گلوگاه پنهان رقابت در صنعت ژنریک

رگولاتوری هوشمند/

یاسمن آوازه، (داروساز، دستیار تخصصی اقتصاد و مدیریت دارو): در صنعت دارو، هوش مصنوعی اغلب با کشف دارو و طراحی مولکول‌های نوین شناخته می‌شود، اما برای شرکت‌های ژنریک‌ساز و بایوسیمیلارساز، ارزش‌آفرینی ملموس آن در لایه‌ای عملیاتی‌تر شکل می‌گیرد: مستندسازی فنی، تدوین پرونده‌های رگولاتوری، مدیریت تغییرات پس از تأیید و رصد الزامات بازارها. در بازاری که مزیت رقابتی بر پایه قیمت، کاهش هزینه، سرعت ورود به بازار و حفظ هم‌زمان انطباق در کشورهای مختلف شکل می‌گیرد، هوش مصنوعی می‌تواند از یک فناوری نوظهور فراتر رود و به اهرمی راهبردی برای بهینه‌سازی عملیات، کاهش ریسک‌های رگولاتوری و تقویت دسترسی پایدار به بازار تبدیل شود.

مقدمه

مسئله اصلی، همیشه کشف دارو نیست!

وقتی از هوش مصنوعی در صنعت دارو سخن گفته می‌شود، معمولاً نخستین تصویر، کشف مولکول‌های جدید، طراحی دارو، مدل‌سازی‌های پیشرفته یا مدیریت هوشمند زنجیره تأمین است. این تصویر برای شرکت‌های دارویی نوآور تا حدی زیاد درست است، اما برای شرکت‌های ژنریک‌ساز و بایوسیمیلارساز، اولویت اقتصادی اغلب در جایی دیگر تعریف می‌شود.

شرکت ژنریک‌ساز معمولاً مولکولی تازه‌ کشف نمی‌کند، بلکه محصولی را توسعه می‌دهد که ماده مؤثره آن از پیش شناخته شده است. بنابراین، چالش اصلی این شرکت‌ها نه کشف علمی، بلکه اثبات رگولاتوری است: اثبات معادل بودن محصول با داروی مرجع، اثبات کیفیت پایدار تولید، اثبات انطباق با الزامات بازارهای مختلف و حفظ این انطباق در سراسر چرخه عمر محصول.

از این منظر، بخشی مهم از ارزش اقتصادی شرکت در توانایی آن برای مدیریت دقیق پرونده‌ها، پاسخ سریع به تغییرات، کاهش خطاهای مستنداتی و کوتاه‌کردن مسیر دسترسی به بازار نهفته است. هوش مصنوعی دقیقاً در همین نقطه می‌تواند از یک فناوری جذاب به ابزاری عملیاتی و ارزش‌آفرین تبدیل شود؛ ابزاری برای کاهش زمان، هزینه و ریسک در یکی از پرچالش‌ترین بخش‌های صنعت دارو یعنی رگولاتوری.

بار پنهان رگولاتوری در صنعت ژنریک

در صنعت ژنریک، ثبت اولیه محصول فقط آغاز مسیر است. پس از ورود محصول به بازار، هر تغییر در تأمین‌کننده ماده اولیه، سایت تولید، روش آنالیز، مشخصات پایداری یا بسته‌بندی می‌تواند موج تازه‌ای از مستندسازی رگولاتوری ایجاد کند.

داده‌های FDA نشان می‌دهد که در سال مالی ۲۰۲۴، دفتر داروهای ژنریک این سازمان حدود ۷۴۰ درخواست ثبت داروی ژنریک (ANDA) دریافت کرد. اما در همان دوره، بیش از ۱۱٬۸۰۰ مکمل و تغییر پس از تأیید ثبت شد، شامل ۱٬۷۴۴ درخواست تغییر پیش از توزیع یا PAS و بیش از ۱۰٬۰۰۰ تغییر کوچک‌تر از نوع CBE. به بیان دیگر، بیش از ۹۴ درصد حجم فایل‌های رگولاتوری ژنریک به مدیریت تغییرات محصولات موجود مربوط است، نه ثبت محصولات جدید.

در مقیاس جهانی، این مسئله پیچیده‌تر می‌شود. وقتی یک محصول در چندین کشور ثبت شده باشد، یک تغییر واحد در فرمولاسیون، سایت تولید یا تأمین‌کننده می‌تواند به مسیرهای رگولاتوری موازی در بازارهای مختلف تبدیل شود. در چنین شرایطی، تأخیر در ثبت تغییرات فقط یک مشکل اداری نیست، بلکه می‌تواند عرضه، صادرات و انطباق شرکت را تحت تأثیر قرار دهد.

