人工智能可以支持制药生产中的工艺理解、监测、调查和运营规划,但必须纳入有效的药品质量体系。应明确预期用途,建立可靠的数据基础和有意义的验收标准,验证已配置的工作流程,实施变更控制,并保留权责明确的人工监督。异常评分并不等于偏差的证据;提出的根本原因不等于经批准的结论;模型预测也不自动赋予批次放行权限。在研发和商业供应全过程中,控制策略都必须具有科学依据。 Process Validation: General Principles and Practices Artificial Intelligence in Drug Manufacturing Q9(R1) Quality Risk Management Q10 Pharmaceutical Quality System EudraLex — Volume 4 — Good Manufacturing Practice guidelines
从质量决策出发,而不是从人工智能技术出发
明确生产问题、产品、工艺阶段、用户和所要作出的决策。人工智能是用于识别异常传感器模式、估算未测量的工艺属性、确定维护优先级,还是编写调查摘要?这些活动的后果及证据需求各不相同。应记录系统可以读取、建议、写入和控制的内容。
区分预测模型、生成式助手、传统统计方法和确定性自动化。预测性监测估计模式或结果;生成式人工智能生成内容;工作流引擎分派行动。混合应用可能有益,但对话界面并不能证明系统理解工艺或适合GxP用途。FDA于2023年发布的生产讨论文件探讨了人工智能的潜在用途,并明确说明其既不是指南草案,也不是最终指南。 Artificial Intelligence in Drug Manufacturing
在整个生产生命周期中梳理控制措施
FDA工艺验证指南采用生命周期方法,包括工艺设计、工艺确认和持续工艺确认。人工智能相关证据应与这一生命周期衔接,而不是成为平行的演示项目。验证模型本身并不等于验证生产工艺。 Process Validation: General Principles and Practices
| 生命周期阶段 | 人工智能的潜在贡献 | 关键质量边界 | 应保留的证据 |
|---|---|---|---|
| 研发 | 探索关联并建议实验优先级 | 通过适当的科学工作确认假设 | 数据、假设、实验及局限性 |
| 放大/转移 | 比较工艺表现和就绪差距 | 证明其适用于接收规模或场地 | 设备、物料及工艺的可比性 |
| 确认 | 支持数据审核和试验分析 | 经批准的确认/验证方案及接受决定 | 要求、结果、偏差和批准记录 |
| 商业生产监测 | 识别模式并预测质量风险 | 既定控制策略及升级处理机制 | 模型/版本、输入、报警及响应 |
| 调查/CAPA | 汇集记录并提出假设 | 质量部门批准的结论及有效性审核 | 来源、依据、措施和结果 |
| 批次处置 | 汇总记录并标记例外 | 保留适用的授权放行责任 | 受控证据及所需证明 |
| 供应/变更 | 识别韧性风险并支持规划 | 经批准的变更及分销控制 | 影响评估、决策和供应记录 |
这是一份建议的实施路线图,并非普遍强制适用的人工智能工作流程。适当的控制措施取决于产品、工艺、司法辖区及对系统的依赖程度。ICH Q9(R1)强调基于风险作出决策并采用适当的正式程度;ICH Q10则将生命周期活动纳入药品质量体系。 Q9(R1) Quality Risk Management Q10 Pharmaceutical Quality System
研发与工艺放大:利用模型检验工艺理解
在研发阶段,人工智能可帮助识别物料与工艺之间的关系,或建议具有信息价值的实验。应保持与关键质量属性(CQA)及可能影响这些属性的变量之间的联系。模型中的相关性不能证明调整某一参数就会带来预期的质量改善。应考虑实验设计、机理知识以及历史生产数据中的混杂因素。 Artificial Intelligence in Drug Manufacturing Q9(R1) Quality Risk Management
工艺放大和技术转移会改变运行环境。混合方式、设备几何结构、传感器、原料来源和取样方式均可能不同。应证明哪些关系仍然适用,哪些方面需要补充证据。不要假定基于研发批次训练的模型已具备商业应用资格,也不要假定其能够在不同合同研发生产组织(CDMO)之间原样转移。 Process Validation: General Principles and Practices Q10 Pharmaceutical Quality System
数据完整性是可靠监测的前提
将模型连接至可信且具有情境信息的记录。相关输入可能来自过程历史数据库、制造执行系统(MES)、实验室信息管理系统(LIMS)、电子批记录、设备系统和质量记录。应统一批次、物料、设备及样品标识、计量单位、校准状态、时间戳基准和工艺阶段。同步传输文件并不能证明各信号反映的是同一事件。
