当生成式AI与自主智能体(Agentic AI)加速涌入诊室,一套诞生于2002年、为心脏起搏器和手术刀设计的医疗器械法规,该如何监管一个每周都在自我更新、表现随医院环境而异的算法系统?2026年9月10日,英国药品和健康产品管理局(MHRA)与英国医疗人工智能监管国家委员会联合发布了长达119页的里程碑文件——《医疗人工智能监管国家委员会报告:未来监管框架建议》(National Commission into the Regulation of AI in Healthcare: Recommendations for a future regulatory framework)。这份汇集了100余位跨学科专家、760余份行业反馈及超12,000名公众与医护深度调研的顶层设计,不仅给出了将NHS打造为“全球最深度赋能AI的医疗体系”的制度施工图,更在全球范围内首次系统回答了医疗AI动态变更授权、通用大模型底座溯源、临床医生“责任黑洞”拆解及患者“选择退出权”等核心难题。
为什么传统的医疗器械监管在AI面前失灵了?
过去二十多年里,全球医疗器械监管的核心逻辑可以概括为四个字:静态准入。
在英国现行的《2002年医疗器械法规》(UK MDR 2002)框架下,中高风险医疗器械进入大不列颠市场,主要依赖由MHRA指定的第三方认证机构(Approved Bodies)在上市前进行一次性合规评估(Conformity Assessment),通过后加贴UKCA标志即可上市;而上市后监管(PMS)则主要依赖不良事件发生后的被动上报与事后调查。
这套机制在面对人工关节、呼吸机甚至传统固化软件时运转良好,因为它们的物理特性与代码逻辑在出厂那一刻便已锁定。然而,当监管对象变成人工智能——尤其是具备自适应学习(Adaptive technologies)、生成式能力及自主任务规划能力的AI智能体(Agentic AI systems)时,旧制度的地基发生了结构性动摇。
为了摸清真实痛点,委员会在伯明翰大学Alastair Denniston教授(主席)与英格兰患者安全专员Henrietta Hughes教授(副主席)带领下,联合跨白厅部门、四大构成国分权政府(英格兰、苏格兰、威尔士、北爱尔兰)、医疗卫生系统与技术领域的四个专业工作组,开展了英国医疗史上规模空前的实证调研。调研揭示的五组核心数据,直观展现了旧监管体系与AI现实之间的巨大裂痕:
| 调研维度 | 核心实证数据(源自委员会公开征求意见与The Health Foundation调研) | 反映出的深层制度矛盾 |
|---|---|---|
| 临床医护改革呼声 | 77%的受访医护呼吁对现行医疗AI监管框架进行“彻底推翻重构”或“重大改革” | 一线医生既渴望AI减负,又因权责不清而对临床直接应用充满戒备 |
| 场景信任度温差 | 86%的医护认为AI用于行政管理安全,但仅48%认为用于直接患者诊疗安全 | 行政辅助容错率高,而介入筛查、诊断与治疗决策的高风险AI缺乏持续验证 |
| 产业与医院准入痛点 | 67%的产业界受访者与50%的医疗机构认为现行法规“过度限制”,阻碍创新落地 | 上市前一次性静态举证要求与AI需在真实世界中持续迭代、本地校准的特性背道而驰 |
| 上市后监管失灵 | 65%的受访者认为现行医疗器械上市后监管(PMS)机制不足以保障AI安全 | 医院数据孤岛林立,性能漂移难被实时捕捉,且临床与患者端存在严重漏报 |
| 跨国监管互认诉求 | 59%的受访者支持将软件类医疗器械纳入国际监管信赖与互认通道 | 单一国家审评资源有限,亟需与美、加、欧、新等建立带安全阀门的互认机制 |
透过这些数据,委员会一针见血地指出了现行监管体系的三大“不适配”:
第一,静态审批与动态演化的错位。随着疾病谱变化、临床指南更新或医院流程改变,AI会出现“模型漂移(Model drift)”或“性能漂移(Performance drift)”;同时开发者也需要频繁更新模型权重以修复漏洞或提升精度。在现行法规下,每次实质性更新都可能触发繁琐的重新认证,导致法规变成阻碍模型维护的绊脚石。
第二,实验室表现与真实世界场景敏感性的割裂。AI的表现高度依赖部署环境(Context-dependent performance)——本地患者的人口统计学特征、影像设备扫描参数、电子病历(EPR)集成方式乃至医护交互习惯,都会让上市前测试优异的算法在真实临床中出现选择性漏诊或性能骤降。单纯把监管筹码押注在“上市前单次通关”,无法保障真实世界安全。
