薬剤情報および臨床試験プロトコルの規制適合性を評価するためのリトリーバルの拡張生成 (RAG)

科学分野:

• 薬理学と毒理学について
• 医療における人工知能
• 規制科学 規制科学とは

背景:

• 医薬品情報と臨床試験プロトコルの評価は,規制の遵守のために複雑です.
• 大型言語モデル (LLM) は潜在的可能性を示していますが,ドメイン特有の強化が必要です.
• 検索拡張生成 (RAG) は,LLMのパフォーマンスを改善するために外部知識を統合します.

研究 の 目的:

• 規制の遵守を評価するための検索強化型生成型 (RAG) 人工知能 (AI) 方法の評価.
• 薬物の情報をFDAの臨床薬理学ガイドラインと比較して評価する.
• 臨床試験のプロトコルをFDAのE9およびE9 (R1) ガイドラインに照らして評価する.

主な方法:

• 統合されたRAGとLLMシステムが開発されました.
• 5種類の医薬品の医薬品情報は,FDAのガイドラインに準拠しているかどうかを分析した.
• 3つの薬物の離脱の理由が提示されました.
• RAGシステムを使用して,フェーズ-2a臨床試験プロトコルが評価されました.

主要な成果:

• RAGシステムは,薬剤の指示,集団,および警告を正確に特定しました.
• FDAのガイドラインの遵守が確認され,欠陥が説明されました.
• 薬物離脱の原因が明らかになった.
• 臨床試験プロトコル要約と統計分析計画が正確に作成されました.
• マニュアルレビューと相関する結果.

結論:

• RAGベースのAI方法は,ドキュメント制限の設定でLLMのユーティリティを強化します.
• RAGは,臨床薬理学文書の適合性を評価するための有望なアプローチです.
• AIは,規制審査プロセスのスケーラブルなソリューションを提供します.