Článek

Jak může automatizace, analytika a umělá inteligence pomoci při správě bezpečnostních signálů

  • Lin Li

  • Stephen Sun

Zjistěte, jak spolupráce mezi odborníky na bezpečnost, statistiku a umělou inteligenci pomáhá řešit rostoucí výzvy v oblasti správy signálů farmakovigilance 
Správa bezpečnostních signálů je základní odpovědností organizací v oblasti farmakovigilance a kritickou součástí ochrany bezpečnosti pacientů v průběhu celého životního cyklu produktu.1,2

Ať už se jedná o léky nebo biologické léky, cíl zůstává stejný: identifikovat, posoudit a reagovat na vznikající bezpečnostní problémy co nejdříve při zachování vědecké přísnosti a souladu s předpisy. 

V posledních letech se však složitost dosažení tohoto cíle podstatně zvýšila.  Rostoucí objemy dat, stále složitější produkty a zvýšená regulační očekávání kladou značný tlak na tradiční přístupy ke správě signálů, takže optimalizace je provozní a vědeckou nutností.

Rostoucí objem a složitost dat

Současné farmakovigilanční systémy musí zpracovávat informace o bezpečnosti z rozšiřující se škály zdrojů, včetně spontánních hlášení nežádoucích účinků pacientů a poskytovatelů, klinických hodnocení a poregistračních studií bezpečnosti, vědecké literatury, programů podpory pacientů, zástupců v terénu a datových toků z reálného světa. Tyto zdroje dat se značně liší strukturou, kvalitou a klinickým kontextem.  Zprávy mohou být neúplné, nestrukturované nebo duplicitní napříč regiony a databázemi, což vytváří šum a neefektivitu, což ztěžuje posouzení skutečných bezpečnostních problémů.  U biologických látek jsou tyto problémy s detekcí signálu dále umocněny imunogenicitou, třídními efekty, variabilitou výroby a nežádoucími účinky s opožděným nástupem.  Výsledkem je, že bezpečnostní týmy nyní tráví značnou část svého času ručním tříděním, odsouhlasením a čištěním dat.3 

Automatizace a umělá inteligence nabízejí praktická řešení na úrovni příjmu a zpracování dat.3,4 Zpracování přirozeného jazyka může extrahovat klinicky relevantní informace z nestrukturovaných příběhů, zatímco automatizovaná deduplikace snižuje redundanci a zlepšuje kvalitu dat.  6 Nástroje pro stanovení priorit založené na rizicích mohou pomoci identifikovat případy, které vyžadují dřívější přezkoumání na základě závažnosti, novosti nebo potenciálního dopadu.  7 Tyto technologie nenahrazují lidské odborné znalosti; spíše mohou soustředit omezené zdroje na činnosti s vyšší hodnotou, jako je například umožnění odborníkům v oblasti bezpečnosti soustředit se na smysluplnou interpretaci signálů a rozhodování.

Omezení tradičních metod detekce signálu

Tradiční statistické přístupy, jako jsou poměry proporcionálního vykazování, poměry šancí a empirické bayesovské metriky, zůstávají široce používány při detekci signálu. Tyto metody hrají důležitou roli jako screeningové nástroje, které pomáhají identifikovat potenciální souvislosti mezi produkty a nežádoucími účinky. Nebyly však navrženy tak, aby fungovaly jako samostatné rozhodovací mechanismy, a mají dobře známá omezení. Analýzy disproporcionality často vyhodnocují údaje izolovaně, aniž by formálně zahrnovaly předchozí poznatky, jako jsou známé účinky na třídu, biologická věrohodnost nebo historické zkušenosti s bezpečností. Jsou citliví na zkreslení zpravodajství, změny v expozici a vnější vlivy, jako je pozornost médií nebo regulační opatření. V důsledku toho mohou tyto metody generovat falešně pozitivní výsledky nebo selhat při odhalování vznikajících rizik, zejména ve složitých prostředích nebo prostředích s nízkou expozicí.8

V praxi zůstává hodnocení signálů silně závislé na odborném úsudku, což vede k variabilitě mezi týmy a organizacemi. Různí recenzenti mohou interpretovat stejná data odlišně, ovlivněna zkušenostmi, znalostí terapeutické oblasti nebo tolerancí organizačního rizika. Tradiční přístupy se také potýkají s integrací neklinických dat, mechanistických poznatků a důkazů z reálného světa systematickým způsobem, což ztěžuje vhodnou váhu různým zdrojům dat. Tento multifaktoriální scénář komplikuje schopnost poskytovat transparentní a konzistentní rozhodnutí o signálech.

