Czym jest przetwarzanie języka naturalnego oparte na generatywnej sztucznej inteligencji w przeglądzie etykiet farmaceutycznych i monitorowaniu zgodności?

Wprowadzenie

Krajobraz farmaceutyczny i nauk przyrodniczych jest bardziej złożony niż kiedykolwiek. W obliczu rynków globalnych, ewoluujących wymagań organów ochrony zdrowia (HA) i ogromnych ilości nieustrukturyzowanych danych, zespoły ds. spraw regulacyjnych (Regulatory Affairs) stają przed ogromną presją, aby utrzymać etykiety leków jako dokładne, zgodne z przepisami i aktualne. Przetwarzanie języka naturalnego (NLP) – dziedzina sztucznej inteligencji skupiająca się na rozumieniu i generowaniu języka ludzkiego – odgrywa kluczową rolę w radzeniu sobie z tymi wyzwaniami. Obecnie generatywna sztuczna inteligencja (GenAI) staje się potężnym narzędziem umożliwiającym wykonywanie zadań NLP, zapewniając elastyczne, skalowalne rozwiązania do wyodrębniania, klasyfikowania i analizowania treści regulacyjnych i klinicznych. Wykorzystując GenAI do wykonywania kluczowych funkcji NLP, organizacje mogą przyspieszyć przegląd etykiet, usprawnić monitorowanie zgodności z przepisami i uwolnić ekspertów ds. regulacyjnych, aby mogli skupić się na zadaniach strategicznych o dużej wartości.

Wejdź do freya fusion, zunifikowanego systemie zarządzania informacjami regulacyjnymi (RIMS) opartym na sztucznej inteligencji (AI-First), zaprojektowanym od początku do końca dla operacji regulacyjnych, w tym zarządzania etykietami, kontroli dokumentów, informacji, automatyzacji i konwersacyjnych pytań i odpowiedzi. Dzięki architekturze modularnej, freya fusion pomaga organizacjom rozwiązywać problemy z integralnością danych, usprawniać przepływy pracy i zyskiwać globalną widoczność – bez natarczywej sprzedaży, ale jako zaufany partner w dążeniu do doskonałości regulacyjnej.

Poznaj zunifikowany system AI-RIMS platformy Freya Fusion

Przekształcanie procesów tworzenia etykiet farmaceutycznych i monitorowania zgodności z przepisami za pomocą generatywnej technologii NLP opartej na sztucznej inteligencji.

Przetwarzanie języka naturalnego to gałąź sztucznej inteligencji, która pozwala maszynom rozumieć, interpretować i generować ludzki język. W kontekście etykietowania produktów farmaceutycznych technologia NLP przekształca nieustrukturyzowany tekst – obejmujący kluczowe dane kliniczne, wytyczne regulacyjne, instrukcje pakowania oraz dane o bezpieczeństwie – w znormalizowane, uporządkowane informacje odpowiednie do analizy i wspomagania decyzji. Generatywna sztuczna inteligencja umożliwia elastyczne, skalowalne i tanie rozwiązania w zakresie zadań NLP, zapewniając ekstrakcję uwzględniającą kontekst, porównywanie semantyczne, automatyczne generowanie treści oraz obsługę wielu języków.

Wykorzystując NLP, zespoły ds. etykietowania mogą:

• Wydobywać i porównywać kluczowe elementy etykiet pomiędzy różnymi wersjami i jurysdykcjami.
• Analizować duże zbiory dokumentów w celu identyfikacji trendów, niespójności i luk w zgodności z przepisami.
• Automatyzować rutynowe zadania, takie jak zarządzanie aktualizacjami etykiet, kodowanie MedDRA, tłumaczenia i weryfikacja wersji.

Ta zdolność ma kluczowe znaczenie ze względu na ogromną liczbę dokumentów dotyczących etykietowania – samych w publicznych rejestrach jest ich ponad 130 000 – oraz potrzebę harmonizacji treści na rynkach takich jak FDA, EMA i PMDA.

