推荐课程

FDA认证咨询-美国FDA智能医疗软件监管思路：GMLP框架与持续迭代管控要求

发布时间：2026-08-14 文章来源：NMPA 阅读人数38

FDA AI/ML医疗器械软件更新监管框架解析：分类规则与全生命周期管控体系

一、监管框架出台背景

随着人工智能、机器学习技术在医疗器械独立软件（SaMD）领域的深度应用，具备持续自主迭代、动态学习优化特性的AI/ML医疗器械软件逐步普及。传统静态医疗器械软件的上市申报与变更监管模式，已无法适配自适应算法持续更新的产品特性，存在监管滞后、变更界定模糊、申报规则不清晰等行业痛点。为标准化界定AI/ML SaMD软件更新的申报边界、明确上市后变更监管规则，解决持续学习型AI/ML医疗器械软件更新是否需要前置上市申报的核心行业难题，美国FDA于2019年4月发布AI/ML独立软件更新监管框架草案，面向全社会公开征求意见，构建了适配智能医疗器械迭代特性的新型监管体系。

二、监管框架依据与适用范围

本次FDA监管框架草案具备多层级权威合规依据，核心依托IMDRF国际医疗器械监管机构论坛独立软件风险框架、FDA受益-风险评估体系、医疗器械软件更新风险管理指南，同时融合FDA软件预认证（Pre-Cert）试点的全生命周期管理理念，兼顾国际通用规则与美国本土监管要求，体系科学性与通用性极强。

在适用范围上，该框架全面适配FDA现有医疗器械上市申报全渠道，覆盖510(k)上市前通告、De novo重新分类、PMA上市前批准三大主流申报路径，可规范化指导各类AI/ML独立医疗器械软件的申报变更与上市后管控工作。

三、AI/ML独立医疗器械软件分类体系

3.1 基于风险等级的分类

依据IMDRF SaMD风险分级标准，结合软件临床应用风险程度，将AI/ML独立医疗器械软件划分为I、II、III、IV四个风险等级，风险等级由I级最低至IV级最高，为差异化监管、分级管控提供核心判定依据。

3.2 基于算法迭代特性的分类

根据算法运行与迭代逻辑差异，AI/ML医疗器械软件分为锁定算法与自适应算法两类。锁定算法输入与输出结果固定，相同参数下无动态变化，软件更新、参数调整均需人工手动完成，监管模式成熟稳定；自适应算法以持续学习机制为核心，可依托既定学习逻辑自主优化运行逻辑，相同输入可产生差异化输出，具备动态迭代特性，也是本次FDA监管框架重点规制的对象，突破了传统静态软件的监管局限。

四、AI/ML医疗器械软件更新类型界定

框架草案结合软件更新内容、应用场景与临床影响，将AI/ML SaMD更新划分为三大核心类型，精准划分监管边界：一是性能优化类更新，仅调整软件运行性能，不改变产品预期用途与输入参数；二是输入参数类更新，优化软件输入适配规则，产品核心预期用途保持不变；三是预期用途变更类更新，直接调整软件临床应用场景与核心用途，三类更新对应不同的风险等级与申报要求。

五、AI/ML医疗器械软件全生命周期监管体系

FDA针对AI/ML医疗器械软件的智能迭代特性，建立以良好机器学习实践（GMLP）为核心、预定变更控制计划为抓手的全生命周期监管模式。要求企业遵循质量卓越管理理念与GMLP规范开展产品研发、迭代与运维，严格管控数据管理、特征提取、模型训练、效果评价等全流程核心环节。

核心创新监管机制为SPS+ACP双体系管控：企业上市申报阶段需同步提交软件更新预期规范（SPS）与算法变更方案（ACP），明确上市后允许的软件迭代范围、性能优化规则与风险管控措施。在获批范围内的软件自主更新，可依托企业质量管理体系自主闭环管控，无需重复提交上市前申报；超出SPS、ACP核定范围的变更，必须重新履行上市申报流程。

在上市后监管层面，FDA坚守公开透明与真实世界监测两大原则，要求企业建立完善的信息公示与用户沟通机制，及时披露软件更新内容与变更说明；同时依托Pre-Cert试点、年度报告等方式，持续监测产品真实临床使用性能，实现AI/ML医疗器械软件从上市申报、自主迭代到长效监管的全流程闭环管控。

上一篇：已是第一篇

下一篇：已是最后一篇