健康經濟學指標

第 80 個主題，共 91 個· 人工智慧加速

AI監管評估

醫療領域AI監管框架——美國FDA的"軟體即醫療器械"（SaMD）制度及其預定變更控制計劃（PCCP），以及諸如NHS"醫療與照護AI獎"這類真實世界評估專案——及其在經濟上的成本與可實現價值。

為何重要

監管既決定了進入市場所需的證據成本，也決定了此後每一次模型更新的成本——對AI產品而言，後者往往更為關鍵。FDA傳統模式（鎖定模型；每次變更都需重新審批）使持續改進在經濟上極為艱難。**PCCP指南（2024年12月定稿）**改變了這一經濟格局：製造商可以預先獲得對特定未來模型更新的授權——包括對計劃中修改內容的說明、修改協議（每次修改將如何被驗證）、以及影響評估——從而使經批准的改進無需新的申報即可上線。目前已有超過1,000款AI賦能裝置獲得FDA授權；FDA現在也開始探索真實世界效能監測（預先設定的指標：基線假陽性/假陰性率、校準漂移、領域偏移指標）。

計算方法

PCCP本質上是將DORA前置時間經濟學應用到受監管模型上：

每次模型更新成本（傳統模式）  = 重新申報成本 + 審查延遲 × 延遲成本
每次模型更新成本（PCCP範圍內）= 僅協議執行成本

產品全生命週期內的更新經濟學：
  N次更新 × (申報成本 + 審查月數 × 每月延遲成本)
  對比：一次性PCCP撰寫成本 + N次協議執行成本

對於NHS AI獎這類模式而言，其指標體系比單純的準確率更廣：獨立的真實世界評估會同時考察臨床表現、工作流程/實施層面的影響以及經濟影響——這實質上是將完整的效力 → 實效 → 成本效果鏈條制度化。

實例演算

某放射影像AI供應商計劃在3年內每季度進行一次模型改進（共12次更新）：

傳統路徑：12 × (£80,000申報費 + 4個月 × £50,000/月的延遲收益成本)
        = 12 × £280,000 = £336萬
PCCP路徑：£250,000一次性PCCP撰寫成本 + 12 × £30,000協議執行成本 = £61萬
節省約 £275萬——且病患能提前約4個月獲得每一次改進帶來的收益：
12 × 4個月 × 每次更新的臨床獲益，這本身就構成獨立的一條QALY收益線。

PCCP是監管機構對"部署頻率本身具有臨床價值"這一本書核心因果鏈條的正式認可。

與軟體工程的聯絡

把PCCP做好本質上是一個軟體工程問題：預先設定的評測套件、有版本管理的資料集、自動化驗證流水線、漂移監測——這正是持續部署在受監管場景下的對應版本，只不過其"部署關口"是經驗證的協議，而非程式碼評審。擁有成熟評測基礎設施（AI品質指標）的團隊，能以較低成本獲得PCCP；缺乏這種基礎設施的團隊則會發現，所謂的監管約束其實是工程成熟度的約束。對於進入NHS市場的產品，與之平行的技術棧是DTAC（臨床安全、資料保護、互操作性）以及NICE證據標準框架的證據分級——二者都應作為市場準入的總擁有成本一併預算。

陷阱

  • 對PCCP範圍抱有過度幻想：只有明確列明的修改型別才獲得預先授權；架構變更或新的預期用途仍需完整審查。
  • 真實世界漂移未被監測：上市時的授權效能表現 + 悄然發生的人群漂移 = 產品在已獲批准的使用範圍之外運作；監測既是監管要求，也是自我保護。
  • 混淆獲批與價值：FDA/UKCA獲批 ≠ 會有人為此付費——那是衛生技術評估這道單獨的門檻。

來源