首页
>
资讯
>
AI 时代的制药行业知识管理，也许有机会不再“抽象”
出自识林
AI 时代的制药行业知识管理，也许有机会不再“抽象”
2025-10-31
近日，国家标准委发布《知识管理实施指南 第2部分：制药》（GB/T 44651.2-2025） ，再次将“知识管理 ”这个熟悉而又陌生的概念带到大家面前。
该国标涵盖面较广，从组织环境、领导力、策划、支持、运行、绩效评价和改进等方面阐述知识管理体系。不过笔者特别关注的是工具和方法章节。
国标针对制药行业特点，罗列了诸多知识管理工具和方法术语。例如，在知识鉴别、创造、获取阶段，可采用知识地图、知识图谱、社区实践、经验教训、专家定位等工具和方法；在知识转移阶段，可采用知识转移计划、内容管理、分类和搜索、平台知识库、隐性知识的保留与转移实践等工具和方法；在知识存储、共享、应用阶段，可采用内容管理、分类法和本体三种互补的方法和工具。此外，还提到了质量管理小组（QCC）活动、师带徒制等等。不过，国标未提供这些方法和工具的简介，也没有原理、应用和案例。
从整体内容来看，国标更多地提供了一个知识管理的框架和概念性指导，技术细节相对较少。对于想要应用方法和工具真正开展系统性知识管理的药企，仍需自行开展方法和工具调研。这份国标的促进意义大于实际应用价值，也因此更像一份“标准”而非一份“指南”。
ISPE知识管理指南兼具清晰概念与具体工具
笔者联想到曾经读过2021年国际制药工程协会（ISPE）发布的《良好实践指南：制药行业的知识管理》
首先一个印象是，该指南提出了几个相当直观的框架，相比繁复的定义，更能令人结合自身经验，从而更加深刻理解“知识”一词的深层内涵。
其中，“知识与知识认知模型框架”（Knowledge and Knowledge Recognition）从知识“是否已存在”以及“是否被认知到”两个维度进行分析，构成从“我不知道我不知道”（探索）到“我知道我知道”（事实）共计四个象限。在个体层面，这一模型相对简单，但在组织层面，涉及多人、多职能、多产品与多流程时，复杂性显著增加。
指南还区分了显性知识（Explicit Knowledge）与隐性知识（Tacit Knowledge）。显性知识是可以用语言或图像表达、编码、存储和访问的知识；而隐性知识则是通过个人经验或内化获得的知识，存在于人脑中，通常被称为“知其然”（know - how）。制药行业的高度监管带来高度复杂的文件化管理体系，看似一切都已“显性化”，隐性知识的重要性常被低估。过度强调显性知识，在日常工作中往往因照本宣科（“照着SOP 干准没错”）或人才流失（“反正有没有他/她都行”）导致诸多负面后果。因此，指南特别强调隐性知识，并提供了相应的知识管理方法与工具，以更好地识别、捕获、转移和应用隐性知识。
指南还引入了数据、信息、知识与智慧模型（DIKW）。该模型是信息科学中的经典框架，以金字塔形式呈现，底层是数据（Data），向上依次是信息（Information）、知识（Knowledge）和智慧（Wisdom）。数据是对象和事件属性的符号；信息是经过处理的数据，并整合上下文；知识是通过经验或学习获得的意识、理解和信息；智慧是在特定情境下快速或实用行动的能力。现实中，这四个词往往界限模糊，人们混淆其含义，也就无法合理运用。例如，罗列大量Data，几乎不做分析（生成Information）和归纳总结（获取Knowledge），此时期待管理者能够做出充满智慧（Wisdom）的决策是不现实的。
ISPE指南最具实用价值的部分是提出了18种具体的知识管理 方法与工具，分为四大类（翻译仅供参考）：
第一类：规划与需求定义（Planning and Requirements Definition）：
知识管理成熟度评估（KM Maturity Assessment）
产品知识管理计划（Product KM Plan）
知识转移计划（Knowledge Transfer Plan）
场地/功能领域知识管理计划（Site/Functional Area KM Plan）
第二类：显性知识（Mostly Explicit - based）：
分类与搜索（Taxonomy and Search）
平台知识库（Platform Knowledge Base）
产品知识库（Product Knowledge Base）
第三类：隐性知识（Mostly Tacit - based）：
实践社区（Communities of Practice）
决策理由捕获（Decision Rationale Capture）