این اعداد صرفاً شاخص‌های عملیاتی نیستند، بلکه نشانه هزینه فرصت، قفل‌شدن ظرفیت کارشناسی، تأخیر در عرضه، افزایش ریسک عدم‌انطباق و کاهش چابکی تجاری‌‌اند. در چنین ساختاری، رگولاتوری دیگر فقط یک واحد اداری نیست، بلکه بخشی از زنجیره ارزش شرکت دارویی محسوب می‌شود.

مزیت پنهان هوش مصنوعی در فرآیندهای رگولاتوری

سرمایه‌گذاری در هوش مصنوعی برای کشف دارو معمولاً پرهزینه، پرریسک و بلندمدت است. این مسیر به داده‌های اختصاصی، آزمایشگاه‌های پیشرفته، زیرساخت محاسباتی و افق بازگشت سرمایه چندساله نیاز دارد. اما هوش مصنوعی در امور رگولاتوری از دارایی‌هایی استفاده می‌کند که شرکت‌ها از قبل در اختیار دارند: پرونده‌های ثبت، ماژول‌های CTD/eCTD، SOPها، گزارش‌های بیواکی‌والانس، مکاتبات با مراجع نظارتی و سوابق ممیزی.

در بسیاری از شرکت‌ها، این داده‌ها وجود دارند اما پراکنده، غیرساختاریافته و کم‌استفاده‌اند. هوش مصنوعی می‌تواند این حافظه سازمانی را به ابزار تصمیم‌سازی تبدیل کند. ابزاری که تغییرات را طبقه‌بندی می‌کند، شکاف‌های پرونده‌ها را نشان می‌دهد، پیش‌نویس مستندات را آماده می‌کند و ریسک‌های رگولاتوری را پیش از ارسال رسمی آشکار می‌سازد.

گزارش‌های اخیر  McKinseyنشان می‌دهد که شرکت‌های پیشرو توانسته‌اند زمان تهیه و ارسال پرونده‌های رگولاتوری را به‌طوری معنادار کاهش دهند و با بازطراحی فرآیندها، پرونده‌ها را در فاصله ۸ تا ۱۲ هفته پس از قفل‌شدن پایگاه داده ارائه کنند، یعنی ۵۰ تا ۶۵ درصد سریع‌تر از میانگین سال ۲۰۲۰.

برای شرکت ژنریک‌ساز، چنین صرفه‌جویی زمانی فقط یک بهبود فرآیند اداری نیست. چرا که در بازاری که ورود زودتر می‌تواند سهم بازار و قیمت‌گذاری اولیه را تعیین کند، زمان مستقیماً به ارزش اقتصادی تبدیل می‌شود.

کاربردهای اقتصادی و مدیریتی هوش مصنوعی

۱. کاهش هزینه مدیریت تغییرات پس از تأیید

مدیریت تغییرات پس از تأیید (PAC) یکی از پرهزینه‌ترین و در عین‌حال از کمتر دیده‌شده‌‌ترین فرآیندها در شرکت‌های ژنریک‌ساز است. هر تغییر، از اصلاح فرمولاسیون تا تغییر محل تولید، باید برای بازارهای مختلف به‌صورت جداگانه طبقه‌بندی، مستندسازی و به مراجع رگولاتوری ارسال شود. آمریکا، اروپا، کشورهای عضو EAEU، عربستان و سایر بازارهای منطقه‌ای هرکدام الزامات، قالب‌ها و زمان‌بندی‌های متفاوتی دارند.

هوش مصنوعی می‌تواند این فرآیند پیچیده را تا حدی زیاد تسهیل کند، به‌گونه‌ای که برای هر تغییر، مسیر رگولاتوری مناسب در بازارهای مختلف را پیشنهاد دهد، مدارک مورد نیاز را شناسایی کند و حتی پیش‌نویس اولیه پرونده را بر اساس سوابق و داده‌های پیشین شرکت تهیه کند. حاصل این رویکرد، کاهش زمان چرخه فرآیند، کاهش بار کارشناسی و کاهش احتمال خطاهای انسانی است.

اهمیت این تحول دیگر صرفاً در حد یک بحث نظری نیست. در سال ۲۰۲۶، نخستین پرونده تغییر پس از تأیید در حوزه CMC که به‌صورت دیجیتال تولید و به‌طور هم‌زمان برای چند مرجع رگولاتوری ارسال شد، در Journal of Pharmaceutical Sciences  گزارش شد. این تجربه نشان می‌دهد که دیجیتالی‌سازی و هوش مصنوعی به‌ تدریج در حال تبدیل‌شدن به بخشی از عملیات واقعی رگولاتوری دارویی هستند.

۲. کاهش ریسک بازگشت پرونده و تسریع تأیید پرونده ثبت داروی ژنریک

بسیاری از پرونده‌های ثبت داروی ژنریک در  FDA در چرخه اول تأیید نمی‌شوند و دریافت نامه نواقص یا Complete Response Letter (CRL)  می‌تواند روند ورود محصول به بازار را به‌طوری قابل توجه به تأخیر بیندازد.

