知行合一
欧洲药品管理局发表文章,强调需要全面评估AI应用于新药开发的风险
继美国FDA在今年5月发表两篇论文,阐述该机构对人工智能(AI)和机器学习(ML)在药物研发和制造方面应用的看法之后,欧洲药品管理局(EMA)也在近日发表文章,阐述了EMA对AI和ML在医药产品开发过程中的应用的看法。EMA的文章在指出AI/ML巨大潜力的同时,也提醒开发商需要对这一技术的风险进行全面的评估。
文章指出,AI/ML工具如果正确使用,能够有效支持数据的获得、处理、分析和解释,可以在医疗产品的整个生命周期中发挥作用。比如,在临床前开发阶段,AI/ML的应用不但可以增强数据分析的能力和表现,而且AI/ML模拟策略可能替代、减少或者精细化实验动物的使用。在精准医疗方面,AI/ML可以基于疾病特征、患者基因型、以及广泛的生物标志物和临床指标,进行患者筛选、给药剂量选择,从头设计产品变体或者从已经制造的变体文库中选择合适的产品。
然而,基于海量的训练数据和不完全透明的训练模型构架的AI/ML技术可能带来新的风险因素。这些风险因素需要在模型开发和应用的过程中得到消除,从而确保患者的安全和临床研究结果的完整性。比如,在训练数据的收集和清理过程中,应致力于获得均衡的训练数据集,并考虑对罕见群体增加取样。
为了加强公平性、可靠性和预防偏倚,在其它条件相同的情况下,使用透明模型(transparent models)是首选。不过EMA也指出,目前最强有力的几种AI/ML模型构架如何从输入数据中得到结果的详细过程仍然未得到澄清。如果开发商给出足够的证据表明透明模型的能力或表现不足,使用这类“黑箱”型的AI/ML模型也可以接受。
整体来说,为了建立对AI/ML工具的有效性、可靠性和公平性的任,以人为中心的方法应该指导AI和ML的所有开发和部署。这不仅要求在数据收集和建模过程中采取主动措施,还要求在AI/ML工具被用户或患者使用时,将用户和患者报告的结局和经验指标纳入AI/ML工具的评估中。
参考资料
[1] Reflection paper on the use of Artificial Intelligence (AI) in the medicinal product lifecycle. Retrieved July 21, 2023, from
[2] EMA to drug developers on AI: Carry out thorough risk assessments. Retrieved July 21, 2023, from
内容团队编辑
本文来自药明康德内容团队,欢迎转发,谢绝转载到其他平台。
免责声明药明康德内容团队专注介绍全球生物医药健康研究进展。本文仅作息交流之目的,文中观点不代表药明康德立场,亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导,请前往正规医院就诊。
⤵️喜欢我们的内容,欢迎关注 ,或者点赞、分享给其他读者吧!
分享:
请输入验证信息:
你的加群请求已发送,请等候群主/管理员验证。
数据来自赢家江恩软件>>
虚位以待
暂无
523人关注了该股票
长期未登录发言
吧主违规操作
色情、反动
其他
*投诉理由
答:2023-06-13详情>>
答:药明康德公司 2023-12-31 财务报详情>>
答:以公司总股本295601.4117万股为详情>>
答:每股资本公积金是:9.57元详情>>
答:小分子化学药的发现、研发及生产详情>>
目前黄金概念主力资金净流入9.66亿元,涨幅领先个股为晓程科技、曼卡龙
5月20日有色冶炼加工概念主力资金净流入8.48亿元 电工合金、章源钨业涨幅居前
今日养鸡概念在涨幅排行榜位居第4,春雪食品、立华股份等股领涨
知行合一
全球监管动态 | AI制药应注意哪些风险?
欧洲药品管理局发表文章,强调需要全面评估AI应用于新药开发的风险
继美国FDA在今年5月发表两篇论文,阐述该机构对人工智能(AI)和机器学习(ML)在药物研发和制造方面应用的看法之后,欧洲药品管理局(EMA)也在近日发表文章,阐述了EMA对AI和ML在医药产品开发过程中的应用的看法。EMA的文章在指出AI/ML巨大潜力的同时,也提醒开发商需要对这一技术的风险进行全面的评估。
文章指出,AI/ML工具如果正确使用,能够有效支持数据的获得、处理、分析和解释,可以在医疗产品的整个生命周期中发挥作用。比如,在临床前开发阶段,AI/ML的应用不但可以增强数据分析的能力和表现,而且AI/ML模拟策略可能替代、减少或者精细化实验动物的使用。在精准医疗方面,AI/ML可以基于疾病特征、患者基因型、以及广泛的生物标志物和临床指标,进行患者筛选、给药剂量选择,从头设计产品变体或者从已经制造的变体文库中选择合适的产品。
然而,基于海量的训练数据和不完全透明的训练模型构架的AI/ML技术可能带来新的风险因素。这些风险因素需要在模型开发和应用的过程中得到消除,从而确保患者的安全和临床研究结果的完整性。比如,在训练数据的收集和清理过程中,应致力于获得均衡的训练数据集,并考虑对罕见群体增加取样。
为了加强公平性、可靠性和预防偏倚,在其它条件相同的情况下,使用透明模型(transparent models)是首选。不过EMA也指出,目前最强有力的几种AI/ML模型构架如何从输入数据中得到结果的详细过程仍然未得到澄清。如果开发商给出足够的证据表明透明模型的能力或表现不足,使用这类“黑箱”型的AI/ML模型也可以接受。
整体来说,为了建立对AI/ML工具的有效性、可靠性和公平性的任,以人为中心的方法应该指导AI和ML的所有开发和部署。这不仅要求在数据收集和建模过程中采取主动措施,还要求在AI/ML工具被用户或患者使用时,将用户和患者报告的结局和经验指标纳入AI/ML工具的评估中。
参考资料
[1] Reflection paper on the use of Artificial Intelligence (AI) in the medicinal product lifecycle. Retrieved July 21, 2023, from
[2] EMA to drug developers on AI: Carry out thorough risk assessments. Retrieved July 21, 2023, from
内容团队编辑
本文来自药明康德内容团队,欢迎转发,谢绝转载到其他平台。
免责声明药明康德内容团队专注介绍全球生物医药健康研究进展。本文仅作息交流之目的,文中观点不代表药明康德立场,亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导,请前往正规医院就诊。
⤵️喜欢我们的内容,欢迎关注 ,或者点赞、分享给其他读者吧!
分享:
相关帖子