您當前的位置：檢測資訊 > 科研開發
嘉峪檢測網 2025-04-06 17:15
摘 要
本文聚焦人工智能（AI）應用于制藥領域的監管政策研究，通過系統梳理歐美藥品監管機構的監管策略和實踐，解析監管政策如何在促進技術創新與保障安全之間尋求平衡。基于對歐美AI 制藥監管政策的分析，本文初步提出了關于我國AI 應用于制藥領域監管政策的思考，旨在助力構建鼓勵技術創新、保障公眾安全的政策環境，引導AI 制藥行業的持續健康發展。
關鍵詞:人工智能；制藥領域；監管政策；應用
隨著機器學習（machine learning，ML）、自然語言處理（natural language processing，NLP）、知識圖譜等技術的飛速發展， 人工智能（artificial intelligence，AI） 已逐漸滲透到制藥行業的各個環節，不僅改變了藥物研發的傳統模式，也為醫藥行業帶來了前所未有的機遇與挑戰。歐美作為AI 最早發展的國家和地區，其監管政策的研究對于其他國家和地區具有重要參考價值。本文概述了美國食品藥品監督管理局（Food and Drug Administration，FDA）和歐洲藥品管理局（European Medicines Agency，EMA） 在AI 制藥領域的監管政策及實踐經驗，以期為我國藥品監管部門制定AI 應用于制藥領域的監管政策提供參考。
1. 歐美AI 制藥監管政策介紹
1.1 美國AI 制藥監管政策
美國是AI 產業的主要參與者，也是最早開始關注AI 發展和治理的國家和地區之一，先后發布多項AI 相關的行政命令、政策文件等，以維護美國在該領域的領先地位（表1）。同時，FDA 也已經認識到AI 在制藥領域的潛力，將AI 列為監管科學重點領域之一[1]。
1.1.1 主要政策文件
在制藥領域，FDA 主要發布了兩份討論文件，向利益相關者征求AI 應用的案例及建議[2]。2023 年3 月，FDA 發布《人工智能在藥品生產中的應用》（Artificial Intelligence in Drug Manufacturing）討論文件，介紹了藥品生產中可能與AI 相關的領域， 并在每個考慮領域后列出了可能與之相關的現有法規要求和政策指南。2023 年5 月，FDA 發布《人工智能與機器學習在藥品和生物制品開發中的應用》（Using Artificial Intelligence and Machine Learningin the Development of Drug and Biological Products） 討論文件，主要討論了3 個主題：① AI/ML的當前和潛在應用情況。② AI/ML應用的考量因素。③后續措施及利益相關者的參與。此外，FDA還在該討論文件中分享了在AI/ML 用于藥物研發方面的經驗，包括AI 指導委員會的設立、相關研討會的召開、行動計劃的實施等。該討論文件旨在向利益相關者征集AI/ML 用于藥物研發的反饋意見，主要涉及3 個關鍵領域：①以人為主導的治理、問責制、透明度。②數據的質量、可靠性和代表性。③模型開發、性能、監測和驗證。
2024 年3 月， 美國生物制品審評與研究中心（Centerfor Biologics Evaluation and Research，CBER）、藥品審評與研究中心（Center for DrugEvaluation and Research，CDER）、器械與放射衛生中心（Center for Devices and Radiological Health，CDRH）組合產品辦公室（Office of Combination Products，OCP）聯合發布《人工智能與醫療產品：CBER、CDER、CDRH、OCP 如何協同合作》（Artificial Intelligence and Medical Products:How CBER, CDER, CDRH, and OCPare Working Together），旨在進一步調整和簡化在AI 方面的工作。該文件提出AI 在醫療產品全生命周期中應用的4 個重點關注領域：①建立合作，保護公眾健康。②鼓勵創新，推動監管進步。③推動標準、指南、最佳實踐以及工具的建立和協調。④支持開展有關AI 性能評估及監測的研究[3]。
