夜雨聆风一个被严重低估的赛道正在加速出圈。当所有人盯着 AI 制药和 AI 诊断的时候，药物警戒——药品安全监测的“隐形基础设施”——正经历一场从底层逻辑到顶层设计的系统性重构。NMPA 定路线图、FDA/EMA 定治理原则、CIOMS 定实践框架——政策已定调，技术已破壁，全球企业正在抚跟。药物警戒的 AI 时刻，来了。 |
📌 一句话看点
●NMPA《实施意见》：2030 年建成"AI+药品监管"融合创新体系，药物警戒数智升级列为七大重点方向之一
●FDA×EMA 十项原则：全球两大监管机构首次联合定调 AI 在药物开发（含药物警戒）中的治理框架
●CIOMS 155 页报告：国际医学科学组织理事会系统梳理 AI 药物警戒 8 大用例，从数据提取到因果关系评估全覆盖
●CoMed 框架：RAG+CoT 多智能体架构让 LLM 药物组合风险识别 F1 达 0.971，首次实现专家级可靠性
●全球创业抢跑：iVigee、Selta Square、PV.app 等十余家 AI 药物警戒公司 2021-2023 年密集成立，赛道热度飙升
🏛️ 政策定调：三大监管体系同一年给出信号，药物警戒 AI 化不再是"可选项"
中国：NMPA《"人工智能+药品监管"实施意见》——2030 年路线图
2026年3月11日，国家药监局正式发布《关于"人工智能+药品监管"的实施意见》，这是中国药品监管领域第一份系统性 AI 战略文件。
●2030年：初步构建药品监管与人工智能融合创新体系，形成高质量数据集、垂直大模型和智能体，人机协同效率显著提升
●2035年：基本形成数智驱动、智能敏捷、自主可控、生态协同的智慧化药品安全治理新格局
推进检验检测、监测评价、投诉举报、网售和舆情监测等数智化升级，加强全生命周期监管大数据挖掘分析，开发一系列风险监管模型与智能体，绘制风险画像，支撑风险会商，提升风险监管能力。 |
这意味着：信号检测自动化、不良反应报告智能处理、舆情监测与风险画像——药物警戒的三大核心痛点，已被写入国家顶层设计。
美国 × 欧洲：FDA 与 EMA 联合发布"药物开发 AI 十项原则"
2026年1月14日，FDA 和 EMA 联合发布《Guiding Principles of Good AI Practice in Drug Development》，全球两大药品监管机构首次就 AI 治理达成共识。
●以人为本的伦理设计：AI 必须服务患者安全，而非取代专业判断
●风险分级的开发与评估：根据 AI 决策重要性确定验证强度——药物警戒中的因果关系评估属于"高风险"
●数据治理与生命周期管理：涵盖数据质量、文档管理、网络安全——药物警戒对数据追溯性要求极高
●透明度与可审计性：AI 输出必须可追溯、可解释——这正是药物警戒合规的底线要求
国际：CIOMS 发布 155 页 AI 药物警戒专题报告
2025年5月1日，CIOMS 发布《Artificial Intelligence in Pharmacovigilance》草案报告，长达155页，这是全球第一份由权威国际组织系统梳理 AI 药物警戒的专题报告。
●附件2：美、欧、WHO 等多个机构 AI 监管法规对比，按不同维度针对性解读
●附件3（8大用例）：LLM 数据提取用于案例处理、案例去重、AI 翻译助手、药物不良反应因果关系评估、信号检测流程效率提升、大型文档库智能结构化输出、诊断与预测支持
💡 三方信号叠加效应 NMPA 定路线图、FDA/EMA 定治理原则、CIOMS 定实践框架——2025-2026年，全球药物警戒 AI 化的政策基础设施基本建成。接下来的竞争焦点，将从"能不能做"转向"谁做得更快更好"。 |
🔬 技术破壁：从 0.784 到 0.971，LLM 第一次达到"专家级可靠性"
药物警戒 AI 应用长期面临一个核心难题：大语言模型在专业医学场景中"幻觉风险"严重，可靠性远达不到临床要求。2026年1月，一项发表于《Journal of Medicinal Chemistry》的研究给出了破局方案。
CoMed 框架：RAG + CoT + 多智能体，三重增强破解 LLM 可靠性瓶颈
