ARTICLE · 1168354
做 IVD 这么多年,是怎么把 AI 真正用进工作里的
以下按一线实务列出可落地场景、已验证走不通的坑位，以及从"问答"走向"工作流"的方向。不堆概念，只给能直接套用的动作。
一、定位：助理，不是专家
IVD 工作强监管、强追溯、容错率极低。一个判定标准写错可能引来发补，一份指导原则版本引用错审评员当场可挑出，统计方法名用混整份临床报告可信度归零。这些位置 AI 给不了拍板结论：它不知道产品是二类还是三类，不知道合作机构的样本保存时限，不知道 CMO 合同里的产能约束，更不知道这份资料会遇上哪位审评老师。
操作含义很具体：你给参数，它给结构；你出结论，它做铺垫。样本量由你定 P0、置信水平、脱落率，它按注册文件标准把公式与取整逻辑铺开；发补由你给意见和底稿，它拆框架、列联动文档。方向盘在你手里，它只跑"从空白页到初稿"那段最磨人的路。
两类活现在不该交给 AI：一是对资料做"是否现行有效"的法定结论，它容易编出看似合理的条款；二是凭空设计统计方法学，常把单组目标值法与参数估计逻辑混在一起——正是注册文件最忌讳的概念混淆类发补。凡结论性、责任性判断，手按在方向盘上。
团队口径：AI 产出默认"待审草稿"，谁使用、谁复核、谁签字，责任链不能断。提速的前提是每个人都能在最关键处拦它一把。
一个可观察的信号：当 AI 初稿被退回修改的比例持续下降，说明提示词与库都在变准；若比例不降反升，问题通常在"让它干了不可复核的活"，回退到框架与初稿层即可。
二、可落地的八个场景
逐条说明：
法规版本比对与溯源。 GMP 有 64 号、107 号，分类规则有 2021 年 129 号公告与 2024 年 58 号公告，免临床目录从 163 号到 70 号再到 2025 年第 23 号通告。手工逐条比对费时易漏。把现行有效原件建库，让 AI 先做差异提炼，变动点标出后由人核定。比逐字翻更快更稳。
实操上，给 AI 的指令要明确输出字段：变动条款编号、旧表述、新表述、生效日期、对你方在编文档的影响。别让它写"建议"，只让它列"差异"。人拿着这张差异表去判是否要改文档，十分钟的活顶过去半天。
统计设计初稿加速器。 样本量估算、单组目标值法、Wilson-Score 置信区间、Kappa 系数均有成熟算法。示例（参数为说明用途，非真实产品）：某定性试剂 P0 取 0.90、单侧 95% 置信水平、预期性能 0.95、脱落率 10%，让 AI 把单组目标值法公式与取整过程列全，人再核对 n 边界——它省的是敲公式、排版、写说明的半小时，不是你的判断。编盲揭盲时序、样本留存可行性、机构实操约束、不一致样本溯源路径，仍靠人补。
补充操作要点：单组目标值法的样本量由目标值 P0、预期灵敏度、单侧或双侧置信水平与容许误差共同决定，脱落率通常在 10%—20% 区间取值，最终 n 按向上取整。这些参数必须由注册申请人基于产品预期用途与临床实际给定，AI 只负责把算式落到文档，不替代参数设定。统计方法名（如 Wilson-Score 与精确法的选用、Kappa 与一致率的区分）也须在提示词中写清，避免它自行"优化"成错误口径。
发补应答框架。 每条发补意见须对应申报资料哪一份哪一节。AI 擅长拆成"审评关注点—联动文档—应答初稿"框架，人填实质内容，效率翻倍且不易漏联动修订。
以一条典型发补"样本量估算依据不充分"为例：AI 可拆为——关注点（P0 与容许误差设定未说明、脱落率无出处）、需联动文档（临床方案、统计计划、统计报告）、应答要点（补充参数来源与取整说明）。人再把真实参数填进去。框架对了，应答不偏。
资料一致性核查。 方案写 A 方法、统计报告写 B 方法，综述称免临床、后文提临床试验，是发补高频来源。让 AI 持清单逐文档比对关键参数，列不一致表。它做你的第二双眼睛，专盯看不见的矛盾。曾出现方案"目标值 0.90"与统计摘要"0.85"对不上的情况——这类数字人翻三遍也可能滑过。
核查清单建议固定为五项：样本量（方案/统计/综述是否一致）、判定标准（定性 cut-off 与定量区间）、统计方法（方法名与口径）、试剂规格（批号、校准品、适用机型）、临床路径（免临床/同品种/试验是否前后统一）。五项做成模板，每次申报前过一遍，比临时翻找稳。
个人经验知识库。 审评问答、方案模板、偏差套路、核查要点，过去散在脑子与文件夹。用闭环整理成本地可检索库，遇同类问题先检索、再让 AI 基于既有结论辅助起草。经验沉淀为可复用资产，对团队与公司价值远超单篇稿。RAG 与自动化也由此接得住。
闭环四步：读取原始材料（法规/报告/模板）→提炼为结构化要点（保留参数与出处）→写入知识库对应主题页→回写索引并挂互链。关键是每页带 source/version/status 元数据，作废文件标"待核实"，不臆断"现行有效"。沉淀越规范，后续检索与 RAG 越准。
中英双语处理。 英文文献、进口说明书、海外临床文献，术语错是大忌。术语表入库，翻译严格对照，法规统计术语人把关。比纯机翻准，比纯人工快。
