夜雨聆风一、文档基础信息
2022 年《食品药品综合改革法案》（FDORA）新增《联邦食品、药品和化妆品法案》515C 条款，从法律层面确立 PCCP 制度，允许符合授权 PCCP 的设备变更无需额外提交上市申报（510 (k)、PMA 补充申请）。
承接 2019 年 AI/ML 医疗软件监管框架讨论稿，配套 2021 年 FDA AI/ML 医疗器械行动计划，解决 AI 模型迭代更新需反复申报的监管负担，打造最低监管负担的持续学习 AI 设备监管路径。
二、核心适用范围（Scope）
1. 适用对象
自动更新（持续学习，软件自主完成模型迭代）；
人工更新（需人员审核、操作、决策）；
两者混合模式同样适用。
涵盖 SaMD（软件即医疗器械）、SiMD（嵌入设备软件），覆盖 PMA、510 (k)、De Novo 三类上市路径产品。
2. 边界划分
仅适用于原本需要新增上市申报的重大变更：即会显著影响设备安全有效性的修改；仅需质量体系记录的微小变更不适用 PCCP。
组合产品限制：仅适用于设备端 AI 软件变更；药物 / 生物制剂组分修改不受本指南约束，若 AI 变更联动药 / 生物制品，企业必须提前与 FDA 跨中心沟通。
排除场景：未纳入 PCCP、或未按协议执行的重大 AI 变更，必须重新提交申报，否则设备将被认定为掺假 / 错标，FDA 可采取扣押、禁令等执法措施。
推荐前置沟通：企业可通过 Q-Submission 预提交程序，在正式申报前获取 FDA 对 PCCP 范围、验证证据的反馈。
三、关键术语定义（第四章）
1. AI/ML 与设备软件
AI：基于机器的系统，依据人工定义目标生成预测、推荐、决策。
人工智能（AI）：一种基于机器的系统，可针对人类设定的特定目标，做出能影响现实或虚拟环境的预测、建议或决策。人工智能系统利用机器和人类输入来感知现实与虚拟环境，并通过分析将这些感知提炼为模型. 自动更新（持续学习，软件自主完成模型迭代）；
ML：AI 分支，无需显式编程，依托数据自主迭代优化；
机器学习（ML）：人工智能的一种应用，其核心特征是让系统能够基于数据自动学习并不断改进。
DSF：符合 FD&C 法案 201 (h) 医疗器械定义的软件功能；
AI-DSF：搭载 AI 模型的医疗器械软件，为本文档核心监管对象。
人工智能赋能设备软件功能（AI-DSF）：指实现人工智能模型的设备软件功能。本指南的重点为人工智能赋能设备软件功能。
2. 数据集分类（严格隔离，防止过拟合）
训练集
构建模型权重、网络结构，需匹配目标使用人群、临床环境；
训练数据：这些数据由人工智能决策支持框架（AI-DSF）的制造商在构建人工智能模型的流程和训练算法中使用，包括用于定义模型权重、连接关系以及成分这些数据通常应能代表拟计划使用的人群（例如，在种族、族裔、疾病严重程度、性别、年龄或其他合适的方面）以及拟计划使用的环境。
调优集
用于筛选模型架构、超参数，FDA 不称其为 “验证集”；
调优数据：这些数据通常由人工智能-数字系统功能（AI-DSF）的制造商用于评估少量经过训练的人工智能模型。该过程涉及探索多个方面，包括不同的架构或超参数。调优阶段发生在人工智能-数字系统功能（AI-DSF）的测试阶段之前，是训练过程的一部分。尽管人工智能和机器学习领域有时会用“验证”一词指代调优数据和调优阶段，但美国食品药品监督管理局（FDA）并不使用该词汇。
测试集
全程不参与训练调优，独立评估模型真实性能，必须来自多中心、与训练数据完全隔离。
测试数据：这些数据用于表征AI-DSF的性能。在训练过程中，算法从未接触过这些数据，且用于在训练完成后评估AI模型的性能。开展测试是为了获取依据，以确定AI-DSF在部署或上市前的性能。测试阶段还需提供依据，证明AI-DSF在部署或上市前具备合理的安全性和有效性保障。这些数据通常应能代表拟目标使用人群（例如在种族、民族、疾病严重程度、性别、年龄等相关维度，视情况
而定）和拟使用环境。测试数据应独立于训练和调优所用数据，且通常应来自与生成训练和调优数
