《Frontiers in Medicine》：Reimagining drug regulation in the age of AI: a framework for the AI-enabled Ecosystem for Therapeutics
人工智能（AI）正日益融入药物研发和监管决策中；然而，管理这些技术的监管格局仍然呈现碎片化状态。尽管美国食品药品监督管理局（FDA）和欧洲药品管理局（EMA）等机构已开始发布关于人工智能在人类治疗学中的应用指南，但这些框架在范围、术语和应用方面存在显著差异。这种缺乏协调一致的情况使监管解释变得复杂，给监管协调制造了障碍，并阻碍了公平获取AI赋能疗法。本文引入了AI赋能治疗生态系统（AI2ET）框架，这是一个概念性和政策导向的模型，旨在支持监管知识的联邦并促进监管协调。AI2ET将监管重点从单个AI生成的产品转向支撑药物开发的更广泛的AI赋能系统、平台和流程。该方法通过阐明构成该生态系统的组件、建立基于风险的决策路径以及最终提供导航该生态系统的监管指导，来解决当前AI监督中的监管空白。本文提出了六项关键政策建议，包括加强国际合作、建立共享的监管定义以及投资监管能力建设。通过为治疗开发中AI的监管科学监督奠定概念基础，AI2ET框架为在人类治疗监管中实现包容、有效和公平的AI监督提供了一条前进道路。
引言
人工智能（AI）在药物研发中的整合正在改变制药行业。传统的药物研发涉及广泛的临床前研究、多阶段临床试验和监管审查，以其漫长且资源密集的过程而闻名，而AI正在通过预测建模、自动化和实时数据分析挑战这一传统范式，加速发现、简化药物开发并降低成本。尽管AI的定义可能有所不同，但通常被理解为能够执行通常需要人类智能的任务（如学习、推理、问题解决和决策）的计算机系统的发展。预测性AI长期以来在药物研发中发挥作用，而近年来生成式AI已成为一种变革性力量，特别是在医疗保健和医学领域，通过从大型数据集中生成新内容和见解。
监管框架正在响应这些变化。例如，美国和欧盟已发布监管指南，概述了用于药物和生物制品研发的AI模型的风险评估框架，重点关注透明度、数据质量和人类监督。这些努力反映了对平衡创新与患者安全的日益认可。然而，现有监管框架在解决药物研发中AI系统的广泛适应性方面仍然不足。随着AI日益嵌入到治疗生命周期中，从设计新药候选物的生成模型到优化制造流程的适应系统，对结构化、前瞻性的监管框架的需求日益增长。
本文提出了AI赋能治疗生态系统（AI2ET）的概念，作为解决监管碎片化的潜在方案。监管机构必须超越当前植根于将AI视为离散工具的传统范式的碎片化方法，采用一个综合框架，该框架认识到药物研发中使用AI所创造的生态系统。
核心挑战：监管框架碎片化
当前监管现状
当前的AI监管格局不一致，造成了监管碎片化。例如，虽然FDA至少自2019年以来一直在制定针对AI赋能医疗器械的指南，但直到2025年1月才发布了首个针对药物和生物技术开发中AI的重要指南。传统药物研发遵循数十年先例建立的完善的监管路径，而治疗学中AI的整合给既定路径带来了前所未有的挑战。
此外，FDA目前根据应用背景对AI应用不同的监管框架。对于AI赋能医疗器械，AI本身接受直接评估，包括算法透明度、性能、数据完整性和生命周期管理评估。相比之下，在AI生成的治疗学背景下，监督集中于最终药物产品的安全性、有效性和临床验证，AI被视为开发过程的组成部分而非受监管实体。用于药物研发的AI工具在从发现到制造的各个现有框架下面临碎片化监督。因此，当前监管格局中对医疗器械和药物的AI差异化监管造成了碎片化。
