Gen-AI加持，临床研究稽查轨迹审阅的新时代

临床试验的稽查轨迹极为庞杂，覆盖了研究的各个环节——包括临床数据、质疑记录、系统日志、活动日志、元数据以及其他各类信息。这些轨迹通常分散于多个系统和流程之中，因此，稽查轨迹审阅工作极具挑战性。即便稽查轨迹数据已实现集中管理，分析工作依然繁重，而回复监管人员提出的质疑也可能耗费大量时间精力。

本文将带您深入了解稽查轨迹的关键意义，探索其在不同场景下的实际应用，以及生成式人工智能（Gen-AI）如何在当今错综复杂的临床试验环境中，成为攻克ATR实施难题的有力武器。

稽查轨迹数据审阅的目的一览

稽查轨迹是一种按时间顺序记录更改或操作的日志，用于记录所有与临床试验数据相关的活动，包括：

• 记录谁有权限访问哪些系统，以识别潜在的未授权访问或揭盲行为；
• 记录何人在何时录入的数据点，以确保其符合授权访问、录入地点和相关要求；
• 记录何时、由谁以及为何对数据进行更改，以识别频繁变更、数据篡改等潜在问题；
• 记录对数据点采取的其他操作（如发起质疑、审阅、批准等），以确保遵循临床试验方案；
• 统计用户登录频率，以确保具备适当的数据监督；
• 在集成系统中记录数据的时间戳，以确保系统连接正常、无数据同步问题等。

换言之，稽查轨迹通过追踪每个数据点整个生命周期中人员与数据、系统的交互方式及时间，为临床试验提供全方位、全流程的监管视角，有力保障试验数据的完整性。

监管要求

全球各地的监管机构已针对电子数据系统中稽查轨迹的实施制定了相关指导原则与监管规定，适用于临床研究行业及其他领域。

中国国家药品监督管理局（NMPA）对临床试验中的稽查轨迹要求聚焦于确保数据的真实性、完整性和可溯性，在对于系统的功能、数据的可追溯性、修改记录的保留、权限管理、时间戳的连续性以及长期保存等作出了明确规定。

美国联邦法规第21篇第11部分作为美国食品药品监督管理局（FDA）在该领域颁布的一项关键法规，详细阐述了电子记录和签名的使用规范。它明确要求生成稽查轨迹，精确记录数据录入的日期和时间，以及创建、修改或删除电子记录的具体操作，确保数据的可追溯性。此外，该法规还明确规定，稽查轨迹须安全存储，以防被篡改或删除，并且需按照规定的监管时限进行妥善留存，确保数据的完整性。

稽查轨迹记录须采用方便人工阅读的格式，并且要定期进行审查，确保数据合规性和可靠性。FDA在《临床研究中的电子源数据》指导文件中进一步强调，使用电子记录和签名的机构必须遵循FDA指南，确保数据的安全性、可追溯性与真实性。稽查轨迹记录须采用方便人工阅读的格式，并且要定期进行审查，确保数据合规性和可靠性。FDA在《临床研究中的电子源数据》指导文件中进一步强调，使用电子记录和签名的机构必须遵循FDA指南，确保数据的安全性、可追溯性与真实性。

与此类似，人用药品注册技术要求国际协调理事会（ICH）发布的《E6（R3)：药物临床试验质量管理规范》也明确指出，在电子数据系统中保留稽查轨迹对于确保数据完整性而言必不可少。欧洲药品管理局（EMA）发布的《临床试验中计算机系统和电子数据指南》强调，完善的稽查轨迹对于证明数据的真实性和可追溯性至关重要。此外，英国药品与健康产品监管局（MHRA）于2018年发布的《GxP数据完整性指南》也同样强调了稽查轨迹在证实电子数据完整性方面的重要作用。

这些指南和法规共同凸显了在临床试验中维护健全稽查轨迹机制的重要性，这最终将是确保试验数据完整性的关键保障。

稽查轨迹审阅面临的挑战

在现代临床试验中，实施高效的稽查轨迹审阅面临着诸多挑战，具体包括：

• 数据过载：现代临床试验产生的数据量极为庞大，加大了监查和审阅难度；
• 缺乏标准化：数据格式不统一，会阻碍统一的、可追溯的稽查轨迹的生成；
• 人工审阅耗时费力：稽查轨迹的人工审阅流程极为繁琐，效率低下，难以应对庞大的数据量；
• 缺乏解读稽查轨迹的专业知识：稽查轨迹审阅需要具备相关知识和技能的专业人员；
• 文档记录不一致：数据记录方式存在差异，可能造成稽查轨迹中出现信息缺失或错误，影响其可靠性；
• 跨平台整合难度大：整合来自多个系统的稽查轨迹，在技术层面颇具挑战，不仅效率低下，还极易出错。

生成式AI赋能稽查轨迹审阅

生成式AI具备扩展流程和加速数据洞察的强大能力。稽查轨迹包含的数据量庞大，往往需要从中提取一个可管理的数据子集，便于解答特定问题。这恰是AI可以发挥优势的应用场景，即辅助用户从稽查数据中提炼出有价值的信息。

ChatGPT等大型语言模型（LLM）允许用户针对数据条目、特定时间段内的数据变更、关键数据变量的修改、质疑处理结果等发起精准查询。AI还能加速异常检测，可迅速识别并标记出异常访问模式以及潜在的安全漏洞。

此外，AI驱动的工具能够依据用户提出的快速质疑生成精细化的数据集，并将其与高级分析技术相结合。这些分析结果可构建成可重复使用的模板，用于持续监测各类趋势，比如意外的数据修改情况、研究中心层面的数据差异，或异常的患者数据条目等。

实际应用场景如何？请看以下案例：

追踪关键数据更改

识别患者报告数据中的异常

稽查轨迹审阅的未来趋势

在当今的临床试验行业背景下中，对数据监管工具进行优化的需求已刻不容缓。生成式AI已成为优化稽查轨迹审阅流程的利器。并非所有稽查轨迹数据都具备同等价值。即便在AI技术的辅助下，监管机构既未要求、也不期望企业开展全面细致的取证分析。相反，企业应将稽查轨迹审阅策略与更宏观的基于风险的原则相结合，重点关注以下方面：

• 直接影响患者安全或研究完整性的关键数据；
• 数据不一致性高发的薄弱环节；
• 需要进一步调查的关键风险领域。

随着稽查数据的重要性日益凸显，其应用范围已不局限于EDC和eCOA系统，涵盖了更多平台以及系统集成检查。这一趋势进一步突出了以下需求：

• 提供涵盖用户操作及其更改动机的完整元数据；
• 确保稽查元数据具备全面的可访问性，支持无缝数据审查和分析。
• 加强用户培训，提升团队在复杂数据生态中的专业应对能力。

联系我们，深入了解Medidata Clinical Data Studio 如何助力您优化稽查轨迹审阅流程。