隐性知识保留与转移实践（Tacit Knowledge Retention and Transfer Practices）
第四类：支持要素（Enabling Elements）：
珍视知识的文化（Knowledge - Valuing Culture）
赞助、治理、指标与其他支持因素（Sponsorship, Governance, Metrics, and other Enablers）
ISPE指南在附录中逐一阐述上述方法和工具并举例说明（也因此指南文件长达160页），有兴趣的读者可联系ISPE获取。值得一提的是，上述国标并未引用ISPE指南。
ICH将知识管理引入制药法规体系，但仅有高度和概念还不足以贯彻实施
无论是否知道到底该怎么做，笔者相信各行各业无人会否定“知识”和“知识管理”的价值。对于制药行业，还多了一层监管要求。
最早是2008年定稿的ICH Q10 在其 1.6 节引入了知识管理，而且置于相当的高度（引自CDE最终翻译版 ）：
“1.6 推进器：知识管理 和质量风险管理
知识管理和质量风险管理的运用将使公司能够有效、成功地实施 ICH Q10 。通过为与产品质量相关的基于科学和风险的决策提供方法，这些推进器有助于实现上述 1.5 节中描述的目标。
1.6.1 知识管理
产品和工艺知识管理应贯穿产品的整个商业生命周期 ，即从研发直至（并包括）产品终止。例如，运用科学方法进行的研发活动，为产品和工艺 的理解提供知识。知识管理是收集、分析、储存和传递关于产品、生产工艺及组分信息的系统性方法。知识的来源包括但不限于已有的知识（公开或内部的文献）、药品研发 研究资料、技术转移 、整个产品生命周期内的工艺验证 研究、生产经验、创新、持续改进和变更管理 。”
自 ICH 将知识管理上升到质量体系的两大推进器之一（与质量风险管理并列）的高度后，知识管理与其他一切涉及质量体系的内容（例如管理上市后变更的Q12 和分析方法开发的Q14 等等）紧密关联，从此欧美法规指南也多处提及知识管理。不过，检索识林数据库，除了适用的ICH指南外（我国于2020年1月正式适用Q10 ），国家级指南文件提及知识管理的目前还较少，例如2024年11月的《生物制品分段生产现场检查指南》 ：
“产品和工艺知识管理应贯穿产品的整个生命周期 ，包括在分段生产 的各个过程中，知识管理是收集、分析、贮存和传递关于产品、生产工艺及组分信息的系统性方法。各分段生产企业应利用知识库和协作工具进行知识的贮存和传递分享，知识包括产品和工艺开发 信息、文档数据，以及经验技术等。通过知识管理改进决策、提高效率、增强协作。”
在笔者与识林会员企业交流中得知，在实际操作中，知识管理到底该从何做起，又该如何做好，依旧不甚清晰，甚至仍有声音将其视为某种“抽象”概念。
2024 年，《Q8、Q9 和 Q10 问答（R5）》中文翻译稿（征求意见稿） 发布，其中对于“监管部门在进行生产现场检查 时，是否期望看到正式的知识管理方法？”这一问题，ICH 回答是：
“不，没有正式知识管理系统的监管要求。尽管如此，监管部门希望恰当地利用不同生产工艺过程和系统中获得的知识。注意：此处‘正式’的意思是：采用被认可的方法学或者采用IT手段构建知识管理方法，采用透明的详细的方法执行和记录事情。”
“没有正式...监管要求”，又“希望恰当”，“知识管理”似乎还是没有着落。也许不做知识管理并无多少合规风险，但更令人担忧的是，组织和个人的知识因此难以沉淀并发挥价值，甚至不断流失。
但如今我们已经身处AI时代
近年来AI技术的飞速发展，以及基于大语言模型（LLM）的AI 技术与显性知识的天然契合，为制药行业的知识管理带来了前所未有的机遇。
首先，AI在知识的鉴别、创造和获取阶段能够发挥巨大作用。通过自然语言处理（NLP）技术，AI可以快速浏览海量的文献、专利、研究报告、申报资料、SOP 等，并基于LLM技术，识别出隐藏在文本中的关键信息，从中提取有价值的知识，用通俗易懂的语言表达出来。
在知识转移阶段，AI提供了更加高效和精准的工具。知识转移计划可以通过 AI驱动的智能推荐系统来优化，根据员工的技能、经验和需求，为他们提供个性化的知识资源和培训内容。内容管理方面，AI可以自动对知识进行分类和标签 化，提高搜索效率，确保员工能够快速找到所需的知识。同时，AI也可以通过虚拟助手或聊天机器人，实时回答员工的问题，促进知识的共享和交流。
对于知识的存储、共享和应用，AI也展现出了强大的潜能。例如AI可以构建知识图谱，将全公司的历史偏差调查 相关知识进行整合和关联，形成一个结构化的偏差知识库。在这个网络中，每一次偏差 不再是孤立的点，而是相互联系、相互补充的。通过偏差知识库，质量人员可以更直观地了解产品知识、历史偏差与当前偏差之间的关系，发现新的根本原因 调查路径和CAPA 策略，再由AI辅助撰写偏差方案与报告，关键是能为更明智的决策提供支持。