AI相关的监管碎片化还指全球范围内AI监管方式日益加剧的不一致性。超过70个国家出台了国家AI政策，但这些框架在范围、术语和对药物法规的应用上往往存在差异。碎片化在国家内部也很明显，医疗器械、生物治疗学和数字健康属于不同的监管路径，导致对AI赋能系统的监督脱节。此外，虽然FDA和EMA等机构已推进草案指南，但许多地区，特别是低收入和中等收入国家，缺乏AI相关的药物和设备法规。
2025年7月，美国发布了白宫AI行动计划，概述了90多项旨在促进AI创新、建设国家基础设施和确立美国在全球AI标准中领导地位的联邦行动。对于生物制药行业而言，这可能标志着重大转变。该计划提倡监管沙盒和基于风险的框架，FDA被强调为核心参与者。这可能会降低监管壁垒并加速AI在整个药物研发、临床试验和制造中的采用。随着美国在设定全球AI标准方面发挥领导作用，生物制药公司可能受益于更灵活和协调的监管路径。作为这一努力的一部分，有机会建立像AI2ET这样广泛的共享术语，这有助于统一对AI赋能生态系统的理解和监管方式。然而，世界其他地区是否与美国AI行动计划协调一致仍是一个问题。
为何需要解决监管碎片化
在药物研发AI监管的背景下，监管碎片化造成了若干问题，对实现连贯的监管框架构成了障碍。首先，由于监管碎片化，没有一致的AI定义。其次，Context of Use（CoU）框架的局限性。FDA最近引入了CoU框架。CoU概念最初用于生物标志物，是FDA使用的基础监管概念，用于定义药物开发工具或AI应用预期使用的特定环境。它概述了工具的用途、范围、目标人群和决策角色，并作为确定适当监管监督水平的基础。然而，CoU如何应用于AI赋能药物研发的监管决策尚不清楚。无法预见的产品和系统必将提交给监管机构审查。由于监管机构以先例或已有规定进行监管，新颖的AI赋能方法可能会给监管机构带来难题，因为AI生成的治疗学呈现出可能无法完全理解或解释的新机制或结果。在依赖史无前例AI方法的药申请中，监管机构可能由于缺乏既定框架或明确理由而选择拒绝批准，或者可能在监管不确定性下继续推进，这可能引入延迟并增加证据负担，最终减缓疗法的可及性。
第三个问题是，在人类治疗学领域，AI相关药物法规的制定方式存在碎片化。例如，FDA最近关于在药物和生物制品监管决策中使用AI的草案指南排除了早期发现和运营AI应用，除非它们直接影响患者安全。该指南虽然向前迈进了一步，但凸显了监督方面的现有差距，并强调了针对人类治疗学AI赋能生态系统的更全面的监管方法的必要性。
最后，AI相关药物法规的术语、指南和应用存在碎片化。目前，大多数AI相关监管框架由美国、欧盟和其他高收入国家塑造，往往是孤立的，定义和方法各不相同。这种缺乏协调一致的情况对未来跨区域的协作和一致监督造成了障碍。通过国际合作建立统一的监管语言和共享原则，对于促进透明度、实现公平参与以及AI赋能人类治疗学的全球可用性至关重要。
监管不确定性
监管碎片化给开发AI赋能治疗学的申办方带来了监管不确定性。在药物研发过程中使用AI挑战了传统的监管范式。监管不确定性既适用于行业，也适用于监管机构。缺乏评估AI生成治疗学的指南，这些治疗学可能依赖计算而非实验验证数据，或利用缺乏透明度的算法决策过程。监管机构将遇到无法完全纳入既定审查流程参数的前所未有的情况。以下示例说明了实践中的监管不确定性，促使需要调整现有框架以适应快速发展的AI赋能药物研发生态系统。
Elsa单独行动的案例