据不同的多个研究中心。
3. PCCP 核心术语
预设变更控制计划 PCCP
完整文档包，预先列明允许的设备重大变更、变更验证实施流程、变更风险收益评估；包含三大核心模块：变更说明、变更协议、影响评估；
预定变更控制计划（PCCP）：指一份文件，说明将对设备进行哪些修改以及如何评估这些修改。该计划中描述的修改包括原本需要上市前批准补充申请或新的上市前通知的设备修改。
预定变更控制计划包含修改说明、修改方案和影响评估。
授权 PCCP
随设备上市申报经 FDA 审核批准 / 清关生效的 PCCP，属于设备法定技术特征；
变更协议 Modification Protocol
规范每一项预设变更的数据管理、重训练、性能验证、上线更新全流程，包含预设验
收标准；
影响评估 Impact Assessment
逐项分析变更收益、风险、偏见风险，配套风险缓解措施，评估多项变更叠加累积影响。
四、PCCP 核心监管政策（第五章，全文核心）
本章是整份 FDA AI-DSF PCCP 指南核心监管规则总纲，建立在《FD&C 法案》515C（FDORA 法案新增）法定授权之上，系统性规定 PCCP 的构成、申报建立、材料撰写、落地执行、变更 PCCP、版本全生命周期管控六大核心制度，同时明确合规边界、违规后果、质量体系绑定要求。
本章分为 6 个子小节：
A.PCCP 三大核心组成；
B.PCCP 建立渠道与审评规则；
C. 申报中 PCCP 材料呈现与标签公开要求；
D. 授权 PCCP 落地执行判定流程；
E. 已获批 PCCP 的修改申报规则；
F.PCCP 版本管控、迭代留存与 510 (k) 等同性特殊规则。
一、本章立法底层逻辑与核心定位
- 立法根基：2022 FDORA 法案新增 FD&C §515C，法定授权 FDA 审批 PCCP；合规范围内 AI 变更豁免 PMA 补充 / 新 510 (k)；同时赋予 FDA 强制约束条款，企业偏离 PCCP 将触发设备掺假、错标处罚。
- 政策目标
平衡 AI 持续迭代需求与医疗器械安全监管，实现事前一次性审评、事后合规自主迭代，降低企业重复申报负担（最低监管负担原则）。 - 适用边界
仅覆盖原本必须提交上市申报的重大变更（显著影响安全有效性）；微小变更仅需质量体系记录，不适用 PCCP 机制。 - 强制绑定前提
所有 PCCP 全流程操作必须遵循 21CFR Part 820 质量体系（2026 年切换为 ISO13485），质量体系不合规可直接驳回 PCCP 审批。
二、V.A Components of a PCCP PCCP 三大法定核心组件
1. 三大组件缺一不可，互相强关联、形成闭环证据链
2. 统一设计硬性要求
全程以目标人群分层为设计基准：种族、年龄、疾病严重程度、性别、亚组等， 所有变更流程必须保证模型对各类人群保持安全有效； 三者必须建立可追溯对应关系，推荐提交追溯对照表（第六章、第七章配套要求）； 三大组件共同构成 FDA 审评核心依据，缺失任一模块直接不予授权 PCCP。
三、V.B Establishing a PCCP PCCP 建立渠道与审评否决规则
1. 仅 6 类申报路径可完成 PCCP 授权（分三大设备监管通道）
（1）PMA 高风险设备（三类器械）可提交渠道
原始 PMA、模块化 PMA、180 天 PMA 补充、Panel 轨道补充、实时 PMA 补充。法定约束：FDA 若核查企业生产 / 质控体系不符合 21CFR820，必须驳回 PCCP 批准（§515C(a)(2)、§515(d)(2)(C)）。
（2）510 (k) 二类中等风险设备
传统 510 (k)、简化 Abbreviated 510 (k)；特殊规则：若企业存在严重质量体系违规，存在重大人体健康风险，FDA 可暂缓出具实质等同结论、不予清关 PCCP。
（3）De Novo 全新一类 / 二类设备（无 Predicate）
原始 De Novo 申请；FDA 会配套制定专项特殊控制要求约束 PCCP 执行。
