillance). La documentation dans le dossier suivait généralement cette détermination. Sur certains dossiers, les modélisateurs de l’Agence ont construit des modèles internes calibrés sur les données expérimentales du demandeur et les ont utilisés pour tester la stratégie de contrôle proposée (Fisher et al., 2026).

À l’exclusion de trois soumissions dont les délais n’étaient pas liés à la modélisation, les dossiers soutenus par des modèles ont été approuvés en moyenne 20,3 jours avant leur date cible, certains sous examen accéléré (Fisher et al., 2026). C’est un résultat de Chemistry, Manufacturing and Controls. C’est la preuve que les modèles peuvent survivre à l’évaluation qualité. Ce n’est pas la preuve qu’un modèle peut annoncer la fin de son propre contexte d’utilisation après le lancement commercial, et cela en dit presque rien sur les systèmes génératifs qui rédigent déjà des procédures, des déviations et des textes d’enquête au sein de l’écosystème current good manufacturing practice.

Quinze dossiers provenant de huit entreprises sur treize ans représentent un progrès. Ce n’est pas la pratique courante. Si la compétence prédictive reste l’apanage d’un cabinet de huit firmes, et l’usage génératif reste une habitude non déclarée en usine, ni l’un ni l’autre ne feront bouger l’arithmétique de santé publique qui compte dans cette salle : la résilience face aux pénuries, la fabrication avancée crédible à grande échelle, et la qualité des produits qui remplissent la plupart des ordonnances.

De la gouvernance des modèles de procédé à l’usage génératif

Le projet d’IA de 2025 et le projet 211.110 ne sont pas deux documents sans rapport. Les deux exigent la même chose avec des vocabulaires différents : énoncer la tâche, évaluer l’influence de la sortie et la conséquence d’une erreur, et conserver un moyen de savoir quand les hypothèses qui rendaient la tâche légitime ont échoué. Un modèle de procédé utilisé pour la diversion possède déjà cette grammaire dans le dossier (Fisher et al., 2026; O’Connor et al., 2024). Un système génératif utilisé pour rédiger un master production record, une spécification ou un écart accomplit le même type de travail — il produit un texte qui peut gouverner un lot — généralement sans aucune de cette grammaire.

La différence n’est pas « prédictif versus génératif ». Elle tient à la manière dont le système qualité traite la sortie : comme un artefact d’aide à la décision avec un contexte d’utilisation, ou comme de la prose qui a pour origine un modèle. Dès qu’une sortie peut changer ce que l’usine fait, ou ce que le dossier affirme que l’usine a fait, les devoirs de connaissance sont les mêmes. Voilà le pont. Les quatre schémas ci‑dessous décrivent ce qui se passe quand il manque.

Quatre façons dont la couture lâche

Les quinze dossiers vivent dans le Module 3. Les bonnes pratiques actuelles de fabrication vivent dans §§211.100, 211.110 et 211.192, dans le contrôle des modifications, la formation et l’intégrité des données. Les modèles prédictifs échouent à l’épreuve du titre s’ils sont crédibles dans le dossier et muets dans l’usine. Les systèmes génératifs échouent à l’épreuve du titre lorsqu’ils sont utilisés pour rédiger des documents GxP sans contexte d’utilisation déclaré.

Premièrement, Crédible pour le CMC, muet pour le CGMP. Un modèle RTD ou NIR est approuvé avec un plan de vérification. Après son lancement, on ne lui pose plus les questions d’antithèse. Les actions correctives et préventives ne peuvent pas enquêter sur ce que l’approbation n’a jamais mis dans le périmètre.

Deuxièmement, Génératif pour le CGMP, absent pour le CMC. Une équipe utilise un modèle à usage général pour rédiger des spécifications, des master production records ou le texte d’une enquête. Il n’y a pas de contexte d’utilisation déclaré, pas de score influence × conséquence, pas de paquet reconstituable de promptes et de sources.

Troisièmement, un modèle prédictif avec une enveloppe générative, sans nouveau contexte d’utilisation. Un agent est placé sur un RTD validé ou sur un dossier de lot. L’enveloppe change la tâche — de « prédire le temps de résidence » à « recommander la diversion et rédiger la justification ». Selon le projet de 2025, il s’agit d’un nouveau contexte d’utilisation (U.S. FDA, 2025a). Le traiter comme une simple mise à niveau d’interface utilisateur est la façon dont des décisions à forte influence arrivent sans plan de crédibilité.

