Czym jest „ NLP ” oparty na generatywnej sztucznej inteligencji w zakresie weryfikacji etykiet farmaceutycznych i monitorowania zgodności z przepisami?

Wprowadzenie

Branża farmaceutyczna i nauki przyrodnicze są dziś bardziej złożone niż kiedykolwiek. W obliczu globalnych rynków, zmieniających się wymogów organów regulacyjnych oraz ogromnych ilości danych nieustrukturyzowanych zespoły ds. zgodności z przepisami ( Sprawy regulacyjne ) stoją pod ogromną presją, by zapewnić dokładność, zgodność z przepisami i aktualność ulotek leków. Przetwarzanie języka naturalnego (NLP) – dziedzina sztucznej inteligencji skupiająca się na rozumieniu i generowaniu języka ludzkiego – odgrywa kluczową rolę w pokonywaniu tych wyzwań. Obecnie generatywna sztuczna inteligencja (GenAI) staje się potężnym narzędziem wspomagającym zadania związane z analizą danych regulacyjnych ( NLP ), zapewniając elastyczne i skalowalne rozwiązania do pozyskiwania, klasyfikowania i analizowania treści regulacyjnych oraz klinicznych. Wykorzystując GenAI do realizacji kluczowych funkcji analizy danych regulacyjnych ( NLP ), organizacje mogą przyspieszyć usprawnić proces weryfikacji ulotek, poprawić monitorowanie zgodności z przepisami oraz odciążyć ekspertów ds. regulacji, umożliwiając im skupienie się na zadaniach strategicznych o wysokiej wartości.

Przedstawiamy freya fusion— zunifikowany system zarządzania informacjami regulacyjnymi (RIMS) oparty na sztucznej inteligencji, zaprojektowany od początku do końca z myślą o operacjach regulacyjnych, w tym zarządzaniu etykietami, kontroli dokumentów, analizie danych, automatyzacji oraz konwersacyjnych pytaniach i odpowiedziach. Dzięki modułowej architekturze freya fusion pomaga organizacjom sprostać wyzwaniom związanym z integralnością danych, usprawnić przepływ pracy oraz uzyskać globalną widoczność — bez agresywnej sprzedaży, ale jako zaufany partner wspierający doskonałość w zakresie zgodności z przepisami.

Poznaj zintegrowany system AI-RIMS firmy freya fusion

Przekształcanie etykietowania produktów farmaceutycznych i monitorowania zgodności z przepisami dzięki rozwiązaniu „ NLP ” opartemu na generatywnej sztucznej inteligencji.

Przetwarzanie języka naturalnego ( NLP ) to dziedzina sztucznej inteligencji, która umożliwia maszynom rozumienie, interpretowanie i generowanie języka ludzkiego. W kontekście etykietowania produktów farmaceutycznych przetwarzanie języka naturalnego przekształca nieustrukturyzowany tekst – obejmujący kluczowe treści kliniczne, wytyczne regulacyjne, instrukcje dotyczące pakowania oraz dane dotyczące bezpieczeństwa – w znormalizowane, ustrukturyzowane informacje nadające się do analizy i wspierające proces podejmowania decyzji. Generatywna sztuczna inteligencja umożliwia tworzenie elastycznych, skalowalnych i niedrogich rozwiązań dla zadań związanych z przetwarzaniem języka naturalnego ( NLP ), zapewniając ekstrakcję uwzględniającą kontekst, porównania semantyczne, automatyczne generowanie treści oraz obsługę wielu języków.

Korzystając z serwisu NLP, zespoły zajmujące się etykietowaniem mogą:

• Wyodrębnij i porównaj kluczowe elementy etykiet w różnych wersjach i jurysdykcjach.
• Analizuj obszerne zbiory dokumentów w celu zidentyfikowania trendów, niespójności i luk w zgodności z przepisami.
• Zautomatyzuj rutynowe zadania, takie jak zarządzanie aktualizacjami etykiet, kodowanie według MedDRA, tłumaczenia oraz weryfikacja wersji.

Ta funkcja ma kluczowe znaczenie, biorąc pod uwagę ogromną liczbę dokumentów dotyczących etykietowania – ponad 130 000 w samych tylko repozytoriach publicznych – oraz potrzebę ujednolicenia treści na różnych rynkach, takich jak FDA, EMA i PMDA.