2. 审评核心判定标准
FDA 必须完整审核 PCCP 内全部预设变更，确认每一类修改都具备充分证据保障安全有效，才会同步授权设备与配套 PCCP。
3. 前置沟通工具：Q-Submission 预提交
企业正式申报前，可通过 Q-Sub 向 FDA 预沟通 PCCP 范围、验证方案；
但预沟通反馈不构成 PCCP 授权，仅作为咨询意见，最终仍需正式上市申报完成审批。
四、V.C Identifying a PCCP in a Marketing Submission 申报材料、标签、公开文件撰写规范
1. 上市申报内部材料呈现要求
PCCP 独立完整章节，标注专属版本号；封面信、申报目录显著标注 “预设变更控制计划 PCCP”； 设备描述、安全性有效性评估、等同性对比章节必须引用 PCCP；分散在其他章节的 PCCP 相关内容需交叉索引； 版本全程唯一，最终获批定稿版单独提交干净副本。
2. 设备标签强制披露义务（§515C 法定要求）
标签必须写明设备搭载授权 PCCP，告知使用者软件会迭代更新、性能可能发生变化； 每完成一次 PCCP 内合规变更，必须同步更新标签，包含： 本次变更摘要、当前模型性能、所用数据集、验证证据； 更新落地方式； 用户告知渠道（版本日志、更新说明书）； 禁止标注未落地的变更，否则判定错标设备。
3. 面向公众公开文件披露要求（透明度强制）
PMA 安全有效性摘要 SSED、510 (k) 摘要、De Novo 决策文件必须公开 PCCP 核心信息（商业秘密可豁免）：
允许变更范围清单； 验证测试方法； 上线性能验收标准； 用户更新告知机制。
五、V.D Utilizing an Authorized PCCP to Implement Device
Modifications 授权 PCCP 落地执行判定框架（全文实操核心）
1. 核心二元判定标准（变更是否合规的唯一标尺）
变更同时满足两个条件 = 合规、无需新申报：
修改完整写入授权 PCCP《变更说明》； 严格按照《变更协议》全部流程、验收标准实施。
2. 三类变更场景分路径处理
场景 1：完全合规（在清单内 + 按协议执行）
监管豁免：无需 PMA 补充 / 新 510 (k)； 企业义务：完整留存全套训练、验证、更新记录，归入设备主记录 DMR，符合质量体系文档留存年限； 无需主动向 FDA 报备变更，仅内部归档。
场景 2：变更不在 PCCP 预设清单内
企业对照 FDA 设备变更指南判断变更等级：
属于重大变更（影响安全有效）：必须提交全新上市申报； 微小变更：仅内部质量体系记录，不适用 PCCP。
场景 3：变更在清单内，但未遵守变更协议（如更换金标准、性能不达标强行上线）
绝大多数情形下属于重大偏离，强制要求提交新上市申报；
企业若认为无风险，需提前与审评中心沟通确认，无沟通不得直接上市。
3. PCCP 偏离的严厉监管后果
设备被认定《FD&C》§501 掺假、§502 错标； 跨州流通属于法定禁止行为； FDA 可采取警告信、产品扣押、禁令、行政处罚等执法措施； 仅两种情形不认定为偏离：企业主动选择不实施 PCCP 内变更；企业主动提交新 申报替代 PCCP 更新。
4. 变更同时修改 PCCP 的并行路径
若企业变更超出原有 PCCP 范围，可在同一份新申报中同时申请两件事：
本次非标设备变更审批； 修订、扩充 PCCP 范围，获得新版授权 PCCP。
六、V.E Modifying a Previously Authorized PCCP 已获批 PCCP 的修改申报规则
1. 修改 PCCP 本质定性
对已授权 PCCP 的扩充、调整（新增变更类型、修改验证协议、调整风险评估）本身属于重大设备变更，默认需要提交上市申报。
2. 可使用的申报通道
PMA 产品：各类 PMA 补充申请； 510 (k) 产品：传统 510 (k)、特殊 Special 510 (k)（仅适用于自有设备、验证方法成熟的 PCCP 修订）。
3. 申报材料硬性要求