از منظر اقتصادی، CRL  فقط یک نامه فنی نیست، بلکه می‌تواند به از دست رفتن زمان، عقب‌ماندن از رقبا و تأخیر در تحقق درآمد منجر شود. هوش مصنوعی می‌تواند پیش از ارسال رسمی پرونده، ناسازگاری‌ها، کمبود داده‌های بیواکی‌والانسی، ضعف در اعتبارسنجی روش‌های آنالیتیکال، مشکلات برچسب‌گذاری و نقص‌های پایداری را شناسایی کند.

۳. تسریع توسعه بایوسیمیلار

بایوسیمیلارها از نظر مدیریتی، پروژه‌هایی سرمایه‌بر و زمان‌بر هستند. توسعه یک بایوسیمیلار می‌تواند 100 تا 300 میلیون دلار هزینه داشته باشد و 6 تا 9 سال طول بکشد. بخشی مهم از هزینه و زمان توسعه آنها به مستندسازی تشابه تحلیلی، ویژگی‌های کیفی حیاتی یا CQA، مطالعات PK/PD و گزارش‌های بالینی مربوط است.

هوش مصنوعی می‌تواند در تحلیل داده‌های گلیکوزیلاسیون، واریانت‌های باری، تجمع پروتئینی، داده‌های اسپکتروسکوپیک و تهیه روایت علمی تشابه نقش داشته باشد. در این‌جا ارزش اصلی هوش مصنوعی، کاهش هزینه تولید شواهد، ارتقای انسجام پرونده و تسریع تصمیم‌گیری توسعه‌ای است. برای شرکت‌های بایوسیمیلارساز، هر کاهش معنادار در زمان توسعه یا پاسخ‌گویی رگولاتوری می‌تواند بر ارزش فعلی پروژه، زمان ورود به بازار و توان رقابت با بازیگران بین‌المللی اثر بگذارد.

۴. مدیریت هوشمند بازارهای صادراتی

برای شرکت‌های ایرانی، حضور در بازارهای عراق، افغانستان، کشورهای  CIS، عربستان و منطقه “منا” نیازمند مدیریت هم‌زمان چندین نظام رگولاتوری است. هر بازار، الزامات، زبان، قالب مستندات و زمان‌بندی خاص خود را دارد. تأخیر در رصد تغییرات این بازارها می‌تواند به ریسک ثبت، تأخیر عرضه یا از دست رفتن فرصت صادراتی منجر شود.

در این زمینه، سیستم‌های مبتنی بر هوش مصنوعی می‌توانند تغییرات رگولاتوری را رصد کنند، اثر آنها را بر پرونده‌های فعال بسنجند و برای هر محصول، نقشه وضعیت ثبتی به‌روز ایجاد کنند. این قابلیت برای شرکت‌هایی که صادرات را بخشی از راهبرد رشد خود می‌دانند، یک زیرساخت مدیریتی ضروری است.

هوش مصنوعی در رگولاتوری دارویی؛ از پیاده‌سازی تا مزیت رقابتی

ورود هوش مصنوعی به امور رگولاتوری شرکت‌های دارویی، پیش از آنکه یک پروژه فناورانه باشد، یک تصمیم مدیریتی است. ارزش واقعی این فناوری زمانی آشکار می‌شود که در خدمت کاهش زمان، هزینه و ریسک قرار گیرد، نه زمانی که صرفاً به‌عنوان نمادی از نوآوری در سازمان معرفی شود. برای شرکت‌های ژنریک‌ساز و بایوسیمیلارساز، نقطه شروع منطقی، فرآیندهایی است که هم پرحجم و تکرارشونده‌اند و هم اثر مستقیم بر دسترسی به بازار دارند. در رأس این فرآیندها، مدیریت تغییرات پس از تأیید قرار دارد.

با این حال، سرعت نباید جایگزین دقت شود. هوش مصنوعی در امور رگولاتوری می‌تواند پیش‌نویس مستندات را تهیه کند، ناسازگاری‌های پرونده را نشان دهد، مدارک مورد نیاز را پیشنهاد کند و روند آماده‌سازی پرونده‌ها را تسریع کند، اما مسئولیت نهایی صحت مستندات همچنان با متخصصان واجد صلاحیت است. ریسک‌هایی مانند تولید اطلاعات نادرست، ارجاع به راهنماهای منسوخ یا بازتولید خطاهای موجود در پرونده‌های قدیمی نشان می‌دهد که هیچ خروجی هوش مصنوعی نباید بدون بازبینی متخصص وارد پرونده رسمی شود. تأکید FDA نیز بر همین اصل استوار است: سیستم‌های خودکار می‌توانند پشتیبان تصمیم‌گیری باشند، اما پاسخگویی نهایی بر عهده افراد مسئول و متخصص باقی می‌ماند.