2025年6月，FDA推出了Elsa，一个生成式AI助手，旨在支持其各中心的内部监管流程。这一举措代表了该机构将AI整合到药物监管框架的更广泛战略中的重要里程碑。Elsa旨在协助行政和分析任务，例如在安全的云基础设施内总结不良事件报告、审查临床方案、生成数据库代码和识别检查目标。虽然该工具尚未参与监管决策，但其部署标志着机构在利用AI提高监管科学的效率和响应能力方面日益增长的制度承诺。然而，早期实施暴露了关键挑战，包括对准确性、一致性的担忧，以及AI生成内容“幻觉”或误报信息的潜在风险。Elsa的推出既体现了将AI整合到监管生态系统中的前景，也体现了复杂性：它可以简化常规流程并缩短审查时间，但其在实质性监管判断中的作用仍受到透明度、问责制和可信度需求的限制。因此，Elsa例证了监管机构可以采取的谨慎但深思熟虑的步骤，以发展AI赋能的监管基础设施。虽然制药公司正在密切关注Elsa的部署，因为其使用可能会影响未来的审查标准和期望，但截至撰写本文时，Elsa与外部申办实体或其他全球监管机构之间没有直接的合作或共享开发。
AI引导的人类治疗学研发：监管挑战示例
考虑一个假设但日益合理的场景：向FDA提交了一份研究性新药（IND）申请，用于一种合成蛋白质治疗学，该治疗学完全使用先进的AI模型设计，借鉴了获得2024年诺贝尔医学奖的创新成果。这些研究性人类治疗学可能没有天然对应物，并且靶点使用硅学方法验证，绕过动物毒理学研究，转而采用AI引导的数字孪生模拟。随着创造全新分子类别的科学能力不断进步，负责评估它们的监管框架正被拉伸到超出其原始意图的范围。在这种情况下，作用机制可能是新颖的，安全性数据是建模而非观察到的，并且发现中使用的AI系统的决策路径可能无法用人类语言解释，所有这些都使监管评估复杂化。
这一新兴格局指向一个更深层次的挑战：需要监管方法不仅评估最终治疗产品，还评估生成它的整个AI赋能生态系统，包括数据管道、模型验证、算法透明度和迭代学习循环。为确保安全性、创新和公平性，未来的监管框架必须发展以解决AI生成治疗学的完整生命周期和生态系统，并以协调和全球一致的方式这样做。为此，需要定义一个新框架。
迈向综合监管方法
AI赋能治疗学（AI2ET）模型框架
在监管碎片化和不确定性的背景下，需要重新构想如何处理人类治疗学的AI监督。监管科学必须跟上药物研发中AI应用的综合性。它要求监管超越将AI视为离散工具的传统范式，认识到涵盖整个治疗研发过程的互连AI生态系统。
为解决监管碎片化，研究人员提出了AI赋能治疗生态系统，即AI2ET框架。该框架提供了一个结构化流程，引导AI在四个互连组件的监督：系统、流程、平台和产物。每个组件在增强药物研发和监管监督的速度、效率和质量方面发挥着独特且互连的作用。该框架涵盖了生物治疗学中AI驱动的工具、工作流和结果的全部范围。本文介绍了AI2ET框架，并在缺乏药物法规的情况下提出了基于风险的监管方法。图1展示了该框架的组件，显示了AI赋能的生物治疗学生态系统AI2ET如何与从发现到生命周期管理的人类药物创造各个阶段相关联。
定义AI赋能治疗生态系统（AI2ET）的组件
系统
在AI2ET背景下，系统是包含AI算法的软件或硬件基础设施，用于执行通常需要人类认知的任务，如模式识别、决策和自适应学习。这些系统嵌入临床、监管和制造操作中，以支持连续和智能的工作流。
例如，AI系统越来越多地用于监管文件审查和提交，自动化研究性新药（IND）和新药申请（NDA）文件的准备和验证。在药物警戒中，AI系统通过处理来自电子健康记录、自发报告系统和社交媒体的大量数据，实现实时不良事件检测。在COVID-19大流行期间，此类系统被证明对于管理空前数量的安全数据至关重要。其他应用包括预测合规和安全问题的风险评估系统，以及跟踪和解释不断演变的全球监管指南的监管情报系统。数字孪生系统，即连接到实时数据的虚拟模型，也正在出现，用于模拟和优化制造过程和治疗反应。使用AI和信息学方法评估药物如何通过监管和转化路径是系统分类的一个例子。
流程
