Artikel
Die schöne neue Welt der prädiktiven KI: Die Nutzen-Risiko-Reise neu definiert
-
Timm Pauli
-
Shilpa Patil, PhD
Wie prädiktive KI dazu beiträgt, Nutzen-Risiko-Bewertungen aufzurütteln und vergangene regulatorische Einreichungsverfahren neu zu schreiben
Die regulatorische Intelligenz im Nutzen-Risiko-Entscheidungsprozess durchläuft dank künstlicher Intelligenz (KI) eine digitale Revolution. Viele Zulassungsanträge scheitern – oder verzögern sich – nicht wegen fehlender Daten, sondern weil die Unternehmen Schwierigkeiten haben, vorherzusehen, wie die Aufsichtsbehörden sie interpretieren werden. Predictive AI verändert diese Gleichung.
In der schönen neuen Welt der KI werden frühere Praktiken zur Verwaltung des Zulassungsverfahrens auf den Kopf gestellt. Anstatt Regulierungsteams nach der Richtlinie suchen zu lassen, zu erraten, was relevant ist, und zu versuchen, die Lücken zu finden, bevor es die Regulierungsbehörden tun, erledigt prädiktive KI die schwere Arbeit. Es sucht nach der Richtlinie, liefert die entsprechenden Erwartungen, weist auf potenzielle Lücken vor der Einreichung hin und hebt Präzedenzfälle der Gesundheitsbehörden hervor.
Wenn Nutzen-Risiko-Daten, unstrukturierte regulatorische Narrative und präzedenzfallbasierte Informationen in einem einzigen Rahmen integriert werden, besteht ein echtes Potenzial, das Risiko des Einreichungsprozesseszu verringern.
In der schönen neuen Welt der KI werden frühere Praktiken zur Verwaltung des Zulassungsverfahrens auf den Kopf gestellt. Anstatt Regulierungsteams nach der Richtlinie suchen zu lassen, zu erraten, was relevant ist, und zu versuchen, die Lücken zu finden, bevor es die Regulierungsbehörden tun, erledigt prädiktive KI die schwere Arbeit. Es sucht nach der Richtlinie, liefert die entsprechenden Erwartungen, weist auf potenzielle Lücken vor der Einreichung hin und hebt Präzedenzfälle der Gesundheitsbehörden hervor.
Wenn Nutzen-Risiko-Daten, unstrukturierte regulatorische Narrative und präzedenzfallbasierte Informationen in einem einzigen Rahmen integriert werden, besteht ein echtes Potenzial, das Risiko des Einreichungsprozesseszu verringern.
Nutzen-Risiko-Abwägungen mit KI aufrütteln
Im Mittelpunkt jeder Einreichung steht die Nutzen-Risiko-Bewertung. Aufsichtsbehörden weltweit erwarten von Unternehmen, dass sie den Nutzen des Produkts gegen das Risiko für den Patienten abwägen, bevor es für die Zulassung oder für die weitere Verwendung durch Patienten in Betracht gezogen werden kann.
Die US-amerikanische Food and Drug Administration hat in ihrem Rahmenwerk von 2017 ihre Nutzen-Risiko-Erwartungen klar dargelegt und Leitlinien für neue Medikamente und Biologika im Jahr 2023 herausgegeben.i In ähnlicher Weise hat die Europäische Arzneimittel-Agentur ihre Methoden und Versuche zur Quantifizierung des Nutzen-Risiko-Verhältnisses dargelegt.II
Die Herausforderung für die Industrie bestand darin, die Nutzen-Risiko-Faktoren und die Entscheidungsgründe der verschiedenen Gesundheitsbehörden zu verstehen, bevor sie einen neuen Arzneimittelantrag (NDA), einen Biologics License Application (BLA) oder in Europa einen Marktzulassungsantrag (MAA) einreicht. Unternehmen haben sich auf gute regulatorische Informationen verlassen, um zu verstehen, wie Gesundheitsbehörden Richtlinien für Nutzen-Risiko-Entscheidungen anwenden und wie sich diese Entscheidungen je nach Prioritäten der Gesundheitsbehörden weltweit unterscheiden können.
Die US-amerikanische Food and Drug Administration hat in ihrem Rahmenwerk von 2017 ihre Nutzen-Risiko-Erwartungen klar dargelegt und Leitlinien für neue Medikamente und Biologika im Jahr 2023 herausgegeben.i In ähnlicher Weise hat die Europäische Arzneimittel-Agentur ihre Methoden und Versuche zur Quantifizierung des Nutzen-Risiko-Verhältnisses dargelegt.II
Die Herausforderung für die Industrie bestand darin, die Nutzen-Risiko-Faktoren und die Entscheidungsgründe der verschiedenen Gesundheitsbehörden zu verstehen, bevor sie einen neuen Arzneimittelantrag (NDA), einen Biologics License Application (BLA) oder in Europa einen Marktzulassungsantrag (MAA) einreicht. Unternehmen haben sich auf gute regulatorische Informationen verlassen, um zu verstehen, wie Gesundheitsbehörden Richtlinien für Nutzen-Risiko-Entscheidungen anwenden und wie sich diese Entscheidungen je nach Prioritäten der Gesundheitsbehörden weltweit unterscheiden können.
