人工智慧(AI)正越來越多地應用於製藥和醫療器械行業，它有望提高產品開發的效率，為延長患者生命提供創新的解決方案。然而，這一新興領域將對現有監管系統提出挑戰。因此，利益相關者必須透過合作，確保監管體系的順利發展，以適應人工智慧帶來的變化。
動脈網編譯了PharmaLex的相關報告。本文主要內容包括：
四大機遇：AI有望改善醫療產品的研發和生命週期管理
1.使用AI工具評估臨床試驗的納入/排除標準；
2.在II期臨床試驗中使用人工智慧識別臨床活動；
3.從非結構化文字中提取資料；
4.自動化行政工作。
四大挑戰：人工智慧深入臨床面臨著監管挑戰
1.如何驗證不斷“學習”的AI軟體；
2.如何評估從新的基於AI的臨床端點發出的安全訊號；
3.如何審查使用AI的醫療技術；
4.人工智慧系統需要資料——誰擁有患者的資料?
四大機遇：AI有望改善醫療產品的研發和生命週期管理
機遇1：使用AI工具評估臨床試驗的納入/排除標準
在臨床試驗中，人工智慧可用於評估與影像學或組織病理學相關的納入和排除標準。因為第一批使用人工智慧技術的診斷工具已經進入市場，所以這種應用是意料之中的。有了這些工具，對已有納入/排除標準的評估過程將會變得更快，同時成本也會隨著標準化程度的提高而降低。
對於低收入到中等收入國家來說，AI工具特別重要。當需要透過血液或組織等生物樣本診斷疾病時，這些國家通常缺乏本國專家來評估生物樣本。AI工具可以有效簡化這一過程，幫助研究人員在當地進行樣本評估，而不需要複雜且耗時的跨國運輸。
機遇2：在II期臨床試驗中使用人工智慧識別臨床活動
利用人工智慧評估新藥的臨床療效可以降低成本、加快臨床研發、儘早為患者帶來新療法，比如在II期試驗中評估CT掃描或MRI掃描的成像端點。基於人工智慧的演算法可以最佳化成像結果的讀取和評估，減少閱讀器之間和內部的可變性，從而提高測量的靈敏度和特異性。如果這一工作不再需要放射科醫生，那麼可以有效地加快測量過程並降低成本。
另一個應用是開發新的臨床試驗終點，因為人工智慧演算法可以幫助減少試驗患者數量。
例如，帕金森病患者可以在手腕上佩戴加速度計，就像健身追蹤器一樣。該加速度計將提供患者運動障礙及其隨時間變化的連續資料，然後人工智慧演算法對這些資料進行評估，以區分患者是處於ON狀態還是OFF狀態，從而記錄藥物是否能起到改善病情的作用。
與患者日記或帕金森病綜合評分量表(UPDRS)相比，這種評估方法可以極大降低可變性，因為UPDRS量表無法測量ON和OFF狀態的確切時間。如果確認了臨床終點，降低的變異性可能有助於招募更少的II期患者，以確定一種新藥的治療效果。
圖1是關於帕金森病的一項臨床研究，該研究與樣本量以及是否持續監測有關。根據目前的UPDRS-III量表，在12個月的時間內，與患者日記等標準護理相比，超過300名患者(每隻手臂150名患者)需要檢測到疾病進展的放緩幅度大於40%。透過使用加速度計進行持續監測，大約有80名患者(每隻手臂40名患者)達到預期結果的80%。
這使得之前假設的端點可變性，與UPRS-III相比，需要除以4。這種方差的降低是很有可能的，因為UPDRS-III量表與極端的變異性有關，在一年的時間內只能評估幾次，例如四到六次，因為它需要患者去醫院接受檢測，並在沒有服用左旋多巴（L-dopa）的情況下進行評估。
透過連續而不是交錯的評估，從而提高運動活動的個別軌跡。而減少樣本量會使研究成本更低，執行速度更快。
研究人員預計這種技術進步將對II期臨床試驗產生最大影響，因為III期臨床試驗需要足夠多的患者來準確評估新產品的安全性，並在更大的樣本容量中驗證II期臨床試驗結果。
此外，在任何新的臨床終點可以作為常規的替代終點證明臨床效益之前，都需要經過大量的驗證過程。
機遇3:從非結構化文字中提取資料
我們可以從衛生局、醫療保健公司和網際網路的非結構化文字中獲得有價值的資訊。其中包括關於智慧監管等相對複雜的資訊，但也有簡單的資料，一旦這些資料被提取並轉移到資料庫中，研究人員就可以很容易地對其進行評估。
使用自然語言處理(NLP)進行文字挖掘的新工具為從文件中提取資訊和資料以及隨後自動上載到資料庫中進行分析提供了新的可能性。現在已經有了基於人工智慧的工具，可以從非結構化文字(如產品特性摘要)中提取資料來識別藥品(IDMP)(如物質名稱或強度)(見圖2)。
文字挖掘工具讓衛生當局以及製藥公司能夠更好地製作化學成分生產和控制（CMC）的文件和指南。這些工具幫助衛生局透過不同應用程式和營銷授權來評估文件。
比如在生產過程中發現產品有相同的化學雜質或者尋找一種用於製造新生物實體的特定原材料。這將幫助衛生局的審查人員改進其決策的制定，與此同時，幫助製藥公司從衛生當局的規定中自動提取資訊並將其匯入智慧監管系統。
而這兩項任務，都需要能夠理解CMC文件的NLP軟體。該軟體需要訪問大量資料，才能快速、高效、高質量地實現預期結果，給衛生當局以及行業利益相關者帶來最大的利益。