از این رو، مسیر پیاده‌سازی باید تدریجی، کنترل‌شده و قابل‌اندازه‌گیری باشد. گام نخست، سامان‌دهی حافظه رگولاتوری شرکت است، یعنی گردآوری پرونده‌های ثبت، SOPها، مکاتبات با مراجع نظارتی، پاسخ‌های پیشین، سوابق ممیزی و داده‌های مربوط به تغییرات در یک مخزن ساختاریافته و قابل ‌جست‌وجو. پس از آن، می‌توان یک پایلوت محدود در حوزه مدیریت تغییرات پس از تأیید اجرا کرد و نتایج آن را با شاخص‌هایی مانند کاهش زمان چرخه، کاهش ساعات کارشناسی، کاهش خطا، کاهش تعداد بازبینی‌ها و تسریع ارسال پرونده سنجید. در صورت موفقیت این مرحله، کاربرد هوش مصنوعی می‌تواند به بازبینی پرونده ثبت دارو پیش از ارسال، مستندسازی بایوسیمیلار و رصد مقررات بازارهای صادراتی گسترش یابد.

رگولاتوری هوشمند؛ نقطه آغاز تحول دیجیتال در صنعت ژنریک‌ساز ایران

برای صنعت داروسازی ایران، مسیر کاربرد هوش مصنوعی بیش از هر چیز از واقعیت ساختاری این صنعت آغاز می‌شود. صنعتی ژنریک‌محور که مزیت رقابتی آن فقط به تولید داخلی یا قیمت پایین‌تر وابسته نیست، بلکه به سرعت ثبت، دقت مستندسازی، توان پاسخ‌گویی به تغییرات و حفظ حضور در بازارهای صادراتی نیز گره خورده است. از این منظر، منطقی‌ترین نقطه شروع برای استفاده عملیاتی از هوش مصنوعی در بسیاری از شرکت‌های دارویی، رگولاتوری، مستندسازی، مدیریت تغییرات و پشتیبانی از توسعه صادرات است.

شرایط اقتصادی و محدودیت‌های عملیاتی کشور نیز این اولویت را پررنگ‌تر می‌کند. تغییرات مکرر در زنجیره تأمین، جابه‌جایی تأمین‌کنندگان، محدودیت‌های ارزی، کمبود منابع و ضرورت حضور پایدار در بازارهای صادراتی باعث شده است مدیریت پرونده‌های رگولاتوری دیگر صرفاً یک فعالیت اداری نباشد، بلکه به یکی از اهرم‌های اصلی رقابت تبدیل شود. در عمل، شرکتی که بتواند تغییرات خود را سریع‌تر ثبت کند، دقیق‌تر به الزامات بازارها پاسخ دهد و ریسک تأخیر یا عدم‌انطباق را کاهش دهد، مزیت اقتصادی واقعی ایجاد کرده است.

بر همین اساس، مسیر عملیاتی برای شرکت‌ها می‌تواند از سه اقدام مشخص آغاز شود: نخست، ایجاد مخزن دانش رگولاتوری برای گردآوری و ساختاردهی پرونده‌ها، مکاتبات، سوابق تغییرات و مستندات فنی. دوم، اجرای یک پایلوت محدود هوش مصنوعی در مدیریت تغییرات پس از تأیید. و سوم، ایجاد سامانه رصد مقررات بازارهای صادراتی. این سه اقدام، در مقایسه با سرمایه‌گذاری‌های سنگین و بلندمدت در حوزه کشف دارو، کم‌ریسک‌تر، اجرایی‌تر و نزدیک‌تر به بازده اقتصادی‌اند.

جمع‌بندی

در نهایت، مزیت هوش مصنوعی در صنعت ژنریک ایران، جایگزینی متخصصان رگولاتوری نیست، بلکه آزاد کردن ظرفیت آنان از کارهای تکراری و هدایت این ظرفیت به تصمیم‌گیری‌های تخصصی‌تر است. آینده رقابت در این صنعت فقط به تولید ارزان‌تر وابسته نخواهد بود، بلکه به ثبت سریع‌تر، مستندسازی دقیق‌تر، پاسخ‌گویی هوشمندانه‌تر و مدیریت مؤثرتر بازارها نیز بستگی دارد. از این منظر، هوش مصنوعی می‌تواند رگولاتوری را از یک مرکز هزینه به منبعی برای خلق مزیت رقابتی تبدیل کند، مشروط بر آنکه استفاده از آن بر پایه داده‌های سالم، حکمرانی روشن و نظارت متخصصان انجام شود.

/انتهای پیام/