新版完整 PCCP 全文； 新旧版本对比追踪修订稿，清晰列明修改点； 历史所有通过旧版 PCCP 落地的变更汇总，供 FDA 掌握设备当前全部技术状态。
4. FDA 审评简化原则
审评重心聚焦修改部分，原有未改动 PCCP 内容不再重复全面复核，但仍会整体校验变更叠加风险。
七、V.F Version Control and Maintenance of a PCCP PCCP 版本管控、长期维护与 510 (k) 特殊规则
1. 版本全生命周期管控
申报阶段：审评缺陷导致 PCCP 修改，需提交最终定稿、标注唯一版本号； 获批后：FDA 官方批准函会明确记载 PCCP 标题 + 版本号，作为法定授权依据； 迭代更新：每一次 PCCP 修订均生成新版本，全程留痕追溯。
2. 后续新增申报的历史变更留存义务
企业后续提交任何新上市申报（新增功能、修改 PCCP），必须汇总所有过往通过旧 PCCP 实施的 AI 迭代记录；FDA 无需重复复核历史合规变更，但必须掌握设备当前完整性能基线。
3. 510 (k) Predicate 等同性特殊限制（§515C (c) 法定规则）
含 PCCP 的 Predicate 设备，做等同性对比时只能使用 PCCP 变更前原始基线版 本，不能使用经过多轮 PCCP 更新后的机型； 例外：只有该 Predicate 设备完成一次全新 510 (k) 申报、同步更新 PCCP 并清关后，迭代后的机型才可作为新 Predicate。
4. 申报交互修订机制
若初始提交 PCCP 存在缺陷，FDA 通过补件函、交互式审评要求企业修订；若缺陷无法解决，企业可选择撤回整套 PCCP，仅保留基础设备获批、放弃迭代更新豁免通道。
八、本章整体政策体系四大核心底层监管逻辑总结
1. 法定权责对等逻辑
FDA 通过 515C 赋予企业 AI 迭代申报豁免权，但同步设置刚性约束：变更边界、标准化验证、标签披露、完整文档留存；违规直接触发执法，自由与责任绑定。
2. 风险全链条管控逻辑
从事前（PCCP 完整风险评估）、事中（变更协议硬性验收标准、不达标禁止上线）、事后（上市监测、标签透明、偏离处罚）三层闭环管控 AI 模型迭代风险，覆盖单变更、多变更叠加、人群偏见、软硬件联动全维度风险。
3. 质量体系嵌入式逻辑
PCCP 不是独立监管通道，完全嵌套 21CFR820 质量体系：设计控制、变更记录、文档留存、不合格品处置、CAPA 全部适用于每一次 AI 模型更新，体系不合规直接否决 PCCP 授权。
4. 分层审评减负逻辑
初始申报一次性完整审评全部预设变更，一次性授予长期更新权限； 合规迭代无需重复申报，降低周期成本； 修改 PCCP 仅重点审评改动部分，简化重复审评； Q-Sub 前置沟通减少正式申报缺陷，提升审评效率。
九、企业落地实操红线（本章明确禁止行为）
PCCP 变更描述模糊宽泛、未限定更新边界，会直接不予授权； 省略变更协议验收标准，允许性能不达标模型上线； 实施 PCCP 内变更但不更新设备标签、不向使用者披露性能变化； 超出 PCCP 范围私自迭代 AI 模型，未提交补充申报； 变更在清单内，但擅自修改数据管理、重训练、验证流程； 质量体系无法完整留存每一轮模型更新全流程验证记录； De Novo/510 (k) 申报中，使用经过 PCCP 迭代后的机型作为 Predicate 做等同对比（不符合 §515C (c)）。
五、PCCP 三大模块详细内容要求（第六、七、八章）
模块一：变更说明（第六章）
1. 核心目标
2. 必须包含内容
区分更新模式：全自动迭代 / 人工操作更新 / 混合模式；自动更新需明确边界、防护限制，建议提前 Q-Sub 沟通；
区分更新范围：全局统一更新（所有设备同步）/ 局部差异化更新（分医院、分患者亚群适配），局部更新需说明触发条件；
预估更新频率：年度低频、持续高频自适应等；
关联受影响说明书章节，后续同步更新；
每项变更绑定变更协议中对应的验证活动，建立追溯关系。
3. 允许纳入 PCCP 的三类变更（仅限不改变设备原始适应症、预期用途）