Quatrièmement, recyclage d’ontologie. Les systèmes génératifs entraînés sur les écarts, enquêtes et bibliothèques de procédures d’un site reproduiront « cause racine inconnue », un langage de confirmation et tout ce que le système qualité pharmaceutique ne peut déjà pas voir. Une confirmation plus rapide d’une ontologie d’usine figée n’est pas de l’intelligence.

RTD comme premier proxy — puis le reste de l’écosystème

Fisher et ses collègues décrivent un supplément qui proposait la fabrication continue de comprimés comme alternative à un procédé de lot approuvé. Un modèle RTD suivait la matière et prédisait l’essai de manière à ce que les segments non conformes puissent être détournés en temps réel. Des modèles proche‑infrarouges ont soutenu le développement et ont été proposés pour l’identification et l’essai. La FDA a considéré le modèle RTD comme risque moyen: elle a décidé diversion, pas libération. Le procédé combinait toujours modélisation prédictive et tests analytiques validés. L’approbation a exigé des arguments sur les critères d’acceptation, l’exhaustivité de la validation, la documentation des paramètres, la robustesse en cas de panne d’équipement, et la gestion du cycle de vie — y compris quels événements forceraient une revalidation (Fisher et al., 2026).

Ce cas est le bon premier objet. L’influence est élevée. La conséquence est élevée. Le propre projet 211.110 de l’Agence dit que les modèles actuels ne maintiennent pas toutes leurs hypothèses valides face à des perturbations non planifiées, et ne détectent pas, par eux‑mêmes, la défaillance d’une hypothèse. Une fois ces devoirs visibles sur un dossier RTD, ils s’appliquent à un contrôleur d’alimentation Raman, à un modèle de libération, à une spécification rédigée par un générateur, et à un agent enveloppant n’importe lequel des éléments ci‑dessus.

Tableau 1. Devoirs de connaissance à la couture CMC–CGMP. La diversion par distribution du temps de résidence est la première ligne parce que la FDA l’a déjà évaluée. Les lignes restantes sont les applications que le reste d’un ordre du jour qualité supposera prêtes pour l’IA.

La colonne de gauche est ce qu'un dossier compétent sait déjà montrer : protocoles, adaptations, signatures, parfois un protocole de comparabilité qui envoie un changement d'algorithme vers un supplément d'approbation préalable et des changements mineurs dans le système qualité du site (Fisher et al., 2026). La colonne de droite est la fondation. La traçabilité est la limite du plan de développement — ce qui a été demandé et ce qui a été exclu parce que l'horloge de dépôt, ou le modèle d'investigation, s'est fermé (Hussain, Gurvich, & Morris, 2019). La vérifiabilité est la reconstructibilité : Fisher et al. (2026) rapportent que des scientifiques de la FDA ont construit des jumeaux numériques de procédés commerciaux proposés et les ont calibrés avec les données soumises. Le site doit pouvoir faire l'analogue pour un modèle et pour un document généré. La détection est une rupture d'hypothèse, pas une alerte de limite et pas un paragraphe fluide. La surveillance est chaque campagne, pas la revue annuelle (O’Connor et al., 2024). La responsabilité est un propriétaire nommé en temps de fabrication. La réversibilité est l'autorité d'arrêter un modèle ou un outil de rédaction sans attendre une nouvelle horloge réglementaire.

Cette différence à deux colonnes est l'écart entre un système validé et un système digne de confiance. La validation demande si l'artefact a respecté son protocole pour l'utilisation déclarée au moment des tests. La fiabilité (trustworthiness) demande si la connaissance est toujours adaptée au travail que l'organisation lui confie aujourd'hui, et si quelqu'un est autorisé à l'arrêter si elle ne l'est pas. Les lignes directrices sur la validation des procédés exigent la démonstration de la capacité du procédé et du produit depuis plus d'une décennie (U.S. FDA, 2011). Superposer un modèle, ou un générateur, sur un système qui ne peut pas faire cette démonstration ne comble pas l'écart. Cela raccourcit le temps de cycle de la confirmation.

