CERSI合作者： Vivek Rudrapatna医学博士、哲学博士，Michelle Wang药学博士、哲学博士，Joanne Chun药学博士、哲学博士
FDA合作者： Jae（Mike）Lee哲学博士，Artur Belov哲学博士，Asha Willis医学博士，Zhihua Li哲学博士
项目启动日期： 2024年7月11日
监管科学挑战：
炎症性肠病（例如克罗恩病和溃疡性结肠炎）是一种胃肠道的慢性免疫系统疾病，有多种FDA批准的治疗方法，如小分子药物和生物制剂。然而，这些药物对女性生理独特方面（如受孕、怀孕、哺乳和更年期）的影响知之甚少，因为这类患者通常不会被招募到关键性临床试验中。
由于缺乏来自临床试验的数据，需要进行真实世界研究来评估炎症性肠病治疗在女性中的安全性和有效性，特别是针对经历怀孕、哺乳和更年期等亚群。电子健康记录（EHR）数据是理解治疗结果（包括安全性和有效性）以及其对女性特异性健康因素影响的有希望的补充证据来源。然而，需要更准确的临床笔记分析方法。本研究将开发和评估基于大语言模型（LLM）的计算方法，从临床笔记中提取细粒度变量，从而更准确地评估药物在真实世界患者群体中的安全性和有效性。通过利用LLMs和其他先进数据科学方法，本研究旨在生成关于新型炎症性肠病治疗药物在女性中安全性和有效性的高质量真实世界证据。
项目描述与目标：
本项目的主要目标是探索FDA批准的活动性炎症性肠病治疗方法与女性特异性结果之间的潜在关联，包括总体人群和研究不足的亚群（如育龄妇女、孕妇和更年期女性）。次要目标包括：1）识别女性治疗结果的新患者层面预测因子；2）评估大语言模型（LLMs）在协调电子健康记录中结构化和非结构化文本数据以提高真实世界证据质量方面的价值。具体目标是：（1）开发和测试基于语言模型的方法，整理多模态电子健康记录数据，为研究炎症性肠病女性患者做准备；（2）研究总体队列以及各亚群的治疗结果，并使用统计方法识别结果的新预测因子。所使用的数据源包括加州大学旧金山分校的去标识化结构化和非结构化电子健康记录，以及旧金山公共卫生部管理的附属医院和诊所的结构化电子健康记录。GPT-4o将作为主要使用的LLM，通过符合HIPAA的Azure API提供，也可选择扩展到本地托管的开源模型。
预期成果/影响：
研究人员预计，本项目将利用新型人工智能计算工具生成高质量的真实世界证据，增强FDA对FDA批准的炎症性肠病治疗方法在女性患者中安全性和影响的理解。这些证据可能有助于：1）现代化FDA监管产品的开发和评估；2）改善临床护理；3）通过加强现有和未来炎症性肠病治疗药物的上市后监管和标签，辅助监管决策。此外，研究人员计划在会议上展示这项工作，与专家小组交流，并撰写论文发表，以最大化知识传播并促进在真实世界证据生成中利用大语言模型工具。
【全文结束】
