对医学预测分析算法的监管

AI和不断提升的算力已经在人类健康领域产生重大作用。当前，使用AI的医学预测分析已经从虚拟走向了现实，很多商业算法已经被允许在更广的临床领域应用。但是新算法准入的门槛还很低。为了引入前沿算法的同时保证病人安全，监管和专业机构需要像监管临床新疗法或预测性的生物标志物那样，确保新算法符合标准的临床获益原则。2018年初FDA批准了WAVE临床信息平台¹，用于整合实时数据预警住院患者病情。WAVE是首个FDA批准用于临床的监测系统，也是首个被全球监管系统批准的基于电子病历（EHR）的AI算法。随后FDA审批通过了一系列算法，主要应用于图像诊断，这标志着大规模智能算法在临床的应用。

但是当前FDA审批条例尚无法有效评价智能预测算法。与药品和器械不同的是，算法不是静态的产品，它的输入是不断变化的，它的预测精度也会随着更多数据的涌入而出现波动。文章作者提出的五项准则为监管算法框架的开发提供了开端。这些准则将在提升整体算法质量的同时确保提升临床效果。

一、有意义的临床终点

很多算法用了非常抽象的评价指标（例如针对预测准确率的AUC），但临床工作者无法直观理解上述指标的含义。未来的对算法的评价需要考察其是否能提升成熟的临床获益指标或临床有意义的指标，这包括总体生存率及误诊率等，还包括隐含的诊断特征。

二、 合适的基准

基于预测算法的产品在评测时几乎从未选择有效的基准对照。FDA对选择对照的标准尚不清晰，因而有关产品预测性能的研究可以不用选择临床医师的预测或传统基于指南的预测作为对照。FDA近期批准的基于深度学习从影响中诊断中风的产品将神经外科医师的预测准确性作为对照，这是为数不多的选择了有效基准对照的产品，FDA在审评时需要尤为注意算法尤其是较为复杂的算法相对基准对照的附加价值。

三、 相容性、可扩展性

算法通过了FDA 510(k)条款便可以在临床广泛使用。WAVE平台基于心跳、呼吸速率、氧饱和、体温和血压对生命体征进行监测，因而可以广泛用于各类医疗系统和机构。但是其他一些算法，尤其是那些基于特定机构电子病历或影像参数的算法就不可以移植到另外的机构。因而在其他临床背景下，对算法界面、系统的陌生将会阻碍临床医师使用或重视算法的结论。

四、明确的干预措施

很多传统的用于临床的预测规则提高了照护质量，因为他们对诊断后续措施进行了明确。但近期FDA批准的智能算法没有与算法输出相配的干预措施以便提升照护质量。例如WAVE平台在启动报警后并未有详细配套的干预措施说明。虽然FDA无权要求算法必须匹配明确的干预措施，但FDA可要求提供特定算法配套干预措施的指南。这已经在肿瘤标志物监测领域有了先例。基于特定干预措施的临床试验、或结合算法预测结果设置的干预措施试验将会有助于临床医生接受预测性算法。

五、审查机制

正如药品通过临床试验后需要接受上市后监管，预测性算法需要接受更加严格的上市后监管。因为随着时间的推移，算法需要解释新的变量，它们的预测准确性会随着应用人群的扩大而产生波动，对特定人群产生偏倚。定期审查可以通过应用算法检测/预测人造、匿名数据来帮助减轻算法上市后的风险，这种情况下不需要考虑产权问题。FDA对上市药品或器械的前哨系统可以为算法的监测提供经验。

前景和展望

预测性算法刚刚进入市场，它们对患者和监管系统的影响尚是未知数。同样，致力于宽松电子健康产品上市过程的21st Century Cures Act对算法质量的把控也是未知。FDA近期的Digital Health Innovation Action Plan提出了基于AI的工具的临床效果的研究项目，力图使其规范化、流程化。上述项目需要基于作者提出的五个标准。正如对预测性生物标志物领域的监管一样，一个正规有序的监管路径能够使得算法从强大的预测能力过渡到真正为患者带来福音。

参考文献：

1. www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm?ID=K171056;

510(k) Premarket Notification (2018).

2. Science  22 Feb 2019: 363, 6429, 810-812. DOI: 10.1126/science.aaw0029