Articolo

In che modo l'automazione, l'analisi e l'intelligenza artificiale possono aiutare la gestione dei segnali di sicurezza

  • Lin Li

  • Stephen Sun

Scopri come la collaborazione tra esperti di sicurezza, statistica e intelligenza artificiale sta aiutando a risolvere le crescenti sfide della gestione dei segnali di farmacovigilanza 
La gestione dei segnali di sicurezza è una responsabilità fondamentale delle organizzazioni di farmacovigilanza e una componente fondamentale per proteggere la sicurezza dei pazienti durante l'intero ciclo di vita del prodotto.1,2

Che si tratti di farmaci o farmaci biologici, l'obiettivo rimane costante: identificare, valutare e agire il prima possibile in merito ai problemi di sicurezza emergenti, mantenendo al contempo il rigore scientifico e la conformità normativa. 

Negli ultimi anni, tuttavia, la complessità del raggiungimento di questo obiettivo è aumentata notevolmente.  I crescenti volumi di dati, i prodotti sempre più complessi e le maggiori aspettative normative hanno messo a dura prova gli approcci tradizionali di gestione dei segnali, rendendo l'ottimizzazione una necessità operativa e scientifica.

Aumento del volume e della complessità dei dati

Gli attuali sistemi di farmacovigilanza devono elaborare le informazioni sulla sicurezza provenienti da una gamma crescente di fonti, tra cui segnalazioni spontanee di eventi avversi di pazienti e fornitori, sperimentazioni cliniche e studi sulla sicurezza post-autorizzazione, letteratura scientifica, programmi di supporto al paziente, rappresentanti sul campo e flussi di dati del mondo reale. Queste fonti di dati variano notevolmente in termini di struttura, qualità e contesto clinico.  I report possono essere incompleti, non strutturati o duplicati tra regioni e database, creando rumore e inefficienza, rendendo difficile valutare i reali problemi di sicurezza.  Per i farmaci biologici, queste sfide di rilevamento del segnale sono ulteriormente aggravate dall'immunogenicità, dagli effetti di classe, dalla variabilità della produzione e dagli eventi avversi a insorgenza ritardata.  Di conseguenza, i team di sicurezza ora dedicano una parte significativa del loro tempo alle attività di triage manuale, riconciliazione e pulizia dei dati.3 

L'automazione e l'intelligenza artificiale offrono soluzioni pratiche a livello di acquisizione ed elaborazione dei dati.3,4 L'elaborazione del linguaggio naturale può estrarre informazioni clinicamente rilevanti da narrazioni non strutturate, mentre la deduplicazione automatizzata riduce la ridondanza e migliora la qualità dei dati.  6 Gli strumenti di prioritizzazione basati sul rischio possono aiutare a identificare i casi che giustificano una revisione anticipata in base alla gravità, alla novità o al potenziale impatto.  7 Queste tecnologie non sostituiscono l'esperienza umana; piuttosto, possono concentrare risorse limitate su attività di maggior valore, come consentire ai professionisti della sicurezza di concentrarsi sull'interpretazione e sul processo decisionale significativi dei segnali.

Limiti dei metodi tradizionali di rilevamento del segnale

Gli approcci statistici tradizionali come i rapporti di segnalazione proporzionali, gli odds ratio di segnalazione e le metriche bayesiane empiriche rimangono ampiamente utilizzati nel rilevamento dei segnali. Questi metodi svolgono un ruolo importante come strumenti di screening, aiutando a identificare potenziali associazioni tra prodotti ed eventi avversi. Tuttavia, non sono stati progettati per funzionare come meccanismi decisionali autonomi e presentano limitazioni ben riconosciute. Le analisi di sproporzionalità spesso valutano i dati in modo isolato, senza incorporare formalmente conoscenze pregresse come effetti di classe noti, plausibilità biologica o esperienza storica di sicurezza. Sono sensibili ai pregiudizi di segnalazione, ai cambiamenti nell'esposizione e alle influenze esterne come l'attenzione dei media o le azioni normative. Di conseguenza, questi metodi possono generare falsi positivi o non riuscire a rilevare i rischi emergenti, in particolare in contesti complessi o a bassa esposizione.8

In pratica, la valutazione del segnale rimane fortemente dipendente dal giudizio degli esperti, portando alla variabilità tra team e organizzazioni. Revisori diversi possono interpretare gli stessi dati in modo diverso, influenzati dall'esperienza, dalla familiarità con l'area terapeutica o dalla tolleranza al rischio organizzativo. Gli approcci tradizionali faticano anche a integrare dati non clinici, approfondimenti meccanicistici e prove del mondo reale in modo sistematico, rendendo difficile ponderare adeguatamente le diverse fonti di dati. Questo scenario multifattoriale complica la capacità di fornire decisioni trasparenti e coerenti sui segnali.