流程是指部署AI以执行药物研发、临床操作和质量管理中特定任务的结构化步骤序列。这些包括常规和复杂的工作流，受益于AI实现的自动化、预测和持续改进。
突出的例子包括AI驱动的监管提交自动化，它简化了文件的生成和电子提交，同时减少了人为错误。在临床试验中，实时AI监测流程标记方案偏离和新出现的安全问题，使得能够更早干预。AI还通过操作和历史数据分析来支持智能风险管理，以识别高风险试验场所或患者群体。在药物警戒中，AI通过快速识别不良事件和促进及时报告来增强上市后监测。类似地，在质量保证中，AI流程分析制造和临床数据以预测质量偏差并提高审计准备度。
平台
平台是提供必要工具、基础设施和服务的集成环境，用于大规模构建、部署和管理AI应用。这些平台通常支持治疗生命周期不同阶段中的多个系统和流程。
在临床开发中，平台可以集中试验和监管数据，实现统一监督和合规性跟踪。AI赋能的药物警戒平台监控真实世界数据流，包括电子健康记录、文献数据库和社交媒体，以自动化信号检测。建模平台，如支持基于生理的药代动力学（PBPK）模拟的平台，利用AI预测不同人群中的药物行为。AI驱动的文件管理平台协助自动创建和跟踪监管和质量文件。远程审计可以在AI或增强现实环境中进行，使监管机构能够以最小的需求进行现场视察。包含数字孪生的制造平台促进了生物制品生产的动态建模和控制，提高了工艺稳健性和可扩展性。
产物
产物是使用AI开发、优化或制造的 tangible 输出。这些包括新的候选药物、疫苗、生物制品和个性化疗法，其中AI在其设计、评估或生产中发挥了关键作用。
例如，AI设计的药物分子利用生成模型在实验验证之前在硅学上创建和优化治疗候选物。在mRNA-based COVID-19疫苗的开发过程中，AI工具被用于优化mRNA序列稳定性和免疫原性。在合成生物学中，AI支持工程微生物以生产治疗性蛋白或生物基材料。值得注意的是，AI赋能的蛋白设计已被授予诺贝尔奖，例如预测蛋白折叠和相互作用网络用于治疗应用。在先进疗法中，如自体细胞疗法或基因疗法，AI越来越多地用于支持制造过程中的实时决策，实现对高度可变和敏感过程的个性化控制。
在AI2ET框架中，系统、流程、平台和产物之间的界限在概念上是不同的，但在实践中经常重叠，特别是在集成的AI赋能环境中。例如，单个机器学习模型可能同时作为平台运行，在基于云的基础设施（系统）内操作，驱动适应性试验工作流（流程），并影响塑造治疗产物的临床终点。这些重叠可能导致协同效应和监管挑战。这些重叠不仅是技术上的，还具有监管意义。例如，系统经常容纳或执行多个流程，使得难以将基础设施与功能分离。集成各种工具和平台的平台可能嵌入系统和流程，积极塑造任务的执行方式。这些工具还可以直接影响甚至成为最终治疗产物的一部分，特别是在AI优化的制造或作为医疗器械的软件的情况下。验证、变更控制和监督可能因工具的分类方式而异。因此，对一个组件的更改（例如系统中的流程）可能对产物本身产生下游影响。随着AI生态系统变得更加集成，监管机构和开发人员必须仔细定义这些组件，不仅是为了清晰，而且是为了与基于风险的框架保持一致，并确保整个生命周期的监管应用。
虽然系统、流程、平台和产物之间的区别会很快模糊，但AI2ET框架重构了监管，将AI不视为独立工具，而是视为嵌入药物研发生命周期中的生态系统。传统方法，如FDA的以产品为中心的范式，强调最终治疗学，同时通常忽视由有偏见的数据集、不透明算法或自动化流程引入的上游风险。通过映射所有层的风险，AI2ET减少了传统框架经常遗漏的盲点。
基于风险的监管决策框架
AI2ET包含一个基于风险的决策框架，专门用于指导监管决策。如图2所示，该模型促进与AI赋能系统、流程、平台和产物的复杂性和潜在影响相一致的情境感知监管决策。