KI-gestützte regulatorische Bewertung auf dem Prüfstand
So haben beispielsweise die Pharmakovigilanz-, Statistik- und Analyse- sowie digitalen Innovatoren von Cencora eine KI-gestützte Datenbank zur Nutzen-Risiko-Bewertung auf die Probe gestellt. Ziel war es, den Wert der KI-gestützten Lückenidentifikation und Präzedenzanalyse bei der Erstellung fundierter Anträge zu demonstrieren.
Das Digital- und Analyseteam demonstrierte, dass KI eingesetzt werden kann, um Einreichungslücken zu identifizieren und Nutzen-Risiko-Positionen systematisch zu quantifizieren und mit früheren Zulassungsentscheidungen zu vergleichen, um eine tiefere, evidenzbasierte Grundlage für Zulassungsstrategien zu schaffen.
Das Digital- und Analyseteam demonstrierte, dass KI eingesetzt werden kann, um Einreichungslücken zu identifizieren und Nutzen-Risiko-Positionen systematisch zu quantifizieren und mit früheren Zulassungsentscheidungen zu vergleichen, um eine tiefere, evidenzbasierte Grundlage für Zulassungsstrategien zu schaffen.
Bei einem Immuntherapieantrag kann beispielsweise der Vergleich der Nutzen-Risiko-Faktoren – wie Schweregrad und Prävalenz der Indikation, ungedeckter Bedarf an der Behandlung, Stärke und Konsistenz der Wirksamkeitsdaten sowie Risikoprofil und Risikominderungspläne – aus früheren Immuntherapiezulassungen in einer ähnlichen therapeutischen Kategorie erheblich dazu beitragen, die Relevanz des Antrags zu bestimmen.
Zur Unterstützung der Entscheidungsfindung wurde ein Nettonutzen-Score – basierend auf der Schwere der Erkrankung, der aktuellen Verfügbarkeit von Therapien und den Wirksamkeitsdaten der NDA/BLA, kombiniert mit unerwünschten Ereignissen und vorgeschlagenen Risikominderungsplänen – verwendet. Die KI-gestützte Analyse wird außerdem durch eine quantifizierte Präzedenzdatenbank unterstützt, um Lücken und Abweichungen in einer Einreichung zu bewerten, was helfen könnte, die Zulassungswahrscheinlichkeit zukünftiger Anträge vorherzusagen.
Eine Mensch-KI-Kollaboration
Es ist wichtig zu betonen, dass das System zwar automatisiert und KI-gestützt ist, aber durch Human-in-the-Loop-Validierungen untermauert wird. Angesichts der Komplexität der Nutzen-Risiko-Bewertung erfordert jede digital geführte Anwendungsanalyse eine Kombination aus tiefem Fachwissen – Regulierung, Sicherheit, Qualität usw. – und der Beherrschung von KI-Tools. Der wahre Wert liegt in der Zusammenarbeit zwischen Mensch und KI – bei der KI Mustererkennung und Präzedenzfallanalyse skaliert, während menschliche Experten Urteilsvermögen und Kontext anwenden.
Der Sinn von prädiktiven KI-Tools besteht darin, gut informierte regulatorische Anwendungen zu unterstützen, indem sie mühsame, von Menschen geleitete relevante Präzedenzforschung durch ein intelligentes Assistenzsystem ersetzen, das die Informationen schnell und umfassend überprüfen und potenzielle Lücken in den Einreichungen vorhersagen kann. Ein maßgeschneidertes KI-Tool kann nicht nur Erkenntnisse durch Anleitungen, frühere Anfragen und Entscheidungen von Prüfern, vollständige Antwortschreiben (CRLs) und andere öffentlich zugängliche Informationen liefern, sondern auch eine stärkere Einreichung erstellen, indem es auf die firmeneigenen Produktinformationen des Unternehmens zurückgreift – eingeschränkt, um keinen unternehmensübergreifenden Zugriff zu gewährleisten.
In Zukunft ist dieser Austausch zwischen KI und Mensch vergleichbar damit, dass ein KI-Gutachter neben Fachexperten sitzt, während sie die Dossierstrategie und den Inhalt vorbereiten.
Durch die Führung aus der Perspektive einer KI-generierten regulatorischen Intelligenz können Unternehmen das Risiko einer CRL oder der Nichtzulassung ihres Antrags verringern. Sie können den Zulassungsprozess beschleunigen, indem sie die Wahrscheinlichkeit von Fragen der Gesundheitsbehörden verringern, und sie können den wichtigen Nutzen-Risiko-Bewertungsprozess frühzeitig verbessern, um ihnen zu helfen, diese wichtigen Go/No-Go-Entscheidungen zu treffen.