Pokročilá analytika a umělá inteligence mohou posílit vyhodnocování signálů tím, že poskytují strukturovanější a kontextuálnější přehledy. 9 Bayesovské přístupy umožňují formálně kombinovat předchozí znalosti s nově vznikajícími daty, což podporuje diferencovanější interpretaci.10 Longitudinální a vícerozměrné analýzy umožňují posoudit trendy v čase a napříč podskupinami pacientů. Rozpoznávání vzorů založené na umělé inteligenci může upozornit na vznikající problémy napříč produkty, indikacemi nebo terapeutickými třídami. Jsou-li tyto přístupy používány jako nástroje na podporu rozhodování, zvyšují konzistentnost a transparentnost a zároveň zachovávají ústřední úlohu odborného lékařského úsudku.

Udržitelnost, omezení pracovní síly a regulační očekávání

Řízení signálů musí fungovat v rámci reality omezených zdrojů, regulační kontroly a tolerance organizačních rizik. Objemy případů stále rostou, přesto se organizace potýkají s omezeními při najímání, školení a udržení zkušených bezpečnostních profesionálů. Efektivní řízení signálů vyžaduje kombinaci klinických znalostí, statistických znalostí a regulačních znalostí – dovedností, jejichž rozvoj trvá roky. 

Regulátoři zároveň očekávají nepřetržitý bezpečnostní dohled, včasnou eskalaci potenciálních rizik a přehlednou dokumentaci rozhodovacích procesů. Americký Úřad pro kontrolu potravin a léčiv (FDA) se snažil zúčastněným stranám usnadnit vyhledávání a organizaci údajů o nežádoucích účincích pomocí veřejného panelu FDA Adverse Event Reporting System (FAERS).11

V rámci tradičních provozních modelů tráví vysoce kvalifikovaní odborníci značné množství času ručním sledováním, pravidelnými kontrolami a přípravou dokumentů. Znalosti jsou často spíše v držení jednotlivců, než aby byly zakotveny v systémech, což zvyšuje zranitelnost vůči fluktuaci a nekonzistenci. Tyto tlaky přispívají k syndromu vyhoření, variabilitě ve vyhodnocování signálů a potenciálním kontrolním zjištěním.

Operace s umělou inteligencí by nabídly udržitelnější přístup. Systémy "human-in-the-loop" umožňují automatizaci řídit rutinní úkoly, jako je sledování signálu, správa pracovních postupů a generování dokumentace, a zároveň zachovat odborný dohled nad interpretací a rozhodováním.  Automatizované spouštěče mohou podpořit včasné přezkoumání vznikajících rizik a systémy umělé inteligence se mohou učit z předchozích rozhodnutí o signálech a regulačních výstupů, což pomáhá institucionalizovat znalosti v průběhu času. Pokud jsou tyto modely implementovány v rámci robustního řízení, rámců kvality a transparentní dokumentace, podporují škálovatelnou správu signálů připravenou ke kontrole.


Závěr

Dohledná blízká budoucnost řízení signálů bezpečnosti léčiv a biologických látek je spíše rozšířeným scénářem než plně automatizovaným systémem.  Automatizace, pokročilá analytika a umělá inteligence, jsou-li aplikovány zodpovědně a transparentně, umožňují týmům v oblasti farmakovigilance zvládat rostoucí složitost, aniž by byla ohrožena vědecká přísnost nebo soulad s předpisy.12  I s takovým povědomím o sadě nástrojů bude muset být reálná provozní implementace šitá na míru a přizpůsobena tak, aby vyhovovala firemním plánům, investicím, toleranci k riziku a velikosti portfolia.  Snížením administrativní zátěže, zlepšením analytické konzistence a posílením dokumentace umožňují tyto technologie odborníkům v oblasti bezpečnosti soustředit se na svou nejhodnotnější roli: uplatňování odborného úsudku k ochraně pacientů a podpoře informovaného rozhodování o přínosech a rizicích v průběhu celého životního cyklu produktu.
*Zdroje pokračují níže

O autorech:

Lin Li, Ph.D., je vedoucím oddělení klinické statistiky a prediktivní umělé inteligence ve společnosti Cencora. Poskytuje na míru šitá řešení založená na datech, která integrují biostatistiku, bioinformatiku, informatiku a biologii s cílem řešit výzvy v oblasti objevů a klinického vývoje.