Częste wyzwania regulacyjne, z jakimi mierzą się firmy farmaceutyczne

W przypadku producentów leków generycznych wyzwanie to jest dodatkowo potęgowane przez wymóg regulacyjny polegający na dostosowaniu etykietowania do referencyjnych produktów innowacyjnych. Tworzy to zależność, która wymaga ciągłego monitorowania zmian w etykietach produktów innowacyjnych na wszystkich rynkach. Wszelkie aktualizacje informacji o bezpieczeństwie lub stosowaniu produktu referencyjnego muszą być niezwłocznie uwzględniane na etykiecie leku generycznego, aby zachować zgodność z przepisami. Bez proaktywnego nadzoru i wydajnych procesów synchronizacji etykiet producenci leków generycznych ryzykują utratę spójności, co może prowadzić do wycofania produktów z rynku, zastrzeżeń z inspekcji lub obaw o bezpieczeństwo pacjentów. Sprawia to, że śledzenie aktualizacji etykiet w czasie rzeczywistym oraz automatyczne porównywanie treści są niezbędne dla producentów leków generycznych, aby zachować zgodność z przepisami i konkurencyjność w dynamicznym, globalnym otoczeniu regulacyjnym.

Firmy farmaceutyczne napotykają wiele przeszkód podczas zarządzania etykietami i zapewniania zgodności z przepisami:

1. Różnorodne standardy i ramy regulacyjne 
   Każdy organ regulacyjny ma unikalne wymagania dotyczące treści etykiet, formatowania i dokumentacji elektronicznej. Utrzymanie spójności z przepisami 21 CFR Part 11 agencji FDA, załącznikiem 11 EMA oraz wytycznymi japońskiej PMDA wymaga elastycznych i przejrzystych procesów.
2. Stale ewoluujące wymagania regulacyjne 
   Wytyczne dotyczące substancji czynnych, ostrzeżeń i dawkowania mogą zmieniać się bardzo szybko. Firmy muszą aktualizować etykiety w ściśle określonych terminach, aby uniknąć kar, wycofywania produktów z rynku lub zakazów sprzedaży.
3. Wyzwania związane z dokumentacją i integralnością danych 
   Zapewnienie integralności danych na etykietach (np. dotyczących aktywnych substancji farmaceutycznych czy substancji pomocniczych) pochodzących od różnych dostawców zgodnie z zasadami Dobrej Praktyki Dystrybucyjnej jest pracochłonne i podatne na błędy.
4. Zgodność z przepisami w zakresie łańcucha dostaw i produkcji 
   Etykiety muszą odzwierciedlać szczegóły produkcji specyficzne dla danej serii, serializację oraz kontrolę łańcucha dostaw – czyli obszary, w których nadzór manualny może powodować opóźnienia i ryzyko.
5. Wysokie koszty badań i rozwoju 
   Ręczne przeglądy etykiet, tłumaczenia wielojęzyczne i audyty wersji pochłaniają znaczne zasoby, co często odciąga uwagę od strategicznych działań w ramach prac badawczo-rozwojowych.
6. Wyzwania dla leków generycznych 
   W przypadku producentów leków generycznych wyzwanie to jest dodatkowo potęgowane przez wymóg regulacyjny polegający na dostosowaniu etykietowania do referencyjnych produktów innowacyjnych. Tworzy to zależność, która wymaga ciągłego monitorowania zmian w etykietach produktów innowacyjnych na wszystkich rynkach. Wszelkie aktualizacje informacji o bezpieczeństwie lub stosowaniu produktu referencyjnego muszą być niezwłocznie uwzględniane na etykiecie leku genericznego, aby zachować zgodność z przepisami. Bez proaktywnego nadzoru i wydajnych procesów synchronizacji etykiet producenci leków generycznych ryzykują utratę spójności, co może prowadzić do wycofania produktów z rynku, zastrzeżeń z inspekcji lub obaw o bezpieczeństwo pacjentów. Sprawia to, że śledzenie aktualizacji etykiet w czasie rzeczywistym oraz automatyczne porównywanie treści są niezbędne dla producentów leków generycznych, aby zachować zgodność z przepisami i konkurencyjność w dynamicznym, globalnym otoczeniu regulacyjnym.

