人工智能将对药物安全和监管实践产生哪些影响？

到目前为止，由于需要投入大量人力来验证智能自动化系统并将其功能提升至生命科学研发目的所需的全部水平（例如，改变不良事件 (AE) 报告），因此其商业合理性受到了削弱。. 

这些障碍现在正在被消除，而驱动生成式人工智能的 LLM（大型语言模型）正在加强合规性。.

制药企业或许能凭借这项人工智能技术迎来百年一遇的机遇——但前提是他们能够扩大规模并应对该行业面临的特殊困难。.

哪些事情可以实现？

机器学习和大型语言模型使得快速搜索新药成为可能，同时临床研究也更加有效，监管机构的审批速度也更快，从而产生了极具针对性的营销材料。. 

由于生成式人工智能的出现，制药行业的几乎每个方面都在发生变化，这也改变了商业运营的规范，并可能释放数十亿美元的价值。.

根据麦肯锡全球研究院 (MGI) 的估计，这项技术每年可为制药和医疗产品行业带来 600 亿美元至 1100 亿美元的收入。. 

这主要是因为该技术可以通过加速发现可能成为新药的化合物、加快这些药物的开发和审批以及增强其市场营销来提高生产力。.

可能性在于以监管机构能够理解的方式运用“情境式”学习、叙事外推和自发数据发现。ArisGlobal 人工智能专家 Ramesh Ramani 和 Ravikanth Valigari 探讨了其在一家制药企业的潜在应用。

人工智能在药物安全领域实现高效数据转换

例如，当大量数据以各种格式存在，并且来自许多来源时，比如安全监控，就需要大量的管理工作来汇编任何值得注意的发现并使其有用。. 

机器学习和人工智能的最新发展为流程转型提供了巨大的潜力。这不仅体现在效率方面，还体现在准确性的显著提高上——前提是软件能够理解它要查找的内容。.

为了弥合这些差距，使先进的自动化成为生命科学研发过程中安全可靠的现实——而且重要的是，无需持续、费力的监督——生命科学实验室模型（LLM）、GenAI 工具所引用的庞大数据库以及检索增强生成（RAG）等先进的自然语言处理（NLP）技术现在正在应用。. 

简而言之，RAG 通过使 LLM 能够将dent数据与公众可访问的信息相结合，为 AI 模型提供更大的知识库和上下文，从而更容易地微调 AI 模型。.

通过 LLM-RAG 解决方案改进数据汇编

迄今为止，机器学习解决方案一直面临着训练负担过重的问题。但现在，借助逻辑学习模型（LLM），单一的技术方案即可处理所有类型的输入数据，从而无需训练人工智能模型或算法去识别目标或理解其含义。. 

在用简明易懂的语言指导LLM完成标准操作流程时，RAG模式非常有用。这样，系统就能处理成千上万种不同的表单，而无需为每种表单单独设置。.

研究表明，应用LLM-RAG技术改进AE案例输入，可使效率提升高达65%，并在早期试验中实现90%以上的数据trac质量和准确性提升。该技术具有巨大的潜在影响。目前，该系统在生成用于安全案例故事开发的摘要时，一致性已达到80-85%。而且，这还是在没有任何历史数据的情况下，从零开始实现的。.

事实上，它为制药公司大幅简化一些最困难的数据驱动型操作奠定了基础。. 

此前阻碍智能自动化技术普及的对合规性或可靠性的担忧，如今已被采用新技术的tron愿望所取代，这些新技术能够直接解决这些问题，并在生产力和效率方面带来可衡量的改进。.

“为了推动变革，企业应该组建早期采用者倡导者团队，以塑造新一代人工智能用例的部署并证明其价值。” 麦肯锡——