第三,“一刀切”分类导致的监管真空与审批拥堵并存。现行分类下,大量医疗软件与AI通过厂商“自我声明(Self-declared)”归入最低风险的I类器械,无需实质性上市前审查即可进入临床;而真正需要深度审评的中高风险AI又受困于第三方认证机构的产能瓶颈。值得注意的是,报告第22页披露了一项重大体制转向信号:MHRA已正式通报英国政府正在探索由MHRA直接对特定医疗器械进行许可审批(Directly license medical devices)的能力,改变以往完全依赖第三方认证机构的传统模式,为新兴AI技术打造更具响应力的国家级审评底座。
基于这一诊断,委员会提出了未来英国医疗AI监管的总体愿景:构建一个“以人为本、安全、快速、可信(Person-centred, Safe, Fast, Trusted)”的现代化框架,并围绕“适度的全生命周期监管”、“全系统责任共担与安全管理”以及“信任、透明与可预测性”三大支柱,给出了44项改革建议。
支柱一:从“一锤子买卖”到适度的全生命周期监管(建议 1–23)
报告第一章共提出23项建议,对医疗软件与AI器械从资质认定、上市前审评、变更管理、上市准入到上市后监测与执法的全生命周期进行了系统重构。
划清监管红线与引入“基于功能”的精准监管(建议 1–4)
并非所有走进医院的代码都应按医疗器械监管。建议1与建议2要求MHRA修订法规与指南,明确划定三类模糊地带产品的边界:医院行政管理软件(Administrative purposes)、通用健康生活类产品(General wellbeing)以及低风险临床决策支持软件(Low-risk CDS),明确它们在何种条件下不属于医疗器械;同时建立综合考量临床风险、患者获益与生命周期的新型分级体系,堵住I类器械“自我声明”漏洞。
针对不少厂商在产品设计上明显具备诊断或分诊功能、却在宣传中使用“仅供健康参考”免责话术规避监管的做法,委员会明确提出:“预期用途(Intended purpose)”的法律界定必须同时强制考量设备的客观架构设计与实际功能表现(Device design and functionality),一旦客观功能与宣传话术相悖,监管将直接穿透免责声明。此外,考虑到北爱尔兰在《温莎框架》(Windsor Framework)下继续适用欧盟EU MDR(CE标志),规则调整须兼顾北爱尔兰患者的创新可及性。
同时,建议3与建议4提出了“动态自由裁量”与“基于功能(Function-based)的监管”。如今单一AI产品常集成多种复合功能:例如临床日益普及的环境语音技术(Ambient Voice Technology, AVT),既包含医患对话转录与摘要(非医疗器械),又可能包含实时提示鉴别诊断的高阶临床决策支持功能(医疗器械);又如通用大语言模型(LLM)新增了一个专科医疗辅助功能。如果对整个AVT系统或整个通用大模型进行全盘器械审批,既低效又不成比例。因此,委员会提出“基于功能的监管”原则:MHRA的监管火力应精准聚焦于产品中构成医疗器械的那一项具体功能,而非非医疗功能或整个底层系统。
给自适应AI松绑:证据重心后移与“护栏式PCCP”(建议 5–6)
建议5提出重新校准全生命周期的证据权重:允许针对自适应AI适度精简上市前数据要求,转而通过强有力的上市后真实世界数据监测(RWE)对冲不确定性,并与英国国家健康与临床优化研究所(NICE)证据标准打通。
为解决AI模型“一更新就违规、不更新就退化”的死结,建议6对预设变更控制计划(PCCPs)进行了升级。初代PCCP要求厂商预先精确描述每一项具体修改,难以适应持续学习算法。基于MHRA“AI气闸(AI Airlock)”沙盒经验,委员会建议将PCCP从“事先报备具体修改”升级为“事先划定安全运行边界与护栏(Clear boundaries and guardrails)”,在边界内明确支持四类演进:
- 自适应与持续学习:允许模型在明确测试与监控护栏内随新数据持续优化;
- 院端与亚群特定微调(Site/sub-population tuning):支持针对不同医院设备参数或特定区域人口特征进行本地校准;
- 广义预期用途与目标导向型AI智能体:支持按目标自主规划任务的受监管AI智能体(Regulated AI agents);
- 基于实证的用途扩展:如放射影像AI经验证后新增识别伴随影像特征,或基因诊断AI纳入新表征的致病基因,只要不改变核心预期用途,均可通过PCCP快速扩展。
破解大模型供应链困局:“主文档(Master File)”与主权风险监控(建议 7–8)
越来越多医疗AI构建在外部通用人工智能模型或基础模型(Foundation models)之上。下游医疗器械商在申报时需证明底层模型安全,但上游大模型厂商出于商业机密不可能把核心参数全盘交给下游企业。