Stephen Sun, M.D., MPH, je vedoucím oddělení farmakovigilance a vedoucím oblasti řízení přínosů a rizik ve společnosti Cencora.  Pracoval v oblasti generik, značkových a volně prodejných produktů jako sponzor dohlížející na klinické, lékařské záležitosti a bezpečnost léčiv.  Působil také jako lékařský důstojník v oblasti řízení rizik a kontrolovaných látek v americkém Úřadu pro kontrolu potravin a léčiv (FDA). 


Zřeknutí se odpovědnosti:
Informace uvedené v tomto článku nepředstavují právní radu. Společnost Cencora, Inc. důrazně doporučuje čtenářům, aby si prostudovali dostupné informace týkající se probíraných témat a při rozhodování s nimi se spoléhali na vlastní zkušenosti a odborné znalosti.
 


Spojte se s naším týmem

Náš tým špičkových odborníků se zaměřuje na přetváření důkazů, poznatků z analýz politik a informací o trhu v účinné strategie přístupu na globální trh. Dovolte nám, abychom vám pomohli s jistotou se orientovat v dnešním složitém prostředí zdravotní péče. Ozvěte se nám a zjistěte, jak můžeme podpořit dosažení vašich cílů.


Zdroje:


1. Směrnice ICH E2C (R2) o pravidelné zprávě o hodnocení přínosů a rizik, EMA, 2013. https://www.ema.europa.eu/en/documents/regulatory-procedural-guideline/international-conference-harmonisation-technical-requirements-registration-pharmaceuticals-human-use-guideline-e2c-r2-periodic-benefit-risk-evaluation-report-step-5_en.pdf
2. Osvědčené postupy pro zaměstnance FDA v postmarketingovém bezpečnostním dohledu nad humánními léčivy a biologickými produkty, FDA. https://www.fda.gov/media/130216/download
3. Praktické aspekty detekce signálů ve farmakovigilanci, CIOMS Working Group VIII, 2010. https://cioms.ch/wp-content/uploads/2018/03/WG8-Signal-Detection.pdf
4. Úvahy o použití umělé inteligence na podporu regulačního rozhodování o léčivech a biologických produktech, FDA. https://www.fda.gov/media/184830/download
5. Diskusní dokument o využití umělé inteligence (AI) v životním cyklu léčivého přípravku, EMA, 2024. Diskusní dokument o využití umělé inteligence (AI) v lifecycle_240903 léčivých přípravků
6. Umělá inteligence ve farmakovigilanci, zpráva pracovní skupiny CIOMS, 2025. https://cioms.ch/wp-content/uploads/2022/05/CIOMS-WG-XIV_Draft-report-for-Public-Consultation_1May2025.pdf
7. Podpora validace farmakovigilančních signálů a stanovení priorit pomocí analýz rutinně shromažďovaných zdravotních údajů: Poučení ze studie sítě EHDEN, Drug Saf., říjen 2023. https://pmc.ncbi.nlm.nih.gov/articles/PMC10684396/
8. Zkoumání složitosti analýzy disproporcionality v rámci farmakovigilance: úvahy o pokynech READUS-PV a výzva k akci, Front Pharmacol. 2025. https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2025.1573353/full
9. Umělá inteligence: Aplikace v řízení signálu farmakovigilance, Pharmaceut Med. 2025. https://pubmed.ncbi.nlm.nih.gov/40257538/
10. Bayesovská metoda detekce lékové interakce s využitím externích informací pro systém spontánního hlášení. Statistika v medicíně, 43(18), s.3353-3363. https://pubmed.ncbi.nlm.nih.gov/38840316/
11. Veřejný panel systému hlášení nežádoucích účinků FDA (FAERS). https://www.fda.gov/drugs/fdas-adverse-event-reporting-system-faers/fda-adverse-event-reporting-system-faers-public-dashboard
12. Osvědčené postupy pro zaměstnance FDA při dohledu nad bezpečností humánních léčiv a biologických produktů po uvedení na trh. https://www.fda.gov/media/130216/download

 

Související zdroje

Webinář

Využití umělé inteligence k revoluci ve správě signálu farmakovigilance
Více informací

Bílá kniha

Odemkněte potenciál outsourcingu farmakovigilance
Více informací

Článek

Zvládání výzev v oblasti farmakovigilance na místních trzích
Více informací