L'analisi avanzata e l'intelligenza artificiale possono rafforzare la valutazione del segnale fornendo informazioni più strutturate e sensibili al contesto. 9 Gli approcci bayesiani consentono di combinare formalmente la conoscenza pregressa con i dati emergenti, supportando un'interpretazione più sfumata.10 Le analisi longitudinali e multivariate consentono di valutare le tendenze nel tempo e tra i sottogruppi di pazienti. Il riconoscimento dei modelli basato sull'intelligenza artificiale può evidenziare problemi emergenti in prodotti, indicazioni o classi terapeutiche. Se utilizzati come strumenti di supporto alle decisioni, questi approcci migliorano la coerenza e la trasparenza, preservando il ruolo centrale del giudizio medico degli esperti.

Sostenibilità, vincoli della forza lavoro e aspettative normative

La gestione dei segnali deve operare all'interno di realtà di risorse limitate, controllo normativo e tolleranza al rischio organizzativo. Il volume dei casi continua ad aumentare, ma le organizzazioni devono affrontare vincoli nell'assunzione, nella formazione e nel mantenimento di professionisti esperti in materia di sicurezza. Una gestione efficace dei segnali richiede una combinazione di competenza clinica, comprensione statistica e conoscenze normative, abilità che richiedono anni per essere sviluppate. 

Allo stesso tempo, le autorità di regolamentazione si aspettano una sorveglianza continua della sicurezza, un'escalation tempestiva dei potenziali rischi e una chiara documentazione dei processi decisionali. La Food and Drug Administration statunitense ha cercato di rendere più facile per le parti interessate la ricerca e l'organizzazione dei dati sugli eventi avversi con il cruscotto pubblico del sistema di segnalazione degli eventi avversi (FAERS) della FDA.11

Con i modelli operativi tradizionali, i professionisti altamente qualificati dedicano una notevole quantità di tempo al monitoraggio manuale, alle revisioni periodiche e alla preparazione dei documenti. La conoscenza è spesso detenuta da individui piuttosto che incorporata nei sistemi, aumentando la vulnerabilità al turnover e all'incoerenza. Queste pressioni contribuiscono al burnout, alla variabilità nella valutazione del segnale e ai potenziali risultati dell'ispezione.

Le operazioni abilitate all'intelligenza artificiale offrirebbero un approccio più sostenibile. I sistemi "human-in-the-loop" consentono all'automazione di gestire attività di routine come il tracciamento del segnale, la gestione del flusso di lavoro e la generazione di documentazione, preservando al contempo la supervisione di esperti per l'interpretazione e le decisioni.  I trigger automatici possono supportare una revisione tempestiva dei rischi emergenti e i sistemi di intelligenza artificiale possono apprendere dalle decisioni precedenti sui segnali e dai risultati normativi, contribuendo a istituzionalizzare le conoscenze nel tempo. Se implementati all'interno di una solida governance, framework di qualità e documentazione trasparente, questi modelli supportano una gestione dei segnali scalabile e pronta per l'ispezione.


Conclusione

Il prossimo futuro prevedibile della gestione dei segnali di sicurezza di farmaci e farmaci biologici è uno scenario aumentato piuttosto che un sistema completamente automatizzato.  L'automazione, l'analisi avanzata e l'intelligenza artificiale, se applicate in modo responsabile e trasparente, consentono ai team di farmacovigilanza di gestire la crescente complessità senza compromettere il rigore scientifico o la conformità normativa.12  Anche con tale consapevolezza degli strumenti, l'implementazione operativa nel mondo reale dovrà essere su misura e personalizzata per adattarsi ai piani aziendali, agli investimenti, alla tolleranza al rischio e alle dimensioni del portafoglio.  Riducendo gli oneri amministrativi, migliorando la coerenza analitica e rafforzando la documentazione, queste tecnologie consentono ai professionisti della sicurezza di concentrarsi sul loro ruolo di maggior valore: applicare il giudizio di esperti per proteggere i pazienti e supportare decisioni informate in termini di rapporto rischio/beneficio durante l'intero ciclo di vita del prodotto.
*Le fonti continuano di seguito

Informazioni sugli autori:

Lin Li, Ph.D., è Responsabile delle statistiche cliniche e dell'intelligenza artificiale predittiva di Cencora. Fornisce soluzioni basate sui dati e su misura che integrano biostatistica, bioinformatica, informatica e biologia per affrontare le sfide della scoperta e dello sviluppo clinico.

