인공지능은 의약품 안전 및 규제 관행에 어떤 영향을 미칠까요?

지금까지는 생명과학 연구 개발 목적, 예를 들어 이상반응(AE) 보고 방식 혁신 등에 필요한 지능형 자동화 시스템을 검증하고 완벽한 기능으로 끌어올리는 데 막대한 노동력이 투입되어야 했기 때문에 사업적 타당성이 약화되어 왔습니다. 

이러한 장애물들은 이제 제거되고 있으며, 생성형 인공지능을 구동하는 대규모 언어 모델(LLM)을 통해 규정 준수가 강화되고 있습니다.

제약 업계는 이 AI 기술을 통해 100년에 한 번 있을까 말까 한 기회를 잡을 수도 있지만, 그러기 위해서는 기술을 확장하고 해당 업계가 직면한 특수한 어려움을 해결해야 합니다.

무엇이 가능해질 수 있을까요?

머신러닝과 대규모 언어 모델 덕분에 신약 검색이 빨라졌을 뿐만 아니라, 보다 효율적인 임상 연구와 규제 기관의 승인 절차도 신속해져 매우 집중적인 마케팅 자료를 제작할 수 있게 되었습니다. 

생성형 인공지능으로 인해 제약 산업의 거의 모든 측면이 변화하고 있으며, 이는 비즈니스 운영 방식의 규범을 바꾸고 수십억 달러 규모의 가치를 창출할 가능성을 내포하고 있습니다.

맥킨지 글로벌 연구소(MGI)의 추산에 따르면, 이 기술은 제약 및 의료 제품 산업에 연간 600억 달러에서 1100억 달러에 달하는 수익을 가져다줄 수 있을 것으로 예상됩니다. 

주된 이유는 해당 기술이 신약 후보 물질을 찾는 과정을 가속화하고, 신약 개발 및 승인 절차를 신속하게 처리하며, 마케팅을 강화함으로써 생산성을 향상시킬 수 있기 때문입니다.

가능성은 규제 당국이 이해할 수 있는 방식으로 "맥락 내" 학습, 내러티브 추론 및 자발적 데이터 발견을 활용하는 데 있습니다. AI 전문가인 라메시 라마니와 라비칸트 발리가리는 제약 제조업체에서의 잠재적 응용 분야에 대해 논의했습니다.

의약품 안전성 분야에서 효율적인 데이터 변환을 위한 AI

안전 모니터링과 같이 다양한 형식으로 여러 출처에서 수집된 대량의 데이터의 경우, 주목할 만한 결과를 취합하고 유용하게 활용하려면 상당한 행정 작업이 필요합니다. 

머신러닝과 인공지능 분야의 최신 기술 발전은 이러한 분야에 상당한 프로세스 혁신 잠재력을 제공합니다. 효율성 향상뿐 아니라 정확도 또한 크게 높아질 수 있습니다. 단, 소프트웨어가 무엇을 찾아야 하는지 정확히 이해해야 합니다.

이러한 격차를 해소하고 중요한 생명 과학 연구 개발 프로세스에서 고급 자동화를 안전하고 신뢰할 수 있는 현실로 만들기 위해, 그리고 무엇보다 지속적이고 힘든 감독 없이 구현하기 위해, GenAI 도구가 참조하는 방대한 데이터 뱅크인 LLM과 검색 증강 생성(RAG)과 같은 고급 자연어 처리(NLP) 기술이 현재 적용되고 있습니다. 

간단히 말해, RAG는 LLM이dent데이터와 공개 정보를 결합할 수 있도록 함으로써 AI 모델에 더 큰 지식 기반과 맥락을 제공하여 AI 모델을 더욱 세밀하게 조정할 수 있도록 합니다.

LLM-RAG 솔루션을 통한 데이터 수집 개선

지금까지 머신러닝 솔루션의 가장 큰 문제점은 학습 부담이었습니다. 하지만 이제 LLM(Learning Language Modeling)을 활용하면 단일 기술 솔루션으로 모든 변형된 입력값을 처리할 수 있어, AI 모델이나 알고리즘에 무엇을 찾아야 하는지, 또는 어떤 것이 무엇을 의미하는지 학습시킬 필요가 없어집니다. 

LLM(법학 석사)에게 표준 운영 절차를 이해하기 쉬운 언어로 안내할 때 RAG 패턴은 매우 유용할 수 있습니다. 이렇게 하면 시스템이 각 양식마다 고유한 설정을 할 필요 없이 수천 가지의 다양한 양식을 처리할 수 있습니다.

LLM-RAG 기술을 적용하여 이상반응 사례 입력값을 변경하면 초기 임상시험에서 최대 65%의 효율성 향상과 90% 이상의 데이터trac품질 및 정확도 향상을 가져올 수 있음이 입증되었습니다. 이는 놀라운 잠재적 효과를 가지고 있습니다. 이 시스템은 현재 안전성 사례 스토리 개발을 위해 생성하는 요약 정보에서 80~85%의 일관성을 보이고 있습니다. 이는 과거 노출 이력이 전혀 없는 상태에서 처음부터 시작했을 때의 결과입니다.

실제로 이는 제약 회사들이 가장 어려운 데이터 기반 운영 중 일부를 크게 단순화할 수 있는 토대를 제공합니다. 

과거에는 규정 준수나 신뢰성에 대한 우려로 인해 스마트 자동화 도입이 지연되었지만, 이제는 이러한 문제를 직접적으로 해결하고 생산성과 효율성을 눈에 띄게 향상시키는 새로운 버전의 기술을 도입하려는tron열망이 대두되고 있습니다.

"변화를 위한 추진력을 구축하려면 조직은 차세대 AI 활용 사례의 도입을 주도하고 그 가치를 입증할 수 있는 얼리 어답터 팀을 구성해야 합니다." 맥킨지-