嘉峪检测网 2025-04-06 17:15
导读:本文聚焦人工智能(AI)应用于制药领域的监管政策研究,通过系统梳理欧美药品监管机构的监管策略和实践,解析监管政策如何在促进技术创新与保障安全之间寻求平衡。
摘 要
本文聚焦人工智能(AI)应用于制药领域的监管政策研究,通过系统梳理欧美药品监管机构的监管策略和实践,解析监管政策如何在促进技术创新与保障安全之间寻求平衡。基于对欧美AI 制药监管政策的分析,本文初步提出了关于我国AI 应用于制药领域监管政策的思考,旨在助力构建鼓励技术创新、保障公众安全的政策环境,引导AI 制药行业的持续健康发展。
关键词:人工智能;制药领域;监管政策;应用
随着机器学习(machine learning,ML)、自然语言处理(natural language processing,NLP)、知识图谱等技术的飞速发展, 人工智能(artificial intelligence,AI) 已逐渐渗透到制药行业的各个环节,不仅改变了药物研发的传统模式,也为医药行业带来了前所未有的机遇与挑战。欧美作为AI 最早发展的国家和地区,其监管政策的研究对于其他国家和地区具有重要参考价值。本文概述了美国食品药品监督管理局(Food and Drug Administration,FDA)和欧洲药品管理局(European Medicines Agency,EMA) 在AI 制药领域的监管政策及实践经验,以期为我国药品监管部门制定AI 应用于制药领域的监管政策提供参考。
1. 欧美AI 制药监管政策介绍
1.1 美国AI 制药监管政策
美国是AI 产业的主要参与者,也是最早开始关注AI 发展和治理的国家和地区之一,先后发布多项AI 相关的行政命令、政策文件等,以维护美国在该领域的领先地位(表1)。同时,FDA 也已经认识到AI 在制药领域的潜力,将AI 列为监管科学重点领域之一[1]。
1.1.1 主要政策文件
在制药领域,FDA 主要发布了两份讨论文件,向利益相关者征求AI 应用的案例及建议[2]。2023 年3 月,FDA 发布《人工智能在药品生产中的应用》(Artificial Intelligence in Drug Manufacturing)讨论文件,介绍了药品生产中可能与AI 相关的领域, 并在每个考虑领域后列出了可能与之相关的现有法规要求和政策指南。2023 年5 月,FDA 发布《人工智能与机器学习在药品和生物制品开发中的应用》(Using Artificial Intelligence and Machine Learningin the Development of Drug and Biological Products) 讨论文件,主要讨论了3 个主题:① AI/ML的当前和潜在应用情况。② AI/ML应用的考量因素。③后续措施及利益相关者的参与。此外,FDA还在该讨论文件中分享了在AI/ML 用于药物研发方面的经验,包括AI 指导委员会的设立、相关研讨会的召开、行动计划的实施等。该讨论文件旨在向利益相关者征集AI/ML 用于药物研发的反馈意见,主要涉及3 个关键领域:①以人为主导的治理、问责制、透明度。②数据的质量、可靠性和代表性。③模型开发、性能、监测和验证。
2024 年3 月, 美国生物制品审评与研究中心(Centerfor Biologics Evaluation and Research,CBER)、药品审评与研究中心(Center for DrugEvaluation and Research,CDER)、器械与放射卫生中心(Center for Devices and Radiological Health,CDRH)组合产品办公室(Office of Combination Products,OCP)联合发布《人工智能与医疗产品:CBER、CDER、CDRH、OCP 如何协同合作》(Artificial Intelligence and Medical Products:How CBER, CDER, CDRH, and OCPare Working Together),旨在进一步调整和简化在AI 方面的工作。该文件提出AI 在医疗产品全生命周期中应用的4 个重点关注领域:①建立合作,保护公众健康。②鼓励创新,推动监管进步。③推动标准、指南、最佳实践以及工具的建立和协调。④支持开展有关AI 性能评估及监测的研究[3]。