Fisher et al. (2026) notent aussi un changement dans les revues de la FDA : les évaluations plus anciennes parlent de l'impact du modèle au sens ICH Q8/Q9/Q10 ; les évaluations plus récentes parlent du risque du modèle comme influence × conséquence de décision dans un contexte d'utilisation déclaré (U.S. FDA, 2025a ; ICH, 2012). Un modèle chimiométrique qui paraît « d'impact moyen » comme monitorage en cours de procédé peut devenir à haut risque si le même modèle est le contrôle d'homogénéité pour un produit à faible dose (O’Connor et al., 2024 ; Fisher et al., 2026). Le contexte d'utilisation n'est pas de la paperasse. C'est la façon dont la connaissance est autorisée à décider.

Défis que l'actuel écosystème des bonnes pratiques de fabrication doit couvrir

Avant que l'intelligence artificielle ne soit superposée à l'usine, le système qualité pharmaceutique doit assumer huit devoirs pratiques.

Le contexte d'utilisation doit être inscrit dans la Partie 211, pas seulement dans le dossier. La diversion est un contexte. Rédiger l'écart qui explique la diversion en est un autre.

La surveillance des hypothèses doit vivre à l'intérieur du système qualité pharmaceutique. La section 211.110 est explicite : les modèles actuels ne garantissent pas la validité des hypothèses en cas de perturbation imprévue, et ne détectent pas à eux seuls qu'une hypothèse a échoué (U.S. FDA, 2025b). Les requêtes d'antithèse — changement matériel, dérive résiduelle à l'intérieur des limites d'alerte, codes de plainte, « cause première inconnue » — doivent s'exécuter sur un rythme de campagne.

Le contrôle des changements doit traiter la version du modèle, le corpus de récupération, le prompt système et le fine-tune comme des données maîtres. Une mise à jour silencieuse du fournisseur est un changement non contrôlé.

La reconstructibilité doit servir les inspecteurs, pas seulement les évaluateurs. Si le site ne peut pas reconstruire la génération comme il reconstruit un essai, le dossier n'est pas lisible en vertu du §211.

Quelqu'un doit pouvoir arrêter le modèle ou l'outil de rédaction en temps réel dans l'usine.

• « Humain dans la boucle » n'est pas une fondation si l'humain ne peut pas voir les questions exclues ou les sources.

• Le corpus qu'un générateur peut voir doit inclure la connaissance négative — ce qui a échoué, ce qui était hors champ — sinon le système industrialisera les angles morts du site.

• L'utilisation en shadow sur des appareils personnels écrivant du texte GxP est un fait d'écosystème. La fondation est un inventaire et une règle de bannir-ou-qualifier, pas une diapositive sur une IA responsable.

• GAMP 5 Edition 2 et l'ébauche de l'Annexe 22 se situent en aval de cette liste. La validation des systèmes informatisés ne peut pas réparer un système qualité qui n'a pas de contexte d'utilisation et pas d'autorité pour arrêter.

Ce qui échoue quand l'ordre est inversé

L'inversion est désormais familière. Acheter une plateforme. Mettre en place un cas d'utilisation. Adapter un modèle aux données disponibles, ou pointer un générateur vers la bibliothèque du site. Rédiger un paquet de validation. Déclarer l'organisation prête pour l'IA. Puis découvrir que les données ont été collectées pour une question différente, que le plan de développement n'a jamais inclus le mode de défaillance qui importe, que les seules personnes qui comprennent le graphique des résidus sont parties, et qu'une investigation ne peut pas examiner ce que l'approbation n'a jamais autorisé quelqu'un à savoir.

Ce schéma n’est pas nouveau. En 1991, un réseau à rétropropagation a été utilisé pour mettre en relation des variables de formulation en matrice hydrophile et la libération in vitro (Hussain, Yu, & Johnson, 1991). En 2002, avec des collègues alors à la FDA, des réseaux neuronaux ont été appliqués à un jeu de données pharmacocinétique et pharmacodynamique de Phase 2 pour la repaglinide (Haidar, Johnson, Fossler, & Hussain, 2002). Ces modèles étaient des machines de confirmation de motifs. Leur honnêteté reposait sur l’erreur de retenue et un refus de surestimer la signification clinique. Ils ne pouvaient pas fermer une boucle de cycle de vie, parce que la base de connaissances qu’ils interrogeaient contenait presque aucune défaillance organisée. Les modèles plus volumineux n’ont pas levé cette limitation. Ils l’ont mise à l’échelle.