Jak generatywna sztuczna inteligencja i NLP rozwiązują problemy związane ze zgodnością etykiet

Technologia NLP może pomóc w rozwiązaniu tych problemów dzięki kilku kluczowym możliwościom:

• Automatyczne przetwarzanie i klasyfikacja dokumentów 
  Poprzez zastosowanie modeli uczenia maszynowego do dokumentów etykiet, NLP automatycznie klasyfikuje sekcje – takie jak ostrzeżenia, dawkowanie czy przeciwwskazania – co umożliwia szybkie kierowanie ich do odpowiednich działów i przegląd.
• Monitorowanie zgodności z przepisami w czasie rzeczywistym 
  Algorytmy NLP stale sprawdzają nową lub zaktualizowaną treść etykiet pod kątem reguł określonych przez organy regulacyjne, sygnalizując odchyłki w momencie ich wystąpienia i dbając o to, aby etykiety były gotowe do inspekcji.
• Udoskonalona ekstrakcja i analiza danych 
  Nieustrukturyzowany tekst w plikach PDF, dokumentach programu Word i bazach danych jest przekształcany w uporządkowane informacje: substancje czynne, grupy pacjentów, warunki przechowywania i inne. Odblokowuje to zaawansowaną analitykę służącą do wykrywania trendów i oceny ryzyka.
• Identyfikacja i ograniczanie ryzyka 
  Poprzez analizę dużych zbiorów danych dotyczących etykiet i raportów o bezpieczeństwie, NLP identyfikuje powtarzające się wzorce błędów – takie jak niewłaściwe użycie symboli czy nieaktualne informacje o bezpieczeństwie – pozwalając zespołom na proaktywne korygowanie problemów przed złożeniem dokumentacji.
• Obsługa wielu języków i wielu jurysdykcji 
  Zaawansowane modele sztucznej inteligencji radzą sobie z tłumaczeniami i lokalnymi różnicami, dbając o to, aby zmiany w kluczowych danych klinicznych były poprawnie wdrażane na wszystkich rynkach, z uwzględnieniem niuansów regulacyjnych właściwych dla danego języka.
• Zapewnienie jakości i ograniczenie błędów 
  Automatyczne porównywanie wersji obok siebie (np. etykieta przed i po aktualizacji bezpieczeństwa) pozwala natychmiast wykrywać niezgodności, skracając czas ręcznej weryfikacji i ograniczając błędy ludzkie.

Tabela 1: Dopasowanie wyzwań regulacyjnych do rozwiązań NLP opartych na generatywnej sztucznej inteligencji

