L'IA dans la production biopharmaceutique : on y est ?
This is the script the AI voices read, so it matches the audio word for word; times are from the render. Documenté, écrit et lu par des systèmes d'IA sous la direction de Jack Prior ; édition française traduite par l'IA à partir des épisodes anglais vérifiés. Sam et Sarah sont des personnages d'IA ; rien dans l'épisode n'est Jack qui parle, et rien n'engage ses opinions ni celles de son employeur. L'IA générative peut se tromper avec assurance — vérifiez les sources. Corrections : jack@jackprior.ai.
00:00 Narrator Voici On y est ? — un podcast sur l'évolution de l'IA dans la production biopharmaceutique, dirigé par Jack Prior. Un mot sur la façon dont il est fait. Cet épisode a été documenté, écrit et lu par des systèmes d'IA. Jack pose les questions et les cadres ; l'IA lit les documents et écrit la conversation que vous allez entendre, entre deux personnages d'IA : Sam, qui joue un praticien des sciences de la production, et Sarah, qui a lu les documents. Cette édition française est une traduction, par l'IA, des épisodes anglais. Rien de ce que vous entendez n'est Jack qui parle, et rien n'engage ses opinions ni celles de son employeur. Comme toute IA générative, elle peut se tromper — avec assurance, ou en manquant une nuance — ce qui est précisément le risque que cette industrie cherche à maîtriser, et précisément le sujet de cette saison. Vérifiez les sources avant de vous y fier. Les corrections sont les bienvenues à jackprior point A I. Place à l'épisode.
00:56 Sam Un site envoie un supplément à la FDA. Dedans, un capteur logiciel sur un bioréacteur de production, avec un dossier de validation de deux cents pages : architecture, données d'entraînement, exactitude, surveillance de la dérive, tout. La première question que renvoie l'évaluateur tient en une ligne. Quelle décision ce modèle prend-il, et sur quoi d'autre vous appuyez-vous pour la prendre ? Et l'équipe se rend compte qu'en deux cents pages, personne n'a écrit cette phrase. Les gens du procédé connaissent la réponse. La Qualité en connaît une autre. Les affaires réglementaires en ont écrit une troisième dans la lettre d'accompagnement.
01:32 Sarah Et cette phrase-là, c'est ce que le cadre de la FDA demande en premier, avant de demander quoi que ce soit sur le modèle. Sam, c'est le sujet de cet épisode.
01:40 Sam Le contexte d'utilisation. Allons-y.
01:43 Sam Sarah, la question, cette fois.
01:45 Sarah Quelle est la seule idée qui apparaît dans presque tous les documents de ce corpus réglementaire, et d'où vient-elle ? L'idée, c'est le contexte d'utilisation, et la réponse, c'est qu'elle vient des normes d'ingénierie pour les modèles informatiques de dispositifs médicaux, et qu'elle a maintenant été adoptée par la FDA pour l'IA dans les médicaments et les produits biologiques, et par l'ICH pour le développement de médicaments fondé sur les modèles. C'est ce que ce domaine a de plus proche d'une grammaire commune.
02:08 Sam La dernière fois, j'ai dit que l'IA générative et agentique est la raison d'être de cette saison, et qu'elle est arrivée plus vite que les règles. Le contexte d'utilisation, c'est là que ça se voit en premier. Pour un capteur logiciel, la décision qu'il éclaire est évidente. Pour un agent qui lit un dossier de lot et rédige le brouillon d'une investigation, la décision est répartie sur une douzaine de petits jugements et un humain à la fin. Le cadre que nous lisons ce soir a été construit pour le premier type de système. Nous allons voir jusqu'où il s'étire vers le second.
02:41 Sam Quels documents, et d'où viennent-ils ?
02:44 Sarah L'ancrage, c'est le projet de guidance de la FDA de janvier deux mille vingt-cinq, Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products, c'est-à-dire les considérations sur l'utilisation de l'intelligence artificielle à l'appui des décisions réglementaires pour les médicaments et les produits biologiques. Guidance d'autorité, couche deux. Elle est publiée par le centre des médicaments avec les centres des produits biologiques, des dispositifs et des médicaments vétérinaires, donc elle parle pour l'agence, pas pour un seul bureau. Sa maturité, c'est projet : le dossier de commentaires a fermé en avril deux mille vingt-cinq avec environ cent vingt commentaires, et c'est toujours un projet à cet été. Selon la règle maison de l'épisode précédent, cela en fait l'attente actuelle, pas une option.
