欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用 LLM 起草临床试验方案,先过 ICH E6(R3) 这几条合规线

上邦 RAG 团队2026-11-03阅读 约 12 分钟
LLM 辅助起草临床试验方案已进真实工作流,但要让它经得起核查,起草前必须先建一份对齐 ICH E6(R3) 的合规清单。本文拆解谁负责、系统验证、数据溯源、质量设计四条硬线,并给出可复现的结构化抽取与校验代码,强调模型不替代最终签署人的责任。

结论:先卡合规,再谈会写

用大语言模型辅助起草临床试验方案已经进了真实工作流,但要让它经得起核查,成立的前提不是模型多会写,而是起草前先建一份对齐 ICH E6(R3) 的合规清单,把谁负责、系统是否经验证、数据是否可溯源、质量是否设计进去这四条硬线卡死。对一家药企或 CRO 的医学写作团队,可行路径是用 LLM 做方案草案的结构化生成与条款抽取,再人工校核并保留完整审计轨迹,单方案试点 2—4 周、算力与工具投入可控。最容易踩的坑是把生成文本直接提交,忽视计算机化系统须经验证、人对结果负责这一条。据公开资料,ICH E6(R3) 于 2025 年 1 月 6 日通过最终版,EMA 于 2025 年 7 月 23 日生效、FDA 于 2025 年 9 月 9 日载入联邦公报、英国 MHRA 于 2026 年 4 月 28 日、加拿大卫生部于 2026 年 4 月 1 日相继实施;一份 2026 年 JAMIA 同行评议研究指出,GPT-4o 从已完方案生成知情同意书时核心规则合规率仅 70%—80%、18%—43% 的输出含事实错误。

ICH E6(R3) 改了什么

E6(R3) 的核心变化是从清单式规定转向原则导向、风险相称的框架,并把质量源于设计放在每个试验活动的中心,从方案开发一直管到最终报告。它不再逐条规定必须用哪种技术,而是要求申办方识别对质量关键的内容并加以保护,确保所用计算机系统适合其用途、在适当时经验证、安全可控、数据可靠。对 AI 工具而言,这意味着它不创造新的义务,但改变了既有义务怎么被满足:谁用模型选病人、起草方案、监查站点、标记数据待审或撰写研究报告,申办方都要对结果负责,并证明工具适合其用途、有人监督、记录完整。

四条合规硬线

第一,申办方责任。AI 生成的内容,责任仍在申办方与研究者,模型不替代签字人。第二,计算机系统治理。用于试验的 AI 系统须适合用途、按风险验证、安全可控,验证程度与风险相称。第三,数据完整性与可追溯。每条 AI 输出都要能回溯到输入、模型版本与人工校核动作。第四,质量源于设计。AI 用在低风险事务性任务上所需证据少,用在影响哪些数据进入分析的高风险任务上所需证据多。把这几条写成起草前 checklist,是让 LLM 进工作流的最低门槛。

可复现:方案结构化抽取与合规校验

下面给出不依赖外部 API 的骨架:先用 LLM 把方案文本抽取成结构化字段,再拿字段去对照合规清单。代码用单引号避免转义问题,可替换为本地部署的任意模型接口:
checklist = [
    '申办方对 AI 生成内容是否明确担责',
    '所用 AI 系统是否按风险做了验证记录',
    '每条 AI 输出能否回溯到输入与模型版本',
    '是否有人工校核与签署动作留痕',
]

def check_protocol(draft_fields):
    missing = [c for c in checklist if not draft_fields.get(c, False)]
    return missing

# 假设 LLM 已把方案抽成字段,这里只演示校验
fields = {'申办方对 AI 生成内容是否明确担责': True}
print('未满足项:', check_protocol(fields))
真实部署时,抽取环节用 LLM 把方案 PDF 或 Word 转成结构化 JSON,校验环节用上面这类规则做机器预检,最后由医学写作人员逐项确认。关键是把模型版本、提示词版本、输入哈希、输出哈希、校核人、校核时间全部写入审计表,使任何一份生成文本都能被还原出它是怎么来的。

把审计轨迹留在本地

涉及受试者数据与监管提交,建议把生成与校验全程放在 私有化部署的检索与向量底座 上,方案草稿、校核记录、引用法规统一索引,且数据不出企业内网。配合 企业知识库产品 的权限分级,可以让医学、法规、质量多角色在同一份文档上协作留痕,避免生成文本在微信或邮件里来回传导致失控。

起草前自检清单

① 用途声明:是否写明 AI 在方案起草中的具体用途与边界,不替代最终决策?
② 验证记录:是否对所用模型按风险做了适合性验证并留档?
③ 数据溯源:每条生成内容能否回溯到输入、模型版本与人工校核?
④ 责任归属:最终签署人是否明确对 AI 生成内容负责?
⑤ 偏差管理:发现生成内容有误时,是否有修正、上报与版本回退流程?
E6(R3) 正文未直接使用 AI 二字,但其计算机化系统与数据治理原则适用于 AI;FDA 相关指南为非约束性。本文不构成法规或法律意见,具体合规以监管机构最新要求为准。

为什么 LLM 生成方案会有事实错误

JAMIA 那项研究指出 GPT-4o 从完方案生成知情同意书时合规率仅 70%—80%、18%—43% 的输出含事实错误,根因在于模型缺乏领域约束与引用溯源。它不知道你的具体剂量、周期、入排标准,只会按概率编出看起来合理的文字。要压住这种幻觉,必须用检索增强把法规条款、机构模板、历史方案喂进上下文,并强制模型输出可点击的引用,让人能逐项核对来源。没有溯源约束的 LLM,绝不应当直接产出提交监管的文本。

按风险给 AI 用途分级

不是所有 AI 用途都要同等验证。低风险用途,如格式校对、术语抽取、参考文献整理,所需证据少,可以快速采用;高风险用途,如入排标准生成、统计假设拟定、安全性结论撰写,必须人工签署并做适合性验证。把用途按风险分档写进 SOP,既不会因过度保守而放弃效率,也不会因冒进而踩合规红线。监管问起来时,你能清楚说明哪类用途做了多少验证。

与 EDC 等系统的集成注意点

生成内容如果散落在聊天框或邮件里,既不可审计也无法追溯。正确做法是与电子数据采集系统、文档管理系统对接,让每一份 AI 草稿及其校核记录回写并留痕,版本可回退。这要求企业在采用 LLM 之前先有基本的计算机化系统治理框架,否则再聪明的模型也补不上流程的缺口。

给医学写作团队的落地建议

如果团队想尝试 LLM 辅助方案起草,最稳妥的起点是先拿低风险用途做 2—4 周试点:用模型做格式校对、术语抽取和参考文献整理,把合规清单跑通、审计轨迹留全,再逐步放开到入排标准草拟。每一步都保留人工签署与版本记录,试点结束再决定是否扩大用途。这样即使发现问题,影响范围也可控,也更容易通过内部合规与监管问询。

参考来源

ICH E6(R3) Good Clinical Practice 最终版(2025-01-06)及主要法域实施时间线 - Kitsa.ai 合规梳理
AI and Clinical Trials: Navigating ICH E6(R3) Compliance - FDAQRC
Good Clinical Practice and AI - TheWorldOfAI(E6(R3) 原则与 AI 适用解读)
相关标签:临床试验ICH E6 R3LLM合规校验技术干货

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案