EMA QIG 圆桌会议开场演讲:制药制造数字化与 AI 的落地障碍与 Annex 22 修订方向
EMA QIG 圆桌会议:制药制造数字化与 AI 的背景与监管展望
EMA 质量创新组(QIG)于 2026 年 11 月 18—19 日召开制药制造数字化与 AI 圆桌会议,本文依据首日议程 1.1 开场演讲的直播录像整理。演讲者 ANSM 的 Leticia Martinez Peyrat 与 DKMA 的 Victor Bechmann 介绍了 CMC 全生命周期的高影响应用、数据碎片化与可解释性等落地障碍,以及按预期用途分层的风险思路。
2026 年 11 月 18—19 日,欧洲药品管理局(EMA)质量创新组(QIG)召开「制药制造中的数字化与人工智能」后续圆桌会议。本文依据会议第一天开场主题演讲(议程 1.1)的直播录像,整理会议背景与该板块的讨论内容。演讲者为 ANSM 的 Leticia Martinez Peyrat 与 DKMA 的 Victor Bechmann。
第一部分 会议简介
会议定位与目标
本次会议由 EMA 质量创新组(Quality Innovation Group, QIG)组织,延续 2023 年与 2024 年两届 listen-and-learn focus group(LLFG)会议的工作,聚焦数字化与 AI 赋能技术在制药制造和质量管理中的开发、实施与使用。会议邀请产业界、学术界与监管机构代表参与,讨论最新科技进展和监管挑战。
会议目标包括四项:就技术开发与实践经验交换意见;探讨科学和监管挑战及应对思路;支持围绕机遇、挑战与前景的持续协作;帮助 QIG 掌握新兴动态,以便及时提供监管支持。
时间:2026 年 11 月 18 日 09:00–17:30、11 月 19 日 09:00–17:00(阿姆斯特丹时间 CET)
形式:线上会议
主席:Marcel Hoefnagel(MEB,QIG 主席)
议程文件:EMA/26369/2026,共 4 页
本文对应板块:议程 1.1「Digitalisation and Artificial Intelligence in pharmaceutical manufacturing: setting the scene」,会议首日约 09:10–09:30
两天议程结构
会议分两个 Session:第一天围绕「基于模型的开发方法」展开,涵盖辊压控制策略、工艺建模框架、混合模型可信度、冻干数字孪生、AI 智能体支持的 CMC 开发、互操作性和 CAR-T 制造数字孪生等八个报告;第二天聚焦「AI 在 GxP 中的应用」,包括 ICH Q9(R1) 在概率性 AI 中的应用、AI 智能体验证框架、自动化目视检查、AI 辅助验证文档的数据完整性,以及 LLM 能否替代制药 SME 等议题。
场次 | 主题 | 核心议题数 |
|---|---|---|
Day 1 · Session 1 | 基于模型的开发与制造数字化 | 8 个报告 + 专题讨论 |
Day 2 · Session 2 | AI 在 GxP 场景中的落地与验证 | 5 个报告 + 专题讨论 |
开场演讲的结构
议程 1.1 由两位监管者共同完成,可划分为四个部分:
演讲者 | 内容 |
|---|---|
Leticia Martinez Peyrat(ANSM) | 为何是当前时机、CMC 全生命周期的高影响应用、技术与监管挑战、ICH 与 EU 法规基础、尚待解决的实践问题 |
Victor Bechmann(DKMA) | Annex 22 修订背景、利益相关方意见汇总、修订方向 |
Leticia Martinez Peyrat(ANSM) | 监管举措之下的实践问题、三条核心信息、本次圆桌会议定位 |
第二部分 主题详细介绍:数字化与 AI 在制药制造中的背景
1. 为什么是现在(Why now?)
第 1 页:Why now?(来源:EMA 会议直播录像)
演讲以「从 QbD 到 QbDD」为起点:在数据驱动的框架下,制药开发与制造正从传统质量源于设计(QbD)走向数字化、数据驱动的 QbDD。目标是加速上市、提高收率和工艺稳健性、减少浪费,其中产品质量与患者安全仍是首要前提。
本次圆桌会议的核心问题:如何将数字化与 AI 的承诺,转化为可靠、有科学依据且符合 GMP 的制药制造?
