Artikel
Verbesserung der Qualität der Literatursuche mit KI, um übersehene Evidenz und manuelle Nacharbeit zu reduzieren
-
Shilpa Patil, PhD
-
Angela Vogt-Eisele, PhD
Die Verbesserung der Qualität der Literatursuche mit KI kann dazu beitragen, das Risiko zu verringern, wichtige Publikationen zu verpassen und gleichzeitig das Rauschen zu filtern
Die Überprüfung der öffentlich zugänglichen wissenschaftlichen Literatur ist eine zentrale Voraussetzung für die Erstellung zahlreicher regulatorischer Dokumente, einschließlich klinischer und nichtklinischer Übersichten, Orphan-Drug-Einstufungen oder pädiatrischer Prüfpläne. Diese Dokumente erfordern eine umfassende und aktuelle Zusammenfassung der in der wissenschaftlichen Literatur verfügbaren Informationen.
Die Aufsichtsbehörden können eine reproduzierbare systematische Literaturrecherche verlangen, was bedeutet, dass der Antragsteller in der Lage sein muss, Informationen über die genauen durchsuchten Datenbanken/Plattformen, die vollständigen Suchbegriffe (alle Schlüsselwörter/kontrollierten Begriffe), die Datumsbereiche und andere angewendete Beschränkungen/Filter, das Datum(e), an dem/den die Suchvorgänge durchgeführt wurden, und die Anzahl der Datensätze/Ergebnisse anzugeben, damit die Suche wiederholt und überprüft werden kann.1,2
Je nach Thema kann die Menge der bei der Primärsuche gefundenen Informationen umfangreich sein und erfordert langwierige und zeitaufwändige manuelle Recherchen. Versuche, Chatbot-Fragen und -Antworten zu verwenden, haben sich als unzuverlässig erwiesen, während die in öffentlichen Datenbanken verfügbaren Filterfunktionen nicht spezifisch genug sind und die Gefahr bergen, entweder zu viel Rauschen zurückzugeben (d. h. die Informationen nicht effizient auf die relevanten Artikel einzugrenzen) oder wichtige Informationen zu übersehen.
Die Aufsichtsbehörden können eine reproduzierbare systematische Literaturrecherche verlangen, was bedeutet, dass der Antragsteller in der Lage sein muss, Informationen über die genauen durchsuchten Datenbanken/Plattformen, die vollständigen Suchbegriffe (alle Schlüsselwörter/kontrollierten Begriffe), die Datumsbereiche und andere angewendete Beschränkungen/Filter, das Datum(e), an dem/den die Suchvorgänge durchgeführt wurden, und die Anzahl der Datensätze/Ergebnisse anzugeben, damit die Suche wiederholt und überprüft werden kann.1,2
Je nach Thema kann die Menge der bei der Primärsuche gefundenen Informationen umfangreich sein und erfordert langwierige und zeitaufwändige manuelle Recherchen. Versuche, Chatbot-Fragen und -Antworten zu verwenden, haben sich als unzuverlässig erwiesen, während die in öffentlichen Datenbanken verfügbaren Filterfunktionen nicht spezifisch genug sind und die Gefahr bergen, entweder zu viel Rauschen zurückzugeben (d. h. die Informationen nicht effizient auf die relevanten Artikel einzugrenzen) oder wichtige Informationen zu übersehen.
Darüber hinaus liefern Chatbots keine überprüfbaren Antworten, können die Vollständigkeit nicht sicherstellen und stellen auch die Rückverfolgbarkeit zu einem späteren Zeitpunkt vor Herausforderungen. Literatur-Mining-Tools mit künstlicher Intelligenz haben das Potenzial, diese Probleme anzugehen. Die Möglichkeit, logische Verbindungen zwischen Begriffen herzustellen, anstatt nach Artikeln zu filtern, die nur eine Kombination bestimmter Begriffe erwähnen, ermöglicht eine spezifische, gezielte Suche nach definierten wissenschaftlichen Fragen und verringert das Risiko, relevante Informationen zu übersehen.
