IA nella sicurezza farmaceutica: potenziare la farmacovigilanza con l'intelligenza artificiale

In Pharma Now’s articoli precedenti su intelligenza artificiale (AI) nel settore farmaceutico, abbiamo discusso i vantaggi, le sfide e i casi d'uso dell'IA in vari ambiti dell'industria farmaceutica, inclusi produzione, catena di fornitura, affari regolatori, sperimentazioni cliniche e scoperta di farmaci. Proseguendo su questa linea, questo articolo tratta un altro settore cruciale dell'industria farmaceutica: farmacovigilanza.

La farmacovigilanza è il processo di monitoraggio della sicurezza dei farmaci dopo la loro approvazione per l’uso. Dal punto di vista di un’azienda farmaceutica, la farmacovigilanza è un processo necessario, dispendioso in termini di tempo e risorse e costoso. Coinvolge la raccolta dei dati da pazienti e volontari di studi clinici, l’analisi dei dati raccolti, la gestione del rischio, la valutazione della causalità e molte altre attività. Tuttavia, poiché gli studi di farmacovigilanza sono necessari per mantenere la conformità normativa, le aziende farmaceutiche non hanno altra scelta se non completarle.

Di conseguenza, molte aziende farmaceutiche cercano di semplificare o automatizzare le loro attività di farmacovigilanza implementando IA nella farmacovigilanza. 

Come può essere implementata l’AI nella farmacovigilanza?

Rilevamento e segnalazione degli eventi avversi

Algoritmi di AI possono analizzare rapidamente grandi basi di dati per identificare potenziali reazioni avverse ai farmaci. Ad esempio, i sistemi AI possono identificare anomalie nei registri elettronici in modo più efficiente rispetto alle persone, rendendo più semplice l’individuazione degli effetti collaterali.

I sistemi AI possono monitorare più fonti di dati contemporaneamente e segnalare preoccupazioni, cosa difficile da fare manualmente. Questo consentirà ai team responsabili di risolvere l’evento rapidamente.

Sorveglianza

I sistemi AI hanno un eccellente potenziale nella sorveglianza. Possono essere utilizzati per monitorare i social media alla ricerca di effetti collaterali segnalati dai pazienti. Possono anche essere usati per elaborare dati provenienti da altre fonti come richieste di assistenza sanitaria, richieste assicurative o registri dei pazienti.

Questi rilevamenti possono essere usati come avvisi precoci di problemi di sicurezza, permettendo ai team responsabili di monitorare questi casi specifici invece dell’intero lotto in modo intensivo. Per comprendere il pieno potenziale dell’AI nei flussi di lavoro farmaceutici, incluso il monitoraggio della sicurezza, esplora come L'IA sta trasformando la conformità in ambienti regolamentati ad alto rischio.

Rilevamento e analisi dei segnali

Algoritmi di machine learning (ML) possono identificare schemi nei dati di sicurezza e segnalare potenziali rischi prima. Poiché questi modelli hanno una precisione superiore rispetto al rilevamento umano, il numero di falsi positivi diminuisce, riducendo gli avvisi non necessari e permettendo ai team responsabili di reagire prontamente alle emergenze, migliorando l’allocazione e l’utilizzo delle risorse.

Screening della letteratura

Lo screening manuale della letteratura esistente per trovare riferimenti a casi specifici o effetti collaterali può richiedere giorni o settimane. Tuttavia, gli strumenti AI possono automatizzare questo processo.

Possono scansionare la letteratura esistente per identificare informazioni rilevanti e persino generare riepiloghi concisi degli articoli pertinenti, risparmiando ai ricercatori il compito di leggere più articoli.

Elaborazione dei casi

I sistemi AI possono anche assistere nelle attività di elaborazione dei casi. Ad esempio, attività ripetitive come compilare i dettagli del paziente possono essere automatizzate per ridurre il lavoro manuale. Inoltre, possono aiutare a creare report normativi.

Ad esempio, i sistemi AI possono generare il relativo individual case safety report (ICSR) e periodic safety update report (PSUR) per la presentazione regolatoria.