研究背景：针对 95 对临床高风险药物组合，系统性评估 10 种前沿 LLM（含 GPT-5、Claude-3.7-Sonnet 等），基线 F1 最高仅 0.784，远不能满足临床可靠性需求。
CoMed 四层架构
架构层级 | 功能 | 关键技术 |
证据检索层 | 从 PubMed、DailyMed 自动获取药物组合文献 | RAG 检索增强生成 |
情境解析层 | 链式思维引导四步推理（证据定位→关联评估→过度解读分析→最终判定） | Chain-of-Thought |
多智能体分析层 | 五种专项智能体并行提取结构化证据，所有结论需引用原文 | Multi-Agent Architecture |
报告生成层 | 整合分析结果生成可追溯 HTML 报告 | Evidence-grounded Output |
性能突破
模型 | F1 分值 | AUC |
基线LLM（最优） | 0.784 | — |
Qwen2.5-Max + RAG | 0.885 | — |
Qwen2.5-Max + RAG + CoT（CoMed） | 0.971 ★ | 0.982 |
GPT-5 + RAG + CoT | 0.865 | — |
CoMed 证明了一个关键命题：通用大模型 + 专业化架构增强 = 可靠的药物警戒 AI 工具。药物组合风险识别是药物警戒最"硬核"的场景之一，CoMed 的突破为 PV AI 的可行性提供了最硬的证据。 |
AI Agent：药物警戒的"新物种"
AI Agent 正在药物警戒全流程中落地，核心逻辑：75% 的资源消耗在重复性病例处理任务上，AI Agent 擅长这些——释放人力聚焦临床判断。
场景 | AI Agent 能做什么 | 效率提升 |
不良事件报告收集 | 多渠道自动接收、信息抽取、ICSR 初步录入 | 减少60%手动转录错误 |
报告处理与编码 | MedDRA 编码、严重程度分类、重复报告识别 | 缩短40%-50% |
信号检测 | 跨结构化/非结构化数据模式识别，高风险病例优先排序 | 精准定位 |
合规报告生成 | PBRER/PSUR/DSUR 智能辅助撰写 | 节省70%+撰写时间 |
跨语言/跨区域 | AI 一键翻译，中文报告直接转换为国际监管格式 | 跨国数据提交 |
🏃 全球抢跑：从"冷板凳"变"热战场"
十家值得关注的新生力量
根据 StartUs Insights 2026 年度盘点，全球已识别 290+ 家药物警戒相关创业公司，其中 AI 驱动型占比显著上升。
公司 | 成立 | 总部 | 核心能力 |
iVigee | 2021 | 美国 Burlington | GxP 验证 PV 监管平台 iViReg + AI 多语种虚拟代理 iViMedic |
Datacreds | 2023 | 印度 Bangalore | CFR-11 合规 SaaS 平台 Salvus + AI 信号检测与分诊 |
Selta Square | 2021 | 韩国 Seoul | AI 增强药物警戒全周期自动化——最接近"AI 全流程 PV"的公司 |
PV.app | 2022 | 新加坡 | AI 云端药物安全报告平台，ML 自动化数据收集/分析/报告 |
Sable Bio | 2023 | 英国 London | 预测性药物靶点毒理学——从源头降低药物安全风险 |
ABS Biotech | 2022 | 奥地利 Tulln | 人干细胞技术心血管药物安全筛查 |
SafeVig | 2023 | 印度 Hyderabad | 临床试验信号管理系统 |
Celogics | 2021 | 美国 Mukilteo | iPSC 衍生细胞产品用于药物安全筛查 |
EMESO | 2023 | 英国 London | 数字化药品安全平台，管控药品电子登记 |
Safe Supply | 2022 | 加拿大 Toronto | 芬太尼/甲苯噻嗪检测——阿片危机背景下的用药安全创新 |