AI 性能量化指标优化
基于同类型输入、目标人群新数据重训练，提升灵敏度、特异度、降低误报等分析 / 临床性能；
设备输入与兼容性调整
新增同类型采集设备、数据归一化预处理、兼容新硬件 / 操作系统 / 云平台；有限新增同维度输入特征（年龄、影像参数等）；
细分人群性能优化
基于新增亚群数据，优化原适应症内特定患者群体模型表现。
4. 高限制变更
拓展设备适应症、预期用途：绝大多数不可放入 PCCP，确有需求必须提前和 FDA 沟通；
全新功能、全新检测目标、面向患者端独立使用、搭配新药物剂量方案等，均不允许纳入 PCCP。
模块二：变更协议（第七章，落地执行核心）
1. 数据管理规范
规范更新所需新数据全生命周期管理，核心要求： 数据入组 / 排除标准匹配目标人群，覆盖种族、年龄、疾病严重程度等分层，避免算法偏见；
前瞻性 / 回顾性采集方案、多中心分布、分层抽样策略；
数据质量管控、缺失值处理、防篡改权限管控；
参考标准（金标准）定义、多医师裁决流程、参考标准不确定性管控；
测试集永久隔离机制，训练全程不可接触测试数据，防止信息泄露。
2. 重训练规范
明确重训练触发条件（新数据量阈值、数据漂移、固定周期）；
界定模型可修改范围：仅微调权重 / 完整网络 / 超参数 / 损失函数 / 数据增强策略；
过拟合、算法偏见的防控手段；
仅局部更新模型时，确保不破坏设备其他软件、硬件功能。
3. 性能评估验证规则
触发验证的条件、验证频次；
完整性能指标体系、统计学分析方案、样本量计算；
同时对比原始基线设备、上一版更新设备，保证单一指标优化不牺牲其他性能；
预设硬性验收标准：不达标则禁止上线，需根因分析后重新训练；
高风险亚组、疑难病例专项测试；软硬件联动整机验证、可用性测试。
4. 更新上线流程与上市后监控
软件更新部署方式（自动后台 / 人工运维）、全局 / 局部分发策略；
网络安全管控、更新回滚机制；
用户透明告知：版本日志、性能变化、已知缺陷、算法偏见披露、说明书同步更新；
上市后持续监测：不良事件分类追踪、真实世界性能监控、亚群性能漂移识别、突发风险应急处置流程。
5. 追溯要求
模块三：影响评估（第八章）
逐项对比变更前后设备安全有效性，区分单独变更、多项变更叠加累积影响；
识别各类风险：物理伤害、算法偏见、数据漂移、软硬件联动故障；
论证变更协议中的验证流程可充分缓释所有识别风险；
组合产品需额外评估 AI 变更对药物 / 生物制剂组分的连锁影响；
关联申报文件内风险分析、变更协议对应章节，建立交叉引用。
六、两大附录实操指引
附录 A：变更协议各模块实操问题清单
本附录提供 AI-DSF 变更协议各模块参考问题与撰写要点，用于企业起草 PCCP、FDA 技术审评核查。变更协议四大核心模块（数据管理、重训练、性能评估、更新流程）均配套细化核查问题。本附录仅作参考，非穷尽清单，企业需结合自身器械风险、AI 模型类型适配调整；FDA 可根据器械风险要求补充材料。所有内容需围绕目标使用人群（种族、民族、年龄、疾病严重程度、性别等分层）与临床使用场景撰写。
注：本指南领域尚在发展，FDA 会随审评经验更新附录问题清单；不同 AI 器械所需细节深度存在差异。
(1) Data Management 数据管理
不同训练、调优、测试数据集有明确划分规则。若企业迭代 AI 时需新增数据，变更协议需完整说明数据采集、使用、管控全流程。
a. Collection protocols 数据采集方案
1.a.1 每项变更对应的数据入组 / 排除标准是什么？如何匹配器械目标使用人群？
1.a.2 数据集在性别、年龄、种族、疾病分型、采集设备、扫描参数等协变量上的分布规划？是否覆盖交叉亚群、保证人群代表性？
1.a.3 数据采用前瞻性还是回顾性采集？是否连续入组病例；若为随机抽样，如何控制抽样偏差？
1.a.4 是否针对特定疾病亚型、门诊 / 住院场景、特殊人群做分层富集采样？具体方案？
1.a.5 数据采集中心数量、地域分布？
1.a.6 采取何种措施规避历史数据带来的算法偏见？