2024 年9 月,FDA 发布数字健康和AI 词汇表,作为教育资料,以帮助FDA 和相关方(例如,行业、数字健康开发者、学术界、医疗保健专业人士和患者等)在使用数字健康和AI 术语时保持一致性。该词汇表汇编了数字健康、AI 和ML 领域常用术语及其定义。这些定义直接来自或改编自各种公共资源,例如共识标准组织和已发表的文献等。该词汇表用于一般教育目的,不作为机构指导、政策或建议。此外,该词汇表也不具备法律约束力,不会影响《联邦食品、药品和化妆品法案》(Federal Food, Drug, and Cosmetic Act)或实施条例的任何要求[4]。
2025 年1 月,FDA 发布《使用人工智能支持药品和生物制品监管决策的考量》(Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products)指南草案,提供了一个基于风险的可信度评估框架,可用于建立和评估特定使用环境(context of use,COU) 的AI模型的可信度。但是,该指南草案并未涵盖AI 模型在药物发现环节或用于提升工作效率(例如内部工作流程优化、资源合理调配、监管申报文件起草与编制等)方面的应用,原因在于这些应用情形不会直接影响患者安全、药品质量、非临床及临床研究结果的准确性与可靠性[5]。
1.1.2 技术支撑团队
为确保申办者和研究者能够获得适时且专业的技术支持与建议,FDA 设立了专门部门、委员会等, 推动AI 等数字健康技术的规范发展与创新。2020年9 月,FDA 在CDRH 下设立数字健康卓越中心(Digital Health Center of Excellence,DHCoE), 负责协调FDA 的数字健康工作,AI/ML 是其职能领域之一。2023 年10 月,FDA 宣布成立数字健康咨询委员会(Digital Health Advisory Committee,DHAC), 旨在汇集跨学科的外部专家解决数字健康中的跨领域问题,例如AI/ML、数字疗法等。此外,FDA 还设立了CDER 的AI 指导委员会(AI Steering Committee,AISC),支持创新和可靠AI/ML 的开发。AISC 的职责是协调治疗开发中AI/ML 应用方面的工作,推进创新方法并促进FDA 各部门的合作,从而为涉及AI/ML 的药物递交资料提供参考意见。2024 年8 月,CDER 宣布成立AI 委员会(AI Council), 全面整合AI相关活动,并取代原有的AISC。该委员会旨在建立集中化流程,协助各部门部署AI 项目,确保CDER 在公众与产业界面前,就AI 问题保持统一的回应立场。
1.1.3 行动计划
FDA 开展了一系列的计划和行动,推动AI 等创新手段的应用,提升监管效率与质量。2020年,FDA 启动了新药创新科学和技术方法(Innovative Science and Technology Approaches for New Drugs,ISTAND)试点计划, 支持新药研发工具的开发,同时提供了可能考虑使用ISTAND 提交的示例,其中包括使用AI 算法来评估患者,开发新的终点或指导研究设计[6]。
在模型引导的药物研发( model-informed drug development,MIDD) 领域,FDA 正在开展MIDD 配对会议计划。该计划将在MIDD 配对会议试点成功的基础上,继续推进和整合从临床前和临床数据源中得出的基于暴露量、生物学和统计学的模型的开发和应用,用于药物开发和监管审查。该计划为被选定的申办者提供了与FDA 工作人员会面的机会,以讨论在医疗产品开发中采用MIDD 方法[7]。
在上市后安全性监测领域,FDA 的前哨行动, 包括CDER的前哨系统、CBER 的生物制品有效性和安全性(Biologics Effectiveness and Safety,BEST) 系统和CDRH 的国家卫生技术评估系统(NationalEvaluation System for HealthTechnology,NEST), 正在探索利用AI/ML 方法来改进现有系统。FDA 还推出了新兴药品安全技术计划(Emerging Drug Safety Technology Program,EDSTP), 以促进AI 和其他新兴技术在药物警戒(pharmacovigilance,PV)中的使用。该计划旨在实现3 个目标:① 作为行业与CDER 讨论AI 及其他新兴技术在PV 中使用的中心联络点。②在FDA 内部实现针对PV 中使用AI 或其他新兴技术的知识管理和知识转移。③了解AI 和其他新兴技术在PV 领域的使用背景,指导PV 领域潜在的监管和政策方法[8]。
