基于风险的人工智能工具治理,在健康相关的暴露限值计算中应用

《Regulatory Toxicology and Pharmacology》:Risk-based governance of AI-tools used in health-based exposure limit derivation

【字体: 大 中 小 】 时间:2026年10月14日 来源:Regulatory Toxicology and Pharmacology 4.3

编辑推荐:

  •HBEL(基于健康的风险评估限值)的制定是一种科学成果,而非GxP(药品生产质量管理)记录;附件11/22的相关要求应相应适用•在HBEL工作中,可靠的人工智能支持依赖于对源数据的准确检索、解析和符合规范的提取•虽然人工智能提高了数据检索效率,但也可能引入幻觉、虚假流畅性以及数

  
  • •
    HBEL(基于健康的风险评估限值)的制定是一种科学成果,而非GxP(药品生产质量管理)记录;附件11/22的相关要求应相应适用
  • •
    在HBEL工作中,可靠的人工智能支持依赖于对源数据的准确检索、解析和符合规范的提取
  • •
    虽然人工智能提高了数据检索效率,但也可能引入幻觉、虚假流畅性以及数据检索遗漏等新的错误模式
  • •
    无论是否使用人工智能,专家毒理学家的审核仍然是主要的质量控制手段
  • •
    提出了一种分层的验证框架,该框架根据人工智能在HBEL制定中的功能角色进行调整

引言

职业暴露限值(OELs)和允许的每日暴露量(PDEs),也称为可接受的每日暴露量(ADEs),是根据毒理学和药理学数据制定的健康保护限值(HBELs),旨在防止人类受到意外的化学物质暴露。OELs定义了保护工人免受慢性或急性职业暴露的空气浓度限值,而PDEs则代表了制药生产中为防止交叉污染而设定的每日剂量限值,确保一种药物成分在后续产品中的微量残留不会对患者构成风险(EMA,2014;ISPE,2017;ASTM,2025)。尽管这两种限值的应用背景不同,但它们的制定逻辑是相同的:系统地审查所有相关的毒理学和药理学数据;确定一个起点(POD),例如无观察到的不良效应水平(NOAEL)或最低人类治疗剂量;并应用调整因子(AFs)来考虑物种间的差异、个体差异、数据集的不确定性(Dankovic等人,2015;Sussman等人,2016)以及药代动力学特性(Reichard等人,2016)。
得出的数值——OELs以mg/m3表示,PDEs以mg/天表示——被认为是针对相关暴露情景和人群的安全限值,目前是GMP制药生产和职业卫生监管风险管理的核心输入。制定过程需要专家判断,整合了异构的数据源,并且资源密集。大型制药制造商和合同制造组织可能需要为其产品组合制定并维护数百个PDEs,除了活性成分和加工材料的OELs之外,这给内部和外部的监管毒理学资源带来了巨大压力。2014年欧盟GMP第3章和第5章的修订,以及EMA关于设定基于健康暴露限值的指南(EMA,2014),正式确立了毒理学评估在交叉污染风险管理中的必要性,随后的EMA问答进一步明确了对HBEL质量和文档的期望(EMA,2018)。这一监管演变不仅扩大了对合格HBEL评估的需求,也增加了对其科学合理性和透明度的审查。
在这种背景下,人工智能(AI)和机器学习越来越多地被探索作为支持HBEL制定的工具。正如Hartung(2023)所指出的,已经可以实现能够以学生水平理解科学文献的AI系统,这为实现能够系统地消化毒理学数据库、监管文件和灰色文献的工具提供了现实的可能性,而这些都是人类审查所固有的认知限制无法实现的。对于管理大量化学物质的HBEL项目,这些工具有望提高文献检索、数据完整性、方法一致性和效率。同时,AI的集成引入了新的故障模式,包括引用内容的幻觉、研究结果的错误归因以及产生看似合理但不准确的叙述,这些在传统的手动制定过程中并不存在,并且直接影响了对HBEL输出结果的监管信心。
监管机构和行业已经开始明确对AI在制药领域应用的期望,特别是在GMP生产和质量系统中。EMA的附件22草案(EMA,2024b)和对附件11的修订(EMA,2024a)表明,在GxP环境中使用AI和计算机化系统时应采取风险 proportionate(根据风险调整)的方法,强调治理、透明度和人类监督。FDA关于使用AI支持药物和生物产品监管决策的指南(FDA,2025)同样侧重于可信度评估原则、模型性能和专家责任的保持。与此同时,ICH M7(ICH;2023)为计算机化系统的模拟致突变性评估建立了基于模型鉴定的先例,表明监管机构对预测工具的接受可以基于有针对性的鉴定、定义的应用领域和透明文档,而不是通用的验证范式。行业立场文件,如EFPIA关于GMP/制造中AI的指南(EFPIA,2024),进一步倡导基于风险的、情境敏感的验证策略。
在HBEL制定中的核心监管问题是,AI辅助需要满足哪些条件才能在其科学合理性和监管可接受性方面保持一致。具体来说,本文要解答的问题是:鉴于已建立的HBEL专著的质量框架和GMP风险比例性,用于HBEL制定的AI系统应具备什么水平的验证和治理?这一答案对评估申办者和服务提供商的HBEL项目的监管机构,以及希望现代化HBEL流程而不增加不必要验证负担或削弱对其限值信心的人来说具有实际意义。
为了解决这个问题,本文首先描述了独立于制定方法的HBEL文档的质量支柱,这些支柱基于Olson等人(2016)提出的项目级要求以及Sehner等人(2019, 2024)提供的可靠性概念和案例分析。然后,系统地分析了Sehner等人(2019)描述的五步制定工作流程中每个阶段AI辅助的质量影响,确定了AI可以在哪些方面提高质量、哪些地方会出现新的风险,以及专家毒理学家的判断在哪些地方是不可委托的。最后,基于EMA附件11和附件22草案、FDA的AI指南、ICH M7以及行业实践,本文提出了一种分层的、基于风险比例的AI工具验证框架,该框架基于监管逻辑而非过度合规性。在整个过程中,HBEL的质量主要是数据完整性、专家判断和严格的机构审查的问题,而AI被视为在这个既定的监管毒理学范式中的一个潜在有价值的但从属的组成部分。

