AI与机器学习赋能制药GMP：监管机构的审视与应对

摘要

将人工智能（AI）和机器学习（ML）技术融入制药生产流程，有望显著提升运营效率、产品品质及合规管控能力。然而，在受监管场景下推行GMP规范的同时部署AI/ML，衍生出涉及验证确认、数据可靠性、风险管控及监管审评等多重复杂难题。本文全面梳理了AI/ML在制药GMP领域应用的现有监管框架与指导性文件，剖析了现存空白与不确定因素，并探讨了后续政策规划的方向。文章深入剖析了美国FDA、欧洲EMA及英国MHRA等核心监管机构的要求与期待，审视了通过监管审评的AI/ML成功实践案例与试点工程。最终，本文凸显了基于风险的全生命周期管理策略的关键价值，以及监管科学需与时俱进、适配AI/ML技术演进特性的迫切需求。

一、引言

人工智能与机器学习技术正深刻重塑着医疗健康及药品制造等诸多领域。在制药GMP场景下，AI/ML技术能够用于批次生产优化、预测性设备维护、过程控制改进以及实时质量监控。尽管效益可观，监管机构仍持谨慎立场，根源在于AI/ML算法的非确定性特质，以及对其潜在风险与边界的认知尚在持续深化。AI/ML的独有属性——例如持续迭代学习能力及决策机制的不透明性——对GMP的根基准则（即控制性、可重复性与可追溯性）形成了严峻考验。

制药领域AI/ML应用呈爆发式增长，包含AI/ML模块的监管申报数量由2016年的1项跃升至2021年的132项。这一趋势推动监管机构构建系统化的规制架构，以期在技术创新、患者安全与产品质量之间取得均衡。

二、核心监管框架与指导文件

2.1美国FDA

FDA借助讨论文件、公开研讨会及指导文件等多种形式，主动推进与制药业界在AI/ML方面的对话交流。2019年发布的讨论文件《AI/ML医疗器械软件监管框架提案》确立了全产品生命周期（TPLC）路径的基石。2014年，FDA下属药品评价与研究中心（CDER）启动"新兴技术计划"（ETP），旨在评估AI/ML等前沿技术，该计划后续升级为ETP 2.0版本。2021年，CDER推出"监管先进制造评估框架"（FRAME）专项，专门聚焦AI/ML在药品生产环节的应用。2023年3月，FDA刊发《AI在药品生产中的应用》讨论文件，向利益相关方征询AI落地监管要素的见解。2025年初，FDA局长Martin A. Makary宣告首个AI辅助科学审评试点项目圆满收官，并公布了2025年6月30日前于全部FDA中心实现AI覆盖的进取目标。

2.2欧洲EMA

EMA于2021年出台《人工智能在欧盟药品监管网络环境下应用的反思文件》，明确了AI贯穿药品全生命周期的监管意涵。EMA指出，制药生产中的AI应用须严格遵循GMP规范与数据完整性要求。2024年《欧盟AI法案》生效后，EMA持续厘清其对制药生产的具体适用范围——用于质量检验或过程控制的AI系统多被划入"高风险"类别，须执行严谨的风险评估、人工监督及透明化措施。2023年12月，EMA与药品机构负责人（HMA）协同发布了截至2028年的人工智能行动纲领。

2.3英国MHRA

MHRA推出"AI气闸"（AI Airlock）机制，助力AI工具在医疗领域的安全性测试与平稳融合。在生产维度，MHRA鼓励开发基于AI的质量控制系统，但强制要求实施充分的验证确认及变更控制流程。MHRA亦通过"创新通行证"（Innovation Passport）机制展现前瞻思维，该机制为包含AI/ML要素的先进制造技术开辟通道，给予强化的监管支撑与加速审评待遇。

2.4 ICH指导原则

ICH Q8(R2)、Q9、Q10及Q11确立了适用于GMP环境下AI/ML部署的基本原则。ICH Q9(R1)明确倡导运用先进手段开展质量风险管理，从而为AI驱动的预测建模在结构化框架内的应用提供依据。2022年11月通过的ICH Q13《原料药和制剂的连续制造》为AI/ML系统应用于连续制造流程提供了针对性指引。

2.5 PIC/S

药品检查协约组织（PIC/S）日益频繁地在其检查员培训体系及指导文件中纳入AI/ML议题，着重强调针对GMP关键应用构建适宜的治理架构、验证手段及持续性能监测机制的必要性。

三、核心监管挑战

3.1验证与确认

在GMP环境下落地AI/ML的首要难点之一，在于验证可能随时间演变的模型。传统验证范式难以适用于自适应算法。监管机构建议在验证阶段采用"固化"模型，并提前拟定变更控制方案。持续学习模型若缺乏追踪及审计变更的强健机制，则面临质疑。

"动态验证"理念由此浮现，要求围绕预设性能指标实施不间断的效能监测，当模型漂移超出容许界限时自动触发预警。"预设变更控制协议"（PCCP）方案则提供了在坚守合规底线的前提下管控模型迭代的结构化路径。

3.2数据完整性

GMP法规推崇ALCOA+准则——数据须具备可归因性（Attributable）、清晰可读性（Legible）、同步记录性（Contemporaneous）、原始性（Original）、准确性（Accurate），且满足完整性（Complete）、一致性（Consistent）、持久性（Enduring）及可获取性（Available）。AI/ML系统须在数据全流程（涵盖训练、测试及投产阶段）中贯彻上述原则。"黑箱"算法或对各阶段数据