该框架首先评估现有指南是否适用，如果不适用，是否可以调整监管先例，例如FDA对AI/ML SaMD的监管指南。一个例子是良好机器学习实践（GMLP）原则适用于AI/ML赋能医疗器械的开发。一个原则是应用良好的软件工程和安全实践来开发AI工具。另一个原则是随时间监控部署的模型以维持安全性和性能。当不存在先例时，应根据AI应用的Context of Use（CoU）和对患者安全或产品质量的潜在风险进行分类。风险级别分为高、中、低或不可接受，然后决定适当的监管监督程度，从指南到全面上市前审查。图2说明了监管决策过程。通过将监管决策建立在CoU和监督与潜在风险的结合基础上，该框架为确定如何监管（或不监管）不断发展的AI赋能治疗学生态系统景观提供了一种灵活而严格的方法。
这种综合方法结合了现有监管指南的元素，以解决AI赋能药物研发。在缺乏针对治疗学研发的AI具体指南的情况下，AI2ET在已建立的器械AI框架和新兴治疗AI应用之间架起了桥梁。它解决了现有的监管差距，即类似的AI技术根据是用于药物研发还是医疗AI应用而接受不同水平的监督，即使它们面临相同的技术挑战和风险状况。
AI2ET如何与现有ICH指南保持一致
ICH多学科指南M7《评估和控制药物中DNA反应性（致突变）杂质》下的监管反映了这种认识。因为致突变杂质对患者构成直接风险，定量构效关系（QSAR）预测不能单独成立。相反，ICH M7要求两个互补模型，通常一个统计的和另一个基于专家规则的，在定义的应用域内应用，并通过专家判断进行解释。这种分层方法确保了透明度、验证和科学可信度。
在实践中，ICH M7已经反映了AI2ET（人工智能赋能人类治疗学生态系统）视角，将QSAR视为不仅仅是孤立工具，而是作为监管生态系统的一部分，其中系统、流程和平台汇聚以保障最终产物的完整性。
作为AI2ET的应用，QSAR从上游的黑箱模型转变为具有基于风险监督的监管生态系统元素。这使得该框架可操作，监管机构可以拥有评分方法、监督路径，并整合到现有法规或ICH指南中。
AI2ET如何与当前监管框架保持一致：美国和欧盟视角
随着AI日益嵌入药物研发生命周期，并且随着法规的不断演变，FDA和欧盟（EU）正在采用基于风险的监管方法来管理其使用。AI2ET框架包含AI赋能的系统、流程、平台和产物，自然地与这种监管转变保持一致，因为每个组件都引入了不同级别的复杂性和风险。
在美国，FDA采用分层、用例驱动的方法。对于用于药物研发的AI工具（例如，临床试验设计、制造、药物警戒），监督通常是间接的，依赖于现有框架，如Good Clinical Practice（GCP）、Good Manufacturing Practice（cGMP）和药物开发工具（DDT）资格认定程序。当AI输出直接影响患者护理或监管决策时，例如作为医疗器械的软件（SaMD）或实时给药工具，则受到更严格的直接监管，需要定义的验证方案和持续性能监控。FDA关于“在药物和生物制品开发中使用人工智能和机器学习”的草案指南强调Context of Use（CoU）和风险分层，以根据AI工具的潜在影响确定适当的监管期望。
在欧盟，监管环境由欧盟人工智能法案（AI Act）塑造，该法案引入了针对AI系统的全面基于风险的分类。根据AI法案，部署在药物研发和治疗应用中的AI系统可能被归类为高风险AI系统，特别是当用于临床决策、安全监测或制造控制时。这些AI系统随后将受到高风险系统要求的约束，包括透明度、数据治理、人类监督和风险管理系统的实施。此外，现有的EMA指南，例如与药物研发和质量保证中使用建模和模拟相关的指南，为评估AI2ET的AI赋能组件提供了基础。