La détection n’est pas l’action — et l’approvisionnement en connaissances n’est pas un système qualité

Un système qualité peut faire remonter un motif résiduel, une plainte ou un paragraphe généré qui contredit la revendication certifiée et pourtant échouer à changer la décision. La certification fige une ontologie incomplète ; la contradiction ultérieure n’a alors aucune voie obligée de révision (Valerio & Hussain, in press). La récupération par contradiction forcée est une façon d’empêcher les systèmes de connaissances — prédictifs ou génératifs — de ne récupérer que ce qui confirme le dossier (Hussain, 2026). Aucun de ces mécanismes ne remplace une institution capable de référencer les connaissances sur les modes de défaillance que le sponsor n’a aucun intérêt à conserver ; c’est la couche de connaissances d’intérêt public esquissée dans l’agenda NIPTE 2030 (Hussain, Morris, & Gurvich, 2026). Pour ce public, le test opérationnel reste plus simple. Si le site ne peut pas énoncer un contexte d’utilisation, reconstruire le modèle ou l’invite, détecter une hypothèse qui est morte pendant que les alertes restaient vertes, et arrêter l’outil en temps d’usine, le système est équipé de modèles. Il n’est pas prêt pour l’IA.

Où se situe cette salle

Un point de vue depuis l’extérieur de l’Inde doit être précis, et il ne doit pas traiter le secteur comme une seule entreprise.

Le secteur indien de la fabrication pharmaceutique est inégalement réparti le long de cette courbe de maturité. Une partie en est encore au colonne de gauche du Tableau 1 : un rapport reconstructible, une stratégie de contrôle signée, une méthode qui reste valide après le départ des personnes qui l’ont écrite. Ce ne sont pas des problèmes de fabrication avancée. Ce sont des problèmes de gestion des connaissances que les inspections savent déjà identifier.

Une autre partie du secteur peut produire cette colonne de gauche — et une partie est déjà dans le type de fabrication continue et de travail sur modèles de procédé que Fisher et ses collègues ont décrit pour huit entreprises. Cette capacité est réelle. Elle n’est pas non plus synonyme de préparation.

Dans les deux parties, la colonne de droite est mince : surveillance des hypothèses pendant que les anciennes alertes restent vertes, une personne nommée qui peut arrêter un modèle en temps d’usine, une réversibilité qui n’attend pas un supplément, et un inventaire des usages génératifs qui n’est jamais entré dans un dossier. La pression sur les coûts des génériques matures élargit les deux fossés à la fois. Elle réduit le plan de développement, qui prive la colonne de gauche de portée, et elle récompense la rapidité confirmatoire, qui prive la colonne de droite d’antithèse (Hussain et al., 2019). Ce n’est pas un trait national. C’est une incitation.

Donc le risque venu de l’extérieur n’est pas « India cannot file. » Le risque est que l’excellence, là où elle existe, se concentre sur la colonne qui obtient l’approbation des demandes, tandis que la colonne qui maintient un modèle ou un enregistrement généré digne de confiance après approbation reste la ressource rare. Les modèles de procédé ne protégeront pas l’approvisionnement en génériques s’ils restent la propriété d’une poignée de sites bien dotés en personnel. Les outils génératifs n’élèveront pas la maturité s’ils accélèrent seulement l’ontologie qu’un site possède déjà. Le rendement en santé publique de la logique de l’ère Process Analytical Technology a toujours été à l’échelle (U.S. FDA, 2004; Arden et al., 2021). Un cadre de cycle de vie basé sur le risque utilisé uniquement là où se trouvent déjà les modélisateurs laisse ce vide (O’Connor et al., 2024; Fisher et al., 2026).

Ce qu’un directeur qualité devrait demander lundi

Ne demandez pas « quels cas d’utilisation de l’IA exécutons-nous ». Posez plutôt ceci.

1. Inventoriez chaque modèle prédictif et chaque usage génératif qui touche un lot, une procédure ou une investigation. Une phrase de contexte d’utilisation chacun (U.S. FDA, 2025a; Fisher et al., 2026).

2. Lesquels de ces usages existent uniquement dans l’usine et n’ont jamais été consignés dans un dossier ? Ce sont les contextes d’utilisation non évalués.

3. Pour chaque modèle prédictif, qu’est-ce qui le falsifierait pendant que les alertes restent vertes ? Pour chaque usage génératif, le site peut-il reconstruire les sources et l’invite (U.S. FDA, 2025b) ?

