Regulatory Life Cycle

Post-Market Surveillance (PMS) und Pharmakovigilanz (PV) sind die regulatorisch vorgegebenen Prozesse zur Beobachtung und Risikobewertung von Medizinprodukten bzw. Arzneimitteln auf dem Markt. PMS und PV umfassen Aktivitäten zur Bewertung wissenschaftlicher Erkenntnisse (Publikationen, Klinische Studien) sowie zur Erkennung und Analyse sowie zur Vorbeugung von unerwünschten Wirkungen („adverse events“) oder anderen Problemen im Zusammenhang mit Medizinprodukten und Arzneimitteln. Dazu sammeln, analysieren und bewerten Unternehmen „relevante Daten“ und unterziehen sie einer Ursachenforschung und Risikobewertung.

Post-Market Surveillance und Pharmakovigilanz sind komplexe Aufgaben, die mit Hilfe von KI-basierten Lösungen effizienter gestaltet werden können. Natural Language Processing und Deep Learning können dabei helfen, relevante Daten aus unterschiedlichen Datenquellen – aus Meldeportalen für Vorfälle in der Anwendung, Datenbanken für wissenschaftliche Publikationen und klinische Berichte etc. – zu extrahieren und Risiken frühzeitig zu erkennen. Insgesamt lässt sich mit derartigen Methoden die Komplexität von PMS und PV deutlich reduzieren.

KI für die Marktbeobachtung – besser suchen, mehr finden

Das Projekt „SmartVigilance – Regulatorische Compliance durch KI-basierte Umfeldüberwachung in der Medizintechnik“ (BMBF, FKZ 01IS20028A-C) entwickelt eine Plattform für die Suche und Analyse von Daten im Rahmen der Post-Market Surveillance. Mit „PV RADAR – KI-basierte Datenplattform für Pharmakovigilanz“ (BMBF, FKZ 01I24046A-D) entsteht eine vergleichbare Lösung für die Pharmakovigilanz. Die Ausgangslage ist dieselbe: Datenbanken, die im Rahmen der PMS konsultiert werden müssen, enthalten in der Regel natürlichsprachige Texte (Publikationen) sowie semi-strukturierte Informationen zu vergangenen medizintechnischen Vorfällen in Form von natürlichsprachlichen Texten; ebenfalls vorhanden sind zusätzlich klassifizierende Attribute (globale Produkt-ID, Produktname, Hersteller, Art des Incidents, Produktgruppe, …). Mit Text Mining-Methoden lassen sich diese Datenbestände semantisch erfassen und auf einschlägige terminologische Standards abbilden: Texte zu medizintechnischen Produkten werden in Paragrafen, Sätze, Wörter und Konzepte (mittels Terminologieabgleich) segmentiert. Die daraus resultierenden Merkmale werden für das Training von KI-Modellen und für die Klassifikation im Rahmen der PMS oder PV eingesetzt. Durch neuronale Netze können die Texte verarbeitet werden. Dabei kommen Sprachmodelle zum Einsatz, die auf medizinische Datenbanken trainiert wurden. Informationen werden also mit KI aus unstrukturierten, natürlichsprachlichen Texten automatisiert extrahiert. Sie können zusätzlich noch mit strukturierten Daten kombiniert werden, also mit Daten z.B. zu Wechselwirkungen, Dosierungen, Population, Alter, Indikation etc. Dies ist v.a. für PV von zentraler Bedeutung, da hier die Datenkomplexität besonders hoch ist. Dafür eignen sich sog. Large Language Models (LLM) wie ChatGPT oder PubMedBERT: Mit LLMs lassen sich nicht nur Fachtexte erstellen; es können auch vordefinierte Entitäten, Konzepte wie „Adverse Events“ und PICO-Parameter in Texten erkannt, klassifiziert und daraus extrahiert werden. Auch zur Ähnlichkeitssuche sind die Modelle geeignet.

Bei PV RADAR kommen zusätzlich Knowledge Graphen (KG) zum Einsatz. KG werden im medizinischen Bereich erfolgreich zur Arzneimittelforschung, insbes. zur Entdeckung neuer Mittel, bei der Ursachenforschung zu Krankheiten und der PV eingesetzt. Zur PV existiert ein KG, der mit einer Kombination verschiedener Terminologien und Ontologien angereichert wurde und der Interpretation anonymisierter Patientendaten aus dem FDA Adverse Event Reporting System dient. Suchergebnisse können zusätzlich mit sog. Recommender noch mit Empfehlungen kombiniert werden, also KI-basierte Hinweise z.B. auf Publikationen, die ähnliche oder weiterführende Informationen enthalten. Derartige „Empfehlungen“ sind jedem Nutzer von Online-Shops bekannt.