您當前的位置：檢測資訊 > 科研開發(fā)
嘉峪檢測網(wǎng) 2026-01-12 18:53
摘要
目的：在計算能力持續(xù)提升的驅(qū)動下，人工智能模型憑借卓越的數(shù)據(jù)解析與處理能力為提升藥品質(zhì)量開辟了新的路徑。傳統(tǒng)藥品監(jiān)管范式在應對人工智能技術深度融入藥品生產(chǎn)的場景時，無法完全滿足藥品生產(chǎn)質(zhì)量管理規(guī)范的監(jiān)管要求。本文探討了人工智能在藥品生產(chǎn)中的應用現(xiàn)狀和潛在的研究方向，旨在為未來構建契合人工智能技術特征的監(jiān)管框架提供理論參考和實踐依據(jù)。
方法：通過梳理人工智能模型在制藥企業(yè)質(zhì)量管理體系中的實踐現(xiàn)狀，嘗試剖析其在生產(chǎn)流程控制、質(zhì)量風險監(jiān)測、質(zhì)量管理決策等維度對現(xiàn)行監(jiān)管方式形成的挑戰(zhàn)。
結果與結論：人工智能模型在藥品生產(chǎn)、藥品質(zhì)量控制和藥品質(zhì)量保證環(huán)節(jié)中的應用正積極發(fā)展，但仍需面對數(shù)據(jù)可靠性與可追溯性、模型透明度與可解釋性、動態(tài)適應性與可驗證性這三大方面的挑戰(zhàn)。人工智能模型在藥品生產(chǎn)企業(yè)質(zhì)量管理體系中的應用，是智能制造背景下中國藥品制造業(yè)質(zhì)量提升的必然選擇，然而如何將其納入企業(yè)已有的質(zhì)量體系并符合現(xiàn)行藥品生產(chǎn)質(zhì)量規(guī)范的相關要求仍需進一步探索。
關鍵詞
人工智能；生物醫(yī)藥；藥品生產(chǎn)；質(zhì)量管理；監(jiān)管科學
人工智能（Artificial Intelligence，AI）是指通過人造系統(tǒng)模擬出的智能行為，它使計算機系統(tǒng)能夠通過自學習、理解推理、識別語言、適應和修正等過程，模擬和再現(xiàn)人類的某些智能行為，從而完成通常需要人類智能才能解決的復雜任務，進而提升工作效率。AI模型指的是一種基于機器的系統(tǒng)，它被設計為以不同程度的自主性運行，并從接受到的輸入中推斷如何生成預測、內(nèi)容、推薦或決策等輸出進而影響物理或虛擬環(huán)境。
現(xiàn)代藥物的研發(fā)與生產(chǎn)是一項涉及多個學科領域的綜合性系統(tǒng)工程。隨著計算能力的不斷增強和生物醫(yī)藥數(shù)據(jù)的不斷積累，AI模型憑借其強大的數(shù)據(jù)處理與分析能力在藥物研發(fā)和藥品生產(chǎn)領域均展現(xiàn)出廣泛的應用潛力，為提升藥品質(zhì)量提供新途徑與方法。
在藥物研發(fā)領域，AI模型可通過機器學習、深度學習和大數(shù)據(jù)分析等技術，實現(xiàn)輔助藥物靶點識別、蛋白質(zhì)結構預測、藥物分子設計、合成路線設計、藥代動力學預測、藥物相互作用與不良反應預測、動物試驗和臨床研究設計、臨床數(shù)據(jù)分析等功能，可顯著提高藥物研發(fā)效率，降低成本，并加速新藥上市進程。
在藥品生產(chǎn)領域，AI模型可通過在線監(jiān)測、視覺模型及自然語言處理等技術，實現(xiàn)持續(xù)監(jiān)控生產(chǎn)過程、預測生產(chǎn)設備故障、識別高風險行為、輔助偏差決策、協(xié)助變更控制以及識別質(zhì)量風險，從而有效提升藥品生產(chǎn)效率和產(chǎn)品質(zhì)量。此外，AI模型還可以通過分析歷史數(shù)據(jù)來優(yōu)化生產(chǎn)中的物料使用和排產(chǎn)計劃，減少浪費，提高資源利用率。