2. CMC 全生命周期中的高影响应用
第 2 页:High-impact applications across the CMC lifecycle(来源:EMA 会议直播录像)
演讲按五个领域梳理了技术的落点,并强调并非所有用例都直接影响质量。
领域 | 典型应用 | 价值 |
|---|---|---|
开发与工艺优化 | 机器学习识别工艺参数与质量属性关系;贝叶斯优化指导实验设计 | 提高效率,加深对复杂工艺的理解 |
先进过程控制 | PAT 数据与 AI 模型结合,在制造中预测质量 | 从终产品检验转向更连续的质量保证 |
预测性维护与监控 | 分析设备与工艺传感器数据,识别失效或劣化早期信号(如生物反应器性能变化、层析柱降解) | 减少和规划停机、避免批次损失 |
供应链与库存 | 改进需求预测与生产计划,尤其是短保质期生物制品 | 降低供应风险 |
质量体系与知识管理 | 偏差分析、趋势识别、根因调查、技术信息检索;生成式 AI 起草 CMC 文档 | 提升效率,但内容须由 qualified personnel 审核验证 |
3. 风险分层:同一标签下的不同含义
第 3 页:The same label can mean very different risks(来源:EMA 会议直播录像)
演讲提出一个关键前提:可用技术范围广,但风险并不相同。用数字工具「探索数据」或「向专家提供建议」,与用其「影响工艺控制」或「作出影响产品放行的决策」不是一回事。预期用途决定所需的证据、验证和监督级别。核心原则是 risk-based assurance,而非 one-size-fits-all validation。
4. 四大落地障碍
第 4 页:Four barriers to reliable digital tools and AI in CMC(来源:EMA 会议直播录像)
演讲将阻碍可靠部署的因素归纳为四类,并指出真正的挑战不是模型准确率,而是模型在实际运行条件下的可靠表现。
障碍 | 具体表现 |
|---|---|
数据小且碎片化 | 批次成本高、数量少,变量数常大于样本数(p > n);数据分散在 LIMS、MES、历史数据库、仪器和纸质记录中,数据来源的数字化与整合是 AI 的基础 |
可解释性 | 复杂深度学习模型近似黑箱。若模型标记某批次可能不合格,能否解释原因、判断科学合理性、在调查中说明结果?可解释 AI 有帮助,但不能自动证明模型可靠或科学有效 |
稳健性与漂移 | 原料批号、供应商、场地、设备和工况变化时,开发阶段表现良好的模型可能失效。需定义适用边界,监测部署后性能,建立再评估、再训练、再验证标准 |
遗留系统集成 | 既有 PLC/SCADA 与控制系统并非为现代数字或 AI 应用设计,连接时需处理可靠性、延迟、网络安全和失效模式 |
第 5 页:A trustworthy model requires data and controls(来源:EMA 会议直播录像)
演讲进一步把「可信模型」拆成覆盖全生命周期的五个环节:数据(质量、来源与代表性)→ 开发(科学依据,避免数据泄漏与过拟合)→ 评估(独立测试、量化不确定性与适用边界)→ 部署(明确预期用途与人工监督)→ 监控(漂移检测、变更与再训练)。可靠性必须建进整个生命周期,而不只是在开发阶段。
演讲特别强调:开发出一个准确模型只是开始,真正的挑战是证明它在部署后的实际使用条件下仍然可靠、适当且可控。
5. 法规基础:在既有质量体系上叠加新预期
第 6 页:Building on an existing quality foundation but with new expectations(来源:EMA 会议直播录像)
ICH Q8、Q9、Q10、Q11 等指南为 AI 的负责任使用提供了重要基础,监管机构的思路是沿用既有药品质量原则,并按具体情境和风险比例适用,而非另起炉灶。
层级 | 文件或举措 | 要点 |
|---|---|---|
ICH 质量指南 | Q8(R2)、Q9(R1)、Q10、Q11 | 药品质量体系基础,按情境与风险比例适用 |
EMA | 2024 年 AI 贯穿药品生命周期 reflection paper | 明确 AI 相关监管立场 |
EU 法规 | Regulation (EU) 2026、Directive (EU) 2026 | 正式引入数字化与 AI |
EU GMP | Annex 22 人工智能草案 | 针对 AI 的专门要求,本次会议的前置背景之一 |
FDA | 2025 年 1 月 AI 指南草案 | 支持药品与生物制品的监管决策 |
PMDA | CMC 中使用模型(含 AI/ML)的考量 | 日本监管机构的相关文件 |
6. Annex 22 修订进展
第 7 页:Expected updates to Annex 22(来源:EMA 会议直播录像)