03:26 Sam Et les voix.
03:28 Sarah Trois. La guidance de la FDA de novembre deux mille vingt-trois sur l'évaluation de la crédibilité de la modélisation computationnelle dans les soumissions de dispositifs médicaux, finale, là où le vocabulaire a d'abord été couché sur le papier pour les régulateurs. ICH M15 sur le développement de médicaments fondé sur les modèles, adoptée à l'étape quatre en janvier deux mille vingt-six, qui arrive aux mêmes termes par le côté de la pharmacologie clinique. Et le document de réflexion de l'EMA sur l'IA tout au long du cycle de vie du médicament, final depuis septembre deux mille vingt-quatre, qui utilise une paire d'axes différente. L'épisode dernier, c'était la tendance un, des modèles à l'IA avec la même logique en dessous. Ce soir, nous lisons la logique elle-même.
04:07 Sam Commençons par le haut. L'équipe de mon ouverture avait deux cents pages sur le modèle. Que veut la FDA en premier ?
04:13 Sarah Pas le modèle. La décision. Le projet expose un cadre en sept étapes, et les trois premières ne mentionnent jamais l'architecture ni l'exactitude. L'étape un, c'est la question d'intérêt : dans les termes du projet, la question, la décision ou la préoccupation spécifique à laquelle le modèle d'IA répond. L'étape deux, c'est le contexte d'utilisation, que le projet définit comme le rôle et le périmètre spécifiques du modèle d'IA utilisé pour répondre à une question d'intérêt. Le rôle, c'est ce que fait le modèle. Le périmètre, c'est s'il est le seul déterminant ou une entrée parmi d'autres. Le projet dit que le contexte d'utilisation devrait préciser si d'autres informations seront utilisées à côté de la sortie du modèle pour répondre à la question.
04:49 Sam Donc le périmètre, c'est la phrase que mon équipe n'a jamais écrite. Sur quoi d'autre vous appuyez-vous.
04:55 Sarah Exactement ça. Et il alimente l'étape trois, le risque du modèle, que le projet définit comme la combinaison de deux facteurs. L'influence du modèle : la contribution des preuves issues du modèle d'IA par rapport aux autres preuves qui y contribuent. Et la conséquence de la décision : la gravité d'un résultat indésirable découlant d'une décision incorrecte. Les deux sont évaluées indépendamment et combinées dans une matrice, la figure un du projet, et le risque du modèle augmente quand l'une ou l'autre augmente.
05:21 Sam Indépendamment. Dis-m'en plus, parce que je crois que c'est là que les gens se trompent.
05:26 Sarah Une note de bas de page du projet est explicite. La conséquence de la décision, c'est le résultat potentiel de la décision globale, en dehors du périmètre du modèle d'IA et indépendamment de la façon dont la modélisation est utilisée. Donc on évalue la conséquence en demandant à quel point une mauvaise réponse à la question serait grave, comme s'il n'y avait pas de modèle du tout. Puis on évalue l'influence en demandant à quel point la réponse repose sur le modèle. Si vous laissez la présence du modèle adoucir le niveau de conséquence, vous avez compté la même mesure d'atténuation deux fois.
05:54 Sam Et l'autre piège : les gens entendent risque du modèle et pensent, est-ce que mon modèle est risqué ? Mauvaises données, dérive, boîte noire.
06:04 Sarah Le projet ferme cette porte en une phrase. Le risque du modèle, c'est, je cite, la possibilité que la sortie du modèle d'IA conduise à une décision incorrecte pouvant entraîner un résultat indésirable, et non le risque intrinsèque au modèle. La qualité des données, la dérive et les limites du modèle sont de vraies préoccupations, mais elles relèvent de l'étape quatre, le plan de crédibilité, comme choses à démontrer. Elles ne sont pas des entrées du niveau à l'étape trois. Le niveau porte sur la décision.