Typowe wyzwania regulacyjne, przed którymi stają firmy farmaceutyczne

W przypadku producentów leków generycznych wyzwanie to dodatkowo potęguje wymóg regulacyjny dotyczący dostosowania etykietowania do etykiet produktów referencyjnych oryginalnych. Powoduje to zależność, która wymaga ciągłego monitorowania zmian w etykietach produktów oryginalnych na wszystkich rynkach. Wszelkie aktualizacje informacji dotyczących bezpieczeństwa lub stosowania produktu referencyjnego muszą być niezwłocznie odzwierciedlone na etykiecie leku generycznego, aby zachować zgodność z przepisami. Bez proaktywnego nadzoru i wydajnych procesów synchronizacji etykiet leki generyczne narażone są na ryzyko utraty zgodności, co może prowadzić do wycofania z rynku, negatywnych ustaleń podczas kontroli lub obaw dotyczących bezpieczeństwa pacjentów. Dlatego śledzenie aktualizacji etykiet w czasie rzeczywistym oraz automatyczne porównywanie treści mają kluczowe znaczenie dla utrzymania zgodności z przepisami i konkurencyjności leków generycznych w dynamicznym, globalnym środowisku regulacyjnym.

Firmy farmaceutyczne borykają się z wieloma trudnościami w zakresie zarządzania etykietami i zapewniania zgodności z przepisami:

1. Zróżnicowane normy i ramy regulacyjne
   Każdy organ ds. zdrowia stawia specyficzne wymagania dotyczące treści etykiet, ich formatowania oraz dokumentacji elektronicznej. Zapewnienie spójności między wytycznymi „ FDA” ( 21 CFR Part 11), załącznikiem 11 do „ EMA” oraz japońskimi wytycznymi „ PMDA ” wymaga elastycznych i identyfikowalnych procesów.
2. Nieustannie zmieniające się wymogi regulacyjne
   Wytyczne dotyczące substancji czynnych, ostrzeżeń i instrukcji dawkowania mogą ulegać szybkim zmianom. Firmy muszą aktualizować etykiety w ściśle określonych terminach, aby uniknąć kar, wycofania produktów z rynku lub zakazu ich sprzedaży.
3. Wyzwania związane z dokumentacją i integralnością danych
   Zapewnienie integralności danych na etykietach (np. aktywnych składników farmaceutycznych, substancji pomocniczych) pochodzących od różnych dostawców zgodnie z zasadami dobrych praktyk dystrybucyjnych jest procesem pracochłonnym i podatnym na błędy.
4. Zgodność z przepisami w zakresie łańcucha dostaw i produkcji
   Etykiety muszą zawierać informacje dotyczące konkretnej partii, takie jak szczegóły produkcji, numeracja seryjna oraz środki kontroli w łańcuchu dostaw – są to obszary, w których ręczna kontrola może powodować opóźnienia i stwarzać ryzyko.
5. Wysokie koszty badań i rozwoju
   Ręczna weryfikacja etykiet, tłumaczenia na wiele języków oraz audyty wersji pochłaniają znaczne zasoby, co często odwraca uwagę od strategicznych działań związanych z portfelem produktów.
6. Wyzwania dla producentów leków generycznych
   Dla producentów leków generycznych wyzwanie to dodatkowo potęguje wymóg regulacyjny dotyczący dostosowania etykietowania ich produktów do etykiet produktów referencyjnych (oryginalnych). Powoduje to zależność, która wymaga ciągłego monitorowania zmian w etykietach produktów oryginalnych na wszystkich rynkach. Każda aktualizacja informacji dotyczących bezpieczeństwa lub stosowania produktu referencyjnego musi zostać niezwłocznie odzwierciedlona na etykiecie leku generycznego, aby zachować zgodność z przepisami. Bez proaktywnego nadzoru i wydajnych procesów synchronizacji etykiet leki generyczne narażone są na ryzyko utraty zgodności, co może prowadzić do wycofania z rynku, negatywnych ustaleń podczas kontroli lub obaw dotyczących bezpieczeństwa pacjentów. Dlatego śledzenie aktualizacji etykiet w czasie rzeczywistym oraz automatyczne porównywanie treści mają kluczowe znaczenie dla zachowania zgodności z przepisami i konkurencyjności leków generycznych w dynamicznym, globalnym środowisku regulacyjnym.