Victor Bechmann 介绍了 EU GMP Annex 22 的修订脉络:2025 年 7 月公开征求意见时,草案仅允许在关键 GMP 应用中使用确定性和静态模型,收到约 1,300 条意见;2026 年 6 月,EMA 举办多方利益相关方工作坊,产业界就采用 ICH Q9 质量风险管理原则、不区分 AI 类型达成共识,并提出人工监督、安全性、验证、guardrails 和生命周期管理等建议。
第 8 页:Consolidated input of interested parties – 30th of June 2026(来源:EMA 会议直播录像)
工作坊意见归为六类:
序号 | 议题 |
|---|---|
1 | 自适应或生成式 AI 在 GMP 中的监管路径 |
2 | 技术可靠性与事件响应 |
3 | 人工监督与责任归属 |
4 | 验证与生命周期管理 |
5 | 战略风险与合规边界 |
6 | 网络安全与外包活动 |
第 9 页:Annex 22 revision direction(来源:EMA 会议直播录像)
起草组基于意见开展差距分析,目前的修订方向包括:范围扩展至所有 AI 类型(含生成式 AI);强化基于风险的方法和 guardrails;进一步聚焦人工监督机制,防止在决策支持系统中过度依赖;对 human-in-the-loop 与 human-over-the-loop 分别设定方式;新增针对 AI 特有操纵风险(如 prompt injection)的预期;修改在所有 AI 类型纳入范围时相互矛盾的要求。演讲明确提示,这些方向仍可能在监管网络审查中变化。
7. 仍需解答的实践问题
第 10 页:Where existing principles meet new questions(来源:EMA 会议直播录像)
监管举措提供了方向,但既有原则如何应用到不同的数字和 AI 场景,仍有待实践回答。演讲列出四类问题:
问题类别 | 具体挑战 |
|---|---|
验证与模型变更 | 传统验证假定系统配置固定、变更通过控制程序引入;模型周期性再训练或自适应时更复杂,尤其当 AI 影响关键工艺参数、实时放行检测或其他影响质量的决策 |
数据完整性与可追溯 | 从原始数据、预处理、模型版本、预测到最终决策,全链条可追溯;可重建过程、识别所用模型版本、确认是否经人工复核、提供审计追踪 |
人工监督与责任 | 不同应用需要何种程度的人工介入;模型嵌入第三方软件或作为设备一部分时如何分配责任 |
全球一致性 | 国际协调,数字化申报的透明度与文档预期一致,帮助企业在各地站点和市场采用统一方法 |
8. 三条核心信息
第 11 页:From digitalisation & AI promise to patient-safe practice(来源:EMA 会议直播录像)
在给出结论前,演讲用五个问题把讨论引向落地:这些技术在当前 CMC 中何处价值最大?如何评估 AI 辅助决策的不确定性?模型变更后,已验证数字工具的生命周期应如何设计?对于工艺控制或放行,如何确保足够的人工监督?如何从概念验证走向日常 GMP 使用?
- 机遇明确。
监管机构认为数字化与 AI 在强化工艺理解、改善制造性能、支持更主动的全生命周期质量管理方面具有重要机会。
- 障碍不只在技术。
数据限制、模型可解释性、稳健性、系统集成与生命周期治理,都是成功实施的关键。
- 原则仍然适用,经验仍然不足。
既有药品质量原则依然 essential,但需要更多实践经验才能有效应用于新技术。
9. 对参会者的期待
第 12 页:Follow-up roundtable meeting scope(来源:EMA 会议直播录像)
QIG 即将发布修订后的工艺模型考量文件,Annex 22 也在推进中。演讲强调,监管机构通过一对一会议已看到一些良好进展和创新方法,但需要形成一致性判断——相似应用是采用了相同还是不同的路径。审评人员希望预判申报中的趋势,检查人员希望提前了解现场会看到什么。参会者带来的案例研究,将帮助监管方理解哪些做法有效、哪些无效,以及哪些证据最有用。
第 13 页:Thank you for your attention(来源:EMA 会议直播录像)
资料来源:EMA 官网会议页面与议程文件(EMA/26369/2026);会议第一天议程 1.1 直播录像(1080p,时长 02:24:12)。本文内容依据录像画面与音频转录整理,幻灯片图片为视频截图。会议视频可在 EMA 官网该会议页面观看。
附录 开场演讲中英双语字幕(视频片段)
以下为议程 1.1 开场主题演讲的录像片段,时长约 16.5 分钟,内嵌中英双语字幕。视频对应会议首日开场环节,演讲者为 ANSM 的 Leticia Martinez Peyrat 与 DKMA 的 Victor Bechmann。议程 1.1 开场演讲片段(含中英双语字幕;来源:EMA 会议直播录像)
来源:小南AI实验室 · mp.weixin.qq.com