塩野义制药
生成式AI激起产业革新，但也引发不少实用性讨论，尤其是幻觉、偏见和引用来源不明，进而催生出一系列AI治理新方法。医药产业的另一场转型：运用真实世界资料（Real world data，RWD）和真实世界证据（Real world evidence，RWE）的医药研究，业界常简称为RWD研究，也面临了类似的资料透明度不足的治理挑战。
日本老牌制药大厂塩野义制药特别点出这个问题，传统新药开发以临床试验为主，流程明确、资料标准化、伦理与法规兼备。但当资料来源扩大到病历资料、健保申报数据甚至穿戴装置时，这类非临床试验的RWD研究，开始暴露出系统性的透明度问题，像是没人知道资料如何取得、分析、是否有偏差，甚至没人要求研究人员揭露这些细节。
对此，塩野义制药选择主动治理。他们从2018年自建的临床试验AI分析平台出发，延伸打造一套适用于RWD研究分析流程的工具，透过标准化、半自动化与程式化治理，来提高RWE可信度和研究效率。
RWD研究兴起，却充满问号
塩野义制药成立于1878年，是日本最老牌的制药公司之一，专攻药物开发和创新工具研发，自己有一组专门的资料科学团队。
该团队工程师Takuji Komeda引用一份研究，指出日本产学界用RWD进行药品或疗效分析的研究数量，正在快速增加。然而，资料取得和分析缺乏制度化监管，导致外界时常对RWD研究存疑。
塩野义制药指出，日本真实世界资料（RWD）研究缺乏制度化监管，比如研究员可向供应商取得大量RWD资料，不必经过伦理审查，也不必向伦理委员会提出分析计划，多数期刊更不会要求投稿者公开原始资料。图片来源／塩野义制药
他举例，研究人员可以直接透过商业授权，不必经过伦理审查，向供应商取得大量RWD资料。而且因为不是临床试验，研究人员也不必向伦理委员会提出分析计划，而大部分刊登研究成果的医药期刊，更不会要求投稿者公开程式码或原始资料，其中更缺乏独立审核的第三方。换句话说，任何人都可能从商业授权取得的RWD资料中，「挑出自己想看的结果」，然后写一篇论文就发表了。这种状况与生成式AI幻觉、缺乏明确出处和人类审查的问题非常类似，治理缺失、过程不透明，让RWD研究价值大打折扣。
无法直接套用临床试验SOP，决定另外开发
塩野义制药本想以自建的临床试验AI平台为基础，来打造RWE半自动化和监管工具，却面临资料格式、资料规模、分析方法等差异的挑战，于是决定重新开发一套专属工具。图片来源／塩野义制药
塩野义制药早在20年前就采用商用数据分析产品，来辅助药物研发和临床试验，2018年时用SAS的Viya平台为基础，开发出临床试验专用的AI-SAS平台工具。后来，他们想进一步扩大这个平台，发展一套让RWD研究更透明且能自动化的工具。
团队先评估原有工具使用真实世界资料的可行性，但因原有系统设计以临床试验为主，能处理的资料格式、规格、分析方法和模型，都与RWD截然不同。
比如在资料格式上，临床试验采用CDISC国际标准，但RWD的标准没有统一，会因资料供应商而有不同，另外在资料规模上，临床试验顶多几千笔案例，但RWD动辄高达上千万笔。不只如此，在分析方法上也有所差异，比如临床试验为随机对照设计，可控制偏误，但RWD多混杂因子，需额外建模。
因此，塩野义制药决定重新打造一个可支援大规模资料、格式弹性、分析半自动化且记录完整的RWD分析架构。
先将资料标准化，再半自动化分析
接著，塩野义找来原厂提供技术支援，打造可用于真实世界资料研究的新版分析工具AI-SAS for RWE。这套系统分为2大关键模组，包括资料标准化模组，以及半自动化的RWD分析流程，同时保有版本控管与审查记录。
以资料标准化模组来说，为解决不同RWD来源格式不一的问题，塩野义制药采用国际OMOP提出的CDM通用资料模型，作为资料标准，好将世界各地供应方提供的RWD，转换为CDM，方便后续分析。
不过，Takuji Komeda坦言，日本的RWD难以完全转换为CDM，因此，塩野义只针对栏位格式和栏位命名进行一致化，让各种格式资料在平台中具备一致结构。他们称这种CDM为「实用型标准化」做法，保留原始资料语意，但透过结构统一达到跨资料比对的目的，避免因代码转换，丢失资讯。
接著是半自动化RWD分析，塩野义团队规画了3个阶段来完成。第一，研究人员只要填好一份概念表（Concept Sheet），列出要研究什么、需要哪些变数和使用哪些统计方法，系统就会根据先前资料定义，自动套用变数格式、建立分析资料集（ADS）及其规格。
建好初步分析资料集后，系统会进一步分析哪些变数需要扩充或转换，并根据既有规则或过往范例，自动补足这些内容，同时生成统计图表（TLF），并根据这些图表，自动产出报告草稿，来供研究员参考。
所有分析流程都会自动记录在Git中，包含程式版本、资料栏位定义版本、报表更新纪录等。这种设计类似软体工程的CI/CD流程，可让研究人员能追踪任何一步的修改，达到可溯源的治理效果。未来若监管机构、伦理委员会或期刊审查要求提出分析过程依据，他们就能快速汇出完整纪录。
最终，塩野义制药打造一套AI-SAS for RWE工具，透过标准化、半自动化与程式化治理，来提高RWE可信度和研究效率。他们目前已完成第一阶段，包含半自动化和Git记录，接下来要用AI改善分析效率，还要建成App来强化可用性。图片来源／塩野义制药
上述这些做法，只是分析流程半自动化的第一阶段。Takuji Komeda指出，塩野义团队预计，第二阶段要进一步使用AI来加强分析效率，还要扩大可以自动化的规模。而在第三阶段，他们要将整个分析作业包装成App，让非程式专业的研究人员，也能用图形介面完成RWD分析设定，提高可用性。
塩野义制药的RWD/RWE治理做法，成了RWE用于未来药物研发和监管的可信依据。