Der Sinn von prädiktiven KI-Tools besteht darin, gut informierte regulatorische Anwendungen zu unterstützen, indem sie mühsame, von Menschen geleitete relevante Präzedenzforschung durch ein intelligentes Assistenzsystem ersetzen, das die Informationen schnell und umfassend überprüfen und potenzielle Lücken in den Einreichungen vorhersagen kann. Ein maßgeschneidertes KI-Tool kann nicht nur Erkenntnisse durch Anleitungen, frühere Anfragen und Entscheidungen von Prüfern, vollständige Antwortschreiben (CRLs) und andere öffentlich zugängliche Informationen liefern, sondern auch eine stärkere Einreichung erstellen, indem es auf die firmeneigenen Produktinformationen des Unternehmens zurückgreift – eingeschränkt, um keinen unternehmensübergreifenden Zugriff zu gewährleisten.
In Zukunft ist dieser Austausch zwischen KI und Mensch vergleichbar damit, dass ein KI-Gutachter neben Fachexperten sitzt, während sie die Dossierstrategie und den Inhalt vorbereiten.
Durch die Führung aus der Perspektive einer KI-generierten regulatorischen Intelligenz können Unternehmen das Risiko einer CRL oder der Nichtzulassung ihres Antrags verringern. Sie können den Zulassungsprozess beschleunigen, indem sie die Wahrscheinlichkeit von Fragen der Gesundheitsbehörden verringern, und sie können den wichtigen Nutzen-Risiko-Bewertungsprozess frühzeitig verbessern, um ihnen zu helfen, diese wichtigen Go/No-Go-Entscheidungen zu treffen.
Über die Autoren:
Timm Pauli ist VP, Digital Solution Lead bei Cencora und unterstützt die Geschäftsbereiche Regulatory, Compliance und Pharmakovigilanz mit den richtigen digitalen Tools. Er verfügt über rund 25 Jahre Erfahrung in verschiedenen Funktionen innerhalb der pharmazeutischen Forschung und Entwicklung, darunter Regulatory Affairs und Regulatory Operations, Pharmakovigilanz und klinisches Datenmanagement sowie Statistik.
Shilpa Patil, PhD, ist leitende Wissenschaftlerin in der Gruppe für digitale Innovation bei Cencora. Sie verfügt über mehr als acht Jahre Erfahrung auf dem Gebiet der translationalen Forschung und des Gesundheitswesens und hat sich auf Arzneimittelforschung, Biomarkerforschung und KI-gestützte personalisierte Medizin in der Onkologie spezialisiert. Shilpa und ihr Team arbeiten an der Definition und Entwicklung von KI-basierten Lösungen, die darauf abzielen, den Wert und die Effizienz der angebotenen regulatorischen Anwendungen und Beratungsdienste zu steigern.
Shilpa Patil, PhD, ist leitende Wissenschaftlerin in der Gruppe für digitale Innovation bei Cencora. Sie verfügt über mehr als acht Jahre Erfahrung auf dem Gebiet der translationalen Forschung und des Gesundheitswesens und hat sich auf Arzneimittelforschung, Biomarkerforschung und KI-gestützte personalisierte Medizin in der Onkologie spezialisiert. Shilpa und ihr Team arbeiten an der Definition und Entwicklung von KI-basierten Lösungen, die darauf abzielen, den Wert und die Effizienz der angebotenen regulatorischen Anwendungen und Beratungsdienste zu steigern.
Quellen:
i Nutzen-Risiko-Bewertung für neue Arzneimittel und biologische Produkte Leitlinien für die Industrie, FDA, 2023. https://www.fda.gov/media/152544/download
ii Projekt zur Nutzen-Risiko-Methodik, EMA, 2010. https://www.ema.europa.eu/en/documents/report/benefit-risk-methodology-project-work-package-2-report-applicability-current-tools-and-processes-regulatory-benefit-risk-assessment_en.pdf
i Nutzen-Risiko-Bewertung für neue Arzneimittel und biologische Produkte Leitlinien für die Industrie, FDA, 2023. https://www.fda.gov/media/152544/download
ii Projekt zur Nutzen-Risiko-Methodik, EMA, 2010. https://www.ema.europa.eu/en/documents/report/benefit-risk-methodology-project-work-package-2-report-applicability-current-tools-and-processes-regulatory-benefit-risk-assessment_en.pdf
Hinweis:
Die in diesem Artikel enthaltenen Informationen stellen keine Rechtsberatung dar. Cencora, Inc. empfiehlt den Lesern dringend, die verfügbaren Informationen zu den behandelten Themen zu lesen und sich bei diesbezüglichen Entscheidungen auf ihre eigene Erfahrung und ihr Fachwissen zu verlassen.