06:27 Sam C'est une séparation nette et elle me plaît. Mon avis : c'est aussi ce qui rend le cadre utilisable en atelier. On peut graduer une décision avec le responsable du procédé et le responsable qualité en une seule réunion. On ne peut pas graduer un réseau de neurones en une réunion.
06:44 Sarah L'exemple clinique du projet montre le niveau à l'autre coin de la matrice. Le médicament A a un effet indésirable potentiellement mortel, et un promoteur propose un modèle d'IA pour décider quels participants à l'essai peuvent se passer de vingt-quatre heures de surveillance en hospitalisation. La phrase de périmètre du projet dit que seul le modèle d'IA sera utilisé pour déterminer qui est à faible risque. Seul déterminant, donc influence élevée. Un participant mal classé pourrait avoir la réaction chez lui, donc conséquence élevée. Risque du modèle élevé. Les trois mêmes étapes que l'exemple d'usine, réponse opposée, et la différence tient entièrement dans la phrase de périmètre.
07:17 Sam D'où vient ce vocabulaire ? Ça ne se lit pas comme de la réglementation pharmaceutique.
07:22 Sarah Ce n'en est pas, à l'origine. En deux mille dix-huit, l'American Society of Mechanical Engineers a publié sa norme V et V quarante sur la crédibilité des modèles computationnels pour les dispositifs médicaux. Ses sections deux, trois et quatre définissent la question d'intérêt, le contexte d'utilisation, et le risque du modèle comme influence fois conséquence. En novembre deux mille vingt-trois, le centre des dispositifs de la FDA a publié une guidance finale sur l'évaluation de la crédibilité de la modélisation computationnelle dans les soumissions de dispositifs. Son glossaire définit le contexte d'utilisation comme un énoncé qui définit le rôle et le périmètre spécifiques du modèle computationnel utilisé pour répondre à la question d'intérêt, et il dit qu'il reprend les concepts clés de la norme ASME mais fournit un cadre plus général.
08:04 Sam Et le projet de deux mille vingt-cinq le reprend.
08:07 Sarah Ouvertement. Une note de bas de page du projet dit que les concepts de haut niveau des étapes un à trois ont été inspirés de la norme ASME, sections deux, trois et quatre, et les applique à l'IA. Comparez les définitions des deux documents, et le contexte d'utilisation, l'influence du modèle, la conséquence de la décision et le risque du modèle sont presque mot pour mot les mêmes. Ce qui change, c'est le nom : modèle computationnel devient modèle d'IA.
08:29 Sam Et l'ICH y est arrivée séparément.
08:32 Sarah ICH M15, adoptée en janvier deux mille vingt-six, vient du développement de médicaments fondé sur les modèles, où les modèles sont surtout pharmacocinétiques et exposition-réponse, même si elle nomme aussi l'apprentissage automatique dans son périmètre. Sa section deux définit l'influence du modèle comme le poids prévu des résultats du modèle dans la prise de décision, compte tenu de la contribution de données ou de preuves supplémentaires. La conséquence d'une décision erronée, évaluée sur la gravité et la probabilité ensemble. Le risque du modèle, qui combine les deux, et M15 ajoute que lorsque les deux évaluations diffèrent, le risque peut être tiré par la plus influente des deux.
09:06 Sam Et le point du risque intrinsèque ?
09:08 Sarah M15 le fait aussi : le risque du modèle ne doit pas être perçu comme un risque intrinsèque à la modélisation et à la simulation. Même phrase que la FDA, autre plume. Et M15 donne au niveau le même travail : elle dit que le risque du modèle est déterminant pour fixer les exigences d'évaluation du modèle, et que l'évaluation devrait être proportionnée au risque du modèle. Graduer la décision, puis proportionner les preuves.
09:29 Sam Donc un scientifique de la production et un pharmacologue clinicien utilisent désormais les quatre mêmes mots pour les mêmes choses.
09:37 Sarah Avec une réserve. M15 a un quatrième terme, l'impact du modèle, qui désigne à quel point la stratégie de modélisation s'écarte des standards réglementaires. Ce n'est pas la même chose que le risque du modèle, et ce n'est pas la même chose que l'ancienne idée ICH d'un modèle à fort impact en production. Cette collision est le sujet du prochain épisode, alors ce soir, notez simplement que l'impact dans M15 est un axe différent.