2024 年9 月，FDA 發布數字健康和AI 詞匯表，作為教育資料，以幫助FDA 和相關方（例如，行業、數字健康開發者、學術界、醫療保健專業人士和患者等）在使用數字健康和AI 術語時保持一致性。該詞匯表匯編了數字健康、AI 和ML 領域常用術語及其定義。這些定義直接來自或改編自各種公共資源，例如共識標準組織和已發表的文獻等。該詞匯表用于一般教育目的，不作為機構指導、政策或建議。此外，該詞匯表也不具備法律約束力，不會影響《聯邦食品、藥品和化妝品法案》（Federal Food, Drug, and Cosmetic Act）或實施條例的任何要求[4]。
2025 年1 月，FDA 發布《使用人工智能支持藥品和生物制品監管決策的考量》（Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products）指南草案，提供了一個基于風險的可信度評估框架，可用于建立和評估特定使用環境（context of use，COU） 的AI模型的可信度。但是，該指南草案并未涵蓋AI 模型在藥物發現環節或用于提升工作效率（例如內部工作流程優化、資源合理調配、監管申報文件起草與編制等）方面的應用，原因在于這些應用情形不會直接影響患者安全、藥品質量、非臨床及臨床研究結果的準確性與可靠性[5]。
1.1.2 技術支撐團隊
為確保申辦者和研究者能夠獲得適時且專業的技術支持與建議，FDA 設立了專門部門、委員會等， 推動AI 等數字健康技術的規范發展與創新。2020年9 月，FDA 在CDRH 下設立數字健康卓越中心（Digital Health Center of Excellence，DHCoE）， 負責協調FDA 的數字健康工作，AI/ML 是其職能領域之一。2023 年10 月，FDA 宣布成立數字健康咨詢委員會（Digital Health Advisory Committee，DHAC）， 旨在匯集跨學科的外部專家解決數字健康中的跨領域問題，例如AI/ML、數字療法等。此外，FDA 還設立了CDER 的AI 指導委員會（AI Steering Committee，AISC），支持創新和可靠AI/ML 的開發。AISC 的職責是協調治療開發中AI/ML 應用方面的工作，推進創新方法并促進FDA 各部門的合作，從而為涉及AI/ML 的藥物遞交資料提供參考意見。2024 年8 月，CDER 宣布成立AI 委員會（AI Council）， 全面整合AI相關活動，并取代原有的AISC。該委員會旨在建立集中化流程，協助各部門部署AI 項目，確保CDER 在公眾與產業界面前，就AI 問題保持統一的回應立場。
1.1.3 行動計劃
FDA 開展了一系列的計劃和行動，推動AI 等創新手段的應用，提升監管效率與質量。2020年，FDA 啟動了新藥創新科學和技術方法（Innovative Science and Technology Approaches for New Drugs，ISTAND）試點計劃， 支持新藥研發工具的開發，同時提供了可能考慮使用ISTAND 提交的示例，其中包括使用AI 算法來評估患者，開發新的終點或指導研究設計[6]。
在模型引導的藥物研發（ model-informed drug development，MIDD） 領域，FDA 正在開展MIDD 配對會議計劃。該計劃將在MIDD 配對會議試點成功的基礎上，繼續推進和整合從臨床前和臨床數據源中得出的基于暴露量、生物學和統計學的模型的開發和應用，用于藥物開發和監管審查。該計劃為被選定的申辦者提供了與FDA 工作人員會面的機會，以討論在醫療產品開發中采用MIDD 方法[7]。
在上市后安全性監測領域，FDA 的前哨行動， 包括CDER的前哨系統、CBER 的生物制品有效性和安全性（Biologics Effectiveness and Safety，BEST） 系統和CDRH 的國家衛生技術評估系統（NationalEvaluation System for HealthTechnology，NEST）， 正在探索利用AI/ML 方法來改進現有系統。FDA 還推出了新興藥品安全技術計劃（Emerging Drug Safety Technology Program，EDSTP）， 以促進AI 和其他新興技術在藥物警戒（pharmacovigilance，PV）中的使用。該計劃旨在實現3 個目標：① 作為行業與CDER 討論AI 及其他新興技術在PV 中使用的中心聯絡點。②在FDA 內部實現針對PV 中使用AI 或其他新興技術的知識管理和知識轉移。③了解AI 和其他新興技術在PV 領域的使用背景，指導PV 領域潛在的監管和政策方法[8]。