在毒理学领域,FDA 国家毒理学研究中心(National Center for Toxicological Research,NCTR)于2022 年7 月推出毒理学人工智能项目AI4TOX[9],旨在应用AI 方法来开发新工具, 以支持监管科学的发展并加强对FDA 监管产品的安全性审查。该计划包括4 项举措:① AnimalGAN :通过学习模型,预测未经测试的化学物质的动物毒理学数据,这些模型利用现有的动物数据,支持在FDA 监管产品的安全性评估中使用3R 方法[ 替换(replacement)、减少(reduction ) 和( 或) 改进(refinement) 动物研究]。② SafetAI :开发针对毒理学终点的深度学习方法,这些方法对于候选药物进入临床试验前的安全性审查至关重要。③ BERTox :使用AI 赋能的NLP 来分析FDA文件和公共文献,以提高信息检索和毒性评估的效率和准确性。④ PathologAI :开发有效准确的框架来分析动物研究中的组织病理学数据,以促进临床前应用中的数字病理学。
1.1.4 沟通交流机制
FDA 搭建了多元化的沟通交流平台, 旨在与学术界专家学者及广泛的利益相关者进行深度对话与合作, 共同探索与解决行业面临的挑战, 积极推动监管科学的持续进步与发展。其组织开展了各种研讨会,涵盖人工智能和机器学习在精准医疗中的应用(Application of Artificial Intelligence and Machine Learning for Precision Medicine) [10]、FDA/ 产品质量研究所(Product Quality Research Institute,PQRI) 关于在制药中使用人工智能的监管框架研讨会( FDA / PQRI Workshop on the Regulatory Framework for the Utilization of Artificial Intelligence in Pharmaceutical Manufacturing)[11] 等议题。召开了AI/ML 相关主题的患者参与咨询委员会(Patient Engagement Advisory Committee,PEAC) 会议[12],征求委员的专家建议。还通过机构公告等形式征集针对新兴监管科学重点问题的外部建议,包括利用外部专业知识和基础设施,深入理解在药物研发中使用和评估AI/ML 的方法。
1.1.5 AI 辅助监管的探索
FDA 在探索将AI 技术深度融入其监管流程中, 以期实现监管效率与精准度的显著提升。2019 年,CDER 研究人员发文阐述了基于药品信息、监管因素和药物经济学因素建模, 使用ML 方法来预测新化学实体的首个简化新药申请(abbreviated new drug application,ANDA)申报的时间。结果显示,经内部和外部验证,ML 方法在预测性能上优于传统的比例风险回归模型(Cox 回归模型),有助于合理安排审评资源, 并为指南制定和申报前会议的策略规划提供信息[13]。2022 年,FDA 采用AI/ML 开发了信息可视化平台(information visualization platform,InfoViP), 用于创建个例安全性报告(individual case safety report,ICSR) 中的不良事件时间表、根据信息质量水平对ICSR 进行分类、自动检测报告中的重复项并将其呈现给安全审查员进行确认等,从而支持安全审查员、分析者和决策者做出更好、更快的决策[14]。此外,FDA 也在积极推动使用大语言模型处理文本信息。2024 年5 月,FDA 提出BERTox 倡议,提倡使用GPT、Llama 等大语言模型来处理FDA 文件中的文本信息[15]。
1.2 欧盟AI 制药监管政策
2019 年以来,欧盟一直在规划AI 领域,陆续推出一系列相关政策文件,致力于构建一个健康、可持续的监管环境。2021 年4 月,欧盟首次提出了《人工智能法案》(Artificial Intelligence Act) 草案(即《欧盟人工智能法案》),历经多次审议与修订,最终于2024年7 月12 日在《欧盟官方公报》(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》作为一项具有法律约束力的“硬”监管手段,着重在基于风险的全过程监管方法,坚守可信赖和负责任的原则,并强调发挥国际标准的作用,旨在实现更广泛、更协调、更严格的监管体系[16]。与此同时,EMA 也在积极推动AI 在制药领域的应用,以基于风险的监管方法,平衡技术创新与公众安全。