Conformità normativa

I sistemi AI possono anche analizzare e sintetizzare le linee guida normative esistenti per la farmacovigilanza e identificare potenziali problemi di non conformità. L’AI può confrontare le procedure sviluppate con i processi approvati dalla normativa o sviluppare strategie di farmacovigilanza per un particolare farmaco in base ai requisiti normativi.

Algoritmi avanzati vengono inoltre impiegati per rafforzare quadri di conformità normativa e ridurre il rischio di fallimenti durante le ispezioni nei mercati globali. Implementazione di questi casi d'uso di IA nella farmacovigilanza comporterà diversi vantaggi.

Vantaggi dell'AI in farmacovigilanza

Ecco alcuni vantaggi di IA nella farmacovigilanza:

• Velocità: Implementando IA nella farmacovigilanza si può migliorare la velocità di rilevazione e risposta ai problemi di sicurezza. Questo aiuterà a prevenire o risolvere eventi avversi prima che diventino gravi.
• Precisione: Riducendo l'intervento umano, l'AI può migliorare la precisione delle attività di farmacovigilanza. Ciò sarà ottenuto principalmente riducendo gli errori umani nella rilevazione dei segnali e nella documentazione.
• Scalabilità: Uno dei vantaggi più significativi della IA nella farmacovigilanza è che le applicazioni sono scalabili. L'applicazione di esempio può monitorare più farmaci e set di dati con migliaia—se non milioni—di persone.
• Riduzione dei costi: Aumentando la velocità e la precisione delle attività di farmacovigilanza, il costo totale coinvolto può essere ridotto. Inoltre, l'automazione può ridurre il lavoro manuale e i requisiti di risorse, riducendo ulteriormente i costi.

Diverse aziende hanno già osservato questi vantaggi.

Tecnologie AI in farmacovigilanza: principali tecnologie basate su AI utilizzate in farmacovigilanza

Elaborazione del linguaggio naturale (NLP)

L'NLP può essere utilizzata per estrarre informazioni mediche da dati non strutturati. Ad esempio, strumenti come Amazon Web Services Comprehend Medical utilizzano l'NLP per ricavare informazioni come sintomi e diagnosi da testi non strutturati. Altri strumenti come Google Healthcare Natural Language API analizzano dati non strutturati come cartelle cliniche o richieste di risarcimento assicurativo per generare insight strutturati.

Apprendimento automatico (ML)

Il ML può essere utilizzato per identificare modelli e tendenze in grandi set di dati per individuare segni precoci di problemi di sicurezza. Strumenti come Oracle Empirica possono essere utilizzati per rilevare, analizzare e gestire segnali di sicurezza. Empirica, in particolare, è uno strumento leader utilizzato da molte aziende farmaceutiche.

L'applicazione del machine learning nel monitoraggio della sicurezza integra il suo ruolo crescente nella scoperta e sviluppo di farmaci, in particolare nella previsione del comportamento dei composti e degli esiti clinici.

Automazione e ottimizzazione dei flussi di lavoro

L'automazione e l'ottimizzazione dei flussi di lavoro possono essere utilizzate per automatizzare attività ripetitive di farmacovigilanza come l'acquisizione dei casi e l'inserimento dei dati. Strumenti come UiPath possono automatizzare il trasferimento dei dati clinici e accelerare la creazione di procedure operative standard.

Altri strumenti come Blue Prism sono stati usati anche. Ad esempio, Pfizer ha utilizzato l'RPA su scala di Blue Prism per elaborare grandi volumi di dati di studi clinici durante COVID-19.

Per esplorare come le aziende stiano implementando strumenti di automazione AI nelle operazioni di PV, leggi la nostra analisi su UiPath, Blue Prism e altre piattaforme emergenti.

Strumenti per l'elaborazione dei casi di eventi avversi

Gli strumenti basati su AI per il rilevamento degli eventi avversi possono automatizzare l'acquisizione, la classificazione e la segnalazione dei casi. Strumenti come Veeva Vault Safety possono essere utilizzati per gestire le informazioni sulla sicurezza. Questo strumento è stato utilizzato da molte aziende farmaceutiche, inclusa Merck.