現(xiàn)行藥品生產(chǎn)質(zhì)量管理規(guī)范（Good Manufacturing Practice，GMP）中，計算機化系統(tǒng)是指用于報告或自動控制的集成系統(tǒng)，涵蓋數(shù)據(jù)輸入、電子處理和信息輸出等環(huán)節(jié)。在藥品生產(chǎn)領域應用時，AI模型亦屬于計算機化系統(tǒng)的范疇。其工作原理、適用范圍、運行方式及數(shù)據(jù)的完整性和可追溯性均須具備可測試性和可驗證性；運行結果應確保可解釋性和可重現(xiàn)性；模型算法及判斷條件的變更則須受控且可追溯。因此，藥品生產(chǎn)企業(yè)在應用AI模型過程中，應確保其決策過程透明且可控，以符合相關法律法規(guī)的要求。
1 當前AI在藥品生產(chǎn)質(zhì)量管理體系中的應用
1.1 AI模型在藥品生產(chǎn)環(huán)節(jié)的應用
在藥品生產(chǎn)環(huán)節(jié)，只有確保工藝參數(shù)的穩(wěn)定，才能保障所生產(chǎn)藥品的質(zhì)量能持續(xù)符合質(zhì)量標準的要求。藥品生產(chǎn)中的常規(guī)工藝流程，例如混合攪拌、制粒干燥、包衣、壓片、灌裝等操作，均可通過AI模型運用機器學習算法進行連續(xù)、長時間的監(jiān)測，從而實現(xiàn)對制藥工藝過程的實時優(yōu)化，進而提升生產(chǎn)效率和藥品質(zhì)量。然而，在現(xiàn)行GMP體系下，企業(yè)必須嚴格按批準的處方工藝進行生產(chǎn)，工藝參數(shù)的變動可能會引入額外的質(zhì)量管理風險，通常難以直接通過AI模型實時優(yōu)化處方工藝參數(shù)?，F(xiàn)階段的藥品生產(chǎn)中，AI模型常用于生產(chǎn)過程中工藝數(shù)據(jù)的持續(xù)監(jiān)測和風險預警，以及輔助計算機視覺設備提升在線檢測的效率和精度。
藥品生產(chǎn)過程中，工藝參數(shù)的偏離、生產(chǎn)設備的故障或其他不良事件都可能影響所生產(chǎn)藥品的質(zhì)量。AI模型在數(shù)據(jù)分析方面具備顯著優(yōu)勢，運行機器學習算法對設備傳感器數(shù)據(jù)進行實時監(jiān)測與分析后，可構建設備正常狀態(tài)下的運行數(shù)據(jù)模型。當生產(chǎn)過程中實際運行數(shù)據(jù)偏離模型，或數(shù)據(jù)回顧時發(fā)現(xiàn)存在偏離趨勢時，AI模型可發(fā)出偏差預警，預測可能出現(xiàn)的設備故障，提前發(fā)現(xiàn)潛在的質(zhì)量風險，便于企業(yè)及時對設備進行預防性維修，避免生產(chǎn)過程中因設備問題影響藥品質(zhì)量。
計算機視覺檢測利用光學測量裝置，實時將被測目標的狀態(tài)信息轉(zhuǎn)換成圖像信號。這些圖像信號經(jīng)過處理后轉(zhuǎn)化為數(shù)字化信號，再被傳輸至上位機或可編程邏輯控制器（Programmable Logic Controller，PLC），由控制設備執(zhí)行相應的后續(xù)操作。在藥品生產(chǎn)過程中，計算機視覺技術可用于藥品形態(tài)檢測、藥品異物檢查、包裝信息識別等方面。用于形態(tài)檢測時，計算機視覺檢測可在生產(chǎn)或包裝過程中捕捉識別藥品顏色、形狀、尺寸和表面質(zhì)量等信息；用于異物檢查時，計算機系統(tǒng)可在內(nèi)包結束后檢測包裝完整性，識別捕捉纖維、灰塵、碎屑等可見異物；用于包裝信息識別時，機器視覺技術常用來自動識別復核包裝上批號信息、生產(chǎn)日期、有效日期等關鍵信息清晰準確。