1.a.7 如何长期维持数据集适配临床标准、人群结构、采集设备迭代？
1.a.8 数据采集、存储、使用是否符合人体受试者保护法规（21CFR812、45CFR46、21CFR50/56）？
1.a.9 若 AI 依赖专用采集设备输入，数据是否使用器械配套标准参数采集？兼容第三方设备时数据是否满足 AI 输入规格？
1.a.10. 对于使用专用采集系统输入数据的AI-DSF（例如，患者监护仪中使用连接传感器的软件设备功能），采集的数据是否采用了AI-DSF将使用的系统和设置？对于使用不同采集系统输入数据的设备软件功能（例如，可互操作的医疗设备），采集的数据是否符合AI-DSF的输入规范？
b. Assurance of data quality 数据质量管控
1.b.1 如何保障采集数据完整、一致？
1.b.2 数据真实性、可追溯管控流程？
1.b.3 缺失病例 / 影像字段的处理规则？
1.b.4 除入排标准外，是否设置数据质量剔除门槛，依据是什么？
1.b.5 剔除低质量数据后，如何避免数据集泛化能力受损？
1.b.6 数据异常追溯、调查机制？
1.b.7 过期 / 失效数据的清理判定标准与管理流程？
1.b.8 训练、调优、测试数据集的访问权限管控，防范恶意篡改、新增 / 删除数据造成模型偏移？
1.b.9 是否自动化数据质检流程，具体机制？
c. Reference standard determination 金标准判定规则
金标准指判定病例真实临床状态的最优参照方案。变更协议需论证金标准选择合理性，结合器械风险层级说明。
1.c.1 选用该金标准的核心理由？
1.c.2 若依靠医师阅片作为金标准：医师资质、人数、评估流程、争议病例裁决机制？1.c.3 模棱两可、缺失金标准病例如何处理？
1.c.4 金标准本身存在多大固有不确定性？
1.c.5 训练 / 调优 / 测试阶段金标准流程是否存在差异？是否自动化判定？
1.c.6 本次迭代所用金标准，与器械初始上市验证金标准是否不同，差异说明？
d. Sequestration of test data 测试集隔离机制
测试集隔离：全程禁止开发流程接触测试数据集，防止信息泄露、性能虚高。
1.d.1 数据采集阶段如何提前隔离测试集，避免混入训练调优流程？
1.d.2 重训练全周期维持测试集隔离的标准化流程？
1.d.3 若多次复用测试集做评估，如何规避模型记住测试样本、引入评估偏差？
1.d.4 训练、调优、测试集关键统计指标（均值、中位数、协变量区间），和真实临床人群相似度对比？
(2) Re-Training 模型重训练
a. Re-training objectives and focus 重训练目标与修改范围
2.a.1 重训练目标与《变更说明》中每项变更如何对应？
2.a.2 本次迭代可修改模型模块：预处理、数据增强、权重微调、完整网络、超参数、损失函数、优化器？每项修改理由？
2.a.3 是否仅局部重训练？若仅更新部分模块，如何保证其余软件 / 硬件功能不受破坏？2.a.4 每项变更是否必须重训练，有无免训练优化路径？
b. Re-training implementation 重训练落地规则
2.b.1 触发重训练的阈值：新增数据量、数据漂移监测、固定周期等？
2.b.2 过拟合防控策略？
2.b.3 重训练可能引入的算法偏见风险，配套缓解方案？
(3) Performance Evaluation 性能评估
a. Triggers to initiate evaluation 评估启动条件
3.a.1 何种场景启动全套性能验证：新增数据达标、检出数据漂移、固定周期评估？评估频次？
b. Assessment metrics 评估指标体系
3.b.1 如何使用隔离独立测试集完成评估？
3.b.2 核心分析 / 临床性能指标清单？
3.b.3 指标如何证明器械临床使用安全性？
3.b.4 指标体系能否全面覆盖临床风险场景？
3.b.5 疑难、极端病例专项评估方案？
