近期，FDA 预先部署了其自主研发的 AI 工具 Elsa。该系统基于大语言模型（LLM），已开始在审评、检查以及数据库建设等领域发挥作用，是 FDA 数字化与现代化战略的重要一步。
这意味着，AI 不仅将加速 FDA 内部流程，也将深刻改变制药、医疗器械及相关企业与 FDA 的互动方式。尤其在检查环节，Elsa 的引入可能会在不知不觉中改变“检查谁、何时检查、检查重点在哪里”。
过去，FDA 的检查策略主要依赖风险评估模型、人工数据分析以及既往检查历史等因素。然而，该模式存在若干不足。
FDA 收集的数据包括不良事件报告、投诉、进口警示、483 表（FDA Form 483）、警告信（Warning Letter）以及召回信息等，极其复杂，人工审阅需要投入大量时间与精力。
风险信号往往要到季度或年度复盘时才进入监管关注范围。
检查员数量有限，无法覆盖所有风险点。
Elsa 的引入正是为了解决上述问题。借助机器的速度与大语言模型的分析能力，FDA 能够更快速、更全面、更精细地完成风险识别并对检查对象进行优先级排序。
过去，一起质量投诉可能要到季度复盘才触发监管关注。现在，Elsa 可在数小时或数天内整合新增数据，并直接调整某一企业的风险评分。
例如，若某产品突然出现大量“异物/颗粒”相关投诉，Elsa 将迅速捕捉并提高该工厂在检查清单中的优先级。
Elsa 不仅处理“显性风险事件”，还可能通过跨数据源关联，捕捉以往难以识别的趋势。
示例：某产品 pH 检测结果出现轻微波动，同时伴随进口清关延迟，且有消费者在论坛提及包装缺陷。单一信号并不显著，但 AI 可能将其组合判定为“潜在质量风险”，从而触发检查。
以往需要数周人工汇总的风险清单，如今可在数天内生成。这意味着：
Elsa 不仅决定“查哪里”，还会生成“查什么”。这意味着检查员可能携带 AI 生成的潜在问题清单直达关键环节，而非从常规流程核查开始。
在 Elsa 之前，企业通常基于以下逻辑评估检查风险：
然而，在 AI 介入后，这些假设可能不再成立：
因此，企业应将检查准备视为常态化工作，而非“临时抱佛脚”。
结合行业经验与 FDA 的公开表述，以下方向值得重点关注。
(1) 确保批记录、CAPA、稳定性数据及供应商信息完整、准确且可机器读取。
(2) 建立数据归属与责任机制，确保快速响应。
(1) AI 将重点关注长期未关闭的 CAPA、重复出现的 483 观察项以及整改延迟的问题。
(2) 建议企业优先清理积压问题，避免被 AI “锁定”为高风险对象。
(1) 将 AI 因素纳入内部模拟检查：
(2) 训练团队在高压情境下的快速应对能力。
(1) 主动跟踪 FAERS 报告、进口拒绝（Import Refusal）、社交媒体讨论以及召回数据库等外部数据。
(2) 若上述渠道出现问题信号，应立即采取纠正措施。
(1) 确保偏差、CAPA 与调查报告的描述清晰、具体，避免含糊措辞。
(2) AI 依赖文本理解，模糊表述可能被“误判”为潜在风险。
以下为适配 AI 驱动监管环境的自查清单，供企业参考：
| • 关键质量数据是否完整、可机器读取且易于检索？ |
| • 是否已建立对内外部信号的持续监测机制？ |
| • 是否存在超过 90 天未关闭的 CAPA 或重复性历史问题？ |
| • 模拟检查是否覆盖 AI 相关场景？ |
| • 团队能否在无预先通知的情况下及时应对突击检查？ |
| • 各类数据与报告是否一致，避免相互矛盾？ |
| • 供应商质量协议与法规文件是否符合 FDA 的现代监管预期？ |
| • 员工是否接受过“AI 认知”培训并理解清晰记录的重要性？ |
FDA 的 Elsa 工具标志着监管进入 AI 赋能的新阶段。对企业而言，这既是挑战，也是推动质量体系升级的机遇。在 AI 驱动的监管环境下，检查准备不再是周期性任务，而是需要持续构建的能力体系。提前做好充分准备，将有助于企业在新的监管框架下保持主动。
免责声明：以上内容基于现有公开信息整理，仅供参考。
Proregulations 持续跟踪 Elsa 的演进及应用扩展，确保客户始终处于合规前沿，并能有效应对 AI 时代的监管挑战。
Proregulations 深入解析 FDA Elsa 工具的运行逻辑与审评标准，为企业提供定制化、可落地的合规解决方案，以缩短审评周期并提升申报成功率。如需了解我们的服务，请联系我们。
相关服务