機遇4:自動化行政工作
衛生當局和醫務工作者管理著大量的行政工作，而機器人流程自動化(RPA)和機器學習(ML)可以幫助他們減輕工作負擔。
例如，一項對監管最佳化組織(ROG)的審查顯示，在歐盟，約有400名全職員工受僱於有關當局及行業，負責管理IA型變異。
在人工智慧聯盟會議上，參會人員就AI/RPA如何幫助自動化處理IA型變異進行了討論，前提是有關企業可以在沒有授權批准的情況下實施，但需要在特定時間告知衛生當局這一情況。
人工智慧在這方面的一個應用是從掃描檔案(如登記證或貿易登記冊副本)中智慧提取資訊，並使用“SPOR”標準將這些資訊轉移到資料庫中，包括實體、產品、組織和參考資料(詳見圖3)。這種技術已經用於發票的自動處理，其中發票上的資料可以被提取到ERP系統中。
注:光學字元識別(OCR)將文字和圖形從(掃描)影像轉換為機器可讀資料/文字
1.CTD文件應該是可搜尋的PDF格式，但是確認文件或付款證明需要OCR；
2.文字挖掘透過使用NLP將非結構化資訊從文字轉換為結構化資訊/資料，例如，MAH或製造商的地址、產品、物質名稱、劑型和給藥途徑等資訊；
3.提取已經確定的結構化資訊(“片段”)並轉移到暫存區域，該區域在處理過程中有結構化資訊；
4.作為自動化處理的一部分，進行各種一致性檢查；
5.系統顯示工作流程和一致性檢查的結果,人類處理器，人類可以糾正潛在的錯誤並最終批准資料集；
6.系統透過學習人類處理的修正，來逐漸改進其效能；
7.使用確定的標準(如SPOR)，將識別出的結構化資訊傳輸到相關的資料庫中。
四大挑戰：人工智慧深入臨床面臨著監管挑戰
挑戰1:如何驗證不斷“學習”的AI軟體
人工智慧系統在不斷地學習，因此它們在未來的醫療保健中有著巨大的應用潛力。然而，這也產生了一個很重要的問題，即當基於人工智慧的軟體在使用過程中持續學習時，應該如何以及何時對其進行驗證。其中一種方法是以交錯的方式驗證它，以便在一定數量的學習週期之後能夠重新驗證它。
而另一個問題在於驗證方法是否會產生風險，因為研究人員假設完全自主學習解決問題的系統風險更高，因此需要比使用ML技術進行最佳化的工具更嚴格的驗證。此外，還需要對“人工評分者”和最終結果進行驗證。因此，在任何情況下，都需要進行討論，以確定最合適的方法來驗證基於AI的軟體。
挑戰2:如何評估從新的基於AI的臨床端點發出的安全訊號
正如前面強調的，基於AI的技術幫助開發用於識別臨床療效的新端點。然而，這些資料可能包括必須進行徹底評估的安全資訊。在前面使用腕式加速度計對患者進行持續監測的例子中，資料可以識別患者是否跌倒或是否處於活動狀態。因此，在實施這種新方法時，必須適當考慮如何從這些資料中獲取和評估安全訊號。
挑戰3:如何審查使用AI的醫療技術
越來越複雜的醫療裝置/軟體，包括那些採用人工智慧技術的裝置/軟體，正給監管部門帶來越來越大的審查挑戰。例如，最近第一個人工智慧軟體獲得批准，該軟體可以在不需要專家的情況下識別疾病。
此外，利用深度學習技術訓練神經網路，可以從皮膚鏡影像中診斷出黑色素瘤。這些產品在美國由FDA審查和批准，而在歐盟，醫療器械認證體系已經比較完善。因此，歐盟成員國確定了60個第三方指定機構，來決定醫療裝置/軟體是否符合指令93/42/EEC。
對於這麼多組織來說，達到並保持必要的知識深度，以規範日益複雜的技術產品是很困難的，尤其是因為他們不僅需要了解技術而且還需要了解裝置應用的疾病。人工智慧聯盟會議質疑向歐盟衛生當局分配的醫療裝置/軟體審查，並認為這是一種集中的方式，以確保適當的專業知識可用於評估。
挑戰4:人工智慧系統需要資料——誰擁有患者的資料?
人工智慧系統需要資料來進行“學習”，在許多醫療應用中，所需資料來自患者。使用這些資料開發的工具可能會為未來的患者護理提供便利，但也可能只是作為商用。在這種情況下，問題的關鍵在於誰擁有資料以及隨後開發的工具。
這個問題的答案並不簡單，患者群體、法律專家、醫療服務提供者、行業和醫院等利益相關方需要密切合作，按照專案範圍和規定要求，根據具體情況逐一做出決定。
為了促進使用患者資料開發基於人工智慧的創新工具，必須建立並實施具有一致標準的國際框架體系。因此，關於這個主題的討論是很有必要的，並且應該考慮資料匿名化等問題。
結論
本文基於今年在瑞士巴塞爾舉行的人工智慧聯盟會議，該會議討論了衛生當局和有關行業應該如何促進人工智慧的使用，以加速臨床開發和提高監管過程的效率。參與討論的監管人士一致認為，人工智慧為未來改善醫療提供了無數機會，其潛力在於：
1.改善臨床開發期間收集到的資料的可靠性；
2.減少產品從研發到上市的時間和成本；
3.降低衛生部門和相關行業從業人員的工作負擔；
4.開發更多創新的醫療產品。
人工智慧技術在醫療領域的應用，既是機遇也是挑戰，無論是監管層還是產業界，各國都還沒有充分準備好以迎接這一新鮮事物，在探索中前行。