c. Statistical analysis plans 统计分析方案
3.c.1 如何证明新版模型等效 / 优于基线原始器械？
3.c.2 高风险人群、特殊亚群单独统计方案？
3.c.3 统计结论如何支撑说明书性能标注？
3.c.4 如何平衡多个指标，保证提升灵敏度不牺牲特异度等关键指标？
3.c.5 样本量计算依据？
3.c.6 统计人群采用意向诊断集还是符合方案集？
3.c.7 如何处理阅片医师间差异、金标准固有误差？
3.c.8 缺失值、异常离群值统计处理方式？
d. Performance targets 性能验收标准
3.d.1 预设硬性验收阈值，对比原始获批器械基线有何差异，临床依据？
3.d.2 验收标准如何保证迭代后器械安全有效？
e. Additional testing needs 补充测试要求
3.e.1 仅数据库离线测试是否足够？是否需要临床可用性、整机硬件联动测试？
3.e.2 人机交互层面的验证设计？
(4) Update Procedures 更新上线流程
a. Software verification and validation 软件 V&V 验证
4.a.1 新版软件验证方案，和原始器械验证是否存在差异？
4.a.2 多设备互联集成环境下整机验证方案？
4.a.3 AI 修改后，配套硬件、其余软件功能的影响验证？
4.a.4 器械存在非 AI 辅助功能时，如何评估 AI 迭代对其他功能的风险？
b. When and how updates will be implemented 更新落地方式
4.b.1 判定可上线的完整条件、更新周期规划？
4.b.2 自动后台更新 / 人工运维更新 / 混合模式？选择依据？
4.b.3 可复用医疗设备更新后安全报警等关键功能复核流程？
4.b.4 全局统一推送更新，还是分医院 / 站点局部适配更新？
4.b.5 医疗器械网络安全管控、软件更新校验流程（遵循 FDA 医疗器械网络安全指南）？
c. Communication and transparency 使用者信息披露
4.c.1 PCCP 内容如何在公开摘要、器械标签中说明？
4.c.2 向医护 / 患者推送更新通知渠道（版本日志、说明书修订）？
4.c.3 必须披露的更新内容：性能变化、使用人群、验证数据集、已知缺陷？
4.c.4 器械输出界面是否展示当前 AI 版本号？
4.c.5 用户是否可查看更新说明、自主选择是否安装更新？
4.c.6 算法偏见、亚群性能差异完整披露要求？
4.c.7 新旧模型临床结果差异如何告知使用者？
4.c.8 向用户开放验证数据集、性能汇总信息的方案？
4.c.9 历史患者数据是否支持用新版 AI 重新分析？新旧结果差异告知机制？
d. Device monitoring plan 上市后监控方案
4.d.1 分版本不良事件分类追踪机制？
4.d.2 基于风险的真实世界性能监控计划，是否对使用者公开？
4.d.3 监控频率、手动 / 自动更新差异化监控策略？
4.d.4 识别新风险、新增高危亚群后的处置流程？
4.d.5 性能持续下滑、不良事件激增的应急应对策略？
4.d.6 非不良事件类误诊、漏诊案例追踪机制？
4.d.7 版本回滚、恢复旧模型判定标准与操作流程？
附录 A 收尾说明
本附录全部问题仅为企业撰写变更协议的参考框架，非强制填报清单。企业需结合自身 AI-DSF 风险等级、预期用途、更新模式（自动持续学习 / 人工迭代）增删对应内容；FDA 审评时可依据器械风险要求补充额外验证、管控条款。变更协议需完整对应 PCCP《变更说明》内每一项 AI 迭代，建立双向追溯表。所有数据、验证、更新流程需符合 21CFR820 质量体系记录留存要求。
附录 B：6 类 AI-DSF 真实场景案例（区分合规 / 不合规变更）
重症监护患者监测 AI 软件
允许优化误报率；新增提前预警功能属于超范围变更；
皮肤病灶影像分析软件
允许兼容符合规格的手机摄像头；改用热成像相机、开放患者自测功能需重新申报；