对此,建议7引入了自愿性通用AI模型“主文档(Master File)”制度(借鉴美国FDA、加拿大卫生部与日本PMDA经验)。上游大模型开发商可直接向MHRA机密提交包含基准测试、模型卡、内置安全护栏及防火墙保护下技术规格的“主文档”;下游医疗AI厂商申报时只需引用该编号,MHRA即可直接调阅底层数据完成审评,既保障监管透明度,又保护上游商业机密。
同时,委员会警示了底层大模型集中化带来的系统性单点故障与国家主权风险(Sovereignty risk)。若NHS数百种临床工具高度依赖少数几个由境外企业控制的基础模型,一旦上游API中断或变更,医疗系统将面临瘫痪风险。建议8要求厂商在监管申报及NHS采购合同中透明披露底层大模型依赖关系及业务连续性预案(Continuity plans),并由政府在全系统层面监控累积风险敞口。
五道刚性安全底线:透明性、防数据投毒、DTC、人因工程与健康公平(建议 9–13)
- 面向用户的动态透明信息(建议9):通过模型卡、友好界面与动态标签(Dynamic labelling),向医护与患者清晰展示AI的部署场景、测试概况、实时表现及自主化程度。
- 全生命周期网络安全与防数据投毒(建议10):报告援引英格兰资深医疗领导者警告指出,网络攻击对NHS的威胁已超过下一场大流行病。医疗AI不仅面临恶意软件攻击,更面临特有的训练数据投毒(Data poisoning)风险——蓄意污染训练数据即可隐蔽篡改诊断输出。MHRA须制定覆盖设计到运行阶段的网络安全指南。
- 直接面向消费者(DTC)产品的专门规制(建议11):针对无医生把关的DTC穿戴设备与健康App,厂商须按普通公众认知水平设计界面与风控,同时可利用直连用户优势实现近乎实时的安全数据回传。
- 人因工程与防自动化偏见(建议12):出台人因工程(Human factors)指南,防范临床医生过度依赖AI的“自动化偏见(Automation bias)”。
- 将健康公平确立为安全红线(建议13):严守公众审议划出的“AI绝不能导致任何群体医疗结局变差”红线,要求全生命周期监测不同年龄、性别、种族、族裔与地域亚群的算法表现,防止算法选择性失准加剧医疗不平等。
加速上市通道与织密上市后“天网”(建议 14–23)
- 分阶段授权(Staged authorisations,建议14):开辟临时的分阶段准入通道,允许创新AI与高“AI就绪度”医院合作,在受控范围和附加风控下先行部署并生成真实世界证据,达标后平滑转为完全授权,与2026年初启动的“国家医疗技术准入计划”(NHAP,首批纳入前列腺癌与乳腺癌病理切片AI检测)紧密协同。
- 常态化与区域化临床沙盒(建议15):在MHRA“AI气闸”沙盒(首期4家试点产出40项建议)基础上,拓展真实临床环境沙盒——包括支持10款AI器械临床验证的伦敦一区沙盒(London Region I sandbox)、曼彻斯特沙盒,以及利用北爱尔兰单一电子健康记录优势打造的区域沙盒。
- 带熔断机制的国际监管互认(建议16):与美、加、欧、新、澳、瑞、印等可信监管机构建立认可与信赖通道,并内置定期审查点与熔断条款(Break clauses)。
- 主动型上市后监管与性能退化预警(建议17):在2025年6月《大不列颠上市后监管条例》基础上,将上市后监测计划前置作为审批筹码;将定期主动性能报告嵌入PCCP;并建立性能退化(Performance degradation)强制升级上报机制——即便尚未发生医疗伤害事故,只要性能跌破阈值即须上报。
- 界面内嵌“黄卡按钮”与公众不良事件检索库(建议18–19):整合医院临床数据与居家穿戴、患者反馈等多源信号,升级“黄卡计划”,鼓励在AI软件界面内嵌“黄卡一键上报按钮”及漂移日志。同时仿照MHRA药物分析档案(iDAPs)与美国FDA的MAUDE数据库,建立面向公众开放检索的医疗AI不良事件数据库。
- UDI版本级病历追溯、自动化遥测与罚款威慑(建议20–23):强制为所有在英运行的医疗软件与AI分配带版本控制的唯一设备标识符(UDI),并常规记录在患者电子病历(Patient health record)结构化字段中,实现患者结局与特定算法版本的精准回溯(建议20);推进系统遥测(Telemetry)自动化上报并配备AI审评工具(建议21);对违规且拒不整改的厂商,赋予MHRA按患者受影响程度处以经济罚款(Financial penalties)的强力执法权(建议22–23)。
支柱二:告别临床“背锅侠”,构建全系统责任共担契约(建议 24–34)
第二章(建议24–34)直面医疗AI落地中最敏感的组织与法律痛点:当AI在临床中出错,板子到底打在谁身上?医院和医生准备好了吗?