計算機視覺檢測中，圖像質(zhì)量的好壞直接影響算法控制的效果與精度。因此，計算機視覺檢測系統(tǒng)通常需對其獲取的原始形象進行圖像增強、圖像分割等預處理操作。由于背景環(huán)境光照的干擾或設備自身的老化等因素，傳統(tǒng)的圖像處理算法在持續(xù)保證視覺檢測精度的一致性方面面臨較大挑戰(zhàn)。AI模型輔助計算機視覺，依據(jù)實時背景與動態(tài)品種圖像特征，運用動態(tài)閾值算法靈活調(diào)整圖像分割判斷條件；結合機器學習與大數(shù)據(jù)分析，AI模型能依據(jù)歷史生產(chǎn)數(shù)據(jù)中的背景周期變化與設備參數(shù)老化趨勢，自動調(diào)整圖像增強算法或?qū)嵤┭a償賦值；借助深度學習與大數(shù)據(jù)分析，AI模型無需人工干預，即可從歷史數(shù)據(jù)中提取產(chǎn)品缺陷特征，更新缺陷庫，并對已識別缺陷進行分類統(tǒng)計，從而提高缺陷的識別率與準確率。
1.2 AI模型在藥品質(zhì)量控制環(huán)節(jié)的應用
藥品的質(zhì)量控制需確保物料和產(chǎn)品在放行前均已完成必要的檢驗并確認其質(zhì)量符合相關的標準要求，是企業(yè)質(zhì)量管理體系中保障藥品安全性、有效性和穩(wěn)定性的重要基礎。隨著信息化數(shù)字化系統(tǒng)技術應用的更新，部分藥品生產(chǎn)企業(yè)也開始嘗試在實驗室信息管理系統(tǒng)（Laboratory Information Management System，LIMS）中結合AI模型，在檢驗操作、異常調(diào)查和趨勢分析方面實現(xiàn)智能化輔助，以提升實驗室檢測效率與準確性，降低人為失誤引發(fā)的產(chǎn)品風險。
在檢測管理方面，AI模型通過整合物料管理系統(tǒng)與文檔管理系統(tǒng)，可在LIMS內(nèi)實現(xiàn)樣品管理與檢驗任務的全流程自動化。樣品、對照品和標準品是質(zhì)量控制實驗室檢驗操作的關鍵物料，AI能夠依據(jù)物料穩(wěn)定性研究數(shù)據(jù)構建預測模型，實時跟蹤冷藏或陰涼儲存樣品的環(huán)境參數(shù)變化，并主動發(fā)起效期預警。檢驗任務的分配則借助大語言模型解析質(zhì)量標準文件，自動匹配相應的檢驗項目、儀器及操作規(guī)程，并自動生成符合電子實驗記錄模板的批次檢驗記錄。依托機器學習算法建立質(zhì)量數(shù)據(jù)標準模型，檢驗過程中即可借助實時數(shù)據(jù)檢測與分析，與標準數(shù)據(jù)對比預測結果是否符合質(zhì)量標準，及時識別操作風險并發(fā)出預警。
發(fā)現(xiàn)超標結果（Out of Specification，OOS）或超出趨勢結果（Out of Trend，OOT）等異常數(shù)據(jù)時，AI驅(qū)動的異常結果動態(tài)分析模型能基于檢驗數(shù)據(jù)波動模式智能觸發(fā)OOS/OOT調(diào)查流程，通過知識圖譜關聯(lián)相關批次的物料檢驗、環(huán)境監(jiān)測、生產(chǎn)工藝等數(shù)據(jù)節(jié)點，基于因果分析算法不但能夠自動追溯產(chǎn)生異常數(shù)據(jù)的直接因素，還能挖掘出間接相關因素以及這些因素之間的相互作用，極大地提升調(diào)查效率，協(xié)助企業(yè)全面深入地理解導致異常數(shù)據(jù)的根本原因。