09:57 Sam Où nous en sommes. Le cadre commence par la décision : la question d'intérêt, puis le rôle et le périmètre, puis le risque du modèle comme influence fois conséquence, la conséquence étant évaluée comme si le modèle n'existait pas, et le risque du modèle n'étant explicitement pas le risque propre du modèle. Et les mots viennent de l'ingénierie des dispositifs via le centre des dispositifs de la FDA, désormais partagés avec l'ICH. Maintenant, l'exemple que la FDA a choisi.
10:27 Sarah La FDA donne deux exemples travaillés, et l'un d'eux concerne la production. Le médicament B est un produit parentéral en flacon multidose. Le volume de remplissage est un attribut qualité critique pour la libération. Le fabricant propose un système d'analyse visuelle fondé sur l'IA qui fait une évaluation automatisée à cent pour cent du niveau de remplissage pour identifier les déviations. Étape un, la question d'intérêt, dans les termes du projet : les flacons du médicament B respectent-ils les spécifications établies de volume de remplissage ?
10:54 Sam Étape deux.
10:55 Sarah Rôle : le modèle analyse des images de flacons pour déterminer si une déviation de volume s'est produite. Périmètre : dans le cadre des essais de libération, une vérification indépendante du volume de remplissage est effectuée sur un échantillon représentatif de chaque lot, donc le modèle n'est pas le seul déterminant de la libération. Cette phrase sur l'échantillon, c'est le contexte d'utilisation qui fait son travail.
11:14 Sam Étape trois.
11:15 Sarah La conséquence d'abord, comme s'il n'y avait pas de modèle. Le volume est un attribut qualité critique ; libérer des flacons qui ne le respectent pas pourrait conduire à des erreurs médicamenteuses, le projet mentionne l'impossibilité de prélever le contenu indiqué sur l'étiquette ou la mise en commun de flacons pour constituer une dose. Conséquence de la décision : élevée. Puis l'influence. Parce que les essais de libération mesurent le volume de remplissage sur un échantillon, le projet dit que cela réduit l'influence du modèle, évaluée faible. Conséquence élevée, influence faible, risque du modèle moyen.
11:45 Sam Maintenant, retire l'essai sur échantillon. Même caméra, même exactitude, tout pareil.
11:50 Sarah Alors le modèle est le seul déterminant de la libération pour le volume de remplissage. L'influence devient élevée. La conséquence n'a jamais porté sur le modèle, donc elle reste élevée. Élevée et élevée, c'est un risque du modèle élevé, et les activités de crédibilité de l'étape quatre montent en proportion. Rien n'a changé dans le modèle. C'est l'architecture de la décision qui a changé.
12:10 Sam C'est la phrase que j'afficherais au mur. Garder un contrôle orthogonal en place, c'est la façon de faire baisser le risque du modèle. C'est le même mouvement que les essais en parallèle contre la méthode de référence dans l'ancien guide d'implémentation de l'ICH, et c'est le même réflexe derrière le langage de l'humain dans la boucle partout ailleurs. Et cela veut dire que la stratégie de validation la moins chère, ce n'est souvent pas un meilleur modèle. C'est un essai sur échantillon que vous alliez faire de toute façon.
12:39 Sarah Le projet est d'accord, à l'étape sept. Quand la crédibilité n'est pas suffisamment établie pour le risque du modèle, la première de ses cinq issues possibles est que le promoteur peut abaisser l'influence du modèle en intégrant des types de preuves supplémentaires. Ajouter un contrôle orthogonal est un levier de conception que le cadre vous tend.
12:56 Sam Donne-moi vite le reste des sept, et dis-moi pourquoi les exemples s'arrêtent.
13:01 Sarah Étape quatre : élaborer un plan d'évaluation de la crédibilité, décrivant le modèle, les données et l'entraînement, et la façon dont le modèle sera évalué. Étape cinq : l'exécuter, idéalement après en avoir discuté avec la FDA. Étape six : documenter les résultats dans un rapport d'évaluation de la crédibilité, y compris les écarts par rapport au plan. Le rapport peut entrer dans une soumission, ou être conservé et mis à disposition sur demande, par exemple lors d'une inspection. Étape sept : déterminer si le modèle est adéquat pour son contexte d'utilisation, avec les cinq issues possibles s'il ne l'est pas.