此外，AI时代的知识管理不再是静态的、被动的，而是动态的、主动的。AI可以实时监测知识的变化和发展，及时更新知识库，确保知识的时效性和准确性。同时，AI也可以通过数据分析 和预测，为知识管理提供前瞻性的建议，帮助药企各个岗位在日常工作中提前布局，抢占先机。例如注册人员在汇编新的申报资料时，AI可将全球各监管市场最新的注册路径、要求和策略建议自动推送到眼前。
上述场景尽可以畅想，但AI时代的知识管理也面临诸多挑战。数据隐私和安全问题是首要考虑的因素。制药行业的知识往往涉及敏感信息，如何在利用 AI的同时保护数据的安全和隐私成了核心问题。此外，AI技术的应用也需要专业的技术人员和相应的基础设施支持，既懂药企业务流程、又懂前沿AI技术应用的复合型“桥梁”人才更是十分难得（相信识林读者在前些年“信息化转型”过程中已有许多经验教训）。同时，AI的决策过程和结果需要可解释性和透明度，以便人类专家能够理解和信任，这也是 AI在知识管理中需要进一步完善的地方——同时也是药监部门监管AI的重点 所在，例如最新的欧盟GMP附录22人工智能 就对此提出了相当高的要求。
还有一点必须强调的是，无论AI如何适配显性知识，隐性知识（事实上就是人才）的价值不仅绝不可忽视，反而愈加凸显。
但无论有哪些困难与挑战，AI 毕竟为制药行业的知识管理带来了新的希望和机遇，并有机会让知识管理不再“抽象”。在这个时代，探讨概念之余，对于知识管理 ，我们也许可以进一步自问，该做些什么，可以做些什么，以及有没有开始做。
作为知识平台的识林，正在与会员企业不断探索当中，非常期待能与更多企业和专家交流探讨。
识林-实木
识林® 版权所有，未经许可不得转载
必读岗位及工作建议 QA ：必须深入理解药品质量体系的要求，确保企业质量管理体系符合规定。工作建议：定期审查和更新企业的质量管理体系文件，确保与Q10指南保持一致。 注册 ：在药品注册过程中，需确保提交的文件符合药品质量体系的要求。工作建议：在准备注册文件时，特别注意质量体系相关部分的准确性和完整性。 文件适用范围 本文适用于各类药品（化学药、生物制品、疫苗、中药等），包括创新药、仿制药、生物类似药和原料药等注册分类。适用于在中国注册的Biotech、大型药企、跨国药企、CRO和CDMO等企业。
文件要点总结 质量体系建立与维护 ：强调企业必须建立、实施和维护一个全面的质量体系，以确保药品质量。质量风险管理 ：明确要求企业应实施质量风险管理，识别、评估和控制可能影响药品质量的风险。变更管理 ：规定企业在药品生产过程中发生的任何变更都应经过严格的管理流程。供应商管理 ：强调对供应商的选择、评估和监控，确保原材料和组件的质量。产品放行 ：要求企业建立产品放行程序，确保每批药品在放行前满足既定的质量标准。以上仅为部分要点，请阅读原文，深入理解监管要求。
适用岗位及工作建议：
QA ：必读。确保质量保证体系与药品生命周期管理要求相一致。注册 ：必读。了解注册过程中的技术与监管要求，确保申报材料符合标准。研发 ：必读。在药品研发阶段考虑生命周期管理，确保研发成果的可持续性。适用范围：
文件要点总结：
生命周期管理重要性 ：强调药品从研发到退市的全生命周期管理的重要性，以确保药品质量与安全。技术与监管要求 ：明确了药品生命周期管理中技术和监管的考虑要点，包括风险管理、变更控制等。变更管理 ：特别指出变更管理在药品生命周期中的重要性，要求对变更进行评估、记录和报告。风险管理 ：规定了风险管理在药品生命周期管理中的核心地位，强调了风险评估、控制和沟通的重要性。监管沟通 ：鼓励企业与监管机构之间建立有效的沟通机制，以促进信息共享和问题解决。以上仅为部分要点，请阅读原文，深入理解监管要求。
岗位必读指南：
研发（R&D） ：深入理解分析方法开发的要求，确保研发过程中方法的合规性与科学性。质量保证（QA） ：监督分析方法开发流程，确保符合监管要求。注册（RA） ：熟悉分析方法开发指南，以便在药品注册过程中准确呈现相关信息。适用范围说明：
文件要点总结：
方法开发原则 ：强调了分析方法开发应遵循科学、合理的原则，确保方法的准确性和重复性。方法验证要求 ：明确了方法验证的必要性，包括验证参数的选择和验证过程的规范性。生命周期管理 ：提出了分析方法的生命周期管理概念，强调方法开发、验证、监控和变更的连续性。风险评估 ：鼓励在分析方法开发过程中进行风险评估，以识别和控制潜在风险。技术文档记录 ：规定了技术文档的记录要求，确保方法开发的可追溯性和透明度。以上仅为部分要点，请阅读原文，深入理解监管要求。