用于穩(wěn)定性數(shù)據(jù)監(jiān)測時，AI模型運用機器學習算法，融合歷史批次穩(wěn)定性數(shù)據(jù)，構建預測模型，實時追蹤關鍵質(zhì)量指標的變化趨勢，當數(shù)據(jù)偏離預測區(qū)間時自動觸發(fā)OOT預警。其內(nèi)置的自適應學習機制能定期納入新的穩(wěn)定性數(shù)據(jù)，自動調(diào)整預測置信區(qū)間，確保監(jiān)測標準與工藝改進保持同步。在長期穩(wěn)定性研究中，時序深度學習AI模型擅長捕捉傳統(tǒng)擬合方法難以揭示的復雜變化趨勢，例如非線性的降解軌跡和多因素耦合的異常波動。此外，通過遷移學習技術構建的跨產(chǎn)品穩(wěn)定性預測框架，可在新藥研發(fā)階段利用歷史品種的降解規(guī)律特征，顯著縮短創(chuàng)新藥穩(wěn)定性研究周期。
1.3 AI模型在藥品質(zhì)量保證環(huán)節(jié)的應用
質(zhì)量管理是確保藥品質(zhì)量和安全的關鍵環(huán)節(jié)。藥品生產(chǎn)企業(yè)應確保藥品在生產(chǎn)、檢查和檢驗過程中嚴格遵循符合相關管理規(guī)程的要求。傳統(tǒng)的質(zhì)量管理方法依賴于人工進行偏差調(diào)查、變更管理和回顧分析，處理效率相對較低，調(diào)查控制過程中可能存在疏漏。為提高質(zhì)量管理的效率和準確性，部分藥品生產(chǎn)企業(yè)正積極探索采用集成AI模型的智能化質(zhì)量管理系統(tǒng)，通過大語言模型輔助完成偏差調(diào)查、變更管理和質(zhì)量回顧等質(zhì)量管理工作。
在偏差調(diào)查方面，結合智能化的文檔信息系統(tǒng)，生成式AI模型能夠通過深度學習偏差調(diào)查的歷史數(shù)據(jù)及其處理方案，結合品種的批生產(chǎn)記錄，基于偏差數(shù)據(jù)預測潛在的質(zhì)量風險，自動生成偏差調(diào)查方案，提供調(diào)查依據(jù)，減少人為因素導致的調(diào)查不充分的問題，從而提升藥品生產(chǎn)企業(yè)在偏差調(diào)查中的決策效率。此外，借助統(tǒng)計分析工具和深度學習模型，AI模型可運用關聯(lián)規(guī)則挖掘、聚類分析等方法，自動識別和評估可能影響產(chǎn)品質(zhì)量的潛在關鍵因素，為制定或調(diào)整體系管理策略提供依據(jù)。
在變更管理方面，AI模型和機器學習算法可用于變更記錄和相關文檔的分析和評估，識別人工可能忽略的關聯(lián)文件、法規(guī)要求、潛在風險或不合理的實施行動項，有效降低藥品生產(chǎn)風險事故的發(fā)生概率。數(shù)字孿生作為物理資產(chǎn)、流程或系統(tǒng)的虛擬鏡像，能夠提供虛擬模型來實時模擬、監(jiān)測和分析變更的影響，使企業(yè)在實施變更前可進行模擬測試與優(yōu)化，從而縮短變更的實施周期，并最大限度地降低由變更引發(fā)的產(chǎn)品質(zhì)量風險。