拆解临床“责任黑洞(Liability Sinks)”与保护患者救济权(建议 24–25)
在现行普通法过失侵权(Negligence)框架下,由于医院和医生对患者负有最直接的法定“注意义务(Duty of care)”,一旦AI辅助诊疗发生事故,索赔几乎全部涌向医生和医院。报告将此精准命名为“责任黑洞(Liability sinks)”——上游算法开发缺陷引发的错误责任被不成比例地转嫁给了无法洞察算法黑箱的一线医护。
对此,委员会结合英国司法管辖区工作组2026年发布的《AI损害责任法律声明》及英国医学总会(GMC)标准,在建议24中确立了核心归责原则:
特定风险的管理责任,必须配置给最处于有利位置去理解、控制和缓解该风险的主体——即具备预防伤害的能力、掌握相关信息、拥有相应权限与资源的主体。反之,绝不能要求包括医疗专业人员和AI终端用户在内的个人,去为他们根本无法合理缓解(Cannot plausibly mitigate)的风险承担问责。
同时,建议25要求DHSC联合四地相关机构及护理质量委员会(CQC),与患者共同定义“AI赋能下的高质量医疗标准”,确保当诊疗低于合理预期时,患者能够知晓AI扮演的角色、获取相关证据,并拥有顺畅的赔偿救济渠道(Redress)。
用《部署与使用合同》取代无人阅读的冗长说明书(建议 26–28)
为终结厂商把风控要求塞进上百页说明书、出事后与医院相互推诿的乱象,委员会提出了三项刚性设计:
- 明确安全部署的运行前提条件(建议26–27):强制厂商在上市前申报与风险管理文档中,结构化列明用户环境必须具备的风控条件(网络安全、人员培训、最低漂移监测频率与响应路径),并将风控提示直接内嵌到软件交互工作流中,由MHRA发布脱敏范本。
- 签署《部署与使用合同(Contract to deploy and use)》(建议28):厂商向医院销售AI时,双方必须在部署前签署明确合同(基于NHS标准合同扩展),将风险管理文件中的每一项风险控制措施和监管合规承诺(含医院向厂商共享上市后监测数据的义务)逐一明确分配给具体责任方,绝不允许任何风控措施悬空,防止把未经资源保障的监控重担甩给一线医护。
医院“AI就绪度工具箱”、国家级学习观测站与临床上报文化(建议 29–34)
| 赋能维度 | 对应建议 | 核心建设内容与机制抓手 |
|---|---|---|
| 机构AI就绪度(AI Readiness) | 建议 29 | 由DHSC与分权政府联合开发可定制的“AI就绪度工具箱”,涵盖“决策就绪度”与“实施就绪度”,整合英格兰DCB0129/DCB0160标准与CERSI-AI评估清单,支持医院自评与风控落地 |
| 消除区域鸿沟与经验共享 | 建议 30–31 | 建立“国家级学习职能机构或观测站(National learning observatory)”,汇总各NHS医院经验以消除区域鸿沟;发布覆盖自主智能体(Agentic systems)从采购、监控到退役报废(End-of-life management)的全生命周期国家最佳实践 |
| 医护人员分层能力培训 | 建议 32–33 | 联合皇家医学院、NHS数字学院(Clinical AI Fellowships)及14,000余名成员的NHS AI大使网络,建立贯穿院校教育、专科培训与继续教育的分层培训体系:全员强制基础AI素养培训 + 自动化决策工具专项培训 |
| 重塑临床产品体验上报文化 | 建议 34 | 扭转大量医护和公众不知“黄卡计划”适用于医疗软件的现状,将报告算法失准、可用性缺陷与不良事件从“合规差事”提升为临床注意义务与系统持续学习的核心机制 |
支柱三:在透明与效率之间走钢丝——信任、透明与可预测性(建议 35–44)
患者知情权与“选择退出权(Opt-out)”的分层平衡(建议 35–39)
