Migliorare la comunicazione normativa e il processo decisionale con un copilot FDA AI/ML e SmartSearch+

Questo articolo esplora come l’integrazione dell’intelligenza artificiale (AI) e del machine learning (ML) nei processi normativi farmaceutici possa rivoluzionare la preparazione e la revisione delle domande regolatorie, prendendo come esempio le Quality Overall Summaries (QOS). Utilizzando un caso di studio pubblico del 2009 che esemplifica l’approccio quality-by-design (QbD) e concentrandosi sugli aspetti del large language module (LLM), il documento dimostra l’applicazione di un FDA Copilot guidato da AI/ML potenziato da SmartSearch+ e dalla innovativa metodologia "Dueling Banjo". Tale metodologia mira a combinare senza soluzione di continuità le intuizioni generate dall’AI con la validazione esperta umana per migliorare la comunicazione con i regolatori e garantire che le sottomissioni — come le New Drug Applications (NDAs) e le Biologics License Applications (BLAs) — soddisfino gli standard regolatori in evoluzione. In ultima analisi, questo approccio snellisce l’analisi regolatoria e promuove uno standard armonizzato a livello globale nello sviluppo dei farmaci, sottolineando l’importanza critica di una collaborazione efficace uomo-AI per mantenere l’integrità scientifica e la conformità nella scienza regolatoria.

Introduzione

Le affari regolatori farmaceutici si stanno evolvendo in un contesto di complessità crescente, della domanda di revisioni più rapide dei farmaci e di comunicazioni più efficaci con gli enti regolatori. La Quality Overall Summary (QOS) è centrale in questa trasformazione, fornendo una panoramica strutturata dei dati relativi alla qualità all’interno di NDAs, ANDAs e BLAs.Come spiega la FDA, la QOS “mette insieme i pezzi di un puzzle,” migliorando così la trasparenza, accelerando le revisioni e rafforzando l’assicurazione della qualità lungo l’intero ciclo di vita del farmaco.

Partendo da discussioni precedenti in Pharma Now, questo documento esamina come un FDA Copilot guidato da AI/ML, combinato con SmartSearch+, possa supportare l’eccellenza regolatoria. Utilizzando l’approccio “Dueling Banjo” — che fonde intuizioni generate dall’AI con la verifica esperta umana tramite ricerche full-text approfondite dei PDF di guidance presenti su FDA.Gov e dei 21 CFR emessi da CDER (drugs), CBER (biologics) e CDRH (medical devices) — l’articolo esplora come questa sinergia possa perfezionare la preparazione delle QOS e i processi di revisione regolatoria. La domanda chiave è: come possono gli esperti umani collaborare con un sistema AI/ML-driven per migliorare lo sviluppo delle QOS e consentire decisioni basate sulle evidenze più efficienti nelle approvazioni dei farmaci?

Contesto

In un rapporto del 2022, “È possibile un Sommario Globale della Qualità Armonizzato a livello mondiale?” gli esperti del settore hanno discusso le sfide e i benefici dell’istituzione di un formato QOS standardizzato a livello mondiale. Una QOS armonizzata potrebbe snellire le revisioni, ridurre le ridondanze e migliorare la chiarezza offrendo una narrativa unificata che colleghi le caratteristiche del prodotto ai processi produttivi. Un tale standard supporterebbe anche la gestione del ciclo di vita definendo le Established Conditions (ECs) per garantire una qualità del prodotto coerente e semplificare le modifiche post-approvazione.

Sviluppando questo tema, “Una proposta per un Sommario Globale della Qualità comprensivo” (2023) critica i limiti della struttura del Common Technical Document (CTD), in particolare del Modulo 2.3. Questo modulo spesso replica i dati dal Modulo 3 in modo ridondante senza fornire una narrativa coesa o una giustificazione regolatoria per la strategia di controllo. Gli autori hanno sostenuto di ristrutturare il Modulo 2.3 per integrare elementi chiave dal Target Product Profile (TPP) e dal Quality Target Product Profile (QTPP), offrendo una narrativa di sviluppo più lineare e supportando transizioni regolatorie più fluide.

La metodologia “Dueling Banjo”

La metodologia “Dueling Banjo” è un framework guidato dall’umano che sfrutta le intuizioni generate dall’AI per costruire una narrativa comprensiva attraverso fonti di dati e discipline frammentate. Proprio come due musicisti che si impegnano in un duetto improvvisato, questo metodo intreccia l’analisi computazionale con l’interpretazione esperta umana.Strumenti AI/ML come l’FDA Copilot ospitato all’interno di una piattaforma Microsoft OpenAI ChatGPT-4, per esempio, possono generare risposte iniziali, formando una solida base supportata da SmartSearch+ su conoscenze pubbliche attendibili (es. il sito FDA.Gov) e conoscenze aziendali riservate per un ulteriore affinamento da parte degli esperti nel contesto di un futuro incentrato sul paziente come “Pharma 5.0.” La supervisione umana rimane indispensabile in questo contesto, dato che l’output dell’AI può talvolta mancare del ragionamento sfumato richiesto dalla precisione regolatoria, per non parlare del bias intrinseco dei LLM.

SmartSearch+ svolge un ruolo cruciale permettendo agli umani di effettuare ricerche full-text di regolamenti FDA e documenti di guidance. Questo consente agli esperti di incrociare e convalidare i contenuti generati dall’AI, assicurando che la narrativa finale sia accurata, completa e allineata alle aspettative regolatorie. Questa metodologia è stata applicata nel Studio di caso A-Mab (2009), progettato inizialmente per illustrare i principi QbD nello sviluppo di anticorpi monoclonali (mAb). Due ex regolatori (AH e AA) hanno applicato Retrieval-Augmented Generation (RAG) per potenziare le capacità di GPT 4.0 integrando basi di conoscenza esterne con prompting informato. Contemporaneamente, l’esperto IT e sviluppatore di SmartSearch+ RB ha utilizzato SmartSearch+ per scoprire ulteriori approfondimenti regolatori, riconoscendo che la US FDA è la singola fonte di verità regolatoria.