13:31 Sam Et pourquoi les exemples s'arrêtent-ils à trois ?
13:34 Sarah Le projet le dit directement : les deux exemples ne vont pas au-delà de l'étape trois parce que les activités de crédibilité de l'étape quatre sont une liste générale, et que les activités appropriées dépendent des spécificités d'un programme qu'un cas hypothétique ne peut pas saisir. Donc il ne vous dira pas à quoi ressemblent des preuves suffisantes pour une caméra à risque moyen ou un capteur logiciel à risque élevé. Il vous donne le niveau, et le niveau vous dit à quel point il faut travailler.
13:57 Sam On l'a dit la dernière fois. C'est délibéré, et ça déplace la charge vers le site. C'est pourquoi le projet répète : parlez-nous.
14:04 Sarah Le dialogue précoce a sa propre section. Pour la production, les voies sont l'Emerging Technology Program du centre des médicaments et l'Advanced Technologies Team du centre des produits biologiques. Et la formulation compte. Le projet dit que le dialogue précoce est vivement encouragé avant de soumettre une demande réglementaire ou de mettre en œuvre une technologie d'IA pour la fabrication de médicaments ou de produits biologiques. Ou de mettre en œuvre. Cela atteint un système d'IA qu'un site déploie sous BPF avant qu'aucune soumission n'existe.
14:30 Sam C'est une portée plus grande que ce que la plupart des gens supposent. Un capteur logiciel qui n'apparaît jamais dans un dossier reste, dans l'esprit de la FDA, quelque chose dont il faut parler avant de l'allumer. Et une note de bas de page vous rappelle que l'unité qualité reste responsable quoi qu'il arrive.
14:50 Sarah Oui. La note de bas de page sur l'exemple de production dit que l'utilisation de l'IA dans la production et les contrôles de procédé doit être mise en œuvre conformément aux bonnes pratiques de fabrication en vigueur, les CGMP, et que les responsabilités de l'unité de contrôle qualité au titre des parties deux cent onze point vingt-deux et deux cent onze point soixante-huit s'appliquent. Le cadre s'inscrit dans les BPF, pas à côté.
15:10 Sam Jusqu'ici : la décision d'abord, puis le rôle et le périmètre, puis influence fois conséquence. La caméra de volume de remplissage est à risque moyen uniquement parce qu'un essai sur échantillon reste en place. Sept étapes qui se terminent par un plan et un rapport, des exemples qui s'arrêtent à trois par choix, et une FDA qui veut une conversation avant la mise en œuvre, pas seulement avant le dépôt. Maintenant l'Europe, qui compte autrement.
15:39 Sarah Le document de réflexion de l'EMA, final en septembre deux mille vingt-quatre, ne replie pas tout dans un seul score de risque du modèle. Il utilise deux termes. Risque élevé pour le patient, pour les systèmes qui affectent la sécurité des patients. Impact réglementaire élevé, pour les cas où l'impact sur la décision réglementaire est substantiel. Ils sont évalués séparément, et le niveau d'examen, et le fait que l'EMA attende ou non que vous veniez discuter, dépendent des deux. Le document dit aussi que le degré de risque dépend non seulement de la technologie d'IA et de la qualité des données, mais aussi du contexte d'utilisation et du degré d'influence qu'exerce la technologie d'IA. Donc l'influence est bien là, mais comme facteur plutôt que comme axe.
16:15 Sam L'EMA veut-elle la conversation tôt, comme la FDA ?
16:19 Sarah Oui, et elle place la responsabilité carrément sur l'entreprise. Le document dit que si un système d'IA est susceptible d'affecter, même potentiellement, le rapport bénéfice-risque d'un médicament, une interaction réglementaire précoce est conseillée, et que le niveau d'examen dépend du niveau de risque et de l'impact réglementaire. Il dit aussi qu'il incombe au demandeur ou au fabricant de s'assurer que tous les algorithmes, modèles, jeux de données et chaînes de traitement des données sont adaptés à leur finalité, et il ajoute, je cite, que ces exigences peuvent à certains égards être plus strictes que ce qui est considéré comme la pratique standard dans le domaine de la science des données.
