إدارة الغذاء والدواء تختبر الذكاء الاصطناعي لمراقبة التجارب السريرية عن كثب، ومراجعة الأدوية تبدأ التحول نحو عصر الإشارات الفورية

عندما يدخل دواء ما مرحلة التجارب على البشر، لا تقتصر الكلفة الحقيقية الباهظة على تجنيد المرضى وانتظار النتائج، بل تشمل الوقت نفسه. فإذا ظهرت إنذارات السلامة في وقت متأخر جدًا، يتحمل المرضى المخاطر؛ وإذا دُفنت مؤشرات الفعالية داخل بيانات متفرقة، فقد تسلك عمليات البحث والتطوير والمراجعة طريقًا أطول. وتُدخل إدارة الغذاء والدواء الأميركية (FDA) الآن أدوات الذكاء الاصطناعي وعلوم البيانات إلى هذه المنطقة الرمادية، في محاولة لجعل التغيرات في التجارب السريرية أقرب إلى أن تكون مرئية في الوقت الحقيقي.

وفقًا لتقرير Axios، أطلقت FDA برنامجًا تجريبيًا للذكاء الاصطناعي وعلوم البيانات يُستخدم لتتبع إشارات السلامة والفعالية في التجارب السريرية في الوقت الحقيقي. وتشمل عملية إثبات المفهوم هذه حاليًا حالتين من حالات تطوير الأدوية: دواء أسترازينيكا للّيمفوما، ودواء أمجن لسرطان الرئة صغير الخلايا. وبناءً على المعلومات المتاحة علنًا حتى الآن، لا يزال الأمر تجربة مبكرة، وليس إعادة كتابة شاملة لقواعد المراجعة التنظيمية.

يكمن الاستخدام الأساسي لهذا النوع من الأدوات في تحويل البيانات التي تتراكم باستمرار أثناء التجارب السريرية إلى إشارات أبكر يمكن فحصها. على سبيل المثال، ما إذا كانت الأحداث الضارة تتجمع لدى فئات محددة من المرضى، أو ما إذا كانت بعض مؤشرات الفعالية تُظهر اتجاهات مبكرة، أو ما إذا كانت فجوات البيانات تؤثر في التفسير. وبالنسبة إلى تجارب السرطان، تكون هذه الأسئلة حساسة على نحو خاص، لأن المشاركين غالبًا ما تكون حالاتهم المرضية ملحة، كما أن تصميم التجارب كثيرًا ما يتأرجح بين الأمل في الفعالية وحدود السلامة.

لكن المراقبة الفورية لا تعني الوصول إلى استنتاج فوري. تستطيع نماذج الذكاء الاصطناعي المساعدة في تنظيم البيانات ووسمها والتنبيه إلى الشذوذ، لكنها لا يمكن أن تحل محل الحكم السريري والتصميم الإحصائي والمسؤولية التنظيمية. فإذا كانت البيانات نفسها غير مكتملة، أو كانت فئة المرضى صغيرة جدًا، أو لم تكن نقاط النهاية في التجربة قد نضجت بعد، فقد يحول الخوارزم بسهولة الضجيج إلى إشارة؛ وفي المقابل، قد يؤدي افتراض النموذج إلى التقليل من شأن مشكلة سلامة نادرة لكنها مهمة.

وهنا تكمن الدلالة المؤسسية لهذه الخطوة من FDA. فإذا أرادت الجهة التنظيمية استخدام الذكاء الاصطناعي في مسار المراجعة، فلا يكفي أن تسأل عما إذا كانت الأداة دقيقة، بل يجب أن تسأل أيضًا كيف جرى التحقق منها، ومن يفسر مخرجاتها، وتحت أي شروط تُفعّل إجراءات لاحقة، وما إذا كان بإمكان شركات الأدوية والمراجعين تتبع الأساس الذي استند إليه النموذج في إصدار التنبيه. فبيانات التجارب السريرية تمس سلامة المرضى والموافقة على الأدوية، ولذلك سيكون من الأصعب التنازل عن الشفافية وقابلية التدقيق مقارنة بأدوات الكفاءة العامة.

بالنسبة إلى شركات الأدوية، إذا نضجت هذه الأساليب في المستقبل، فقد تغير وتيرة إدارة التجارب والتحضير لتقديم الملفات التنظيمية. فقد تتمكن فرق البحث والتطوير من اكتشاف المخاطر التي تحتاج إلى تعديل في وقت أبكر، وقد تقلل أيضًا فترات الانتظار في تنظيف البيانات وتحليل الاتجاهات والتواصل مع الجهات التنظيمية. لكنها لن تؤدي بالضرورة تلقائيًا إلى تقصير كل تجربة؛ فما يحدد الجدول الزمني فعليًا لا يزال يشمل التاريخ الطبيعي للمرض، وسرعة نضج نقاط النهاية، وتجنيد المشاركين، وما إذا كانت الأدلة كافية لدعم الفائدة السريرية.

المعلومات المتاحة حاليًا عن الحدث نفسه محدودة، ولا توجد بعد تفاصيل كافية للحكم على نوع النماذج التي تعتمدها FDA، أو مصادر بيانات التدريب، أو نتائج التحقق، أو عتبات القرار المحددة. لذلك فإن أهم إشارة في هذه التجربة ليست أن الذكاء الاصطناعي بات قادرًا على تولي إدارة التجارب السريرية، بل أن تنظيم الأدوية في الولايات المتحدة يختبر على أطراف سير العمل الرسمي إدخال تحليل البيانات الفوري. وإذا أثبتت التجربة قابليتها للتطبيق، فقد لا تقتصر مراجعة الأدوية الجديدة مستقبلًا على النظر في حزمة بيانات مكتملة بعد انتهاء التجربة، بل ستولي أيضًا اهتمامًا أكبر لكيفية رؤية البيانات وتفسيرها والتعامل معها أثناء سير التجربة.