💡 趋势洞察 成立时间集中在2021-2023年——与全球 AI 技术突破和 PV 数据爆发窗口高度吻合。地域分布：美国和英国领跑，印度紧随——Boston、London、Bangalore 是三大枢纽。技术路线分化：走"AI 全流程自动化"（Selta Square）、"预测性毒理"（Sable Bio）、"合规 SaaS"（iVigee、Datacreds）并行——药物警戒 AI 的产业化路径尚未收敛。 |
中国企业：辛格迪率先提出 PV3.0 级智能化框架
●PV3.0 级智能化功能体系：AI 自动化处理重复性任务（数据提取、编码、翻译），PV 专家保留临床判断与战略决策主导权
●全链路数据治理：整合 ICSR、SAE 报告、EHR 等多源数据，自动标记缺失字段（缺失率>5% 触发人工复核）
●信号检测闭环：内置 ROR、IC 等算法，"发现—评估—干预—跟踪"全流程管理
●全球化合规：AI 一键翻译 + Gateway EDI 网关直递交 NMPA/FDA，满足 E2B(R3)、21 CFR Part 11 等要求
⚠️ 挑战与边界：AI 不是万能药，药物警戒的"三个不可自动化"
在乐观叙事之外，必须正视药物警戒 AI 化的核心挑战：
🚫 因果关系评估——AI 可以提示，但不能判断 判断"这个不良反应是否由药物导致"，需要综合患者合并症、合并用药、症状出现时间等上下文信息。CIOMS 报告明确："自动化因果关系评估可能过度简化复杂的医学现实"。最终判断权必须在人类手中。 |
🚫数据碎片化——药物警戒的"数据基建"还没完成 PV 数据分散在医院、诊所、各平台，许多机构仍用纸质记录。不完整或不一致的数据是 AI 输出失准的最大风险源。NMPA 把"高质量数据集建设"列为基础支撑第一项——数据质量是 AI 可靠性的前置条件。 |
🚫 "黑天鹅"事件——罕见但致命，AI 的盲区 无先例的新型不良事件缺乏历史数据，AI 模型无法识别——这正是人类专家凭借整合碎片化信息能力，仍不可替代的核心价值所在。 |
药物警戒的 AI 化不是"人 vs 机器"的替代赛，而是"人+机器"的协同赛。AI 处理重复性任务的效率革命已经发生，但在临床判断的边界上，机器必须止步。 |
🔭 未来展望：药物警戒 AI 化，可能比 AI 制药更先跑完"从0到1"
为什么？三个"确定性"优势 ① 数据痛点比制药更"成熟"——不良反应报告年年增长，人工处理不堪重负，AI 效率提升空间巨大且可量化（40%-70%）； ② 合规需求比制药更"刚性"——监管申报的格式、流程、时间节点是硬约束，AI 在确定性任务上表现更可控； ③ ROI 比制药更"确定"——制药 AI 产出是"可能性"（找到候选分子），药物警戒 AI 产出是"确定性"（减少遗漏信号、缩短处理周期、降低合规成本）。 |
政策定调了方向（NMPA/FDA/EMA/CIOMS），技术证明了可行性（CoMed F1=0.971），企业验证了商业模式（290+ 创业公司涌入）——药物警戒 AI 化的"从 0 到 1"，正在 2026 年跑完。 |
接下来的竞争焦点：
1.垂直大模型的竞争——谁先做出药物警戒专用大模型/智能体
2.数据资产的竞争——谁先建成药物警戒高质量数据集
3.合规生态的竞争——谁的AI 工具最快通过监管验证
药物警戒，这个长期被低估的赛道，正在成为大健康 AI 下一个"确定性战场"。
📊 本日动态速览
维度 | 事件 | 时间 | 影响 |
🏛️ 政策 | NMPA《"AI+药品监管"实施意见》 | 2026.03 | 中国药物警戒数智升级写入顶层设计 |
🏛️ 政策 | FDA×EMA 药物开发 AI 十项原则 | 2026.01 | 全球两大监管机构首次联合定调 |
🏛️ 标准 | CIOMS《AI in Pharmacovigilance》155页报告 | 2025.05 | 国际组织首次系统梳理 PV AI 治理框架 |
🔬 技术 | CoMed 框架 F1=0.971 | 2026.01 | LLM 在药物组合风险识别首次达专家级 |
🏃 产业 | 290+ PV 创业公司涌入全球赛道 | 2021-2026 | 药物警戒从冷板凳变热战场 |
🏃 产业 | 辛格迪 PV3.0 级智能化方案落地 | 2025 | 中国药物警戒 AI 化的先行者 |