适用岗位及工作建议：
研发（R&D） ：必读。应深入理解QbD、设计空间和控制策略，以科学的方法指导药品研发。质量管理（QA） ：必读。需掌握ICH Q8/Q9/Q10的实施细节，确保质量管理体系与ICH指导原则一致。注册（Reg） ：必读。熟悉ICH Q8/Q9/Q10问答，以便在注册申报中准确应用和解释。生产（Prod） ：必读。了解RTRT和PQS对生产实践的影响，优化生产流程。文件适用范围：
文件要点总结：
以上仅为部分要点，请阅读原文，深入理解监管要求。
适用岗位及工作建议：
QA（质量保证） ：必读。应根据指南更新质量管理体系，确保分段生产过程中的质量控制和风险管理符合规定。生产 ：必读。需按照指南要求，优化生产流程，确保原液、中间产品和成品的生产符合质量标准。注册 ：必读。在注册申报中需体现分段生产的特殊要求和合规性。研发 ：必读。在研发阶段需考虑分段生产对产品质量的影响，进行相应的设计和验证。适用范围：
文件要点总结：
质量管理体系要求 ：强调持有人与生产企业需建立完善的质量管理体系，明确各自职责，运用质量风险管理方法控制分段生产风险。偏差与变更管理 ：明确偏差和变更管理流程，要求各分段生产企业与持有人进行有效沟通，并共同处理潜在影响产品质量和安全的偏差。产品质量回顾 ：要求分段生产企业建立产品质量回顾管理程序，定期进行质量回顾分析，并采取必要的纠正和预防措施。信息沟通与追溯 ：建立信息追溯和共享机制，确保生产全过程的质量监督和异常情况时的信息追溯。原液、中间产品和成品放行 ：各分段生产企业应建立放行程序，明确放行标准和职责，确保产品符合质量标准。以上仅为部分要点，请阅读原文，深入理解监管要求。
适用岗位：
IT ：负责计算机化系统和人工智能模型的技术实施和维护，确保系统的安全性和数据完整性。QA ：监督人工智能模型在GMP环境中的使用，确保其符合质量标准和法规要求。研发 ：参与人工智能模型的选择、训练、验证和测试，确保模型适用于研发流程。生产 ：在生产过程中使用人工智能模型时，确保其符合生产标准和患者安全要求。工作建议：
IT ：与QA和研发团队合作，确保人工智能模型的技术实施符合GMP要求，包括数据保护和访问控制。QA ：制定和审核人工智能模型的质量控制流程，包括测试数据的独立性和模型性能的监控。研发 ：在模型开发过程中，与数据科学家合作，确保模型的训练和验证符合GMP原则。生产 ：在使用人工智能模型辅助生产决策时，确保有适当的人员培训和监督机制，以符合HITL原则。适用范围：
文件要点总结：
以上仅为部分要点，请阅读原文，深入理解监管要求。
法规指南解读：ICH Q10 Pharmaceutical Quality System
适用岗位（必读）：
QA：确保质量体系符合ICH Q10要求，监控质量体系的实施和持续改进。 注册：理解ICH Q10对药品注册的影响，确保注册文件与质量体系要求一致。 研发：在药品开发阶段应用ICH Q10原则，确保产品和流程的质量。 生产：根据ICH Q10要求，管理商业化生产过程中的质量控制和持续改进。 药物警戒：利用ICH Q10框架下的知识管理和质量风险管理，优化药物警戒活动。 工作建议：
QA应定期审查和更新质量手册，确保其反映ICH Q10的要求。 注册人员应确保所有注册文件和提交材料遵循ICH Q10的质量体系框架。 研发团队应将ICH Q10的原则整合到药品开发的每个阶段。 生产部门应依据ICH Q10建立和维护商业化生产的质量控制体系。 药物警戒部门应使用ICH Q10提供的工具进行风险评估和管理。 文件适用范围：
要点总结：
质量体系模型 ：“ICH Q10提供了一个基于ISO质量概念的综合性药品质量体系模型，与ICH Q8和Q9相辅相成。”管理责任 ：“高级管理层有最终责任确保有效的药品质量体系的建立，以实现质量目标。”持续改进 ：“ICH Q10鼓励使用科学和基于风险的方法，在产品生命周期的每个阶段促进持续改进。”知识管理与质量风险管理 ：“知识管理和质量风险管理是实施ICH Q10并成功实现其目标的推动因素。”监管方法 ：“ICH Q10的实施效果通常可以在生产场所的监管检查中评估。”以上仅为部分要点，请阅读原文，深入理解监管要求。
（GOOD PRACTICE GUIDE: Knowledge Management in the Pharmaceutical Industry，沿用ISPE官微的中文翻译）。