一份资料里混用会直接被审评挑出。表随项目滚动维护，AI 翻译时强制对照，不自行发挥。
偏差/CAPA 框架。 按"偏差描述—影响评估—即时措施—根因分析—纠正与纠正措施"拉框架，提示 CAPA 是否升级、是否联动改 SOP。省的是从空白页开端的心理成本，根因仍由人定。
常见偏差如冻存样本超期、检测 Batch 内质控失效、编盲差错，AI 可按类型填好结构，根因归类（人员/设备/物料/方法/环境）由人定。尤其是否影响临床试验数据有效性、是否触发方案偏离报告，须由人结合原始记录判断，不能交给它下结论。
立项路径初筛。 新产品先判走免于临床评价、还是临床试验。分类规则与免临床目录建库，AI 基于预期用途与被测物列可走路径与需补材料，人拍板。早年最费查法规的功夫，现一上午可初筛数个项目。
两种条路径的材料差异要写清：免于临床评价需比对免临床目录并做同目录内方法学比对；临床试验需定设计类型（单组/对照）、样本量与机构数。AI 列框架，路径选定与比对试剂确认由人做——尤其比对试剂的可比性是审评重点，不能交给它拍板。
三、已验证走不通的三类用法
直接生成可交的注册资料。 缺产品的全部上下文——真实数据、机构约束、审评口径。看着全，细节全是缝。只让它干框架与初稿，落地实词必须人填。
通用模型查法规条款。 它爱编得有理有据：编号、发布日期、条款内容都能编造。凡它给的条款必回原始文件核，核不过不用。这也是把法规原件本地化、让 AI 只基于这些文件说话的原因。
未公开数据丢云端。 受控数据一旦出域，后续全是麻烦。涉及未公开临床数据、商业信息的，只在本地部署环境跑，文件不出本机。
四、新方向：从问答到工作流
上述仍属"人问它答"。下一步是把 AI 请出对话框，嵌进工作流。
本地库加检索增强（RAG）。 法规原件、方案模板、历史申报资料本地化，AI 回答强制基于这些文件，不编造、可溯源，顺带解决保密——文件不出本机。落地先小库：最常用的十几份现行法规加维护好的术语表做第一批，跑通再扩。
库的维护比搭建更要紧：原始资料层只增不改，任何结论页必须链回来源；作废法规及时标注"待核实"而非直接判"现行有效"；术语表随项目滚动更新。库烂了，RAG 的输出就跟着烂。判断一个环节能不能交给 AI，只看一条：它的产出是否可复核、可溯源。可复核就交它做初稿，不可复核就留在人手里。
重复任务自动化。 每月知识库调用审计、每周库内卫生巡检，设定时任务自动跑，报告人再看。原本抽半天的活，后台跑完只需决策。适合"有规律、有清单、不靠临场判断"的活。
具体节奏：知识库调用审计按月跑，输出"被引用/未被引用"清单；卫生巡检按周跑，输出"悬空链接/重复副本/残留空壳"清单。两者只出报告不自动改，处置仍需人确认。把"有规律、可清单化"的活先自动化，能腾出整块时间给判断类工作。
多智能体协作。 完整注册项目拆成法规检索、统计设计、资料撰写、一致性核查几个角色，各跑各校。复杂项目推进节奏明显加快，每环节有专门视角把关，比单人串行稳。
统计可视化。 临床试验数据集接入，按注册要求出 P-P 图、Q-Q 图、Passing-Bablok 回归、恒定/相对偏差图，坐标轴标签与置信区间不落。统计正从"人画图"变"人审图"。
图表与注册分析的对应关系固定：P-P 图/Q-Q 图看残差分布与正态性，Passing-Bablok 回归看方法间系统偏差与比例偏差，恒定/相对偏差图看全量程一致性。让 AI 按此映射出图，人核坐标轴标签、单位与置信区间是否齐全——图错了比表错了更隐蔽。
选型原则。 敏感数据走本地，通用检索可上云；RAG 加本地小模型处理自家文档，常比通用大模型更准更稳且省成本。本地部署可选轻量开源模型加向量库，文件与向量均留在本机；云端仅用于不涉密的广义法规检索与文献归纳。先把"什么数据能出域"划清，再谈怎么搭，顺序不能反。
五、三条红线
不编造。 法规条款、指导原则编号、统计方法，AI 说错代价是发补甚至不通过。凡它给的条款必回原文核；产出默认带"待审"标识，复核人签字确认方可进受控文件——它替你写，不等同它替你负责。
可追溯。 AI 生成的每句结论性内容须链回原始资料。知识库强制留存来源层，原文不改。例如一条统计结论须标注"依据某某试验统计报告第 X 节"，作废依据不得作为结论支撑；法规引用须带公告号与发布日期，版本存疑即标"待核实"，不臆断"现行有效"。
受控与保密。 受控文件管理不因用 AI 松懈；未公开临床数据、商业信息绝不外扔。本地部署、权限管控是前提。受控文件（方案、SOP、批记录）的版本与审批流不因引入 AI 改变；AI 辅助生成的草稿走同样的分发与审阅路径，批准前不得用于临床或生产。
六、落地三步
1. 建小库：把最常用的现行法规与维护好的术语表先放进去。 2. 选一个每周重复、最磨人的环节（发补拆框架、版本比对、一致性核查均可）交它做初稿。 3. 立三条红线：不编造、可追溯、数据不出域。
有兴趣的同行，欢迎加好友交流！