利用医疗器械先例
医疗器械监管中既定的基于风险的原则为AI2ET概念框架内的监管决策提供了既定先例。例如，如果从决策树（图2）确定CoU为低风险，则监管控制水平可能只是文件记录和遵守一般QMS要求。中等风险确定将需要额外的监管控制，如性能标准，除了遵守一般QMS要求外。高风险确定将需要通过增加证据的数量和严格性来进行额外验证。2021年医疗器械开发的良好机器学习实践（GMLP）指导原则推荐了解决AI/ML赋能医疗器械开发独特性质的最佳实践。该框架可以从医疗器械AI监管调整到AI在药物研发中的应用。风险水平将决定具体实践，从基础的良好软件工程实践和所有风险类型的数据管理，到在AI输出对监管决策有重大影响的背景下的AI-人类交互。
总之，这些框架支持基于AI工具在AI2ET生态系统中的角色和风险状况的分级监管监督。例如，用于预测风险建模的内部AI系统可能仅需要在QMS下进行文件记录，而用于实时临床决策支持的平台则需要广泛验证和潜在的上市前批准。这种AI2ET与监管基于风险模型之间的一致性促进了创新，同时确保了AI赋能治疗学的安全性、有效性和问责制。
政策建议：推进AI赋能治疗学生态系统（AI2ET）的基于风险的监管
澄清健康监管科学的AI定义
FDA对AI有多种定义，广义上为“一种基于机器的系统，对于给定的给定一组人类定义的目标，可以做出影响真实或虚拟环境的预测、建议或决策”。虽然这反映了AI跨学科范围，涵盖了计算机科学、统计学、工程学和决策科学等多个领域，但这种宽泛的定义引入了模糊性、范围蔓延以及难以保持清晰、集中的监管目标。研究人员建议专门为健康监管背景定义AI和机器学习（ML），为预测性AI和生成式AI设立不同的类别，并将这些与CoU对齐，以防止与参与医疗保健AI倡议的其他政府机构的竞争定义混淆。
现代化Context of Use（CoU）框架
传统的CoU框架和定义对于AI工具的动态、自适应性质来说往往过于静态。生成新颖输出或随时间演变的AI系统对严重依赖先例的监管系统构成了挑战。如果没有可比的遗留工具或既定的监管路径，FDA必须决定是否拒绝AI驱动的工具，基于输出的主观解释接受它，或将其强行套入过时的结构。研究人员建议更新CoU模型，使其更加模块化和适应性，使用AI2ET框架来捕捉现代AI工具的复杂性和流动性。
扩大监管范围以包括发现和监管操作
当前的监管重点通常排除早期药物发现和运营效率，例如监管自动化，除非它们直接影响患者安全、产品质量或临床数据完整性。然而，这些AI应用可以显著影响下游结果和监管决策。研究人员建议AI2ET框架明确纳入影响治疗开发质量、可重复性或监管合规的早期发现工具和AI驱动的运营系统。
利用医疗器械AI监管发展的现有见解
治疗AI监管与现有AI监管框架以及SaMD见解之间的交叉引用有限。例如，FDA数字健康咨询委员会2024年11月关于医疗器械中生成式AI的会议提供了关于上市前评估、偏见和幻觉风险、模型透明度和上市后监测的重要见解。随着AI赋能人类治疗学生态系统的法规正在制定中，纳入设备法规的经验教训将确保跨领域的一致性，并有助于避免重复工作或监管碎片化。
应用基于风险的监测和科学判断
FDA的草案指南建立了基于风险的信誉评估框架，强调特定背景模型的验证。然而，一个核心问题仍然存在：在没有可用指南的情况下，AI生成的药物或输出将如何被监管？在这种情况下，FDA通常依赖公认科学知识（GASK）。然而，鉴于许多AI模型的“黑箱”性质，仅靠GASK可能不够；其最佳使用将取决于专家的人类判断，以定义什么构成“科学”以及什么构成可靠的“知识”。
在无指南情况下使用决策工具