在毒理學領域，FDA 國家毒理學研究中心（National Center for Toxicological Research，NCTR）于2022 年7 月推出毒理學人工智能項目AI4TOX[9]，旨在應用AI 方法來開發新工具， 以支持監管科學的發展并加強對FDA 監管產品的安全性審查。該計劃包括4 項舉措：① AnimalGAN ：通過學習模型，預測未經測試的化學物質的動物毒理學數據，這些模型利用現有的動物數據，支持在FDA 監管產品的安全性評估中使用3R 方法[ 替換（replacement）、減少（reduction ） 和（ 或） 改進（refinement） 動物研究]。② SafetAI ：開發針對毒理學終點的深度學習方法，這些方法對于候選藥物進入臨床試驗前的安全性審查至關重要。③ BERTox ：使用AI 賦能的NLP 來分析FDA文件和公共文獻，以提高信息檢索和毒性評估的效率和準確性。④ PathologAI ：開發有效準確的框架來分析動物研究中的組織病理學數據，以促進臨床前應用中的數字病理學。
1.1.4 溝通交流機制
FDA 搭建了多元化的溝通交流平臺， 旨在與學術界專家學者及廣泛的利益相關者進行深度對話與合作， 共同探索與解決行業面臨的挑戰， 積極推動監管科學的持續進步與發展。其組織開展了各種研討會，涵蓋人工智能和機器學習在精準醫療中的應用（Application of Artificial Intelligence and Machine Learning for Precision Medicine） [10]、FDA/ 產品質量研究所（Product Quality Research Institute，PQRI） 關于在制藥中使用人工智能的監管框架研討會（ FDA / PQRI Workshop on the Regulatory Framework for the Utilization of Artificial Intelligence in Pharmaceutical Manufacturing）[11] 等議題。召開了AI/ML 相關主題的患者參與咨詢委員會（Patient Engagement Advisory Committee，PEAC） 會議[12]，征求委員的專家建議。還通過機構公告等形式征集針對新興監管科學重點問題的外部建議，包括利用外部專業知識和基礎設施，深入理解在藥物研發中使用和評估AI/ML 的方法。
1.1.5 AI 輔助監管的探索
FDA 在探索將AI 技術深度融入其監管流程中， 以期實現監管效率與精準度的顯著提升。2019 年，CDER 研究人員發文闡述了基于藥品信息、監管因素和藥物經濟學因素建模， 使用ML 方法來預測新化學實體的首個簡化新藥申請（abbreviated new drug application，ANDA）申報的時間。結果顯示，經內部和外部驗證，ML 方法在預測性能上優于傳統的比例風險回歸模型（Cox 回歸模型），有助于合理安排審評資源， 并為指南制定和申報前會議的策略規劃提供信息[13]。2022 年，FDA 采用AI/ML 開發了信息可視化平臺（information visualization platform，InfoViP）， 用于創建個例安全性報告（individual case safety report，ICSR） 中的不良事件時間表、根據信息質量水平對ICSR 進行分類、自動檢測報告中的重復項并將其呈現給安全審查員進行確認等，從而支持安全審查員、分析者和決策者做出更好、更快的決策[14]。此外，FDA 也在積極推動使用大語言模型處理文本信息。2024 年5 月，FDA 提出BERTox 倡議，提倡使用GPT、Llama 等大語言模型來處理FDA 文件中的文本信息[15]。
1.2 歐盟AI 制藥監管政策
2019 年以來，歐盟一直在規劃AI 領域，陸續推出一系列相關政策文件，致力于構建一個健康、可持續的監管環境。2021 年4 月，歐盟首次提出了《人工智能法案》（Artificial Intelligence Act） 草案（即《歐盟人工智能法案》），歷經多次審議與修訂，最終于2024年7 月12 日在《歐盟官方公報》（Official Journal of the European Union）正式公布，并定于2024年8 月1 日起生效。《人工智能法案》作為一項具有法律約束力的“硬”監管手段，著重在基于風險的全過程監管方法，堅守可信賴和負責任的原則，并強調發揮國際標準的作用，旨在實現更廣泛、更協調、更嚴格的監管體系[16]。與此同時，EMA 也在積極推動AI 在制藥領域的應用，以基于風險的監管方法，平衡技術創新與公眾安全。
1.2.1 主要政策文件