Przykłady zastosowań w świecie rzeczywistym i wdrożenia

• CSL Behring: Automatyzacja kodowania MedDRA 
  Wdrożono NLP do automatycznego kodowania terminów MedDRA w raportach bezpieczeństwa po wprowadzeniu produktu do obrotu, co pozwoliło podwoić wskaźnik autokodowania z 30% do 60% przy minimalnej liczbie rozbieżności.
• AstraZeneca: Kontekstualizacja sygnałów dotyczących bezpieczeństwa 
  Wykorzystano NLP do analizy literatury i danych z badań klinicznych pod kątem sygnałów związanych z neutropenią, wizualizując sieci powiązań między lekami a schorzeniami i zmniejszając koszty doradztwa w zakresie zgodności o 50%.
• Eli Lilly: Optymalizacja badań klinicznych 
  Wykorzystano platformy NLP do wyodrębniania podsumowań statystycznych z baz danych badań w dziedzinie onkologii i diabetologii, co przyspieszyło projektowanie badań i analizę konkurencji – zadania, które wcześniej przy użyciu metod manualnych zajmowały kilkadziesiąt razy więcej czasu.
• Agios Pharmaceuticals: Proces odkrywania leków 
  Zastosowano NLP do precyzyjnego wyszukiwania informacji w tekstach naukowych, skracając o trzy lata harmonogram identyfikacji celów terapeutycznych i umożliwiając złożenie wniosku IND dla nowego inhibitora DHODH w czwartym kwartale 2018 roku.
• Wdrożenie FDA: Opracowanie wytycznych specyficznych dla produktu (PSG) 
  Opracowano potok NLP integrujący wiele publicznych źródeł danych w celu automatycznego wyodrębniania informacji o produktach leczniczych, osiągając najwyższej klasy klasyfikację etykiet przy użyciu modeli BERT.

Powiązane moduły Freya Fusion

Poniżej przedstawiono kluczowe moduły Freya Fusion, które wykorzystują NLP oparte na generatywnej sztucznej inteligencji do przeglądu etykiet i zapewniania zgodności z przepisami:

Każdy moduł płynnie integruje się z platformą freya fusion, zapewniając kompleksowe wsparcie regulacyjne End-to-End bez tworzenia tzw. silosów danych.

Potencjalne ryzyka i ograniczenia NLP w zakresie zgodności z przepisami

Choć NLP oferuje ogromne korzyści, organizacje muszą zmierzyć się z kilkoma zagrożeniami:

• Ograniczenia w zakresie jakości i dokładności danych
  Działanie NLP zależy od wysokiej jakości, standaryzowanych danych wejściowych. Niespójne dane medyczne i skróty mogą prowadzić do błędnych interpretacji.
• Uprzedzenia algorytmiczne i kwestie uczciwości
  Wektory słów mogą zawierać uprzedzenia, co potencjalnie prowadzi do dyskryminujących lub niedokładnych wyników, jeśli nie zostaną one zweryfikowane i skorygowane.
• Brak standaryzacji i regulacji
  Przy niewielkiej liczbie standardów branżowych dotyczących walidacji NLP, wymagania regulacyjne mogą pozostawać w tyle za wdrażanymi technologiami.
• Wyzwania związane z integracją i interoperacyjnością
  Niejednorodne systemy i formaty w elektronicznej dokumentacji medycznej (EHR), systemach zarządzania dokumentami (DMS) i systemach zarządzania informacjami regulacyjnymi (RIM) mogą utrudniać bezproblemową integrację NLP.
• Ograniczenia wydajności i niezawodności
  Złożone opisy kliniczne i niuanse językowe mogą stanowić wyzwanie dla dokładności modelu, co wymaga starannego dostrojenia i walidacji.
• Ryzyka regulacyjne i związane ze zgodnością
  Szybki rozwój innowacji w dziedzinie NLP może wyprzedzać wytyczne organów regulacyjnych, co wymaga solidnego nadzoru zarządczego i udziału człowieka (human-in-the-loop), aby zapewnić przejrzystość.