Stephen Sun, M.D., MPH, è Responsabile della farmacovigilanza e Responsabile dell'area di pratica per la gestione del rapporto rischio-benefici di Cencora.  Ha lavorato con prodotti generici, di marca e OTC come sponsor supervisionando gli affari clinici, medici e la sicurezza dei farmaci.  Ha anche prestato servizio come ufficiale medico nella gestione del rischio e delle sostanze controllate presso la FDA statunitense. 


Dichiarazione di non responsabilità:
Le informazioni fornite in questo articolo non costituiscono una consulenza legale. Cencora, Inc. incoraggia vivamente i lettori a rivedere le informazioni disponibili relative agli argomenti discussi e a fare affidamento sulla propria esperienza e competenza nel prendere decisioni correlate.
 


Mettiti in contatto con il nostro team

Il nostro team di esperti di valore leader si dedica a trasformare evidenze, approfondimenti sulle politiche e informazioni di mercato in efficaci strategie di accesso al mercato globale. Lascia che ti aiutiamo a navigare con sicurezza nel complesso panorama sanitario odierno. Contattaci per scoprire come possiamo supportare i tuoi obiettivi.


Fonti:


1. Linea guida ICH E2C (R2) sul rapporto periodico di valutazione del rapporto beneficio-rischio, 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. Best practice per il personale della FDA nella sorveglianza della sicurezza post-commercializzazione dei farmaci per uso umano e dei prodotti biologici, FDA. https://www.fda.gov/media/130216/download
3. Aspetti pratici del rilevamento del segnale in farmacovigilanza, Gruppo di lavoro CIOMS VIII, 2010. https://cioms.ch/wp-content/uploads/2018/03/WG8-Signal-Detection.pdf
4. Considerazioni sull'uso dell'intelligenza artificiale a supporto del processo decisionale normativo per farmaci e prodotti biologici, FDA. https://www.fda.gov/media/184830/download
5. Documento di riflessione sull'uso dell'intelligenza artificiale (IA) nel ciclo di vita dei medicinali, EMA, 2024. Documento di riflessione sull'uso dell'intelligenza artificiale (IA) nel lifecycle_240903 dei medicinali
6. Intelligenza artificiale nella farmacovigilanza, rapporto del gruppo di lavoro CIOMS, 2025. https://cioms.ch/wp-content/uploads/2022/05/CIOMS-WG-XIV_Draft-report-for-Public-Consultation_1May2025.pdf
7. Supporto alla convalida dei segnali di farmacovigilanza e alla definizione delle priorità con l'analisi dei dati sanitari raccolti di routine: Lezioni apprese da uno studio della rete EHDEN, Drug Saf., ottobre 2023. https://pmc.ncbi.nlm.nih.gov/articles/PMC10684396/
8. Esplorare le complessità dell'analisi della sproporzionalità in farmacovigilanza: riflessioni sulla linea guida READUS-PV e un invito all'azione, Front Pharmacol. 2025. https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2025.1573353/full
9. Intelligenza artificiale: Applicazioni nella gestione dei segnali di farmacovigilanza, Pharmaceut Med. 2025. https://pubmed.ncbi.nlm.nih.gov/40257538/
10. Un metodo bayesiano per rilevare l'interazione farmaco-farmaco utilizzando informazioni esterne per il sistema di segnalazione spontanea. Statistica in medicina, 43(18), pp.3353-3363. https://pubmed.ncbi.nlm.nih.gov/38840316/
11. Cruscotto pubblico del sistema di segnalazione degli eventi avversi (FAERS) della FDA. https://www.fda.gov/drugs/fdas-adverse-event-reporting-system-faers/fda-adverse-event-reporting-system-faers-public-dashboard
12. Migliori pratiche per il personale della FDA nella sorveglianza della sicurezza post-commercializzazione di farmaci umani e prodotti biologici. https://www.fda.gov/media/130216/download

 

Risorse correlate

Webinar

Sfruttare l'intelligenza artificiale per rivoluzionare la gestione dei segnali di farmacovigilanza
Scopri di più

Libro bianco

Sblocca il potenziale dell'outsourcing della farmacovigilanza
Scopri di più

Articolo

Gestione delle sfide di farmacovigilanza nei mercati locali
Scopri di più