临床试验正在经历变革。人工智能(AI)的创新应用正在解锁更好的洞察。监管机构支持基于风险的方法，聚焦关键问题。在这个演进期，赞助商和CRO需要选择正确的解决方案和合作伙伴，以帮助研究持续提升。
ICH E6(R3)标志着临床试验规划和执行的重大转折点。监管机构希望赞助商识别关键质量因素(CtQ)，有针对性地监测这些因素，并展示批判性思维。当今的风险基础质量管理(RBQM)应该是一个动态的操作过程——随着数据的收集和处理而持续审查和调整，确保风险与比例性始终处于监控范围内。
这一持续过程可以通过智能AI的使用得到增强。机器学习和深度学习(DL)等工具也能革新以往劳动密集型的数据管理工作。关键是为工作选择正确的工具。
阻碍研究提升的挑战
传统临床试验执行中存在几个阻碍研究提升的挑战。过时的运营模式依然存在，包括强调标准每周频率的传统现场监查方法、不会产生预期结果的过度设计自动查询和编辑检查，以及功能重叠/冗余的数据审查流程，多个审查者在没有一致性的情况下寻求验证相同的数据点。
手动列表审查极其耗费资源，数据管理人员不得不花费大量时间进行低价值的调查。还可能与试验点之间产生大量来回沟通，导致周期时间增加、更高水平的返工和数据协调瓶颈，威胁数据库锁定。
同样，医疗和安全审查通常是一个静态的手动练习。虽然合适的工具可以整合和改进审查，但过于频繁使用的临时或不适当的工具会延迟行动，缺乏可追溯性和可扩展性，并提供无法反映数据监查人员工作方式的通用分析。
医疗编码是另一个成本高且耗时的过程。然而，当前的自动编码工具对自由文本术语的准确率仅为50%。
随着我们在技术、自动化和AI方面的进步，是时候打破旧技术与流程，注入一种新的工作方式，推动和谐且符合上下文的操作，以实现积极主动且有效的方法来满足ALCOA+原则。
解决方案1：操作性RBQM
有效的RBQM不是关于某一特定工具、某一特定流程或团队对更新法规和最佳实践的解释。有效的RBQM取决于这些因素之间的和谐，例如将研究层面的风险检测和中央分析与现场层面的优先排序和行动连接起来，以便更早地发现问题，在最关键的地方集中监查，并以信心展示符合ICH E6(R3)/E8(R1)的监督。
这种操作方法有三个关键要素：
- 部署未来状态运营模型的跨职能利益相关者一致
- 对支持驱动更新目标和关键结果的待实施/未来状态业务流程和技术堆栈进行适当评估
- 制定变革管理和战略计划，实施必要的组织变革，推动适应/扩展公司管线和组织目标的RBQM运营模型
如果我们真正想颠覆和演进传统的研发实践以提高质量和效率，我们必须专注于用新技术(如关键数据审查/SDR/适应性监查计划)正确替代无价值活动(如SDV/常规访问)。这包括仔细审视利用AI和高级统计方法，并以此作为驱动力，激活中央监查、现场监查和数据管理活动。
这也包括关注对研发资源的适当再培训和技能提升，特别是提供场景和/或模拟相关培训，以便我们确认传统模型正在淡出，允许更高质量/更有效的流程来证明结果可以实现。
通过采用这种演进方法，赞助商和CRO可以在问题成为方案偏离或检查发现之前标记新兴问题，授权更有针对性的SDR，并在单一、符合审计要求的环境中捕获所有证据，提供清晰的检查叙述。
解决方案2：有效的数据管理工具
AI和集成平台可以在三个关键领域转变我们审查和管理数据的方式——手动列表审查、医疗编码以及医疗和安全审查。
在列表审查中，智能查询检测从根本上将管理从耗时的手动调查转变为自信的确认。经过验证的代理式AI具有经过验证的精确度和召回率，可以识别真正的差异，精确度超过80%，消除了在非问题上花费的时间。深度优先方法还确保努力集中在最可能发生延迟的地方。这些基于证据的发现减少了主观解释和变异性，缩短了查询周期时间，提高了查询接受率，并降低了对数据库锁定的关键路径风险。为确保符合审计要求的执行，所有工作流程应符合21 CFR Part 11要求，对所有AI辅助输出具有完整的可追溯性和记录推理。
智能医疗编码利用DL的力量，可以为不良事件和伴随药物生成自动医疗编码建议，准确率高达99%。DL医疗编码工具还被证明可以自动处理WHODrug和MedDRA词典的定期更新，对于全新词典术语的准确率可达80%。结果如何？减少手动工作，加速并标准化医疗编码，同时不损害质量和合规性。改进的数据质量控制还可以提高医疗和安全审查等活动的数据完整性。
对于医疗和安全审查，将整合的临床数据和医疗审查信号与优先行动和可追溯的跟进连接起来，使医疗监查员和安全审查员能够更早地发现问题，并有信心展示符合审计要求的合规性。通过提供对刷新临床数据的近实时访问，配合审查规则和患者标志来优先关注新兴问题，经过验证的平台可以减少患者暴露，并通过记录的审查流程和持续监督的明确证据，提高审计准备度，符合ICH-GCP期望。
结论
临床试验让我们能够解锁新发现，改善全球人民的健康。但是，要继续创新，赞助商和CRO需要与能够利用AI和高级统计学最新进展的合作伙伴合作，帮助他们将这些技术纳入标准运营模式以驱动结果，并授权经过技能提升的资源在试验设计和执行的每个阶段展示批判性思维。
通过这样做，他们可以运行更智能的临床试验，为全球患者带来更可靠的结果，并确保研究持续提升。
关于作者
Ken McFarlane，CluePoints战略咨询副总裁，在临床试验研发领域拥有24年工作经验。其中12年在赞助商和CRO内担任各种临床运营角色，主要专注于监查、项目管理和临床试验监督。另外12年，Ken一直在临床试验技术供应商工作，致力于创新和简化临床试验流程，使赞助商、CRO、试验点和他们服务的患者受益。
【全文结束】
