AI在医疗领域的作用主要体现在医疗文书写作、病人沟通、医院及药企运营优化、医学图像诊断、疾病预测、新药研发和医疗器械等方面，能够提高效率、加速药物研发进程。然而，随着数据量和复杂度的增加，如何确保数据的完整性和可信度成为核心问题。
数据可靠性是指数据在生命周期中保持完整、一致、准确、无篡改的特性，需要以可靠的方式收集和维护数据，确保数据归属至人、清晰可溯、同步记录、原始一致、准确真实。数据可靠性对于药品全周期风险管控至关重要，例如GVP不合理用药不良反应监测与评价机制、生产GMP资源错误过程错误结果错误等，都需要建立和完善药品全周期风险管控的监管体系。
数据完整性原则遵循ALCOA+CCEA原则，即数据可溯源、清晰易读、同步性、原始性、准确性、完整性、一致性与逻辑顺序一致、持久性、可获取性。AI对数据可靠性的影响体现在自动化数据收集、清洗与分析，提升处理效率，以及通过算法自动检测和修正异常数据，减少人为错误。但AI模型本身的透明性问题、数据偏差与算法训练数据质量、AI技术的误用或滥用等问题也需关注。
实践中的解决方案与策略包括人在回路、合规性与标准化、AI模型的透明性与可解释性，以及准确性与完整性、自动校验与验证、审计追踪、数据保护与隐私、人工审查和数据校正流程等。
案例分享展示了研发&临床数仓的搭建及AI的应用，包括Instrument Data、COM Instruments、API/DB、User Entry Data、Entity Data、File Data等数据来源，以及AI与数据可视化、MLEDCAPI/DB等技术结合。此外，还分享了Data Process Mapping和业务流识别控制等案例，展示了通过数据分类和业务流识别GxP业务分布等方法。
案例分享的收益包括可量化的收益（如研发效率提升、临床试验优化与成本节约、运营成本降低）和战略性与无形收益（如数据驱动的AI洞察、知识产权创造）。ROI示例显示，投资成本约为3年内的软件许可、云资源、外部咨询、内部人力成本（假设总计￥3000万），而节约与收益包括节省30个数据科学家20%的时间（￥1800万）、因研发决策加速使一个项目提前3个月进入临床（约￥2.5亿收入）、避免一次临床二期失败（节省直接临床成本约￥5000万 - 1亿），ROI显著。