在質(zhì)量回顧方面，數(shù)據(jù)驅(qū)動的AI模型可自動匯總和關聯(lián)不同數(shù)據(jù)源的數(shù)據(jù)，打破數(shù)據(jù)孤島，確?；仡檾?shù)據(jù)的完整性。在藥品的長期生產(chǎn)過程中，質(zhì)量特性會展現(xiàn)出一定的變化趨勢。AI模型中的事件序列分析算法能夠在較長時間尺度上捕捉并識別這些潛在趨勢，預測藥品質(zhì)量未來的特殊發(fā)展動向，從而為質(zhì)量改進指明方向。藥品的一項質(zhì)量特性可能同時受多種因素影響，例如原輔料質(zhì)量、工藝參數(shù)、環(huán)境參數(shù)、公共系統(tǒng)、人員操作等，通過AI模型中的機器學習算法，可分析不同因素與藥品質(zhì)量特性的關聯(lián)性，識別確定影響藥品質(zhì)量的關鍵因素，為生產(chǎn)控制策略優(yōu)化提供參考。及時發(fā)現(xiàn)異常批次或異常事件是質(zhì)量回顧的主要目的之一，通過AI模型中的異常檢測算法，能夠自主學習正常生產(chǎn)數(shù)據(jù)的分布特征，在數(shù)據(jù)中識別出偏離正常模式的數(shù)據(jù)點，為進一步分析提供線索。
2質(zhì)量管理體系中AI模型的監(jiān)管挑戰(zhàn)
隨著AI技術的發(fā)展和在藥品生產(chǎn)企業(yè)中應用范疇的擴大，全球藥品監(jiān)管機構積極探索AI模型在制藥領域中應用的監(jiān)管框架。美國食品藥品監(jiān)督管理局（Food and Drug Administration，F(xiàn)DA）側重于指導AI開發(fā)的目標導向及AI模型的自感知能力以及抽象和推理能力，歐洲藥品管理局（European Medicines Agency，EMA）關注AI模型應用時的自適應和自控制能力，世界衛(wèi)生組織（World Health Organization，WHO）則將AI模型定義為計算機科學、統(tǒng)計學和工程學的交叉領域，強調(diào)需關注其自學習能力。2025年7月歐盟委員會發(fā)布的GMP指南修訂征求意見稿中新增了《附錄22：人工智能》，對AI在生產(chǎn)流程中的使用要求進行了明確，要求企業(yè)需確定模型的預期用途、建立測試指標和評估標準、確保訓練數(shù)據(jù)集和測試數(shù)據(jù)集質(zhì)量，以及變更控制和質(zhì)量管理等，但明確表示該指南僅適用于靜態(tài)模型，即使用過程中不通過納入新數(shù)據(jù)來調(diào)整其性能的模型，不適用于動態(tài)模型，即在使用過程中持續(xù)自動學習并調(diào)整性能的模型。2023年7月，我國發(fā)布了針對性規(guī)范文件《生成式人工智能服務管理暫行辦法》用以指導AI技術發(fā)展；2024年4月發(fā)布了《藥品監(jiān)管人工智能典型應用場景清單》，闡述了AI模型在藥品監(jiān)管的準入審批、日常監(jiān)管、服務公眾、輔助決策等環(huán)節(jié)的典型應用?，F(xiàn)階段，我國藥品監(jiān)管系統(tǒng)尚未對藥品質(zhì)量管理體系中的AI模型給出明確定義。但參照現(xiàn)行GMP內(nèi)容，AI模型屬于計算機化系統(tǒng)的一種，其工作原理、適用范圍、運行方式及數(shù)據(jù)完整性均須具備可測試性和可驗證性；運行結果應確保可解釋性和可重現(xiàn)性；模型算法及判斷條件的變更則須受控且可追溯。
2.1 數(shù)據(jù)可靠性和可追溯性
數(shù)據(jù)完整性是指在藥品生產(chǎn)、檢驗、運輸?shù)拳h(huán)節(jié)中所記錄的數(shù)據(jù)應是真實的、準確的、可靠的且可重現(xiàn)的，數(shù)據(jù)應是實時記錄的，不可被篡改、偽造或選擇性使用。數(shù)據(jù)的可追溯性是指數(shù)據(jù)的生成、修改、存儲和轉(zhuǎn)移的全過程均是可審計追蹤的，以確保任何操作均可回溯至原始記錄。