Esempio di prompt per la revisione assistita da AI:

"Agire come un esperto di valutazione della FDA che esamina i requisiti CMC per anticorpi monoclonali (mAb). Integrare i principali quadri normativi (ICH Q8(R2), Q9, Q10, Q11) e le linee guida FDA pertinenti con le migliori pratiche recuperabili. Valutare l'adeguatezza e la completezza del Rapporto di Sviluppo del mAb."

Osservazioni e approfondimenti

L’integrazione del prompting Retrieval-Augmented Generation (RAG) con la convalida SmartSearch+ all’interno di un’unica interfaccia app mitiga i limiti comuni dell’IA, come le lacune contestuali e le allucinazioni, garantendo la coerenza fattuale delle risposte normative. Nel caso di studio “A-Mab”, la risposta iniziale dell’AI/ML FDA Copilot è risultata in gran parte allineata con le valutazioni degli esperti, identificando con successo elementi critici quali la valutazione delle Critical Quality Attributes (CQAs), un solido approccio Quality-by-Design (QbD) e una strategia di controllo basata sul rischio che incorpora le considerazioni sul design space. Tuttavia, come recita il proverbio, “the devil is in the details” — sottolineando la necessità di una rigorosa convalida da parte degli esperti per perfezionare gli insight generati dall’IA e mantenere la precisione regolatoria. Ad esempio, quando è stato richiesto di giustificare i limiti di accettazione nel QOS, i dettagli generati dall’IA — come i riferimenti a “in vitro–in vivo” correlazione (IVIVC) negli studi—erano assenti nel caso clinico originale. Ha inventato i dati! Ulteriori prompt hanno portato l’IA a riconoscere l’errore, sottolineando la necessità di una validazione umana rigorosa attraverso l’approccio “Dueling Banjo”.

L’importanza di un approccio disciplinato “Dueling Banjo”

Combinare gli insight generati dall’IA con un’accurata supervisione umana e prevenire il “cherry-picking” di principi e linee guida regolatorie tramite SmartSearch+ è essenziale per mantenere l’integrità delle submission regolatorie. Questo approccio strutturato riduce al minimo il rischio di gravi “hallucinations” e imprecisioni fattuali nei dettagli e migliora la qualità complessiva del processo di revisione. Garantendo che ogni insight generato dall’IA sia incrociato con fonti regolatorie autorevoli, la metodologia collaborativa migliora l’efficienza e sostiene la precisione richiesta per la conformità regolatoria.

Prospettive: il futuro dell’IA nella scienza regolatoria

I progressi nel ragionamento a catena, nel prompting contestuale e nei meccanismi di retrieval migliorati sono destinati a rivoluzionare ulteriormente il processo decisionale regolatorio. Esperimenti con modelli di IA oltre GPT-4.0, inclusi DeepSeek-R1, hanno mostrato miglioramenti esponenziali, preparando il terreno per applicazioni più raffinate nella scienza regolatoria, che prevediamo di esplorare in futuri Pharma Now contributi.  

Inoltre, l’integrazione dei large language models (LLMs) con il riconoscimento di pattern quantitativi di relazioni causa-effetto tramite machine learning (ML) è un’area di grande interesse e attività. Questo concetto si allinea con l’idea di "sviluppo assistito da computer," immaginata decenni fa per sfruttare la conoscenza pregressa e adottare un approccio al ciclo di vita del prodotto per lo sviluppo. Altre applicazioni includono superare i punti ciechi nella garanzia dell’equivalenza terapeutica, migliorare la prevedibilità del scale-up e l’affidabilità della validazione di processo, la continued process verification, la gestione efficace degli incidenti out-of-specification, le azioni correttive e preventive (CAPA), e gli sforzi di miglioramento continuo. Esploreremo anche questi argomenti e condivideremo approfondimenti nelle future edizioni di Pharma Now.

La vera forza dell’IA non risiede semplicemente nella sua potenza computazionale ma nella qualità delle domande poste e nella rigore del processo di convalida. Espandere l’approccio “Revisione basata su domande” — da tempo consolidato nella farmacologia clinica e nella revisione CMC — a tutte le sezioni del CTD potrebbe promuovere una “Una sola voce di qualità” nelle comunicazioni regolatorie. Con strumenti come FDA Copilot e SmartSearch+, i professionisti regolatori possono colmare dati frammentati, sintetizzare fonti diverse e mantenere una visione strategica ampia insieme a precisione dettagliata nelle decisioni.

Conclusione

L’integrazione di strumenti AI/ML come FDA Copilot con SmartSearch+ rappresenta un’opportunità trasformativa per la comunicazione e il processo decisionale regolatorio nell’industria farmaceutica. La metodologia “Dueling Banjo” combina l’efficienza dell’IA con la convalida esperta umana all’interno di un’unica app cloud per migliorare la comunicazione regolatoria, come la preparazione del QOS, ridurre la ridondanza e garantire l’allineamento con gli standard regolatori in evoluzione. Man mano che il contesto normativo continua a evolversi, la collaborazione disciplinata tra uomo e IA sarà essenziale per mantenere l’integrità scientifica, migliorare l’efficienza e favorire l’innovazione incentrata sul paziente nello sviluppo dei farmaci.