1.2.1 主要政策文件
近年来,EMA 积极参与AI相关政策文件的编制,不仅推动了AI 在制药领域的实践步伐,也为全球药品安全监管树立了新的标杆。
2021 年8 月, 国际药品监管机构联盟(International Coalition of Medicines Regulatory Authorities,ICMRA) 发布《地平线扫描评估报告——人工智能》(Horizon Scanning Assessment Report –Artificial Intelligence),该报告由联盟成员EMA 牵头,概述了加拿大、日本、欧盟、瑞士以及澳大利亚药品监管部门的AI 应用进展,并提出相关建议[17]。
2023 年7 月,EMA 发布《关于在药品生命周期中应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 应用于医药产品生命周期(包括药物发现、非临床开发、临床试验、精准医疗、产品信息、生产、上市后阶段)的考虑要点,并从技术、伦理等方面提出建议,以应对AI 相关的风险与挑战。2024 年9 月,根据利益相关者提交的反馈意见和《欧盟人工智能法案》,EMA 对该文件中部分技术术语和定义以及文件的适用范围进行了修订,形成正式文件《关于在药品生命周期中应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 技术支撑团队
EMA 建议申办者和研发人员对所有AI/ML 的应用进行监管影响和风险分析, 并在没有明确适用的书面指导时寻求与监管机构间的互动。创新事务工作组(Innovation Task Force,ITF) 是与EMA 进行早期非正式对话的平台, 可提供技术方面的建议。此外, 人用药品委员会(Committee for Medicinal Products for Human Use,CHMP)的科学建议工作组(Scientific Advice Working Party,SAWP) 也可就药物开发新方法提出科学建议和确证。
1.2.3 工作计划
为了确保AI 技术在制药领域的有序发展,EMA 与欧洲药品监管机构负责人组织(Heads of Medicines Agencies,HMA)制定了协调与协作战略,以最大限度地提高AI 对利益相关者的益处。2023 年11 月,HMAEMA大数据指导小组(HMAEMA Joint Big Data Steering Group,HMA-EMA BDSG)发布2023~2028 年AI 工作计划,从4 个维度(指南、政策和产品支持,AI 工具和技术,协作和训练,实验)提出规划,以促进在药品监管中“负责任且有益”地使用AI,同时管控该技术的风险[19]。随着AI 技术以及相关伦理政策的快速发展,HMA-EMA BDSG将定期更新工作计划。
1.2.4 沟通交流机制
EMA 积极与各利益相关者展开深入的沟通与交流。在一系列以AI 为主题的研讨会中, 例如药品监管中的人工智能(artificial intelligence inmedicines regulation)[20]、快速发展世界中的智能监管(smart regulation in a rapidly evolving world)[21],EMA 与利益相关者就AI 在技术发展、政策和药品监管中的潜在应用展开讨论。此外,在2023 年10 月质量创新小组(Quality Innovation Group,QIG) 召开的第二届倾听学习焦点小组会议[2nd Listen and Learn Focus Group (LLFG)meeting] 上,EMA 还与利益相关者探讨新数字技术在生产和质量控制测试中的应用,特别关注到AI/ML 在药品生产质量管理规范(good manufacturing practice,GMP)中的应用。业界强调,与AI/ML 相关的过度限制性指南可能会构成监管障碍,甚至限制早期开发,建议使用基于风险的方法[22]。
1.3 欧美AI 制药监管政策的比较
FDA 和EMA 都已认识到AI在制药领域的巨大潜力,并努力在促进技术创新的同时,确保有效保障公众安全。通过发布讨论文件和反思文件、创建多样化的沟通渠道等方式,FDA 和EMA向行业内外广泛征求意见,不断完善和优化AI 在制药领域的监管政策。此外,FDA 和EMA 还配备了跨学科专家力量,为申办者提供技术支持,促进AI 技术在制药领域应用的安全性与有效性。