在數(shù)據(jù)采集階段，AI模型能夠自動整合多種數(shù)據(jù)來源用于模型計算。然而，各數(shù)據(jù)源的文件格式、數(shù)據(jù)形式、數(shù)據(jù)精度、完整性和可追溯性均可能存在差異，難以保證不同數(shù)據(jù)源的數(shù)據(jù)在完整性方面均處于同一可控水平。在采用傳感器自動化采集數(shù)據(jù)時，由于實時數(shù)據(jù)量巨大且數(shù)據(jù)維度復雜，因此需要更多的存儲空間。這可能導致原始數(shù)據(jù)因自動覆蓋而丟失，進而使得數(shù)據(jù)無法追溯。此外，AI模型依賴于元數(shù)據(jù)來理解輸入數(shù)據(jù)，而元數(shù)據(jù)的完整性和準確性是確保模型輸出結果可信度的關鍵。然而，元數(shù)據(jù)自身的數(shù)據(jù)完整性和可追溯性的缺失常常被忽視。
在數(shù)據(jù)處理和分析階段，AI模型需進行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和特征提取等預處理操作。這些操作通常通過自動化腳本或復雜算法完成，處理過程無法直觀呈現(xiàn)，尚無統(tǒng)一標準來驗證批量處理數(shù)據(jù)時是否存在部分數(shù)據(jù)被錯誤地修改或有選擇性地刪除。對于利用神經(jīng)網(wǎng)絡實現(xiàn)特征提取的AI模型，其黑箱特性使得特征提取過程難以追溯。
在模型部署后實際使用期間，當輸入數(shù)據(jù)的分布偏離訓練數(shù)據(jù)范圍時，AI模型的輸出可能失效而發(fā)生報警，此時歷史數(shù)據(jù)的完整性可能已無法代表當前模型數(shù)據(jù)的完整性。對于具備自學習和自迭代的AI模型，其學習過程應同樣是可控的，模型的決策邏輯的變化應同樣是可追溯的。
2.2 模型透明性和可解釋性
AI模型由于其算法邏輯的復雜性常被稱為黑箱模型，因為難以解釋其算法的決策過程與依據(jù)。當AI模型在藥品生產(chǎn)企業(yè)的質(zhì)量管理體系應用于質(zhì)量管理時，企業(yè)需清晰了解模型的決策過程及判斷原因，以確保藥品質(zhì)量決策的可靠性與合規(guī)性。盡管現(xiàn)行法規(guī)對AI模型的透明性和可解釋性要求尚不明確，但隨著AI技術在高風險領域的廣泛應用，確保模型決策的合理性、透明性和可信賴性變得至關重要。企業(yè)需建立內(nèi)部標準，以確保模型決策的可解釋性。但其解釋結果的準確性和一致性仍缺乏評估標準。
對于基于深度學習的AI模型，由于神經(jīng)網(wǎng)絡的多層抽象機制與人類認知邏輯表達的差異，用文字或數(shù)據(jù)描述其決策過程和業(yè)務邏輯十分困難，給質(zhì)量管理人員在審核模型決策時帶來極大的挑戰(zhàn)。管理人員須具備跨學科知識，方能深入理解模型行為。此外，模型訓練數(shù)據(jù)的選擇和預處理過程亦需透明化，以確保模型決策的可靠性。
2.3 動態(tài)適應性和可驗證性
實時調(diào)整能力是AI模型在復雜環(huán)境中保持高效運行的關鍵。面對不斷變化的數(shù)據(jù)特征和業(yè)務需求，模型須具備自我學習和優(yōu)化機制，確保在新的數(shù)據(jù)分布下仍能維持準確預測。動態(tài)適應性是指AI模型能夠持續(xù)地從新輸入的數(shù)據(jù)中進行學習，并自動調(diào)整其算法參數(shù)和決策邏輯，以適應數(shù)據(jù)環(huán)境變化的特性?？沈炞C性是指能夠證明AI模型在其生命周期中的行為都符合預設的標準、滿足預期的性能、安全性和有效性要求，驗證需要是可復現(xiàn)的且需要清晰的文檔記錄且具有可解釋性和可追溯性。