16:52 Sam Je soulignerais cette dernière ligne pour tout data scientist qui arrive dans une usine. Donne-moi le cas de production où les deux axes se séparent.
17:00 Sarah Un capteur logiciel utilisé pour le contrôle du procédé en temps réel peut être à risque patient élevé, parce qu'une mauvaise sortie peut affecter la qualité du produit, et à impact réglementaire faible, parce qu'il ne génère jamais de preuves pour une soumission. Retournez la situation : un modèle qui génère les données de stabilité derrière une allégation de durée de conservation peut être à risque patient faible en fonctionnement et à impact réglementaire élevé, parce que la décision d'un évaluateur repose dessus. La matrice de la FDA donnerait aux deux un niveau unique. L'EMA les garde séparés.
17:28 Sam Et l'EMA sur la production en particulier ?
17:31 Sarah Un paragraphe. La section deux point trois point six dit que l'IA en production, y compris la conception du procédé, le changement d'échelle, l'optimisation, le contrôle en cours de fabrication et la libération des lots, devrait s'accroître. Le développement des modèles, l'évaluation de leur performance et la gestion de leur cycle de vie devraient suivre les principes de la gestion des risques qualité, en considérant la sécurité des patients, l'intégrité des données et la qualité du produit, et ICH Q8, Q9 et Q10 devraient être pris en compte, je cite, dans l'attente de la révision des exigences réglementaires et des normes BPF actuelles. Cette dernière proposition, c'est l'EMA qui pointe vers ce qui est devenu l'annexe vingt-deux.
18:07 Sam Ma lecture : pour un site mondial, les deux systèmes sont compatibles. L'axe du risque patient de l'EMA, c'est la conséquence de la décision de la FDA sous un autre chapeau, et l'impact réglementaire, c'est la question à laquelle la FDA répond en demandant si le modèle est dans le périmètre, tout simplement. Écrivez votre contexte d'utilisation une fois, et vous pouvez répondre aux deux.
18:31 Sam Maintenant nos quatre systèmes, à travers les étapes un à trois. Le capteur logiciel d'abord, en commande anticipative. Sarah, déroule.
18:40 Sarah Question d'intérêt : le débit d'alimentation de ce bioréacteur doit-il changer maintenant, et de combien ? Rôle : le modèle prédit une densité cellulaire ou un titre à partir des signaux en ligne et propose l'ajustement. Le périmètre, c'est là que ça se sépare. Si la prédiction va directement au régulateur, le modèle est le seul déterminant de la décision d'alimentation, influence élevée. S'il propose et qu'un opérateur confirme par rapport aux limites, ou que l'échantillon hors ligne quotidien le corrige, l'influence descend à moyenne. Conséquence : évaluée sans le modèle. Un mauvais ajustement de l'alimentation dans une culture fed-batch affecte la qualité du produit et peut-être un lot, donc moyenne à élevée selon le procédé. Automatisé : risque élevé. Consultatif avec un contrôle orthogonal : moyen.
19:19 Sam Donc la question pour le capteur logiciel, c'est la question du volume de remplissage. Où est le contrôle orthogonal ? L'échantillon hors ligne que vous prélevez déjà, les limites de l'opérateur, les essais de libération en aval. Nommez-les dans la phrase de périmètre, et le niveau bouge.
19:36 Sarah Le projet demande exactement cela. À l'étape un, il dit qu'une variété de sources de preuves peut être utilisée pour répondre à la question d'intérêt, y compris les études de validation du procédé de fabrication, et que ces sources devraient être énoncées en décrivant le contexte d'utilisation à l'étape deux, et sont pertinentes pour déterminer l'influence du modèle à l'étape trois. Un contrôle orthogonal qui n'est pas écrit dans le périmètre ne compte pas pour le niveau.