W jaki sposób generatywna sztuczna inteligencja NLP rozwiązuje problem zgodności z wymogami dotyczącymi etykietowania

NLP może sprostać tym wyzwaniom dzięki kilku kluczowym zdolnościom:

• Zautomatyzowane przetwarzanie i klasyfikacja dokumentów
  Dzięki zastosowaniu modeli uczenia maszynowego do oznaczania dokumentów serwis NLP automatycznie klasyfikuje poszczególne sekcje – ostrzeżenia, dawkowanie, przeciwwskazania – umożliwiając szybkie kierowanie dokumentów do odpowiednich osób i ich weryfikację.
• Monitorowanie zgodności w czasie rzeczywistym
  NLP — te rozwiązania nieustannie sprawdzają nowe lub zaktualizowane treści etykiet pod kątem zgodności z regułami specyficznymi dla HA, sygnalizując odchylenia w momencie ich wystąpienia i zapewniając, że etykiety są zawsze gotowe do kontroli.
• Ulepszone pozyskiwanie i analiza danych
  Niestructurowane treści zawarte w plikach PDF, dokumentach programu Word oraz bazach danych są przetwarzane na dane ustrukturyzowane: składniki aktywne, populacje, warunki przechowywania i inne. Umożliwia to przeprowadzanie zaawansowanych analiz w celu wykrywania trendów i oceny ryzyka.
• Identyfikacja i ograniczanie ryzyka
  Dzięki analizie obszernych zbiorów danych dotyczących oznakowania i raportów bezpieczeństwa narzędzie NLP wykrywa powtarzające się wzorce błędów – takie jak nieprawidłowe stosowanie symboli lub nieaktualne informacje dotyczące bezpieczeństwa – umożliwiając zespołom proaktywne korygowanie problemów jeszcze przed złożeniem dokumentacji.
• Wsparcie wielojęzyczne i międzyjurysdykcyjne
  Zaawansowane modele sztucznej inteligencji zajmują się tłumaczeniami i dostosowaniami lokalnymi, gwarantując, że zmiany w podstawowych treściach klinicznych są precyzyjnie przekazywane na wszystkie rynki, z uwzględnieniem niuansów regulacyjnych charakterystycznych dla danego języka.
• Zapewnienie jakości i ograniczenie błędów
  Zautomatyzowane porównania wersji w trybie „obok siebie” (np. oznaczenie przed i po aktualizacji bezpieczeństwa) pozwalają natychmiast wykrywać rozbieżności, co znacznie skraca czas ręcznej weryfikacji i ogranicza liczbę błędów ludzkich.

Tabela 1: Przyporządkowanie wyzwań regulacyjnych do rozwiązań opartych na generatywnej sztucznej inteligencji ( NLP )

Praktyczne przypadki zastosowań i przykłady wdrożeń

• CSL Behring: Automatyzacja kodowania MedDRA
  Wdrożono rozwiązanie „ NLP ” w celu automatycznego kodowania terminów MedDRA w raportach dotyczących bezpieczeństwa po wprowadzeniu produktu na rynek, co pozwoliło podwoić wskaźnik automatycznego kodowania z 30% do 60% przy minimalnej liczbie rozbieżności.
• AstraZeneca: Kontekstualizacja sygnałów dotyczących bezpieczeństwa
  Wykorzystano platformę NLP do przeszukiwania literatury i danych z badań klinicznych pod kątem sygnałów związanych z neutropenią, wizualizacji sieci powiązań między lekami a schorzeniami oraz obniżenia kosztów doradztwa w zakresie przestrzegania zaleceń o 50%.
• Eli Lilly: Optymalizacja badań klinicznych
  Wykorzystano platformy NLP do wyodrębnienia statystyk podsumowujących z baz danych badań klinicznych dotyczących onkologii i cukrzycy, co przyspieszyło proces projektowania badań oraz analizę konkurencji – zadania, które wcześniej, przy zastosowaniu metod ręcznych, zajmowały dziesiątki razy więcej czasu.
• Agios Pharmaceuticals: Portfel projektów badawczych
  Firma zastosowała rozwiązanie NLP do precyzyjnego przeszukiwania tekstów naukowych, co pozwoliło skrócić czas identyfikacji celów o trzy lata i umożliwiło złożenie wniosku IND dotyczącego nowego inhibitora DHODH w czwartym kwartale 2018 roku.
• FDA Wdrożenie: Opracowanie wytycznych dotyczących konkretnych produktów (PSG)
  Opracowano proces „ NLP ”, integrujący wiele publicznych źródeł danych w celu automatycznego pozyskiwania informacji o produktach leczniczych, co pozwoliło osiągnąć najnowocześniejszą klasyfikację oznakowań przy użyciu modeli BERT.