AI模型的持續(xù)學習依賴于輸入的新數(shù)據(jù)。確保這些數(shù)據(jù)的質(zhì)量（準確性、完整性、代表性、無標簽漂移）、來源合規(guī)性以及未被惡意污染變得極其關鍵。通常認為，連續(xù)3批成功的工藝驗證能證明藥品生產(chǎn)工藝的可復現(xiàn)性。然而，對于AI模型，鑒于其算法參數(shù)的動態(tài)調(diào)整特性，驗證批次的概念或許需要重新審視。對于持續(xù)學習和變化的動態(tài)AI模型，原驗證條件是否仍適用更新權重后的模型狀態(tài)需要重新評估。必要時應建立新的驗證基準，通過對比新舊模型在相同測試集上的表現(xiàn)差異來確認其穩(wěn)定性。
現(xiàn)行藥品審批制度中，獲批的藥品生產(chǎn)工藝和質(zhì)量標準的關鍵變更需申報補充申請或變更備案，這與AI模型可能每周甚至每天持續(xù)更新變化的特性相矛盾。當模型基于最初的數(shù)據(jù)獲得批準后，它的行為可能在后續(xù)適應過程中發(fā)生變化，現(xiàn)行上市后變更指導原則中尚無針對計算機化系統(tǒng)算法發(fā)生變更時，變更等級的評定依據(jù)及相關驗證評價研究的要求。
現(xiàn)階段國內(nèi)尚未出現(xiàn)包含AI模型應用的獲批藥品，亦無獲批品種基于AI模型進行動態(tài)調(diào)整優(yōu)化的應用案例。對于生產(chǎn)工藝或質(zhì)量標準中采用AI模型的品種，可能涉及重新界定“獲批產(chǎn)品”的涵蓋范圍。例如，獲批的是特定版本的AI模型，還是包含預先確定適應規(guī)則與控制策略的“系統(tǒng)”? 對于后者，如何有效驗證這些預定義規(guī)則的安全性與有效性?
3 未來研究方向與展望
AI模型在藥品生產(chǎn)企業(yè)質(zhì)量管理體系中的應用是智能制造背景下中國藥品制造業(yè)質(zhì)量提升的必然選擇。國家藥品監(jiān)督管理局發(fā)布的《藥品監(jiān)管人工智能典型應用場景清單》中，詳細闡述了AI模型在藥品監(jiān)管的準入審批、日常監(jiān)管、服務公眾及輔助決策等環(huán)節(jié)中的典型應用，旨在推動AI技術在藥品監(jiān)管領域的深入研究和探索，并為各級藥品監(jiān)管部門開展AI技術研究應用提供規(guī)范和指導。但對于藥品生產(chǎn)企業(yè)而言，如何將AI模型的應用納入現(xiàn)有GMP體系仍需進一步探索。
當前藥品監(jiān)管體系仍視AI模型為固定的計算機化系統(tǒng)工具，未充分認識到其作為決策過程的重要性，也未將其視為需持續(xù)驗證的關鍵工具。歐盟藥品管理局發(fā)布的GMP文件《附錄22：人工智能》征求意見稿的適用范圍僅適用于靜態(tài)模型，并認為動態(tài)模型不應在關鍵GMP應用中使用，但未對何為“關鍵GMP應用”的概念進行區(qū)分定義；附錄22中對“測試（Test）”的標準、數(shù)據(jù)、獨立性、執(zhí)行、可解釋性和置信度均進行了規(guī)定，但未明確解釋該附錄下“驗證數(shù)據(jù)（Validation Dataset）”和“測試數(shù)據(jù)集（Test Dataset）”中驗證和測試該概念與規(guī)范正文中確認（Qualification）和驗證的關聯(lián)或區(qū)別。