为了在没有正式法规的情况下支持决策，研究人员建议使用决策树（见图2）。该决策支持工具概述了一个逻辑框架，用于将CoU和基于风险的原则应用于生物治疗学中未被现有监管先例覆盖的新型AI赋能产物和工具。决策树可以作为评估未被现有监管先例覆盖的AI工具的实用指南。在这里，专家可以作为监管决策中的人在回路，通过积极应用领域知识来指导系统，以支持准确和负责任的结果。
这些建议的实施可以分阶段进行，例如在现有指南下试点用例，通过在ICH层面寻求共识来协调与人类治疗学相关的AI/ML术语，或建立一个类似于用于医疗器械和生成式AI的咨询委员会。或者，一种更雄心勃勃的方法是创建一个专门的、敏捷的监管机构，负责监督人类治疗学的AI赋能生态系统。
AI2ET的局限性
人们认识到，AI2ET框架作为一个新颖的构造，通常在为计算模型建立的传统的适用性域（AD）之外运行。监管先例，例如那些管理定量构效关系（QSAR）模型的先例，已经要求提交明确定义的AD。在此域之外进行的预测被认为具有更高的不确定性，通常需要额外的生物学或非临床研究进行验证。因此，研究人员承认这一先例：域外预测不应被驳回，而应升级以进行加强的监督、验证和确认证据。这一原则提供了一条实用的、完善的路径，可以扩展到AI2ET，确保在模型应用于其验证边界之外时进行相称的监管。关于该主题还需要进行更多研究。
AI2ET框架在提供联邦和协调AI相关药物监管知识的有前途的模型方面也面临若干局限性。首先，由于各国在数字基础设施、数据治理规范和监管成熟度方面的巨大差异，融入现有全球监管环境仍然具有挑战性。许多低收入和中等收入地区可能缺乏有效采用和应用AI2ET衍生见解的资源、技术专长或制度能力，这可能加剧现有的不平等。此外，实时数据摄取和多语言处理需要持续的计算资源和维护，这可能限制可扩展性。还存在过度依赖自动化系统的风险，可能导致监管不一致，特别是在定性判断、文化背景或法律细微差别至关重要的领域。最后，如果没有主要监管机构的正式认可或认可，该框架可能难以获得关注或影响决策规模。为了使AI2ET充分发挥其潜力，战略合作伙伴关系、透明度和持续验证对于确保其可靠性、适应性和全球相关性至关重要。
结论
随着人工智能日益成为药物研发的核心，监管框架必须不断发展以跟上步伐。AI赋能治疗生态系统（AI2ET）提供了一种结构化的、药物全生命周期的方法，以管理AI在发现、临床开发、制造、监管使能功能和上市后监督中的作用。
然而，当前的监管指南往往不足，受限于AI和CoU的定义、范围狭窄以及与数字健康和器械法规缺乏整合。为了弥合这些差距，需要一个基于风险的、情境感知的模型，该模型以AI2ET为基础。这包括重新定义用于监管目的的AI，更新适应工具的CoU，以及拓宽跨领域监管工作的监督范围。所提出的决策树是一个实用工具，用于指导监管决策，特别是在缺乏正式先例时。
AI2ET框架并非旨在作为一个抽象构造，而是一个锚定于现有监管实践的政策工具。例如，ICH M7对QSAR模型的结构化使用已经体现了AI2ET原则，它通过监管更广泛的生态系统——系统、流程、平台和产物，而不仅仅是最终结果。AI2ET建立在这样的先例之上，提供了一个基于风险的决策树，监管机构和行业今天就可以操作。它远非停留在理论上，而是提供了一条协调的、适应性监管监督的路径，将上游AI工具整合到现有的审查结构中。
在AI2ET下，AI被定义为一种嵌入式、不断发展的能力，而不是一个独立的工具，它影响着整个治疗生态系统中的安全性、有效性、质量和合规性。这种方法确保监督侧重于功能和影响，而不是技术本身，在支持创新的同时保护AI驱动时代的公共健康。在这个新兴范式中，AI不再被视为离散工具，而是被视为一种嵌入式、不断发展的能力，交织在跨越整个药物生命周期的平台、系统和决策过程中。