Często zadawane pytania

• Czym jest NLP w przeglądzie etykiet farmaceutycznych i monitorowaniu zgodności z przepisami?
  Przetwarzanie języka naturalnego (NLP) wykorzystuje analizę tekstową opartą na sztucznej inteligencji w odniesieniu do oznakowania produktów farmaceutycznych, automatycznie pobierając, analizując i klasyfikując treść etykiet. Poprzez ciągłe porównywanie tekstu etykiet z ewoluującymi przepisami globalnymi, NLP zapewnia szybsze, dokładniejsze monitorowanie zgodności i ogranicza opóźnienia związane z ręczną weryfikacją.
• W jaki sposób NLP usprawnia procesy przeglądu etykiet farmaceutycznych?
  NLP przyspiesza przegląd dzięki automatyzacji pobierania dokumentów, oznaczania tagami Metadata i klasyfikacji, umożliwiając szybką identyfikację składników, ostrzeżeń i wymagań specyficznych dla dl danego regionu. Zintegrowane z systemem RIMS opartym na sztucznej inteligencji, takim jak freya fusion, przesyła dokumenty do odpowiednich osób i na bieżąco sygnalizuje rozbieżności.
• Jakie korzyści oferuje NLP w zakresie monitorowania zgodności z przepisami?
  NLP zapewnia kontrolę jakości etykiet, rozpoznawanie nazwiastych jednostek (Named Entity Recognition) oraz analizę trendów, które wskazują na sformułowania wysokiego ryzyka, przestarzałe ostrzeżenia lub brakujące informacje o bezpieczeństwie. Prowadzi to do nawet o 60% szybszych cykli przeglądu, lepszej integralności danych i proaktywnego zarządzania na wielu rynkach.
• Które moduły freya fusion wykorzystują NLP do automatyzacji procesów regulacyjnych?
  • freya.docs: Wspierane przez AI pobieranie danych i automatyzacja Metadata
  • freya.automate (LabelCompare): Porównywanie etykiet z przepisami na żywo i analiza różnic w wersjach
  • freya.intelligence: Pulpity zgodności z przepisami i powiadomienia w czasie rzeczywistym
  • freya.rtq: Inteligentne wyodrębnianie jednostek na podstawie zapytań i analityka ryzyka
  • Te moduły płynnie integrują się w ramach zunifikowanego systemu RIMS opartego na sztucznej inteligencji, aby zoptymalizować przegląd etykiet i procesy zgodności z przepisami.
• Jakie są powszechne ograniczenia i najlepsze praktyki dotyczące NLP w zakresie zgodności z przepisami?
  Modele NLP mogą wykazywać błędy danych lub niedokładności, jeśli zostały wytrenowane na przestarzałych lub nie zbalansowanych zbiorach danych, a starsze systemy mogą stwarzać wyzwania integracyjne. Najlepsze praktyki obejmują regularne ponowne trenowanie modeli, walidację z udziałem człowieka (np. używanie chatbot do uzyskiwania opinii ekspertów) oraz przyjmowanie standaryzowanych APIs w celu zapewnienia interoperacyjności.

Podsumowanie

NLP wspomagane przez GenAI stanowi przełom w przeglądzie etykiet farmaceutycznych i monitorowaniu zgodności z przepisami – automatyzuje powtarzalne zadania, zwiększa integralność danych i umożliwia szybsze, dokładniejsze podejmowanie decyzji. W połączeniu z platformą technologii regulacyjnej nowej generacji, jaką jest freya fusion, organizacje zyskują zunifikowany, oparty na AI system RIMS, który obejmuje etykietowanie, zarządzanie dokumentami, wywiad regulacyjny, automatyzację procesów i konwersacyjne pytania i odpowiedzi.

Przyjmując freya fusion, specjaliści ds. Sprawy regulacyjne i osoby podejmujące decyzje mogą:

• Zmniejszyć nakład pracy ręcznej i koszty operacyjne
• Zapewnij zgodność z przepisami na całym świecie zgodnie ze zmieniającymi się standardami organów regulacyjnych
• Wzmocnij współpracę między zespołami ds. regulacyjnych, jakości i etykietowania
• Uzyskaj proaktywne wnioski dzięki alertom w czasie rzeczywistym i pulpitom nawigacyjnym

Chcesz zobaczyć doskonałość regulacyjną opartą na NLP w praktyce? 
Umów się na demo lub skontaktuj się z naszym zespołem, aby dowiedzieć się, jak Freya Fusion może przekształcić Twoje procesy przeglądu etykiet i monitorowania zgodności.