近年來，EMA 積極參與AI相關政策文件的編制，不僅推動了AI 在制藥領域的實踐步伐，也為全球藥品安全監管樹立了新的標桿。
2021 年8 月， 國際藥品監管機構聯盟（International Coalition of Medicines Regulatory Authorities，ICMRA） 發布《地平線掃描評估報告——人工智能》（Horizon Scanning Assessment Report –Artificial Intelligence），該報告由聯盟成員EMA 牽頭，概述了加拿大、日本、歐盟、瑞士以及澳大利亞藥品監管部門的AI 應用進展，并提出相關建議[17]。
2023 年7 月，EMA 發布《關于在藥品生命周期中應用人工智能的反思文件》草案[Draft Reflection Paper on the Use of Artificial Intelligence (AI) in theMedicinal Product Lifecycle]， 概述了AI 應用于醫藥產品生命周期（包括藥物發現、非臨床開發、臨床試驗、精準醫療、產品信息、生產、上市后階段）的考慮要點，并從技術、倫理等方面提出建議，以應對AI 相關的風險與挑戰。2024 年9 月，根據利益相關者提交的反饋意見和《歐盟人工智能法案》，EMA 對該文件中部分技術術語和定義以及文件的適用范圍進行了修訂，形成正式文件《關于在藥品生命周期中應用人工智能的反思文件》（Reflection Paperon the Use of Artificial Intelligencein the Lifecycle of Medicines）[18]。
1.2.2 技術支撐團隊
EMA 建議申辦者和研發人員對所有AI/ML 的應用進行監管影響和風險分析， 并在沒有明確適用的書面指導時尋求與監管機構間的互動。創新事務工作組（Innovation Task Force，ITF） 是與EMA 進行早期非正式對話的平臺， 可提供技術方面的建議。此外， 人用藥品委員會（Committee for Medicinal Products for Human Use，CHMP）的科學建議工作組（Scientific Advice Working Party，SAWP） 也可就藥物開發新方法提出科學建議和確證。
1.2.3 工作計劃
為了確保AI 技術在制藥領域的有序發展，EMA 與歐洲藥品監管機構負責人組織（Heads of Medicines Agencies，HMA）制定了協調與協作戰略，以最大限度地提高AI 對利益相關者的益處。2023 年11 月，HMAEMA大數據指導小組（HMAEMA Joint Big Data Steering Group，HMA-EMA BDSG）發布2023~2028 年AI 工作計劃，從4 個維度（指南、政策和產品支持，AI 工具和技術，協作和訓練，實驗）提出規劃，以促進在藥品監管中“負責任且有益”地使用AI，同時管控該技術的風險[19]。隨著AI 技術以及相關倫理政策的快速發展，HMA-EMA BDSG將定期更新工作計劃。
1.2.4 溝通交流機制
EMA 積極與各利益相關者展開深入的溝通與交流。在一系列以AI 為主題的研討會中， 例如藥品監管中的人工智能（artificial intelligence inmedicines regulation）[20]、快速發展世界中的智能監管（smart regulation in a rapidly evolving world）[21]，EMA 與利益相關者就AI 在技術發展、政策和藥品監管中的潛在應用展開討論。此外，在2023 年10 月質量創新小組（Quality Innovation Group，QIG） 召開的第二屆傾聽學習焦點小組會議[2nd Listen and Learn Focus Group (LLFG)meeting] 上，EMA 還與利益相關者探討新數字技術在生產和質量控制測試中的應用，特別關注到AI/ML 在藥品生產質量管理規范（good manufacturing practice，GMP）中的應用。業界強調，與AI/ML 相關的過度限制性指南可能會構成監管障礙，甚至限制早期開發，建議使用基于風險的方法[22]。
1.3 歐美AI 制藥監管政策的比較
FDA 和EMA 都已認識到AI在制藥領域的巨大潛力，并努力在促進技術創新的同時，確保有效保障公眾安全。通過發布討論文件和反思文件、創建多樣化的溝通渠道等方式，FDA 和EMA向行業內外廣泛征求意見，不斷完善和優化AI 在制藥領域的監管政策。此外，FDA 和EMA 還配備了跨學科專家力量，為申辦者提供技術支持，促進AI 技術在制藥領域應用的安全性與有效性。