评估传感器数据缺口、维护时段、人工录入、重复记录、方法变更及工艺干预。区分缺失值与已确认的零值。保留理解数据转换所需的原始数据和元数据。FDA数据完整性指南要求CGMP数据可靠、准确,并支持采用有意义的风险导向策略预防和发现完整性问题。 Data Integrity and Compliance With Drug CGMP: Questions and Answers — Guidance for Industry
防止开发数据集与评估数据集之间发生数据泄漏。同一批次的重复测量不等于多个独立批次。应按照预期主张所需的适当层级划分数据,并评估时间、设备和场地的影响。确保变量在实际决策时就已可用,而不是只有完成检测后才能获得。
工艺监测:区分警报、证据和行动
异常检测器可以识别偏离已学习模式的情况,却未必知道产品质量是否受到影响。反之,看似熟悉的模式仍可能不可接受。应结合工艺知识、经验证的限度和控制策略解读警报,而不是仅依据概率或距离评分。
| 信号 | 可能反映的情况 | 必须明确的区别 |
|---|---|---|
| 传感器异常 | 工艺变化、仪表故障或数据问题 | 异常不一定意味着超出规格 |
| 预测CQA | 基于已评估模型估算的质量属性 | 预测不是直接测定结果,也不是自动放行标准 |
| 多变量趋势 | 多个变量共同变化 | 关联需要结合工艺加以解释 |
| 维护预测 | 设备可能劣化 | 计划或行动必须符合经确认的维护程序 |
| 报警增加 | 工艺、配置变化或假阳性负担增加 | 不得为改善看板表现而悄然放宽阈值 |
过程分析技术(PAT)是理解与控制工艺的更广泛框架,并非人工智能的同义词。人工智能模型可以作为PAT策略的一部分运行,但采用PAT本身并不授权采用新的放行方式。应明确模型不可用、输入超出适用范围,或预测与其他证据冲突时的处置办法。 PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance EudraLex — Volume 4 — Good Manufacturing Practice guidelines
咨询性监测与闭环控制需要不同的保障措施
咨询性系统向人员提供信息;闭环系统则能够自动调整工艺。随着系统直接影响增大,错误、延迟、不当输入和控制不稳定所造成的后果会更加重要。仅评估人工智能模型性能并不足够:还应评估从传感器到执行动作的完整链路及其与既定工艺的相互作用。 Artificial Intelligence in Drug Manufacturing
建议采用的工程保障措施包括:经授权的参数边界、在有充分理由时设置独立保护、确定性检查、预先定义的停机状态以及经过测试的回退机制。应评估累积调整和响应时间,而不只是单次建议。对已注册控制策略或生产工艺的变更可能产生监管影响;实施前应完成相关评估。
偏差调查:提出的原因不等于根本原因
人工智能可以整理时间线、查找相关偏差,并汇总维护、物料和批次记录。它也可能生成看似合理但缺乏依据的因果叙述。应要求每项重要陈述均关联到证据,并区分观察事实、假设和已确立的结论。
不得将较低的模型评分、操作人员给出的便利解释,或与某原料批次的相关性,视为足以否定结果的理由。应保存原始记录,遵循经批准的调查程序,并评估受影响产品及可能关联的批次。调查和决策必须由药品质量体系管理。 Q10 Pharmaceutical Quality System Data Integrity and Compliance With Drug CGMP: Questions and Answers — Guidance for Industry
对于超标(OOS)和超趋势(OOT)事件,应区分不符合已批准规格与趋势信号。人工智能可协助初步分流,但不得为了规避调查而悄然重新分类事件。这是一项建议的治理边界;具体程序应遵循适用质量体系和法规。
CAPA:衡量有效性,而不是文件是否完成
纠正和预防措施计划需要有证据支持的依据、明确的责任人、实施记录及有效性评估。人工智能生成的措施可能重复,或与真正原因脱节。完成培训或更新标准操作规程(SOP),本身并不能证明失效机制已经得到控制。 Q10 Pharmaceutical Quality System
应在关闭前确定与问题相称的有效性标准。审查是否复发、是否存在关联事件,以及控制措施是否引入新风险。避免将已报告偏差数量下降作为唯一成功指标:这可能反映事件减少,也可能反映检测能力减弱或报告行为发生变化。
验证已配置的人工智能辅助工作流程