Fokussierte und gründliche Literatur ermöglicht es den Zulassungsteams, gut informierte, nuancierte Dokumente zu erstellen, die das jeweilige Thema unterstützen – wie z. B. Indikationen und Kontraindikationen eines Arzneimittels, die Diskussion von Wechselwirkungen mit anderen Medikamenten oder die Sicherheitsmarge des Produkts in definierten Patientenpopulationen.
Wie KI-Literatur-Mining Forschern hilft, Effizienz und Sensibilität zu verbessern
1. Wichtige Artikel in großen Mengen an Literatur finden
Durch die Implementierung eines semantischen Suchwerkzeugs können Artikel, die für das gewünschte Thema relevant sind, mit großer Genauigkeit und Effizienz identifiziert werden, was insbesondere bei Suchen mit einer großen Anzahl von Primärtreffern entscheidend ist.
In einer Pilotstudie nutzte Cencora ein internes und validiertes Literatur-Mining-Tool, um nach Arzneimittelwechselwirkungen zwischen Wirkstoff A und mehreren gleichzeitig verabreichten Verbindungen (B–E) zu suchen. Die konventionelle schlüsselwortbasierte Primärsuche ergab mehr als 7.000 Artikel, die größtenteils durch umfangreiche Veröffentlichungen über die gut beschriebene Interaktion von A mit B angetrieben wurden.
Im Gegensatz dazu war es schwierig, Interaktionen zwischen A und C-E zu identifizieren, da die Standardsuchmaschine hauptsächlich Arbeiten aufdeckte, die die Interaktion von A und B beschrieben, in denen C-E nur als sekundäre Erwähnungen auftauchte, nicht im Zusammenhang mit der Interaktion mit A.
Die Verwendung des semantischen Suchwerkzeugs ermöglichte eine gezielte Suche nach Artikeln, die speziell Arzneimittelwechselwirkungen von A mit C, D und E separat beschreiben. Mit diesem Ansatz konnte die Anzahl der primären Treffer für die manuelle Überprüfung stark eingegrenzt werden – von mehr als 7.000 in einer ersten PubMed-Abfrage auf rund 950. Noch wichtiger ist, dass das Tool Veröffentlichungen zu wenig untersuchten und seltenen Wechselwirkungen identifizierte, die bei einer früheren manuellen Suche übersehen worden waren.
Insgesamt veranschaulicht dieses Pilotprojekt die wichtige Rolle, die KI bei der Verbesserung der Literatursuche spielen kann: Es ermöglicht ein Hochdurchsatz-Screening sehr großer Mengen von Primärtreffern, ohne sich auf übermäßig restriktive Filter zu verlassen, und es verbessert die Präzision, indem es Datensätze auf der Grundlage einer logischen Beziehung zwischen Konzepten (z. B. einer tatsächlichen Interaktion zwischen A und C/D/E) und nicht auf dem einfachen gleichzeitigen Auftreten von Begriffen bewertet.
In einer Pilotstudie nutzte Cencora ein internes und validiertes Literatur-Mining-Tool, um nach Arzneimittelwechselwirkungen zwischen Wirkstoff A und mehreren gleichzeitig verabreichten Verbindungen (B–E) zu suchen. Die konventionelle schlüsselwortbasierte Primärsuche ergab mehr als 7.000 Artikel, die größtenteils durch umfangreiche Veröffentlichungen über die gut beschriebene Interaktion von A mit B angetrieben wurden.
Im Gegensatz dazu war es schwierig, Interaktionen zwischen A und C-E zu identifizieren, da die Standardsuchmaschine hauptsächlich Arbeiten aufdeckte, die die Interaktion von A und B beschrieben, in denen C-E nur als sekundäre Erwähnungen auftauchte, nicht im Zusammenhang mit der Interaktion mit A.
Die Verwendung des semantischen Suchwerkzeugs ermöglichte eine gezielte Suche nach Artikeln, die speziell Arzneimittelwechselwirkungen von A mit C, D und E separat beschreiben. Mit diesem Ansatz konnte die Anzahl der primären Treffer für die manuelle Überprüfung stark eingegrenzt werden – von mehr als 7.000 in einer ersten PubMed-Abfrage auf rund 950. Noch wichtiger ist, dass das Tool Veröffentlichungen zu wenig untersuchten und seltenen Wechselwirkungen identifizierte, die bei einer früheren manuellen Suche übersehen worden waren.