呼吸机参数推荐 AI 软件
允许特定病患亚群局部优化；更换验证金标准违反协议，需申报；
超声肩部分异常实时提示设备
允许提升检测灵敏度；拓展儿科细分人群优化未写入 PCCP 则需申报；
饲管定位胸片 AI 判读软件
允许提升检出灵敏度、兼容新 X 光机；新增气胸识别功能属于新增功能，需申报；
配套显像药物的光学成像组合设备
允许加快病灶识别速度；拓展全新适用人群、调整药物给药剂量方案均超出 PCCP 范围。
七、文档整体核心价值与监管逻辑总结
解决行业痛点
传统规则下 AI 模型每一次迭代优化均需提交 510 (k)/PMA 补充，严重拖慢临床落地；PCCP 实现事前一次性审评，事后合规自主迭代，降低创新监管负担；
平衡创新与安全
通过三重约束管控风险：①提前限定可变更范围；②标准化全流程验证协议与硬性性能门槛；③上市后持续监控、用户透明披露；
法定支撑
FDORA 法案赋予 PCCP 法律效力，明确合规 PCCP 变更豁免补充申报；同时划定红线，超范围、不按协议更新将面临严厉监管处罚；
全生命周期监管思路
融合 IMDRF 医疗器械风险分层、ISO14971 风险管理、医疗器械质量体系 21CFR820，覆盖 AI 设备研发、上市、持续迭代全流程；
企业实操建议
优先使用 Q-Sub 预提交沟通确认 PCCP 范围；PCCP 内容做到精细化、可量化，避免宽泛描述；完整留存所有迭代训练、验证、更新记录，满足 FDA 体系核查要求。
Hearing Aid Feature (HAF)：一款软件-only的移动医疗应用，旨在为18岁及以上、自觉有轻度至中度听力障碍的个体放大声音。其De Novo申请号为 DEN230081，FDA在授权书中明确提及了PCCP的审评和授权。
Caption Guidance：一款由Bay Labs, Inc.开发的设备，其De Novo申请号为 DEN190040。
放射治療器官自動勾勒系統（Seg Pro V3）：K251306，用于辅助放射肿瘤专业人员，在CT或MR影像上自动勾勒正常危及器官(OAR)的轮廓
以下预设变更控制计划摘自K251306：
本预设变更控制计划（PCCP）涵盖针对 Seg Pro V3 系统的一项规划变更：利用新采集的临床数据对深度学习模型进行重新训练，以此提升危及器官（OAR）自动勾画的性能。该变更仅允许通过经临床验证的真实世界数据（RWD）完成可控的模型权重更新，不得改动模型架构、推理流程、前处理或后处理流程，以及设备其他任何功能。仅当满足预设的 PCCP 触发条件时，方可启动重新训练，触发条件包括：有文件记录证实因真实世界数据分布偏移造成性能下降，且可获取合格临床数据。
按照 PCCP 规定的变更管控流程，更新后的模型需重新完成软件验证与性能确认工作。上述工作需遵循 PCCP 中预先设定的测试流程与接收标准，确保所有允许范围内的变更均以统一、客观、适配风险的方式完成评估，且经过重新训练的模型能够持续维持已获批设备对应的安全与有效水平。
本 PCCP 不会引入任何新增风险，所有许可变更均限定为可控的模型权重更新；通过预设测试流程对该类变更进行管控，缓解性能漂移、过拟合、非预期算法偏倚等潜在风险。
下表汇总了本 PCCP 中划定的许可变更类别、适用场景及运营管控要求：
变更内容
基于具有代表性的真实世界数据集开展重训练，完成模型权重更新，用于修复局部或整体层面出现的性能衰减问题。
测试方法
采用前瞻性采集的真实世界数据与基准数据集开展预设验证与确认工作，包含定量性能指标（如戴斯相似系数 DSC）、亚组分析，上线后临床监测，并配套预设接收标准与版本回滚管控机制。
设备更新流程
经重训练后的模型将按照预设触发条件、验证与确认标准，通过受控全局部署及受限本地部署两种策略完成上线。全流程配套严格的数据管理机制，包含真实世界数据集与基准测试数据集的合规扩容及淘汰管理，保障设备持续具备安全性、有效性，且维持实质等同性。依据 PCCP 要求，通过标准化沟通流程向用户推送受控通知，包含提前发布公告、版本文档更新、标准化回滚通知等内容。