测试前应明确预期用途、系统边界、数据来源、输出、行动权限和验收标准。评估产品质量影响、患者风险、记录完整性、不确定性及可检测性。供应商基准测试或笼统的“已验证人工智能”声明,并不能证明系统适合场地工艺。 Process Validation: General Principles and Practices Q9(R1) Quality Risk Management EudraLex — Volume 4 — Good Manufacturing Practice guidelines
| 测试领域 | 示例性挑战 | 验收证据 |
|---|---|---|
| 分析性能 | 代表性批次、罕见故障及相关运行范围 | 特定任务结果及不确定性 |
| 数据处理 | 信号缺失、延迟、损坏或标签错误 | 检测、安全处理及升级机制 |
| 工作流程 | 被拒绝、过时或未经授权的建议 | 无意外执行;正确分派至相应角色 |
| 可追溯性 | 重建抽样选取的预测及决策 | 来源、配置、结果及审核人员历史记录 |
| 运营韧性 | 网络/供应商服务中断及恢复 | 有记录的回退机制和经核对的记录 |
| 人工审核 | 在真实工作负荷下植入错误 | 审核人员能利用可用证据发现后果重大的问题 |
| 变更后的表现 | 新原料、新设备或新模型版本 | 影响评估及有依据的重新测试 |
该测试矩阵仅作示例。计算机化系统验证、模型保证以及生产工艺确认/验证相互关联,但各不相同。应将要求、风险、测试、偏差及验收决定关联起来。欧盟GMP附录11和附录15分别涉及计算机化系统以及确认/验证。 EudraLex — Volume 4 — Good Manufacturing Practice guidelines
人工监督、批次处置与电子记录
指定工艺负责人、系统负责人、技术负责人、质量批准人及相关授权放行角色。审核人员应具备证据、能力、时间及拒绝建议的权限。如果系统已经修改参数,或审核人员无法检查来源,人工批准按钮的价值就十分有限。
欧盟附录16涉及质量受权人(QP)证明及批次放行;附录17涉及实时放行检验及参数放行。不得将模型辅助记录审核、预测性质量或实时放行检验(RTRT)等同于替代法定授权责任。适用的产品许可和已批准的放行策略仍然重要。 EudraLex — Volume 4 — Good Manufacturing Practice guidelines
确定哪些电子记录和电子签名适用21 CFR Part 11及其基础法规要求。FDA关于适用范围的指南不具有约束力,并说明了有限的执法酌情权;Part 11仍然有效。该指南并不全面豁免对法定记录可信度、访问控制或签名的要求。 Part 11, Electronic Records; Electronic Signatures — Scope and Application
保留与决策有关的源数据、模型/配置版本、预处理、工具的重要操作、审核人员修改、批准记录和最终执行结果。保护身份信息、时间戳、记录留存及可用性。审计追踪有助于重建决策,但不能使缺乏依据的结论获得科学合理性。
变更控制与漂移:不得悄然重新训练
跟踪模型代码、权重、阈值、特征、预处理、传感器配置、依赖项及接口。对于生成式工具,提示词、检索来源和外部服务版本也可能影响输出。发布前应评估变更,并将验收与实际配置绑定。
区分工艺漂移、传感器漂移、输入分布变化和模型性能下降。分布变化是启动调查的理由,而不是自动允许重新训练的依据。保留受控基准,评估底层工艺是否已改变,并确定适当的质量和监管措施。 Process Validation: General Principles and Practices Q9(R1) Quality Risk Management Q10 Pharmaceutical Quality System
持续学习不构成免于变更控制的理由。应明确监测何时应降低系统自主程度、触发偏差处理或要求暂停。回滚必须考虑受影响批次、记录和下游行动,而不只是恢复一个软件文件。不得假定医疗器械的预定变更控制计划(PCCP)指南适用于药品生产模型变更。
生物制品、无菌产品和先进治疗产品需要产品特定控制
生物工艺涉及原料变异、复杂测量及规模依赖性行为。人工智能可支持趋势解释或工艺开发,但数据集稀疏、失效样本有限可能削弱评估。应检查数据能否支持所声称的运行范围及产品情境。
不要假定软件能够替代污染控制、无菌保障、适当检验或身份确认。欧盟GMP对无菌生产和先进治疗药品(ATMP)提供专门指导,其中第四部分适用于先进治疗药品。应采用适用的产品框架和场地程序,而不是通用人工智能检查清单。 EudraLex — Volume 4 — Good Manufacturing Practice guidelines
商业供应:质量情报必须贯穿产品流转
商业化就绪包括经验证的运行、妥善维护的设备、受控物料,以及生产商、质量职能部门、上市许可持有人(MAH)和分销伙伴之间可靠的交接。库存可用性预测无法弥补尚未解决的质量影响或未经授权的放行。