4. Qui peut arrêter le modèle ou l’outil de rédaction aujourd’hui, sans supplément ?

5. Quelles questions exclues et quelles investigations échouées figurent dans le corpus que le générateur peut voir ? Si la réponse est « aucune », il confirmera l’ontologie déjà en place.

6. Cette capacité est-elle en train d’être développée sur les unités de gestion des stocks et les sites qui provoqueraient une pénurie si l’hypothèse mourait discrètement — ou seulement là où se trouvent déjà les modélisateurs ?

Si ces six questions mettent une équipe de direction mal à l’aise, cet inconfort est la fondation des connaissances. L’intelligence artificielle peut être superposée à cela. Elle ne peut pas s’y substituer.

Le reste de GPACTS peut demander qui est responsable lorsqu’un modèle prend une décision, et qui surveille le surveillant. Ces questions sont en aval d’une question préalable : le système de connaissances sait-il quand son propre certificat a expiré ?

Références

Arden, N. S., Fisher, A. C., Tyner, K., Yu, L. X., Lee, S. L., & Kopcha, M. (2021). Industry 4.0 pour la fabrication pharmaceutique : se préparer aux usines intelligentes du futur. International Journal of Pharmaceutics, 602, 120554. https://doi.org/10.1016/j.ijpharm.2021.120554

Fisher, A. C., Chatterjee, S., Madurawe, R., Tian, G., Tran, R., & Lee, S. L. (2026). Expérience réglementaire de la FDA avec des modèles de processus de fabrication de médicaments dans des demandes approuvées. International Journal of Pharmaceutics, 702, 127249. https://doi.org/10.1016/j.ijpharm.2026.127249

Haidar, S. H., Johnson, S. B., Fossler, M. J., & Hussain, A. S. (2002). Modélisation de la pharmacocinétique et de la pharmacodynamie d'un agent hypoglycémiant oral unique à l'aide de réseaux neuronaux. Pharmaceutical Research, 19(1), 87–91. https://doi.org/10.1023/a:1013611617787

Hussain, A. S. (2026). Engineering epistemic resilience: Overcoming ontological fragmentation in pharmaceutical AI. Journal of Artificial Intelligence and Knowledge Engineering. Publication en ligne avancée.

Hussain, A. S., Gurvich, V. J., & Morris, K. (2019). Pharmaceutical “New Prior Knowledge”: Twenty-first century assurance of therapeutic equivalence. AAPS PharmSciTech, 20, 140. https://doi.org/10.1208/s12249-019-1347-6

Hussain, A. S., Morris, K., & Gurvich, V. J. (2026). NIPTE 2030: The nation’s digital trust anchor for Pharma 5.0. Pharmaceutical Research. https://doi.org/10.1007/s11095-026-04118-z

Hussain, A. S., Yu, X., & Johnson, R. D. (1991). Application of neural computing in pharmaceutical product development. Pharmaceutical Research, 8(10), 1248–1252. https://doi.org/10.1023/A:1015843527138

International Council for Harmonisation. (2008). Q10: Pharmaceutical quality system.

International Council for Harmonisation. (2012). Quality Implementation Working Group points to consider for ICH Q8/Q9/Q10 guidelines.

O’Connor, T. F., Chatterjee, S., Lam, J., Hernán Pérez de la Ossa, D., Martinez-Peyrat, L., Hoefnagel, M. H. N., & Fisher, A. C. (2024). An examination of process models and model risk frameworks for pharmaceutical manufacturing. International Journal of Pharmaceutics: X, 8, 100274. https://doi.org/10.1016/j.ijpx.2024.100274

U.S. Food and Drug Administration. (2004). Innovation and continuous improvement in pharmaceutical manufacturing (Pharmaceutical CGMPs for the 21st Century — A risk-based approach, final report). https://www.fda.gov/media/77391/download

U.S. Food and Drug Administration. (2011). Process validation: General principles and practices (Guidance for industry).

U.S. Food and Drug Administration. (2025a). Considerations for the use of artificial intelligence to support regulatory decision-making for drug and biological products (Draft guidance for industry and other interested parties). Docket No. FDA-2024-D-4689.

U.S. Food and Drug Administration. (2025b). Considerations for complying with 21 CFR 211.110 (Draft guidance for industry). Docket No. FDA-2024-D-5374.

Valerio, N. G., & Hussain, A. S. (in press). Trust as a distributed function: Accountability outside epistemically sealed systems. Blockchain in Healthcare Today.