我们是否正在进入临床数据分析的新时代？在这个时代，通过自动化制作临床试验分析结果中的表格、列表和数字（TFLs），可以大量节省时间、提高质量和节约成本。这无疑是每个统计编程团队的 "圣杯"！
快速发展的生成式人工智能（GenAI）能够生成令人惊叹的代码。利用结构化数字文档（而非数字化文档）为这些模型提供信息，以定义目标输出；利用标准、元数据和模型提供的指南和约束为这些模型提供信息。结果将是高质量的输出，至少 80% 的计划输出只需由人类（或独立的人工智能模型？
我听到你们问："我怎么才能开始呢？"好吧，让我们依次考虑一下这三位一体的三个方面。
数字化临床试验文件
我们三位一体的第一根支柱是数字文件，即我们的技术规范。
Transcelerate 组织正在推动生物制药研发领域的合作，以确定加快新药交付的方法。其中一个方面是通过临床内容与再利用 (CC&R) 计划协调研究文件并将其数字化。
这项正在进行的计划为协议、SAP 和临床研究报告创建了一套模板，允许创建机器可读的电子文档。这为在下游流程（如 TLF 生成）中重复使用内容提供了可能性。
SAP，即统计分析计划，是这里的关键文件。它详细说明了如何进行临床数据分析--方法、人群规模、终点等，从而推动 ADaM 数据集的生成。它还详细说明了要创建的表格、图表和列表，希望能提供相关的表壳，让我们的程序员了解他们应该生成什么；或者 GenAI 也可以生成这些模拟表壳。
在不同的研究中使用一致的机器可读 SAP 将提高 GenAI 创建我们可以使用的表格、列表和数字的几率。
元数据
元数据--描述数据的数据，是我们的第二大支柱。无论是人类还是计算机程序员，元数据对他们了解所处理数据的结构都至关重要。
我们都知道 CDISC 和 ADaM 标准。我们努力按照 CDISC 标准开发我们的临床数据分析数据集，事实上，数据集必须符合标准才能提交给 FDA。然而，ADaM 标准的灵活性意味着数据集可以在不同的研究中以不同的方式构建，但在技术上仍然是合规的！
如果您的 ADaM 数据符合 CDISC 标准，更重要的是，在各项研究中保持一致，至少在每个治疗领域 (TA) 内保持一致，这将再次提高 GenAI 模型的可用性，从而提高程序的质量。
您可以而且应该使用现有程序、宏和输出作为 GenAI 的训练数据。我们将在本文的下一部分了解更多相关信息。
GenAI
最后，或许也是最重要的支柱是 GenAI 模型。
我们对 GenAI 的常见体验可能是类似 ChatGPT 或 Co-Pilot。作者过去曾尝试让 ChatGPT 创建 R 代码片段，但执行起来并不完全成功。这听起来不太乐观。不过，我们可以利用现有的程序、宏和输出库来训练 GenAI 模型。
公共 "GenAI 模型肯定要求我们共享代码和数据以进行培训，但我们都很清楚行业内临床试验数据共享的敏感性。值得庆幸的是，我们可以在公司网络内实施自己的内部 GenAI 模型，并根据公司内部资料和部分外部（公开）资料进行培训。
不过，在建立内部 GenAI 之前，有几个因素需要考虑：
- 哪种模式
- 语言选择
- 培训 GenAI
- 监管机构指南
机型选择
并非所有 GenAI 模型都一样。有一些模型已经过编码语言的训练，包括 python、R 和 SAS。但要注意的是，这些模型都是在 Github 等公开代码库中训练的，而 SAS 在这些代码库中并不常见。因此，虽然模型可以生成 SAS 代码，但几乎肯定需要在您自己的数据上进行训练，才能生成质量更好的输出。
GenAI 模型的例子包括
GPT3 - 大型语言模型 (LLM)，可生成文本和代码，包括 SAS 代码。
CodeBERT - 预先训练好的语言模型，专门用于理解和生成代码。
语言
如上所述，在创建代码时，您需要考虑希望 GenAI 使用哪种语言。
R 和 Python 拥有庞大的用户群，而且由于它们是开源的，因此更注重知识共享。因此，GenAI 模型可以借鉴更广泛的知识库。
相比之下，SAS 的用户群体较小，而且代码语法复杂，GenAI 很难在第一时间创建功能正确的代码。另一方面，您可能已经投资了一个 SAS 宏库，它可以简化编码并生成企业标准输出。
培训
即使是已经开发好的编码模型，也需要经过训练才能
- 将 SAP 和元数据作为生成 TLF 的输入信息
- 学习程序员以前用来处理数据和生成输出的编码方法
- 了解标准宏的工作原理
- 了解所需的输出布局和格式
将训练数据分为两部分：训练集和测试集。训练集允许 GenAI 模型学习输入、程序和输出之间的模式和关系。训练集越大越好。
然后，测试集可用于测试新训练的模型。给定一组输入（SAP 表壳和 ADaM 数据集），它能否生成代码，以创建与真实情况相匹配的输出？请注意，如果性能不佳，则应在后续测试中使用不同的测试集。
对模型的训练应该是一个持续的过程--随着成功报告的研究越来越多，相关的元数据也应该被输入到模型中，以提高模型的性能。
监管指南
欧洲药品管理局（EMA）[1]和美国食品和药物管理局（FDA）[2]都发布了关于在医药产品开发中使用人工智能的文件。这两份文件都不应被视为监管指南或政策，但都包含了监管机构对使用人工智能的看法的有用信息。
他们提醒我们，临床试验申办者有责任确保所使用的所有算法、模型、数据集和数据处理管道符合目的，并符合法律、道德、技术、科学和监管标准，如立法、GxP 标准和当前监管指南中所述。请注意，这些准则可能比数据科学领域的标准实践更为严格。
在考虑在贵组织内实施 GenAI 时，应对所有人工智能应用进行监管影响和风险评估，并在没有明确书面指导的情况下联系监管机构（如 FDA CDER 人工智能指导委员会 (AISC)）。
建议阅读这两篇论文，因为它们提供的有用信息和参考资料超出了本文的范围。
结论
GenAI 技术无疑为自动生成 TLF 提供了一个令人兴奋的机会。公开的模型不会在临床试验数据上进行训练，因此建议在公司网络内实施一个模型，这也会减轻向更广泛的世界提供专有数据的担忧。
然而，GenAI 并非无懈可击，因此即使在对模型进行了全面训练后，也应对生成的代码进行独立的准确性测试。
最后，切记要考虑监管机构的建议。
如果您对临床试验分析、与监管机构接触或本博客中提到的任何其他问题有任何疑问，请联系我们的专家！
[1] https://www.ema.europa.eu/en/documents/scientific-guideline/reflection-paper-use-artificial-intelligence-ai-medicinal-product-lifecycle_en.pdf
