Farmasötik Endüstride Yapay Zekâ, Kısa Yol Değil, Yeni Bir Kalite Alanı
Prof. Dr. M. Sedef ERDAL
İstanbul Üniversitesi Eczacılık Fakültesi
Yapay zekâ (Artificial Intelligence, AI), ilaç geliştirme ve değerlendirme süreçlerinde artık yalnızca teknolojik bir yenilik olarak değil, ilaç yaşam döngüsünün tüm aşamalarını etkileyebilecek dönüştürücü bir araç olarak karşımıza çıkıyor. FDA ve EMA yayımladıkları “Good AI Practice” ilkeleri ile AI’ın non-klinik, klinik, üretim ve pazarlama sonrası süreçlerde kanıt üretme veya analiz etme amacıyla kullanılabileceğini; ancak bu kullanımın kalite, etkililik ve güvenlilik ilkelerinden ödün vermeden yönetilmesi gerektiğini açık biçimde ortaya koymaktadır.
Ortak mesaj oldukça net: AI, ilaç geliştirmeyi hızlandırabilir, pazara erişim süresini kısaltabilir, farmakovijilansı güçlendirebilir, toksisite ve etkililik öngörülerini iyileştirerek hayvan deneylerine bağımlılığı azaltabilir. Ancak bu potansiyel faydalar, AI çıktılarının doğru, güvenilir, izlenebilir ve düzenleyici otoritelerin karar süreçlerinde kullanılabilir olması koşuluna bağlıdır. Başka bir ifadeyle AI, farmasötik inovasyonun hızını artırabilir; fakat düzenleyici güvenilirlik, veri bütünlüğü ve hasta güvenliği bu hızın önünde değil, merkezinde yer almak zorundadır.
Bu belgeler birlikte değerlendirildiğinde, farmasötik endüstriyi bekleyen değişim yalnızca “AI kullanımı artacak” şeklinde özetlenemez. Daha doğru ifade şudur: AI kullanımı arttıkça, AI’ın kendisi de düzenlenebilir, denetlenebilir ve kalite sistemi içinde yönetilebilir bir unsur haline gelecektir.
İnsan Odaklı ve Risk Temelli AI Yaklaşımı
FDA ve EMA belgelerinde öne çıkan ilk ortak nokta, AI sistemlerinin insan odaklı ve etik değerlere uygun şekilde tasarlanması gerekliliğidir. AI karar verme süreçlerini destekleyebilir; ancak bu destek, insan denetimini, hasta güvenliğini veya klinik çalışma bütünlüğünü zayıflatmamalıdır. Bu nedenle “human-centric by design” ilkesi, yalnızca etik bir vurgu değil, düzenleyici kabul edilebilirliğin de temel koşullarından biri olarak değerlendirilmelidir.
İkinci önemli ortaklık risk temelli yaklaşımdır. AI uygulamalarının tek tip bir çerçeveyle değerlendirilmesi mümkün değildir. Modelin kullanım amacı, hasta güvenliği üzerindeki etkisi ve düzenleyici karar süreçlerine katkısı dikkate alınarak orantılı validasyon, gözetim ve risk azaltma stratejileri belirlenmelidir. EMA Reflection Paper’da bu yaklaşım daha ayrıntılı biçimde ele alınmış; “high patient risk” ve “high regulatory impact” kavramları özellikle vurgulanmıştır. Bu ayrım, AI sistemlerinin yalnızca teknik performansıyla değil, yanlış veya yetersiz performans göstermesi halinde hasta güvenliği ve ruhsatlandırma kararları üzerindeki olası etkileriyle birlikte değerlendirilmesi gerektiğini göstermektedir.
Veri Yönetişimi, Dokümantasyon ve Yaşam Döngüsü Yönetimi
AI sistemleri veri ile öğrenen sistemlerdir. Bu nedenle kullanılan verinin kaynağı, temsil gücü, işlenme biçimi, temizleme, dönüştürme, normalizasyon ve analiz kararları ayrıntılı, izlenebilir ve doğrulanabilir şekilde belgelenmelidir. Bu gereklilik, GxP yaklaşımının AI alanına genişletilmesi anlamına gelmektedir.
Bir diğer nokta, AI sistemlerinin yaşam döngüsü boyunca yönetilmesidir. Bir AI modeli geliştirildikten sonra “tamamlanmış” kabul edilemez. Model performansı zamanla değişebilir; veri dağılımında kaymalar, yani “data drift” ortaya çıkabilir. Bu nedenle düzenleyici belgeler, planlı izlem, periyodik yeniden değerlendirme ve gerektiğinde risk azaltıcı aksiyonların devreye alınmasını kalite sisteminin bir parçası olarak değerlendirmektedir.