19:58 Sarah Le modèle de suivi de lot ensuite. Deux contextes d'utilisation pour le même modèle. Comme alerte opérateur, la question est : ce lot dérive-t-il de sa trajectoire attendue ? Rôle : signaler une déviation pour investigation. Périmètre : un humain décide quoi faire ; le lot est toujours libéré sur la totalité de ses essais de libération. Influence faible à moyenne, conséquence moyenne, parce qu'une alerte manquée retarde une réponse mais ne libère pas de produit. Risque du modèle faible à moyen. Comme appui à la libération, la question devient : ce lot est-il acceptable ? Si l'ajustement de trajectoire se substitue à une mesure de libération, l'influence est élevée, la conséquence élevée, le risque du modèle élevé, et le plan de crédibilité doit ressembler à une validation de méthode analytique.
20:38 Sam Mêmes composantes principales, deux documents différents. C'est tout l'intérêt du cadre : le modèle n'a pas changé, c'est son travail qui a changé.
20:47 Sam Petit rappel pour ceux qui marchent. Trois de nos quatre sont gradués : le capteur logiciel élevé ou moyen selon que l'opérateur et l'échantillon hors ligne restent dans la boucle, le modèle de lot faible comme alerte et élevé comme appui à la libération, la caméra moyenne avec l'essai sur échantillon et élevée sans. L'agent vient en dernier, et c'est le cas difficile.
21:09 Sarah Question d'intérêt : qu'est-ce qui a causé cette déviation, et que doit faire le site ? Rôle : l'agent lit le dossier de lot et l'historique, et rédige un brouillon d'investigation avec des actions proposées. Périmètre : un ingénieur revoit, modifie et assume l'investigation ; la qualité l'approuve. Sur le papier, cela fait de l'ingénieur le déterminant, et l'influence de l'agent est faible.
21:28 Sam Sur le papier.
21:30 Sarah Sur le papier. Deux complications que les documents ne résolvent pas. D'abord, le périmètre. L'exclusion du projet écarte l'IA utilisée pour des gains d'efficacité opérationnelle qui n'ont pas d'impact sur la qualité du médicament. Une investigation de déviation décide de la cause racine et de l'action corrective sur un événement qualité, donc l'agent est dans le cadre dès l'instant où son brouillon façonne ce résultat, ce qui est toute sa raison d'être.
21:51 Sam Et la seconde ?
21:53 Sarah L'influence. L'évaluation suppose que les autres preuves sont véritablement indépendantes. Si l'ingénieur lit le brouillon de l'agent et le signe, le brouillon est la preuve, et l'influence est élevée quoi qu'en dise l'organigramme. Le seul endroit où le projet en parle, c'est à l'étape quatre, où il dit que si un humain est dans la boucle, l'évaluation devrait porter sur l'équipe humain-IA et non sur le modèle seul. C'est l'épisode sur les preuves, mais le cadre vient d'ici.
22:14 Sam Et la conséquence pour l'agent ?
22:16 Sarah Évaluée sans l'agent : à quel point une mauvaise cause racine ou une mauvaise action corrective sur une déviation est-elle grave ? Pour une déviation qui touche un attribut critique, élevée. Donc le risque du modèle de l'agent est moyen si la revue humaine est réelle et démontrable, et élevé si elle ne l'est pas. Sur les axes de l'EMA, c'est un risque patient élevé et un impact réglementaire faible, à moins que l'investigation ne finisse dans une soumission.
22:37 Sam Voici comment je lirais cela pour un site. Le contexte d'utilisation de l'agent doit être écrit de sorte que l'humain soit le déterminant, et le site doit pouvoir montrer que c'est vrai, pas l'affirmer. Cela veut dire que l'ingénieur re-dérive la cause racine à partir du dossier, pas du brouillon, au moins sur un échantillon, et que l'enregistrement le montre. Si vous ne pouvez pas concevoir cette revue, l'influence de l'agent est élevée, et vous devriez la graduer ainsi et prévoir les preuves en conséquence. Mon avis, et les documents ne le contredisent pas : l'agent est le système pour lequel la phrase de périmètre est la plus difficile à écrire honnêtement, et celui pour lequel l'écrire honnêtement compte le plus.