未來的工作中，可對標國外相關法規(guī)指南，對不同GMP環(huán)節(jié)中適用的AI模型類型進行劃分，針對靜態(tài)模型和動態(tài)模型適用范圍和自身適應性的不同分別編制AI模型在藥品生產(chǎn)質(zhì)量管理中的驗證指南，明確動態(tài)更新機制下的驗證周期和標準。將驗證重點從僅驗證一個靜態(tài)軟件快照轉(zhuǎn)向驗證一個具備可預測、可控進化能力的動態(tài)系統(tǒng)的初始狀態(tài)和其預設的安全演進路徑，并確保具備強有力的持續(xù)監(jiān)控、可追溯和有效的糾正機制。此外，還需建立AI模型變更的追溯體系，記錄每次更新的數(shù)據(jù)來源、算法調(diào)整及性能驗證結果，確保變更過程透明可控，對訓練數(shù)據(jù)、底層代碼、模型算法和環(huán)境鏡像等統(tǒng)一版本控制要求。
針對AI模型的數(shù)據(jù)完整性和可追溯性問題，應提出大模型數(shù)據(jù)管理標準。明確AI模型應用中數(shù)據(jù)采集、存儲、傳輸和使用的全流程規(guī)范，確保數(shù)據(jù)來源可驗證、處理過程可審計。還應構建結構化的元數(shù)據(jù)管理體系，對模型輸入輸出數(shù)據(jù)進行標準化標注，實現(xiàn)數(shù)據(jù)全生命周期的可追溯性。同時建立數(shù)據(jù)質(zhì)量評估體系，定期驗證數(shù)據(jù)準確性、完整性和一致性，基于風險對不同層級數(shù)據(jù)的完整性制定不同的管理標準。
建議構建基于質(zhì)量源于設計理念的AI模型開發(fā)框架，將藥品質(zhì)量的關鍵屬性與工藝參數(shù)映射關系融入算法設計，確立符合GMP標準的知識圖譜構建準則。為解決模型動態(tài)適應性問題，可研發(fā)強化學習驅(qū)動的自驗證算法模塊，使AI系統(tǒng)能夠自主識別質(zhì)量數(shù)據(jù)偏移并啟動再驗證程序。
探索建立藥品生產(chǎn)AI模型分級管理制度。根據(jù)模型決策影響程度劃分風險等級，對涉及藥品放行決策的AI模型要求強制性的算法審計，建立包含訓練數(shù)據(jù)集溯源、決策邏輯驗證、歷史預測準確率等要素的算法檔案管理體系。同時，加強與國際藥品監(jiān)管機構的交流合作，共享AI模型驗證經(jīng)驗，推動形成全球統(tǒng)一的AI藥品生產(chǎn)質(zhì)量管理標準，提升我國藥品生產(chǎn)的國際競爭力。
4 結語
AI模型在藥品生產(chǎn)企業(yè)中的應用，不僅能夠顯著提升企業(yè)的生產(chǎn)效率和產(chǎn)品質(zhì)量，還能有效促進企業(yè)加強自身的質(zhì)量管理和風險控制能力，從而為保障藥品安全及推動產(chǎn)業(yè)發(fā)展提供堅實的技術支持。本文深入探討了AI在藥品生產(chǎn)中的應用現(xiàn)狀，并針對其在數(shù)據(jù)可靠性和可追溯性、模型透明性和可解釋性、動態(tài)適應性和可驗證性3個關鍵方面的監(jiān)管挑戰(zhàn)進行了詳細分析。在此基礎上，從AI模型驗證要求、大規(guī)模數(shù)據(jù)管理標準、AI模型分級管理等多個維度，探討了潛在的研究方向，旨在為未來AI模型監(jiān)管策略的研究提供有力的理論參考和實踐依據(jù)。
來源：Internet
關于我們 聯(lián)系我們 營業(yè)執(zhí)照 全國服務電話：400-818-0021 嘉峪檢測版權所有 備案號：京ICP備14047019號-2 
京公網(wǎng)安備11010802046783號
