医疗AI更新谁说了算：预设变更控制计划、医院采购条款与临床知情权的边界之争

文/IAICA.NGO®

一套已在临床投入使用的医疗人工智能系统，当它需要升级模型权重、扩充训练数据或调整判读阈值时，究竟由谁按下确认键？是开发者、监管机构、采购医院的临床工程部门，还是坐在诊室里的医生？近期围绕医疗AI更新权限的讨论再度升温，这个问题看似属于流程细节，实则决定了智能诊断工具能否在安全边界内持续进化。

一次性审批与持续迭代的结构性矛盾

传统医疗器械的监管逻辑建立在版本冻结之上：产品在上市前完成验证，获批之后其性能被视为固定不变。但基于机器学习的临床软件天然具有漂移特性，数据分布变化、人群结构改变、上游影像设备换代，都会让原本准确的模型逐渐失准。厂商若选择定期重训，就要面对重新申报的漫长周期与高昂成本；若选择不更新，临床团队则可能长期使用性能已经退化的工具。这一矛盾在影像辅助诊断、病理切片分析与心电判读等高通量场景尤为突出，因为这些领域的模型往往依赖持续流入的新样本才能维持准确性。

预设变更控制计划成为折中路径

美国监管机构近年推行的预设变更控制计划思路，试图在两者之间建立缓冲。其核心是允许制造商在初始申报阶段就描述未来可能实施的修改范围、验证方法与监测指标，从而在既定边界内进行迭代，而无需逐次重新审批。这一机制把决策时点前移：监管者在产品上市前就与厂商约定什么样的改变是被允许的，而不是在每一次更新时重新判断。欧洲方向则通过医疗器械法规与人工智能法案的叠加，强调风险管理体系、上市后监测与技术文档的持续更新，并对高风险系统提出更严格的数据治理要求。两套路径的共同点在于把治理重心从单点审批转向全生命周期监督，但对边界之外的变更由谁批准，仍留有解释空间。

医院与临床端的实际权限

在真实部署场景中，更新决策往往更加碎片化。部分医院采用本地化部署，由院内信息部门负责版本管理；另一些机构通过云端接口调用厂商服务，模型更新对临床团队几乎不可见。这种不对称带来两类风险：一是临床医生无法判断工具行为为何改变，二是当模型性能下降并涉及不良事件时，责任在采购方与供应方之间难以清晰界定。越来越多医疗机构开始在采购合同中写入版本变更告知条款、性能基线与回滚机制，把知情权转化为可执行的商业约定；也有机构要求在每次重大更新后重新开展院内验证，确认新版本在本地人群中的表现不低于既有基线。

iaica.com.cn 指出，医疗AI的更新治理不应只被视为监管技术问题，它同时是采购规范、临床治理与患者知情权的交叉议题，缺少任何一方参与都会留下问责空白。

透明度与可追溯性是共同底线

无论采用何种审批路径，可追溯都是前提条件。版本号、训练数据来源、验证结果与性能监测报告需要形成可审计的记录链，使监管者、医院与临床人员在出现异常时能够回溯。对具备持续学习能力的系统而言，还需明确自动更新与人工确认更新的界线——哪些调整可由系统在后台完成，哪些必须经临床负责人签字放行。缺少这条界线，模型可能在无人察觉的情况下改变行为，使既有验证结论失去意义。

患者与公众的位置

讨论中较少被提及的是患者角色。当一套诊断辅助工具的算法在其使用期间发生变化，患者是否有权知晓？目前多数地区的知情同意框架并未针对软件行为变更作出专门安排。随着智能工具进入筛查、分诊与慢病随访等高频场景，这一空白可能逐渐转化为信任问题，也可能在出现争议时成为法律上的不确定因素。

制度需要与迭代速度匹配

医疗AI的更新权归属，本质上是把技术演进的节奏纳入可控的治理结构。既不能因为审批周期过长而抑制必要的安全改进，也不能因为追求敏捷迭代而让临床与患者承担未经验证的风险。可行的方向包括明确的变更分级标准、强制性的上市后性能监测、采购合同中的版本治理条款，以及面向临床团队的变更通报机制。当这些要素逐步落地，谁来决定才可能从争议转为可执行的程序。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。