章节摘录

基础质量支柱

科学和行业文献描述了一组定义可靠HBEL专著的质量支柱,这些支柱与用于制定的计算工具或方法无关。Olson等人(2016)在基础性协调工作中,确定了适用于任何ADE/PDE确定的六个项目级质量要求:科学合理性和可辩护性;具有适当表征的不确定性的足够数据集稳健性;遵循当前的标准……

AI辅助在HBEL制定工作流程中的影响:质量意义

Sehner等人(2019)描述了PDE制定的五个连续步骤:(1)健康危害的识别和表征;(2)关键效应及其剂量-反应的确定;(3)POD的选择;(4)通过应用适当的调整因子(AFs)和药代动力学调整来计算PDEs;(5)最终PDE的选择和文档的生成。这些步骤为评估AI辅助如何与HBEL相互作用提供了有用的分析结构

GxP边界和HBEL制定

AI辅助HBEL制定的基础监管问题是,哪种治理框架适用于其在这种环境中的使用。EudraLex第4卷附件11管理用于GxP活动的计算机化系统,即直接在制造、质量控制或质量保证操作中生成、修改、存储或传输GxP记录的系统。相比之下,HBEL制定是一种科学评估活动,它主要用于指导GxP决策,尤其是在清洁方面

可靠的数据检索、解析和结构化提取

对于AI支持的HBEL制定,关键的技术要求是将源材料可靠地检索并解析为保留毒理学相关意义的结构化格式。下游AI辅助的质量取决于是否正确识别了源文件的相关部分,是否准确提取了关键发现和限定条件,以及输出是否以毒理学家可以审查的受限制的形式表示。
这一点在……中尤为重要

未来考虑

监管毒理学的基本原则是,任何基于健康的暴露限值的有效性完全取决于基础证据的质量和完整性。随着AI工具被整合到制定工作流程中,持续监控数据质量成为进行合理毒理学决策的前提条件。在数据匮乏的情况或需要快速临时参考值的紧急情况下,传统的备用策略依赖于……

结论

基于健康的暴露限值(HBELs),包括允许的每日暴露量(PDEs)和职业暴露限值(OELs),在监管毒理学中占据核心地位,因为它们直接支持交叉污染控制、清洁验证和制药生产中的工人保护。关于HBEL质量的科学文献明确指出,这些限值的可靠性主要取决于数据完整性、专家判断的严谨性以及同行评审的稳健性

未引用的参考文献

欧盟委员会,2015a;欧盟委员会,2015b;ICH指南M7,2023;ICH指南Q3C,1月;ICH指南Q3D,4月;ICH指南Q3E草案;Sonawane和Baviskar,2025。

披露

作者未报告任何潜在的利益冲突。本文表达的观点仅代表作者本人,并不代表任何组织的官方立场。作者声明,他们没有为这项工作及其出版物获得任何财务支持。
Ester Lovsin Barle
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号