Insgesamt veranschaulicht dieses Pilotprojekt die wichtige Rolle, die KI bei der Verbesserung der Literatursuche spielen kann: Es ermöglicht ein Hochdurchsatz-Screening sehr großer Mengen von Primärtreffern, ohne sich auf übermäßig restriktive Filter zu verlassen, und es verbessert die Präzision, indem es Datensätze auf der Grundlage einer logischen Beziehung zwischen Konzepten (z. B. einer tatsächlichen Interaktion zwischen A und C/D/E) und nicht auf dem einfachen gleichzeitigen Auftreten von Begriffen bewertet.
Sobald die Suche eingegrenzt wurde, muss das identifizierte Material manuell validiert werden. KI steigert die Effizienz dieser Aufgabe erheblich und generiert zusätzlich eine prägnante Ein- oder Ausschlussbegründung für jeden Artikel. Menschliche Gutachter können dann die Entscheidung bestätigen – oder falsch positive oder falsch negative Ergebnisse identifizieren – indem sie die Begründung anhand der relevanten Passagen im Quelltext überprüfen. Einen Menschen in der Schleife zu haben, ist der Schlüssel zur Überprüfung und Verfeinerung des Modells.
2. In der Lage sein, komplexe logische Beziehungen abzufragen
Wie oben beschrieben, wird für die Literatursuche semantisches Verständnis (Natural Language Processing oder NLP) anstelle eines einfachen Schlüsselwortabgleichs verwendet, was eine Bewertung der kontextuellen Relevanz ermöglicht, um die falsch-positiven Ergebnisse zu eliminieren.
Darüber hinaus kann der erhaltene Pool an Primärtreffern weiter nach definierten Aspekten durchsucht werden – z.B. Pharmakokinetik in verschiedenen Patientenpopulationen, spezifische Sicherheitsaspekte oder die Untersuchung bestimmter Endpunkte. Dies liefert eine strukturierte Ausgabe der verfügbaren Informationen zum jeweiligen Thema, die mit der Originalpublikation verknüpft ist, die diese Informationen bereitstellt.
Darüber hinaus kann der erhaltene Pool an Primärtreffern weiter nach definierten Aspekten durchsucht werden – z.B. Pharmakokinetik in verschiedenen Patientenpopulationen, spezifische Sicherheitsaspekte oder die Untersuchung bestimmter Endpunkte. Dies liefert eine strukturierte Ausgabe der verfügbaren Informationen zum jeweiligen Thema, die mit der Originalpublikation verknüpft ist, die diese Informationen bereitstellt.
3. Überprüfbarkeit und Rückverfolgbarkeit
KI bietet auch eine vollständige Liste der angewendeten Schlüsselwörter und Filter sowie die Anzahl der in jedem Schritt identifizierten Artikel, wie dies für eine systematische Literaturrecherche für Zulassungsanträge erforderlich ist. Die Ein- und Ausschlusskriterien sowie die Relevanzkriterien, die den resultierenden Artikeln zugeordnet sind, ermöglichen die Rückverfolgbarkeit für zukünftige Analysen und Überprüfungen. So ist es beispielsweise möglich, unabhängig voneinander Artikel auszuwählen, die sich mit "Arzneimittelwechselwirkungen, die die Absorption beeinflussen", "Arzneimittelwechselwirkungen, die die Wirksamkeit in Indikation X beeinflussen", "Arzneimittelwechselwirkungen im Zusammenhang mit unerwünschten Ereignissen" usw. befassen.
Das KI-Tool bot einen Mehrwert für den Prozess und ermöglichte eine objektive, wiederholbare Begründung für Ein- und Ausschluss, die vom menschlichen Prüfer bestätigt oder abgelehnt werden kann. Darüber hinaus ermöglicht die komprimierte Beschreibung der Gründe für die Aufnahme oder den Ausschluss eines Artikels eine schnelle und effiziente manuelle Überprüfung der Auswahl durch den Experten und stellt sicher, dass die Gründe für die Ein- und Ausschlusskriterien für die Rückverfolgbarkeit und Überprüfbarkeit aufgezeichnet werden.
