Bridging the QC–QA Cognitive Handoff: An Agentic Verification Harness for Error Detection, Specification Cross-Checking and Quality Documentation Assembly in Pharmaceutical Quality Assurance

每一款最终出现在药店货架上的药物，其生命都始于纸面上的一个承诺。在第一粒药丸被包装之前，制药公司必须向监管机构证明其产品是安全、纯净且完全符合其声称的。这种证明体现为一份庞大的监管卷宗，这是一组包含数千页测试结果、制造日志和稳定性数据的集合。这些数据的旅程就像一场由两支团队进行的接力赛：一支是生成实验室原始数字的质量控制科学家，另一支是必须将这些数字复制到最终申请文件中的质量保证审核员。几十年来，这一交接过程一直是人工完成的。一名人工审核员坐下来，打开一份实验报告，找到一个数值，打开最终文件，并检查数字是否匹配。他们针对数百个数值进行此类操作，确保批号在每一个出现的地方都一致，确保日期合理，并确保结果落在正确的安全限值内。这是一项工作量巨大且风险极高的任务。哪怕是一个转录错误、一个小数点位置的偏差或一个遗漏的结果，都可能导致救命药物的审批延期，甚至更糟——让有缺陷的产品流向患者。

挑战并不在于数学有多难；数学本身很简单。难点在于所需的检查次数之多，以及人类在疲劳或分心时容易出错的倾向。近年来，人工智能被提议作为一种自动化检查的解决方案。然而，标准的AI模型在处理这项特定工作时往往并不可靠。它们可能表达流畅但内容错误，编造出听起来合情合理但实际上在源文件中并不存在的“事实”。它们可能会算错数字，或者无法将一个数值追溯到其原始页面。对于一个每一项主张都必须有无可争议的证据支撑的受监管行业来说，一个会“猜测”的系统是远远不够的。该行业需要的是一种读起来像人、但计算起来像机器的工具，一个永远不会自行做出决策，而只会为合格的专家提供审查建议的系统。

这正是研究人员致力于用一种新型软件系统来解决的问题。他们并没有试图构建一个能够撰写最终报告或决定药物是否安全的AI。相反，他们构建了一个验证框架（verification harness），一个将阅读、计算和决策角色分离的结构化工作流。在他们的系统中，人工智能模型仅充当“阅读者”。它扫描文档并提出某个数字或日期可能是什么。一旦AI提出了建议，它便立即退位。随后，一个独立的、确定性的计算机程序接管工作。该程序执行每一次计算，检查每一个数学问题，并将每一个提议的数值与法规中定义的严格规则和限值进行对比。如果数字对不上，或者一个文档中的数值与另一个文档中的数值发生冲突，系统就会标记出这一差异。最后，由一名合格的药剂师对每一个标记进行审核。人类做出最终判断，决定该标记是一个真实的错误还是一个误报。AI从不决策；它只负责建议。代码从不猜测；它只负责计算。人类从不猜测；他们只负责决策。

为了测试这种方法是否真的有效，研究人员使用来自同一制造商的三份真实监管卷宗创建了一个现实的测试环境。这些是包含数百个数据点的真实世界文档，涵盖了如片剂和胶囊等不同类型的药物。为了观察系统能否发现错误，团队在这些文档的副本中秘密植入了特定的错误。他们在三个文件中植入了332个截然不同的错误，范围从单个数字的易位，到两个地方的批号不一致，再到以错误的计量单位报告结果。随后，系统在未被告知错误隐藏位置的情况下对这些文档进行运行。它必须依靠其阅读页面、交叉引用数据以及应用规则的能力来独立寻找错误。

结果显示，该系统在发现植入的错误方面是有效的，但并非完美。在三份不同的卷宗中，系统成功检测出了84%的注入错误，这意味着它漏掉了52个错误。在第一份卷宗中，它找到了112个错误中的95个；在第二份中，找到了100个中的80个；在第三份中，找到了120个中的105个。该系统成功找出了它旨在寻找的所有错误类型中的至少一种，包括缺失值、日期冲突以及不符合安全限值的测量结果。这表明，将“阅读者”与“计算器”分离的架构是处理制药数据复杂性的可行途径。系统并未被不同文档的布局所困扰，尽管研究人员指出，由于仅使用了三份卷宗，针对布局差异性的统计检验效力有限。系统在许多情况下都能识别出异常，但对于那52个漏掉的错误，其原因尚不明确；研究人员无法确定它们是由于阅读错误、规则漏洞还是评分决策导致的。

然而，研究人员谨慎地说明了这项研究并未证明什么。虽然系统发现了植入的错误，但该研究并未衡量它产生“误报”的频率。由于研究人员没有在完全没有任何错误的文档上运行该系统，因此无法得知系统会在多少次情况下将正确的数值标记为错误。在现实场景中，如果一个系统频繁发出误报，可能会使人工审核员应接不暇，从而使工作变得更慢而非更快。此外，该研究仅对每份文档运行了一次系统。它并未测试如果对同一文档运行第二次，系统是否会给出相同的结果，而这是任何用于受监管环境的工具都必须具备的关键要求。团队还指出，他们植入的错误密度远高于通常提交的文件中的水平，这可能使得错误更容易被发现。

这项工作的最显著贡献可能不在于检测率本身，而在于它为未来如何测试此类系统提供了一份蓝图。研究人员制定了一套详细的协议，用于构建公平的测试，包括如何创建带有已知错误的文档集、如何让独立的专家验证这些错误，以及如何在不带偏见的情况下衡量系统的性能。他们强调，如果要让人工智能在制药质量领域获得信任，必须根据与其旨在支持的法规同样严苛的标准来进行验证。研究得出结论，虽然该系统展现出了前景，但它尚未成为可以投入日常使用的成熟产品。它是一个概念验证，展示了一条前进的路径：即通过处理数据比对等繁重工作来增强人类智能，同时将最终的判断权留给那些对患者安全负有最终责任的合格人类专家。这项工作表明，药物质量保证的未来不在于取代人类审核员，而在于为他们提供一双更敏锐、更可靠的眼睛，以捕捉那些因工作量巨大或疲劳而可能漏掉的错误。