人工智能可支持需求、维护或供应风险规划,但应将这些用途与GMP质量决策区分开来。明确超限、暂扣和沟通的责任归属,并通过药品质量体系评估外包活动。ICH Q9(R1)明确涉及由生产质量问题引起的产品可及性风险;韧性和质量不应被视为彼此无关的议题。 Q9(R1) Quality Risk Management Q10 Pharmaceutical Quality System EudraLex — Volume 4 — Good Manufacturing Practice guidelines
假设场景:生物反应器出现意外趋势
监测模型标记出生物反应器中的陌生模式。操作人员并不自动修改工艺配方。经批准的工作流程会检查传感器状态和工艺阶段对齐情况,保存数据,并将事件转交工艺与质量人员。
审核发现可能存在与物料有关的差异,但证据不足以确定原因或产品影响。团队遵循经批准的调查及检验程序,评估相关批次,并记录决策。如果拟变更模型或控制策略,应在部署前纳入变更控制。
该场景展示的是一种建议的响应方式,并非已报告的HERMS部署案例。关键边界在于区分检测、调查、科学结论、工艺调整和经授权的批次处置。
监管格局:区分现行GMP与提案
| 资源 | 核查时的状态 | 对生产人工智能的意义 |
|---|---|---|
| FDA工艺验证 | 2011年1月最终指南 | 生命周期验证原则;并非仅批准模型 |
| FDA采纳的ICH Q9(R1)/Q10 | 最终指南,2023年5月/2009年4月 | 质量风险管理和药品质量体系原则 |
| FDA生产人工智能文件 | 2023年讨论文件,非指南草案或最终指南 | 讨论可能性及政策问题;不构成全面授权 |
| 欧盟GMP附录11/15/16/17 | 当前目录列出欧盟GMP框架内既有指南 | 计算机化系统、验证、QP责任及放行策略 |
| 拟议附录22/修订附录11 | 2025年征求意见稿;尚未确认最终采纳 | 不得将拟议人工智能条款描述为已生效的最终要求 |
| FDA数据完整性/Part 11指南 | 不具约束力的最终指南;基础法规按适用情况执行 | 准确可靠的数据及适当的记录/签名控制 |
欧盟委员会征求意见期为2025年7月7日至10月7日,并将新增附录22、修订附录11及第四章列为草案。所审阅的当前EudraLex目录仍列示2011年1月版附录11。除非正式最终文件另有规定,否则应将附录22视为提案。同样,不得将FDA于2023年发布的生产人工智能讨论文件拔高为指南或法律。 Artificial Intelligence in Drug Manufacturing EudraLex — Volume 4 — Good Manufacturing Practice guidelines Stakeholders’ Consultation on EudraLex Volume 4 — Good Manufacturing Practice Guidelines: Chapter 4, Annex 11 and New Annex 22
实用的90天就绪路线图与关键绩效指标
| 规划时段 | 建议交付成果 | 验收问题 |
|---|---|---|
| 第1—30天 | 预期用途;数据/决策地图;风险评估;角色及来源审查 | 问题是否明确定义,数据是否适合任务? |
| 第31—60天 | 已配置控制;测试计划;代表性评估;回退机制及培训 | 工作流程能否发现并安全处理后果重大的失效? |
| 第61—90天 | 独立审核;关键问题解决;受控试点/上线;监测 | 依据经批准程序,剩余风险是否可接受? |
上述时段仅作示例,并非实施承诺。应定义关键事件假阴性、假阳性负担、从来源到决策的可追溯性、审核后修正、逾期变更、警报调查时间及CAPA有效性。报告分母和严重程度。效率必须与质量并重;不存在适用于所有工艺且有充分依据的统一数值目标。
HERMS视角:将工艺证据连接至责任明确的决策
HERMS将AXION定位于生产质量,SYNTRIX定位于生物工艺与放大,INNEXIS定位于技术转移,VERIQIS定位于证据完整性,ARQON定位于供应与冷链。这些属于企业自述,并不代表经独立验证的功能、监管认可或已测量成效。有价值的演示应展示拟议工作流程如何保留来源、配置、决策权限和相关批准。 AI Life Sciences Software 25 HERMS Solutions
了解HERMS生产质量与生物工艺解决方案,讨论您的工艺监测、验证及质量监督要求。 HERMS manufacturing quality and bioprocess solutions
常见问题
人工智能如何用于制药生产?