Der KI-generierte Prüfpfad zu den Suchkriterien und welche Artikel ausgewählt oder ausgeschlossen wurden, zeigt einen Schlüsselwert der KI: Experten zu entlasten, um eine ordnungsgemäße Aufsicht zu gewährleisten und die volle Verantwortung für die endgültige Literaturauswahl zu übernehmen.
Das KI-Tool bot einen Mehrwert für den Prozess und ermöglichte eine objektive, wiederholbare Begründung für Ein- und Ausschluss, die vom menschlichen Prüfer bestätigt oder abgelehnt werden kann. Darüber hinaus ermöglicht die komprimierte Beschreibung der Gründe für die Aufnahme oder den Ausschluss eines Artikels eine schnelle und effiziente manuelle Überprüfung der Auswahl durch den Experten und stellt sicher, dass die Gründe für die Ein- und Ausschlusskriterien für die Rückverfolgbarkeit und Überprüfbarkeit aufgezeichnet werden.
Der KI-generierte Prüfpfad zu den Suchkriterien und welche Artikel ausgewählt oder ausgeschlossen wurden, zeigt einen Schlüsselwert der KI: Experten zu entlasten, um eine ordnungsgemäße Aufsicht zu gewährleisten und die volle Verantwortung für die endgültige Literaturauswahl zu übernehmen.
4. Datenstrukturierung für prädiktive Analysen und Erkenntnisse
KI generiert auch eine systematische und strukturierte Analyse von Schlüsseldatenelementen aus relevanten Artikeln, wie z. B. Sicherheitsdaten nach Altersgruppen oder eine Zusammenfassung der pharmakokinetischen Arzneimittelwechselwirkungen in verfügbaren Studien. Diese strukturierten Daten können verwendet werden, um z.B. die Diskussion über die Formulierung eines Arzneimittels oder seine Sicherheit in bestimmten Patientenpopulationen zu unterstützen. Außerdem kann der Evidenzgrad basierend auf Artikeltyp und Studiengröße oder -design usw. abgebildet werden.
Eine solche strukturierte, eingehende Analyse von Literaturdaten kann die Reaktionsbereitschaft verbessern, insbesondere wenn die Aufsichtsbehörden eine Klärung des Sicherheitskontexts oder unterstützender Nachweise verlangen.
Eine solche strukturierte, eingehende Analyse von Literaturdaten kann die Reaktionsbereitschaft verbessern, insbesondere wenn die Aufsichtsbehörden eine Klärung des Sicherheitskontexts oder unterstützender Nachweise verlangen.
Schlussfolgerung:
Verbesserung der Literaturrecherche und Verringerung des regulatorischen Mangelrisikos
KI-gestütztes Literatur-Mining kann eine wichtige Rolle dabei spielen, Tiefe und Vertretbarkeit in die Erstellung von Regulierungsdokumenten zu bringen, die umfassende, aktuelle wissenschaftliche Erkenntnisse aus veröffentlichter Literatur erfordern. Durch die Ermöglichung umfangreicher Primärliteratur-Screenings, aus denen relevante Artikel auf der Grundlage des semantischen Verständnisses ausgewählt werden, erhöht dieses Tool die Wirksamkeit erheblich und verringert gleichzeitig das Risiko, kritische Publikationen zu verpassen. In allen Phasen des Auswahlverfahrens ist eine menschliche Aufsicht möglich.
Gut konzipierte KI-Workflows verbessern auch die Rückverfolgbarkeit und Überprüfbarkeit, indem sie Suchstrategien, Ein- und Ausschlusslogik und die Gründe für die Priorisierung von Artikeln aufzeichnen. In Kombination mit der Human-in-the-Loop-Validierung unterstützt dieser Ansatz konsistente, wiederholbare Entscheidungen und reduziert die Variabilität des manuellen Screenings. Schließlich schafft die Strukturierung extrahierter Datenelemente in relevanten Publikationen eine Grundlage für tiefere Analysen (z. B. Einblicke in Subpopulationen, Evidenzbewertung, Trenderkennung) und stärkt regulatorische Narrative und Reaktionsbereitschaft.