如果规定医院每次调用任何后台AI都必须由医生向患者解释并签署知情同意书,临床效率将彻底瘫痪;但完全不告知又会摧毁公众信任。对此,建议35提出了“系统级分层透明与选择退出机制”:对低风险、常规后台辅助AI,由医院在系统层面通过普遍公示提供基准透明度;对高风险、敏感或新型临床AI,则开展主动医患沟通,并在可行且适当的场景下赋予患者“选择退出(Opt out)”使用AI的权利。
配套措施包括:设立常设的患者参与咨询委员会吸纳弱势群体声音(建议36);将技术性的“现场安全通告”转化为公众易懂的安全警示(建议37);由政府定期开展覆盖医患双端的“全国AI情绪普查(AI sentiment census)”(建议38);并制定以用户为中心的透明界面与一键反馈指南(建议39)。
帮医院“货比三家”:NICE牵头的同类AI比较价值评估(建议 40)
当同一适应症有多款AI获批时,医院往往不知如何择优采购。建议40提出由DHSC联合NICE及国家健康与护理研究所(NIHR),探索三大横向比较证据(Comparative evidence)供给机制:一是集中汇总合成已有证据;二是建立类似消费者独立评级的第三方产品对比评分服务;三是在关键战略领域,由中心化机构代表NHS组织独立于厂商的头对头测试(Vendor-independent head-to-head testing)。
为创新者扫清迷雾:合规地图、早期书面确认与HRA伦理边界(建议 41–44)
针对初创企业与中小企业在面对MHRA、NICE、CQC、HRA、ICO多头监管时的迷茫,报告最后四项建议直击痛点:
- 交互式“全生命周期合规导航地图”(建议41):在现有“人工智能与数字监管服务(AIDRS)”基础上,由五大机构联合开发交互式导航工具,一站式标明各阶段所需指南、模板与对接窗口。
- 结构化早期监管咨询与通路确认(建议42):借鉴美国FDA的Q-Submission计划并深化MHRA-NICE联合科学建议,提供早期书面反馈。非医疗用途的通用大语言模型(LLM)开发者也可提前申请咨询,确认其内置风险护栏是否足以使其合法豁免于医疗器械监管。
- “正式分类确认服务”(建议43):允许厂商提交简短信息包,即可从MHRA获得产品是否属于医疗器械及具体风险等级的正式书面裁定,消除研发与融资初期的不确定性。
- 厘清“医学研究”与“常规上市后评估/临床审计”的HRA伦理边界(建议44):针对AI部署前后必需的本地校准与持续监测常被医院误判为“医学研究”而陷入漫长伦理审批的痛点,要求健康研究局(HRA)更新决策工具,清晰划定需经HRA科研伦理审批与属于常规上市后评估、服务评估或临床审计(Audit)的界限。
深度思考:英国方案对医疗AI产业与医院意味着什么?
通读这份119页的报告,英国监管层展现出了极强的系统工程思维与务实主义(Pragmatism)——承认“AI的不确定性只能用全生命周期的动态控制来化解”。对于医疗AI从业者而言,这份报告释放了四个清晰的战略信号:
- 核心合规壁垒正从“注册拿证能力”转向“上市后MLOps与遥测基建能力”:在“证据后移、分阶段授权、护栏式PCCP与性能退化强制上报”的新范式下,拿证只是起点。未来的医疗AI必须在架构上原生集成实时漂移日志、自动化遥测接口、带版本控制的UDI病历埋点以及一键式黄卡反馈组件。
- “套壳”通用大模型的医疗应用将迎来供应链合规大考:随着“主文档(Master File)”机制与大模型依赖披露要求的落地,上游大模型厂商谁先打通MHRA“主文档”备案,谁就能成为医疗AI生态的首选合规底座;而下游应用厂商必须建立多模型热备与业务连续性预案,以应对主权与单点故障审查。
- 医院AI采购将告别单纯的“买软件”,进入“风险控制权责契约化”时代:《部署与使用合同》意味着厂商不能再把风控丢给一纸说明书,医院也不能再把监控责任推给一线医生。能否提供配套的“AI就绪度”工具与自动化监控面板,将直接决定厂商在医院端的签约速度。
- 安全性只是入场券,“头对头比较价值”将决定最终的商业胜负:随着NICE等机构介入同类AI产品的头对头独立测试与比较价值评估,缺乏真实临床获益与卫生经济学价值的同质化产品将被加速出清,真正改善患者预后、减轻医护负担并跨越不同亚群保持稳健表现的产品将迎来最大的制度红利。