然而,FDA 和EMA 在监管模式方面存在着一定的差异。FDA 倾向于采用较为灵活的监管模式,例如通过设立各种试点计划( 如ISTAND 试点计划) 和提供多样的沟通交流渠道( 如PEAC 会议)等方式,为申办者提供创新环境,并搭建监管机构与外界高效沟通的桥梁。而EMA则采用较为严格的监管模式,强调基于风险的分类监管,并在官方文件中提供了风险管理及监管方面的建议,旨在确保AI 技术在制药领域的应用既符合高标准的安全要求,又能有效促进产业健康发展,引导该领域沿着正确方向稳步前行。
2. 欧美AI 制药监管政策对我国的启示
2.1 发布AI 制药指导性文件,明确监管导向
美国以行政管理为先导,强调监管与行业自律相结合,在积极推动技术创新的同时,逐步加强对AI 领域的监管力度。欧盟实行“强监管”策略,其《人工智能法案》将AI 系统分为不同风险等级,并实施不同的限制措施,这有助于确保安全性和道德性,但也可能在一定程度上阻碍创新。基于欧美不同的监管路径,建议我国切实结合中国国情,发布AI制药相关指导性文件,明确监管导向,在促进AI 制药技术创新与确保公众安全之间探索平衡点。
建议我国药品监管部门借鉴FDA 及EMA 已发布的相关文件,并融合AI 在其他应用领域(例如医疗器械)的指南,制定覆盖药品全生命周期的指导性文件,逐步为行业提供清晰的操作路径和合规指引。此外,也可以结合欧盟严格的分类监管模式和美国灵活的监管原则,采用基于风险的方法来评估和管理AI 在制药领域的应用。基于AI 算法模型的特点、使用场景、模型影响力、决策后果等对AI 应用场景风险进行综合研判,根据风险的高低采取精细化、差异化的风险管理策略。
2.2 组建AI 技术指导委员会,持续优化沟通与反馈机制
欧美药品监管机构均建立了咨询和反馈机制,例如设立专家委员会、召开AI 研讨会等,与利益相关方讨论AI 制药的最新发展趋势、监管挑战和政策措施。建议我国药品监管部门建立多层次的沟通交流平台,确保各利益相关方在AI 制药监管过程中的参与和互动。
例如,建议组建涵盖监管、制药、AI、法学、伦理学等多领域专家的AI 技术指导委员会,构建储备智囊团。定期与产业界进行公开透明的对话,以圆桌的方式建立AI 制药的潜在发展和监管的共同理解。关注患者组织的桥梁作用,鼓励并支持患者组织积极参与监管过程,以收集并反映患者群体的实际需求与期望。在官网设立AI 制药监管专区,发布最新的监管指南、审评标准和政策动态,提高监管信息的透明度和可访问性。建立健全反馈机制,鼓励公众和企业参与监管政策的制定,通过在线问卷调查、公开征求意见等方式,收集各方对AI制药监管政策的意见和建议,并在政策制定过程中予以考虑。
2.3 强化数据管理与隐私保护
欧美药品监管机构在AI 制药领域的实践表明,数据管理和隐私保护是确保技术合规、维护公众信任的重要环节。
数据管理方面,建议制定严格的数据管理规范,确保AI 制药研发过程中数据的质量和安全性。具体而言,可要求企业在数据收集、存储、处理和共享的各个阶段,遵循合法、公正、透明的原则,明确数据来源的合法性和数据使用的范围。此外,建议出台详细的指导文件,对数据治理体系、质量控制、安全防护等方面提出具体要求。同时,鼓励企业采用区块链等先进技术,保障数据不可篡改性和可追溯性,从而提高数据的可信度。
隐私保护方面,建议加强对AI 制药过程中个人隐私的保护力度。例如,要求企业在收集和使用个人数据时获得数据主体的知情同意,并遵循数据最小化原则,严格限制数据的使用目的和范围;建立健全隐私影响评估机制,对AI 制药项目进行审查,确保其符合隐私保护的相关法律法规。对于违反数据管理和隐私保护规定的行为,依法予以查处,以维护良好的市场秩序和公众利益。推动建立行业自律机制,鼓励企业自我约束,遵守隐私保护的最佳实践。
3. 结语
在AI 应用于制药领域的监管探索方面,欧美药品监管机构展现出先行态势,为我国提供了有益的思路。我国应结合自身国情和产业发展需求,逐步制定AI 制药的监管政策和标准,建议通过加强顶层设计、持续优化沟通与反馈机制、组建专家团队、强化数据管理和隐私保护等措施,形成AI 制药领域的中国方案,推动AI 技术在制药领域的广泛应用和深入发展。
引用本文
谢金平,张鼎衡,陈怡,朱梦雅,黄淼,邵蓉*.欧美人工智能在制药领域应用的监管政策研究及对我国的启示[J].中国食品药品监管.2025.3(254):14-21.
来源:中国食品药品监督杂志