Im Großen und Ganzen kann KI-gestütztes Literatur-Mining die Vollständigkeit und Qualität der Evidenzbasis zur Unterstützung von Zulassungsanträgen erheblich verbessern und so das Risiko von Mängeln im Überprüfungszyklus erheblich verringern.
Gut konzipierte KI-Workflows verbessern auch die Rückverfolgbarkeit und Überprüfbarkeit, indem sie Suchstrategien, Ein- und Ausschlusslogik und die Gründe für die Priorisierung von Artikeln aufzeichnen. In Kombination mit der Human-in-the-Loop-Validierung unterstützt dieser Ansatz konsistente, wiederholbare Entscheidungen und reduziert die Variabilität des manuellen Screenings. Schließlich schafft die Strukturierung extrahierter Datenelemente in relevanten Publikationen eine Grundlage für tiefere Analysen (z. B. Einblicke in Subpopulationen, Evidenzbewertung, Trenderkennung) und stärkt regulatorische Narrative und Reaktionsbereitschaft.
Im Großen und Ganzen kann KI-gestütztes Literatur-Mining die Vollständigkeit und Qualität der Evidenzbasis zur Unterstützung von Zulassungsanträgen erheblich verbessern und so das Risiko von Mängeln im Überprüfungszyklus erheblich verringern.
*Quellen unten fortgesetzt
Über die Autoren:
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.
Angela Vogt-Eisele, PhD, ist Director CDS, Team Lead Global Medical Writing, bei Cencora. Angela arbeitet seit mehr als 15 Jahren für die pharmazeutische Industrie und unterstützt nichtklinische und klinische Entwicklungsprogramme für Humanarzneimittel. Angela und das globale Autorenteam verfügen über eine starke Erfolgsbilanz beim Verfassen und Aktualisieren einer Vielzahl von regulatorischen Dokumenten über alle Modalitäten hinweg, von kleinen Molekülen über Biologika bis hin zu AMTPs, und implementieren derzeit KI-fähige Funktionen, um diese Aktivitäten in Zusammenarbeit mit der Cencora Digital Innovation Group auf die nächste Stufe zu heben.
Angela Vogt-Eisele, PhD, ist Director CDS, Team Lead Global Medical Writing, bei Cencora. Angela arbeitet seit mehr als 15 Jahren für die pharmazeutische Industrie und unterstützt nichtklinische und klinische Entwicklungsprogramme für Humanarzneimittel. Angela und das globale Autorenteam verfügen über eine starke Erfolgsbilanz beim Verfassen und Aktualisieren einer Vielzahl von regulatorischen Dokumenten über alle Modalitäten hinweg, von kleinen Molekülen über Biologika bis hin zu AMTPs, und implementieren derzeit KI-fähige Funktionen, um diese Aktivitäten in Zusammenarbeit mit der Cencora Digital Innovation Group auf die nächste Stufe zu heben.
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.
Verbinden Sie sich mit unserem Team
Unser Team aus führenden Value-Experten hat es sich zur Aufgabe gemacht, Evidenz, Wissen zu Richtlinien und Marktinformationen in effektive globale Marktzugangsstrategien umzuwandeln. Wir helfen Ihnen, sich in der komplexen Landschaft des heutigen Gesundheitswesens sicher zurechtzufinden. Kontaktieren Sie uns, um zu erfahren, wie wir Ihre Ziele unterstützen können.
Quellen
1. Leitlinie zu guten Pharmakovigilanz-Praktiken (GVP), HMA, EMA, Dezember 2013. https://www.ema.europa.eu/en/documents/scientific-guideline/guideline-good-pharmacovigilance-practices-gvp-module-vii-periodic-safety-update-report_en.pdf
2. Leitfaden für die Industrie, Anträge unter Abschnitt 505(b)(2), FDA, Oktober 1999. https://www.fda.gov/media/72419/download
.jpg)