Software per la segnalazione regolatoria

Gli strumenti di segnalazione regolatoria basati su AI possono essere utilizzati per automatizzare le sottomissioni regolatorie e soddisfare i requisiti di conformità. Strumenti come Oracle Argus possono automatizzare l'elaborazione dei casi e ridurre il carico di lavoro fino al 50%. Altri strumenti come ArisGlobal’s LifeSphere sono stati implementati da molte aziende farmaceutiche leader, tra cui Roche, Novartis, AstraZeneca, and Johnson and Johnson, per automatizzare e snellire i flussi di lavoro regolatori.

Gli esempi sopra riportati sono solo la punta dell'iceberg. L'AI ha un eccellente potenziale nella farmacovigilanza. Tuttavia, la maggior parte delle aziende farmaceutiche non l'ha ancora implementata.

Sfide che l'AI affronta nella farmacovigilanza

L'implementazione di strumenti e tecnologie basati su AI nella farmacovigilanza è limitata da diverse sfide che devono ancora essere affrontate:

Qualità e quantità dei dati

Il successo dell'implementazione dell'AI in qualsiasi applicazione dipende da dati di alta qualità. Tuttavia, nella farmacovigilanza i dati provengono da varie fonti (dispositivi di monitoraggio elettronico, pazienti e segnalazioni), e garantire la completezza e l'accuratezza di tutti questi dati è impegnativo. Inoltre, potrebbe non esserci sempre sufficiente dati corretti per costruire un modello.

Problemi di bias e equità

Nella farmacovigilanza, il bias nelle segnalazioni può portare a una scarsa accuratezza predittiva. I modelli di AI possono involontariamente riprodurre gli stessi bias del settore. Pertanto, l'equità dei modelli di AI deve essere affrontata e garantita a fondo prima della loro implementazione per evitare preoccupazioni etiche in futuro.

Conformità regolatoria

Le linee guida regolatorie non incoraggiano né scoraggiano l'uso dell'AI perché non esistono linee guida regolatorie chiare sull'implementazione dell'AI. L'EU AI Act è il primo tentativo di creare un quadro relativamente chiaro per l'implementazione dell'AI. Attualmente, la maggior parte delle aziende evita di tentare l'implementazione dell'AI semplicemente perché non desidera rischiare la non conformità. Pertanto, sono necessari ulteriori sforzi per sviluppare un quadro chiaro per l'implementazione dell'AI.

Vincoli di risorse

Sviluppare e implementare algoritmi di AI è un compito impegnativo che richiede esperti. Trovare questi esperti non è facile. Inoltre, anche se si trovassero gli esperti giusti, avrebbero bisogno di dati e tempo sufficienti per sviluppare il modello. Inoltre, se vengono forniti loro queste risorse, avranno bisogno di finanziamenti adeguati. Questi molti “se” rendono l’implementazione dell’AI più complicata.

Conclusione

Come molti hanno giustamente supposto, l’AI è qui per restare. Ha molti casi d’uso e ha dimostrato vantaggi eccezionali in ciascuno di essi. Tuttavia, nell’ambito della farmacovigilanza, l’implementazione dell’AI è ancora in uno stadio iniziale. Sebbene molti strumenti come Oracle Argus e UiPath siano stati sviluppati, testati e implementati da molte aziende farmaceutiche, la loro applicazione diffusa è ancora soggetta a molte sfide. Rimaniamo comunque ottimisti sul fatto che l’AI abbia prospettive positive nella farmacovigilanza.

FAQ

1. Perché l’AI viene implementata in così tanti processi farmaceutici?

L’AI viene implementata in molti processi farmaceutici perché può ridurre i tempi, il carico di lavoro e le risorse necessarie ai processi, migliorando nel contempo l’accuratezza, il che alla fine si tradurrà in una riduzione dei costi complessivi del progetto.

2. Le grandi aziende farmaceutiche credono nell’implementazione dell’AI?

Sì, molte grandi aziende farmaceutiche hanno già implementato l’AI in vari settori. Tuttavia, su larga scala, l’implementazione dell’AI è ancora in una fase iniziale.

3. Cosa impedisce alle aziende farmaceutiche di implementare l’AI in tutti i processi?

L’implementazione dell’AI è costosa e soggetta a requisiti normativi. Pertanto, l’adozione è piuttosto lenta. Tuttavia, man mano che verranno sviluppate linee guida più chiare, è probabile che assisteremo all’adozione da parte della maggior parte delle aziende.