FDA/EMA ortak “Guiding Principles of Good AI Practice in Drug Development” belgesi daha çok üst düzey bir çerçeve sunarken, EMA’nın “Reflection Paper” belgesi AI/ML kullanımını ilaç yaşam döngüsünün farklı aşamalarına göre daha operasyonel biçimde ele almaktadır. İlaç keşfi, non-klinik geliştirme, klinik çalışmalar, hassas tıp, ürün bilgisi, üretim ve pazarlama sonrası dönem bu kapsamda ayrı ayrı değerlendirilmiştir. EMA’nın Reflection Paper için 66 paydaştan toplam 1342 yorum alması ve bu yorumlar doğrultusunda terminolojiyi uyumlaştırması da dikkat çekicidir. Özellikle “high risk” ifadesi yerine “high regulatory impact” ve “high patient risk” kavramlarının tercih edilmesi, AI düzenlemelerinin ilaç mevzuatının kendine özgü risk mantığı içinde şekillenmekte olduğunu göstermektedir.
Klinik Araştırmalar: Model Artık Kanıtın Bir Parçası
AI’ın klinik araştırmalarda kullanımı, otoriteler açısından en kritik alanlardan biridir. Veri analizi, hasta seçimi, doz belirleme, tedavi ataması veya sonlanım noktası değerlendirmesi gibi süreçlerde kullanılan AI/ML modelleri, çalışmanın bilimsel geçerliliğini ve hasta güvenliğini doğrudan etkileyebilir. Bu nedenle AI modeli, bazı durumlarda yalnızca yardımcı bir yazılım değil, klinik çalışma verisinin ve istatistiksel analiz planının ayrılmaz bir bileşeni haline gelmektedir.
Özellikle geç faz ve pivotal çalışmalarda modelin prospektif olarak test edilmesi, veri işleme hattıyla birlikte belgelenmesi ve veri tabanı kilitlenmeden önce “dondurulması” beklenmektedir. Bu aşamadan sonra yapılacak model veya veri işleme değişikliklerinin post-hoc analiz olarak değerlendirilmesi, AI destekli kanıt üretiminde önceden tanımlanmış, izlenebilir ve denetlenebilir süreçlerin önemini göstermektedir.
Dolayısıyla “AI-supported evidence”, klasik kanıt üretiminden farklı olarak hem biyomedikal hem de veri bilimi açısından doğrulanabilir bir yapı gerektirmektedir.
Üretimde AI: Dijital Araçtan GMP Unsuruna
FDA ve EMA’nın üretim alanına ilişkin vurguları özellikle önemlidir. AI/ML kullanımının proses tasarımı, ölçek büyütme, proses optimizasyonu, in-proses kalite kontrol ve seri serbest bırakma gibi üretim süreçlerinde artması beklenmektedir. Bu kullanımın hasta güvenliği, veri bütünlüğü ve ürün kalitesi dikkate alınarak kalite risk yönetimi ilkelerine uygun yürütülmesi gerekecektir.
Bu durum, üretim tesislerinde AI’ın yalnızca verimlilik artırıcı bir dijital araç olarak değil, validasyonu, izlenebilirliği ve kalite sistemi entegrasyonu gereken bir GMP unsuru olarak değerlendirilmesine yol açacaktır. Örneğin proses optimizasyonunda kullanılan bir AI modeli kritik kalite özelliklerini veya kritik proses parametrelerini etkiliyorsa, modelin performans sınırları, güncelleme prosedürleri, veri kaynakları, hata modları ve insan müdahalesi mekanizmaları kalite sistemi içinde tanımlanmalıdır.
Bu dönüşüm endüstriyi üç temel değişime hazırlamaktadır: klasik validasyon yaklaşımının AI/ML sistemlerini kapsayacak şekilde genişlemesi, veri bütünlüğü kavramının model bütünlüğü ve algoritma yönetişimini de içermesi ve üretim, kalite güvence, regülasyon ve veri bilimi ekiplerinin daha entegre çalışması.
Ürün Bilgisi, Generatif AI ve İnsan Kontrolü
AI/ML uygulamaları ürün bilgisi metinlerinin hazırlanması, derlenmesi, çevrilmesi veya gözden geçirilmesinde kullanılabilir. Ancak özellikle generatif dil modellerinin “makul görünen fakat hatalı veya eksik” içerik üretebilme riski nedeniyle bu sistemlerin insan kontrolü altında kullanılması gerekmektedir. Bu, endüstri açısından pratik ama kritik bir değişime işaret eder. Regülasyon departmanları gelecekte generatif AI’dan çeviri, özetleme veya taslak oluşturma amacıyla yararlanabilir; ancak bu kullanım “AI yazdı” düzeyinde bırakılmayacak, kontrollü, izlenebilir ve kalite onaylı bir doküman yönetim sürecinin parçası olacaktır.
Güvenilir AI İçin Teknik Gereklilikler
AI sistemlerinin farmasötik alanda kabul edilebilirliği yalnızca yüksek performans göstermesine bağlı değildir. Modelin hangi veri ile eğitildiği, bu verinin hedef popülasyonu temsil edip etmediği, nadir hasta alt grupları veya az temsil edilen popülasyonlar açısından yanlılık taşıyıp taşımadığı değerlendirilmelidir. Ayrıca modelin farklı zaman dilimlerinde ve farklı veri dağılımlarında nasıl performans gösterdiği de izlenmelidir.