然而，FDA 和EMA 在監管模式方面存在著一定的差異。FDA 傾向于采用較為靈活的監管模式，例如通過設立各種試點計劃（ 如ISTAND 試點計劃） 和提供多樣的溝通交流渠道（ 如PEAC 會議）等方式，為申辦者提供創新環境，并搭建監管機構與外界高效溝通的橋梁。而EMA則采用較為嚴格的監管模式，強調基于風險的分類監管，并在官方文件中提供了風險管理及監管方面的建議，旨在確保AI 技術在制藥領域的應用既符合高標準的安全要求，又能有效促進產業健康發展，引導該領域沿著正確方向穩步前行。
2. 歐美AI 制藥監管政策對我國的啟示
2.1 發布AI 制藥指導性文件，明確監管導向
美國以行政管理為先導，強調監管與行業自律相結合，在積極推動技術創新的同時，逐步加強對AI 領域的監管力度。歐盟實行“強監管”策略，其《人工智能法案》將AI 系統分為不同風險等級，并實施不同的限制措施，這有助于確保安全性和道德性，但也可能在一定程度上阻礙創新。基于歐美不同的監管路徑，建議我國切實結合中國國情，發布AI制藥相關指導性文件，明確監管導向，在促進AI 制藥技術創新與確保公眾安全之間探索平衡點。
建議我國藥品監管部門借鑒FDA 及EMA 已發布的相關文件，并融合AI 在其他應用領域（例如醫療器械）的指南，制定覆蓋藥品全生命周期的指導性文件，逐步為行業提供清晰的操作路徑和合規指引。此外，也可以結合歐盟嚴格的分類監管模式和美國靈活的監管原則，采用基于風險的方法來評估和管理AI 在制藥領域的應用。基于AI 算法模型的特點、使用場景、模型影響力、決策后果等對AI 應用場景風險進行綜合研判，根據風險的高低采取精細化、差異化的風險管理策略。
2.2 組建AI 技術指導委員會，持續優化溝通與反饋機制
歐美藥品監管機構均建立了咨詢和反饋機制，例如設立專家委員會、召開AI 研討會等，與利益相關方討論AI 制藥的最新發展趨勢、監管挑戰和政策措施。建議我國藥品監管部門建立多層次的溝通交流平臺，確保各利益相關方在AI 制藥監管過程中的參與和互動。
例如，建議組建涵蓋監管、制藥、AI、法學、倫理學等多領域專家的AI 技術指導委員會，構建儲備智囊團。定期與產業界進行公開透明的對話，以圓桌的方式建立AI 制藥的潛在發展和監管的共同理解。關注患者組織的橋梁作用，鼓勵并支持患者組織積極參與監管過程，以收集并反映患者群體的實際需求與期望。在官網設立AI 制藥監管專區，發布最新的監管指南、審評標準和政策動態，提高監管信息的透明度和可訪問性。建立健全反饋機制，鼓勵公眾和企業參與監管政策的制定，通過在線問卷調查、公開征求意見等方式，收集各方對AI制藥監管政策的意見和建議，并在政策制定過程中予以考慮。
2.3 強化數據管理與隱私保護
歐美藥品監管機構在AI 制藥領域的實踐表明，數據管理和隱私保護是確保技術合規、維護公眾信任的重要環節。
數據管理方面，建議制定嚴格的數據管理規范，確保AI 制藥研發過程中數據的質量和安全性。具體而言，可要求企業在數據收集、存儲、處理和共享的各個階段，遵循合法、公正、透明的原則，明確數據來源的合法性和數據使用的范圍。此外，建議出臺詳細的指導文件，對數據治理體系、質量控制、安全防護等方面提出具體要求。同時，鼓勵企業采用區塊鏈等先進技術，保障數據不可篡改性和可追溯性，從而提高數據的可信度。
隱私保護方面，建議加強對AI 制藥過程中個人隱私的保護力度。例如，要求企業在收集和使用個人數據時獲得數據主體的知情同意，并遵循數據最小化原則，嚴格限制數據的使用目的和范圍；建立健全隱私影響評估機制，對AI 制藥項目進行審查，確保其符合隱私保護的相關法律法規。對于違反數據管理和隱私保護規定的行為，依法予以查處，以維護良好的市場秩序和公眾利益。推動建立行業自律機制，鼓勵企業自我約束，遵守隱私保護的最佳實踐。
3. 結語
在AI 應用于制藥領域的監管探索方面，歐美藥品監管機構展現出先行態勢，為我國提供了有益的思路。我國應結合自身國情和產業發展需求，逐步制定AI 制藥的監管政策和標準，建議通過加強頂層設計、持續優化溝通與反饋機制、組建專家團隊、強化數據管理和隱私保護等措施，形成AI 制藥領域的中國方案，推動AI 技術在制藥領域的廣泛應用和深入發展。
引用本文
謝金平，張鼎衡，陳怡，朱夢雅，黃淼，邵蓉＊.歐美人工智能在制藥領域應用的監管政策研究及對我國的啟示[J].中國食品藥品監管.2025.3（254）：14-21.
來源：中國食品藥品監督雜志
