Reimagining drug regulation in the age of AI: a framework for the AI-enabled Ecosystem for Therapeutics
Notice bibliographique
Résumé
Artificial intelligence (AI) is increasingly integrated into drug development and regulatory decision-making; however, the regulatory landscape governing these technologies remains fragmented. While agencies such as the US Food and Drug Administration (FDA) and European Medicines Agency (EMA) have begun issuing guidance on AI applications in human therapeutics, these frameworks differ substantially in scope, terminology, and application. This lack of alignment complicates regulatory interpretation, creates barriers to regulatory coordination, and impedes equitable access to AI-enabled therapies. In this article, we introduce the AI-enabled Ecosystem for Therapeutics (AI2ET) framework, a conceptual and policy-oriented model designed to support the federation of regulatory knowledge and promote regulatory alignment. The AI2ET shifts regulatory focus from individual AI-generated products to the broader AI-enabled systems, platforms, and processes that underpin drug development. This approach addresses current regulatory gaps in AI oversight by articulating clear definitions of the components that constitute the ecosystem, establishing risk-based decision-making pathways, and finally offering regulatory guidance to navigate the ecosystem. The article offers six key policy recommendations that include strengthening international cooperation, establishing shared regulatory definitions, and investing in regulatory capacity building. By laying down a conceptual foundation for regulatory science-based oversight of AI in therapeutic development, the AI2ET framework offers a path forward for inclusive, effective, and equitable oversight of AI in regulating human therapeutics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».