Odpowiednie moduły freya fusion

Poniżej przedstawiono kluczowe moduły platformy „ freya fusion ”, które wykorzystują oparte na generatywnej sztucznej inteligencji rozwiązanie „ NLP ” do weryfikacji etykiet i zapewnienia zgodności z przepisami:

Każdy moduł płynnie integruje się z platformą „ freya fusion ”, zapewniając wsparcie w zakresie zgodności z przepisami „ end-to-end ” bez tworzenia izolowanych baz danych.

Potencjalne zagrożenia i ograniczenia związane z wykorzystaniem platformy „ NLP ” w zakresie zgodności z przepisami

Chociaż model „ NLP ” oferuje ogromne korzyści, organizacje muszą liczyć się z kilkoma zagrożeniami:

• Ograniczenia dotyczące jakości i dokładności danych
  NLP – wydajność serwisu zależy od wysokiej jakości i ujednoliconych danych wejściowych. Niespójne dane medyczne i skróty mogą prowadzić do błędnych interpretacji.
• Stronniczość algorytmów i obawy dotyczące sprawiedliwości
  Osadzenia słów mogą zawierać elementy stronniczości, co może prowadzić do dyskryminujących lub niedokładnych wyników, jeśli nie zostaną poddane kontroli i skorygowane.
• Brak standaryzacji i regulacji
  Ze względu na niewielką liczbę standardów branżowych dotyczących walidacji NLP wymogi regulacyjne mogą nie nadążać za wdrażaniem nowych technologii.
• Wyzwania związane z integracją i interoperacyjnością
  Różnorodność systemów i formatów w obszarze elektronicznej dokumentacji medycznej (EHR), systemów zarządzania dokumentami (DMS) oraz systemów zarządzania informacjami o zdrowiu ( RIM ) może utrudniać płynną integrację NLP .
• Ograniczenia dotyczące wydajności i niezawodności
  Złożone opisy kliniczne i subtelne niuanse językowe mogą stanowić wyzwanie dla dokładności modelu, co wymaga starannego dostrojenia i walidacji.
• Ryzyko regulacyjne i związane z zapewnieniem zgodności
  Szybki rozwój technologii uczenia głębokiego ( NLP ) może wyprzedzać wytyczne dotyczące analizy ha (HA), co wymaga solidnego systemu zarządzania oraz nadzoru z udziałem człowieka (human-in-the-loop) w celu zapewnienia interpretowalności wyników.