潜在用途包括工艺设计分析、趋势监测、异常检测、维护支持和证据汇集。风险取决于预期用途,以及系统是仅提出建议还是直接控制行动。FDA生产讨论文件描述的是可能性,并非对任何部署的全面批准。 Artificial Intelligence in Drug Manufacturing
所有人工智能应用是否需要同样的验证?
不需要。应明确活动、受监管影响、记录和依赖程度。保证程度应与风险、不确定性及潜在质量后果相称。文稿起草助手与影响工艺控制的模型所需证据不同。现有适用的工艺及计算机化系统控制仍然重要。 Process Validation: General Principles and Practices Q9(R1) Quality Risk Management EudraLex — Volume 4 — Good Manufacturing Practice guidelines
人工智能能否批准药品批次?
人工智能可以协助记录检查、预测和例外审核,但不能替代所需的授权质量决策或QP证明。欧盟附录16涉及QP证明及批次放行;附录17涉及不同的受控放行策略。应遵循适用司法辖区、产品许可及经批准程序。 EudraLex — Volume 4 — Good Manufacturing Practice guidelines
PAT是否等同于人工智能?
不是。过程分析技术是支持工艺理解和创新控制的更广泛框架。人工智能可以是其中一部分,但PAT也可以采用其他分析与统计方法。无论使用哪一名称,都不能单独证明工艺已验证,也不能据此授权实时放行检验。 PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance EudraLex — Volume 4 — Good Manufacturing Practice guidelines
人工智能能否识别偏差的根本原因?
它可以提出假设并汇集证据,但合理解释并不等于已确立的原因。合格调查人员和质量部门必须按照经批准流程评估支持事实、其他解释及产品影响。应保留原始证据,并区分生成的建议与接受的结论。 Q10 Pharmaceutical Quality System Data Integrity and Compliance With Drug CGMP: Questions and Answers — Guidance for Industry
欧盟GMP附录22是否已经生效?
所审阅来源尚未确认其已获最终采纳。官方征求意见文件将附录22列为新增草案,征求意见于2025年10月结束;当前GMP目录仍列示既有附录11。在声称存在已生效的人工智能特定义务前,应确认正式最终文件。 EudraLex — Volume 4 — Good Manufacturing Practice guidelines Stakeholders’ Consultation on EudraLex Volume 4 — Good Manufacturing Practice Guidelines: Chapter 4, Annex 11 and New Annex 22
生产模型能否自动重新训练?
不要仅因技术上可行就假定允许重新训练。应明确模型角色、相关授权、质量控制和变更程序。在批准新配置前,评估数据、工艺变更、性能及影响。持续改进不构成免于受控变更的理由。 Process Validation: General Principles and Practices Q10 Pharmaceutical Quality System
团队应如何衡量商业价值?
将已接受且经过质量检查的工作与基准比较,并计入审核、返工、集成和维护。除时间或成本外,还应跟踪关键漏检、误报、可追溯性及批准后修正。如果更快输出削弱了检测、科学结论或产品质量保证,就不能视为创造价值。
最有力的生产人工智能策略应提升工艺的可理解性,同时不模糊责任。保持预期用途明确、证据可追溯、变更受控,并将必要质量决策交由授权人员负责。从早期研发到最终商业交接,这种纪律始终重要。
通过HERMS Solutions讨论质量就绪评估或针对性演示,或浏览HERMS有关生产及生命科学的相关洞见。 HERMS Solutions HERMS manufacturing and life-sciences insights