23:18 Sam Et alors, pour la bioproduction. Section opinion. Premièrement : définir le contexte d'utilisation avant que quiconque touche au modèle. Écrivez la question d'intérêt en une phrase, et le périmètre en une de plus : ce que fait le modèle, et sur quoi d'autre la décision repose. Faites cela, et la moitié de l'argumentaire de validation s'écrit tout seul, parce que le niveau vous dit combien de preuves rassembler, et le périmètre vous dit sur quels contrôles orthogonaux vous vous appuyez.
23:46 Sarah C'est l'ordre du projet lui-même. Les étapes un à trois avant l'étape quatre, et le projet dit que les activités de crédibilité devraient être proportionnées au risque du modèle et adaptées au contexte d'utilisation spécifique. Le plan ne peut pas être écrit tant que le niveau n'existe pas.
24:00 Sam Deuxièmement : faites signer la même phrase par la qualité, la science de la production et les affaires réglementaires. Dans mon ouverture, chacun avait la sienne. L'évaluateur trouvera l'écart entre elles plus vite que vous. Troisièmement : traitez les contrôles orthogonaux comme une décision de conception, pas comme un héritage. L'essai sur échantillon que vous alliez retirer parce que la caméra est si bonne, c'est ce qui maintient la caméra à risque moyen. Décidez délibérément.
24:27 Sam Quatrièmement, pour l'agent : écrivez la phrase de périmètre de sorte qu'un inspecteur sceptique convienne que l'humain est le déterminant, et construisez la revue pour que cela reste vrai sous la pression de la production. Si vous ne pouvez pas, graduez-le élevé et dites-le. Cinquièmement : parlez au régulateur avant de mettre en œuvre, pas avant de déposer. Le projet le dit pour la production, et les programmes de technologies émergentes existent pour cela. Sixièmement : les données. Le contexte d'utilisation vous dit quelles données doivent être adaptées à l'usage. C'est encore le sous-sol : vous n'avez pas à tout réparer, vous devez réparer la partie qui est sous la décision.
25:08 Sarah Et le projet définit adapté à l'usage. Pertinent, qu'il glose comme incluant les éléments de données clés et des données suffisantes, représentatives du procédé de fabrication ou de l'opération. Et fiable : exact, complet et traçable. Pour la caméra, ce sont les images et les résultats sur échantillon. Pour l'agent, c'est chaque dossier de lot qu'il lit, et c'est pourquoi l'agent exige plus du sous-sol que les trois autres.
25:28 Sarah Qui les documents mettent dans la pièce : le projet nomme l'unité qualité comme responsable en dernier ressort, oriente le plan vers le système qualité du site, et fait passer le dialogue précoce par les programmes de technologies émergentes. L'EMA ajoute la question de l'impact réglementaire, à laquelle c'est aux affaires réglementaires CMC de répondre. Donc la qualité, la science de la production et les affaires réglementaires CMC, au moment où la phrase est écrite.
25:52 Sam Trois choses. Sarah, la première.
25:55 Sarah Le cadre porte sur la décision, pas sur le modèle. La question d'intérêt, puis le rôle et le périmètre, puis le risque du modèle comme influence fois conséquence, la conséquence étant évaluée comme s'il n'y avait pas de modèle, et le risque du modèle n'étant explicitement pas le risque intrinsèque du modèle.
26:10 Sam Deuxièmement, la mienne : le contrôle orthogonal est le levier. La propre caméra de la FDA est à risque moyen parce qu'un essai sur échantillon reste en place, et à risque élevé le jour où on le retire. Nommez vos autres preuves dans la phrase de périmètre, et vous avez choisi votre niveau.
26:28 Sarah Troisièmement : le vocabulaire est partagé. Il est venu de la norme ASME pour les dispositifs, via la guidance dispositifs de la FDA de deux mille vingt-trois, jusqu'au projet de deux mille vingt-cinq, et ICH M15 est arrivée aux mêmes termes. L'EMA compte sur deux axes au lieu d'un, mais le contexte d'utilisation répond aux deux.
26:45 Sam La prochaine fois : la graduation. Sept documents graduent les modèles de sept façons, et impact ne veut pas dire impact. On s'ancrera sur le guide d'implémentation de l'ICH de deux mille onze, on mettra nos quatre systèmes dans un niveau, et on les déplacera. On y est ? On sait quelle décision on prend. C'est un début.