Często zadawane pytania

• Czym jest usługa „ NLP ” w zakresie weryfikacji etykiet produktów farmaceutycznych i monitorowania zgodności z przepisami?
  Technologia przetwarzania języka naturalnego (NLP) wykorzystuje opartą na sztucznej inteligencji analizę tekstu w odniesieniu do etykiet produktów farmaceutycznych, automatycznie pobierając, analizując i klasyfikując treść etykiet. Dzięki ciągłemu porównywaniu tekstu etykiet z zmieniającymi się przepisami na całym świecie usługa NLP zapewnia szybsze i dokładniejsze monitorowanie zgodności oraz ogranicza wąskie gardła związane z ręczną weryfikacją.
• W jaki sposób NLP usprawnia procesy weryfikacji etykiet produktów farmaceutycznych?
  NLP przyspiesza weryfikację poprzez automatyzację pozyskiwania dokumentów, metadata oznaczania i klasyfikacji, umożliwiając szybką identyfikację składników, ostrzeżeń oraz wymagań specyficznych dla poszczególnych regionów. Dzięki integracji z systemem RIMS opartym na sztucznej inteligencji, takim jak freya fusion, kieruje dokumenty do odpowiednich osób i sygnalizuje rozbieżności w czasie rzeczywistym.
• Jakie korzyści oferuje rozwiązanie „ NLP ” w zakresie monitorowania zgodności?
  Rozwiązanie „NLP ” zapewnia kontrolę jakości etykiet, rozpoznawanie nazwanych jednostek oraz analizę trendów, które wskazują sformułowania wysokiego ryzyka, nieaktualne ostrzeżenia lub brakujące oświadczenia dotyczące bezpieczeństwa. Pozwala to skrócić cykle weryfikacji nawet o 60%, poprawić integralność danych oraz zapewnić proaktywne zarządzanie na wielu rynkach.
• Które moduły platformy „ freya fusion ” wykorzystują rozwiązanie „ NLP ” do automatyzacji procesów regulacyjnych?
  • freya.docs: Automatyzacja pozyskiwania danych i analizy ( metadata ) oparta na sztucznej inteligencji
  • freya.automate (LabelCompare): Porównania etykiet z przepisami w czasie rzeczywistym oraz analiza różnic między wersjami
  • freya.intelligence: Pulpity nawigacyjne i powiadomienia dotyczące zgodności w czasie rzeczywistym
  • freya.rtq: Inteligentne wyodrębnianie encji na podstawie zapytań oraz analiza ryzyka
  • Moduły te płynnie integrują się z ujednoliconym systemem RIMS opartym na sztucznej inteligencji, co pozwala zoptymalizować procesy weryfikacji etykiet i zapewnienia zgodności z przepisami.
• Jakie są typowe ograniczenia i najlepsze praktyki dotyczące uczenia maszynowego ( NLP ) w zakresie zgodności z przepisami?
  Modele uczenia maszynowego (NLP ) mogą wykazywać tendencyjność danych lub niedokładności, jeśli są trenowane na nieaktualnych lub niezrównoważonych zbiorach danych, a starsze systemy mogą stwarzać wyzwania związane z integracją. Najlepsze praktyki obejmują regularne ponowne trenowanie modeli, walidację z udziałem człowieka (np. przy użyciu freya.chatbot w celu uzyskania opinii ekspertów) oraz wdrażanie standardowych formatów danych ( APIs ) w celu zapewnienia interoperacyjności.

Końcowe przemyślenia

NLP , wspierany przez GenAI, stanowi przełom w dziedzinie weryfikacji etykiet farmaceutycznych i monitorowania zgodności z przepisami – automatyzuje powtarzalne zadania, poprawia integralność danych oraz umożliwia szybsze i dokładniejsze podejmowanie decyzji. W połączeniu z platformą technologiczną nowej generacji w zakresie regulacji, taką jak freya fusion, organizacje zyskują ujednolicony, oparty na sztucznej inteligencji system RIMS, który obejmuje etykietowanie, zarządzanie dokumentami, analizę informacji regulacyjnych, automatyzację przepływu pracy oraz konwersacyjne pytania i odpowiedzi.

Wdrażając rozwiązanie „ freya fusion ” ( ) oraz „ Sprawy regulacyjne ”, specjaliści i decydenci mogą:

• Ogranicz nakład pracy ręcznej i koszty operacyjne
• Zapewnienie globalnej zgodności z ewoluującymi standardami wysokiej dostępności (HA)
• Zwiększenie współpracy między zespołami ds. regulacji, jakości i etykietowania
• Zyskaj proaktywny wgląd dzięki powiadomieniom w czasie rzeczywistym i pulpitom nawigacyjnym

Chcesz zobaczyć, jak w praktyce działa doskonałość regulacyjna oparta n NLP?
Umów się na prezentację lub skontaktuj się z naszym zespołem, aby dowiedzieć się, w jaki sposób freya fusion może zrewolucjonizować procesy weryfikacji etykiet i monitorowania zgodności w Twojej firmie.