Şeffaf modellerin tercih edilmesi önerilmekle birlikte, bazı yüksek performanslı “black box” modellerin belirli koşullarda kabul edilebileceği belirtilmektedir. Böyle durumlarda model mimarisi, hiperparametre ayarları, eğitim/validasyon/test sonuçları, performans metrikleri ve risk yönetim planı ayrıntılı biçimde sunulmalıdır. Açıklanabilir AI yöntemleri, özellikle kara kutu modellerin değerlendirilmesinde giderek daha önemli hale gelmektedir.
Endüstriyi Bekleyen Yeni Dönem
Farmasötik endüstri doğası gereği kanıt, izlenebilirlik, validasyon, sorumluluk ve risk yönetimi üzerine kurulu bir alandır. AI ise bazı durumlarda şeffaflığı sınırlı olabilen, performansı kullanılan verinin niteliğine ve bağlamına bağlı değişen, zaman içinde veri dağılımındaki değişimlerden etkilenebilen ve hataları her zaman kolay fark edilmeyen bir teknolojidir. Bu nedenle AI’ın ilaç geliştirme ve üretim süreçlerindeki başarısı, algoritmanın ne kadar “zeki” olduğundan çok, ne kadar iyi yönetildiğine bağlı olacaktır.
Önümüzdeki dönemde şirketlerin AI/ML sistemleri için kurumsal yönetişim yapıları oluşturması, GxP kapsamındaki AI uygulamaları için SOP’ler geliştirmesi, veri kaynağı ve model geliştirme adımlarını denetlenebilir hale getirmesi, klinik çalışmalarda kullanılan modeller için prospektif test ve değişiklik kontrol süreçlerini tanımlaması gerekecektir. Üretimde AI kullanımı için ICH Q8/Q9/Q10 çerçevesinde yürütülen mevcut kalite risk yönetimi yaklaşımlarının AI/ML sistemlerini kapsayacak şekilde genişletilmesi; üçüncü taraf AI sistemleri ve yazılım sağlayıcıları için tedarikçi yeterlilik değerlendirmelerinin güçlendirilmesi önem kazanacaktır.
Bu dönüşüm yalnızca bilişim ekiplerinin değil; Ar-Ge, klinik araştırmalar, üretim, kalite güvence, farmakovijilans, regülasyon ve hukuk birimlerinin birlikte çalışmasını gerektirecektir. FDA/EMA ortak ilkelerinde multidisipliner uzmanlığın AI teknolojisinin tüm yaşam döngüsüne entegre edilmesi gerektiğinin vurgulanması da bu nedenle önemlidir.
Sonuç
Yapay zekâ, ilaç geliştirme ve üretim süreçlerinde önemli fırsatlar sunmaktadır. Daha hızlı aday molekül seçimi, daha güçlü non-klinik öngörüler, daha etkin klinik çalışma tasarımları, kişiselleştirilmiş tedavi yaklaşımları, optimize üretim prosesleri ve daha hızlı farmakovijilans sinyal tespiti bu fırsatlar arasında yer almaktadır. Ancak bu teknolojinin ilaç alanındaki başarısı yalnızca algoritmik performansına değil; güvenilirlik, izlenebilirlik, açıklanabilirlik ve düzenleyici beklentilerle uyum düzeyine bağlı olacaktır.
Bu nedenle AI, farmasötik endüstri için bir “kısa yol” değil; yeni bir kalite ve regülasyon alanıdır. Önümüzdeki yıllarda başarılı şirketler, AI’ı yalnızca hızlı sonuç almak için kullananlar değil, AI sistemlerini GxP mantığıyla yöneten, risk temelli validasyon yapan, veri bütünlüğünü koruyan ve insan denetimini sistemin merkezinde tutan şirketler olacaktır.
AI’ın ilaç yaşam döngüsüne entegrasyonu kaçınılmaz görünmektedir. Ancak bu entegrasyonun yönünü belirleyecek temel soru şudur: AI inovasyonu hızlandırırken hasta güvenliği ve bilimsel güvenilirlik aynı ölçüde korunabilecek mi? Mevcut otorite belgelerinin ortak mesajı, bu soruya verilecek yanıtın “evet” olabilmesi için AI’ın farmasötik kalite kültürünün ayrılmaz bir parçası haline gelmesi gerektiğidir.
Prof. Dr. M. Sedef ERDAL
İstanbul Üniversitesi Eczacılık Fakültesi
Anahtar sözcükler: farmasötik endüstri, ilaç, kalite, Generatif AI, AI, yapay zeka, ilaç geliştirme, ilaç üretimi, regülasyon, FDA, EMA, Good AI Practice, klinik, non klinik, hasta, GxP, ar-ge, validasyon, teknoloji, AI/ML, generatif dil modelleri, Klinik Araştırmalar, GMP, ICH Q8/Q9/Q10, SOP, Farmasötik Endüstride Yapay Zeka