醫學影像AI醫療器械獲批的“最后一公里”攻略

已獲取的MRMC數據，如何使其體現更大的價值。

同樣的臨床數據，表述方式決定注冊成敗。基于MRMC分層證據，建議采用"核心功能+價值區間+使用策略"三層結構：（1）"目標位置X線攝影"明確邊界；（2）"早期病灶檢出率（特別是較小病灶）"用括號鎖定分層證據支持的差異化優勢；（3）"中高年資醫師使用效果更佳"基于年資分層誠實披露，既滿足監管透明性，又暗示推廣優先級。既涵蓋整體人群，又突出核心價值——審評一次通過概率大幅提升。

同一套MRMC數據，策略性呈現支撐多國路徑：FDA路徑下，交叉對照滿足Clinical Performance Study"金標準"，支持510(k)實質等同或De Novo新分類；NMPA創新審評通道中，I²=0%異質性檢驗、病灶大小分層分析，直接回應創新審評"受益-風險比"關切；CE-MDR路徑下，方差分量分解模型滿足臨床評價報告對普適性證據的要求。核心策略在于設計階段預設國際協調終點，實現"一套數據、多國適用"，避免重復投入。

對于計劃啟動AI醫療器械臨床試驗的申辦方，以下決策節點直接影響注冊成功率：

（1）Pre-submission溝通：試驗完成后再接觸監管，設計缺陷固化，補救成本倍增。提前3-6個月鎖定核心要素，是規避重大偏差的必要投資；

（2）交叉設計：與平行對照設計相比，MRMC僅需6-12名醫師、400-500例，自身對照能夠消除個體差異，且能實現更強因果推斷；

（3）病例數確定：400-500例是基于80-90%檢驗效能、檢測AUC差異0.03-0.05的功效分析結果。隨意壓縮導致效能不足，盲目擴大造成浪費；

（4）閱片者選擇：監管關注"代表性"而非"最優性"。覆蓋全譜系、多中心≥3家，是證明普適性的基礎。僅選優異醫師，將面臨外推性質疑；

（5）標準化培訓：過度培訓使醫師成為"試驗專家"，結果不可外推；培訓不足則標準不一，數據質量下降；

（6）洗脫期設置：3-4周為常規選擇。過短則記憶效應污染數據，過長則依從性下降、脫落率上升；

（7）獨立數據監查：實時監控異常值，定期盲態審核，建立審評信任；

（8）模型策略預設：主分析固定效應、敏感性分析隨機效應，必須在SAP中預先設定，事后選擇將引發監管質疑。

臨床試驗是戰略核心，而非注冊前的麻煩。MRMC價值超越注冊證：明確臨床定位、優化用戶分層、支撐衛生經濟學、建立學術領導力。技術先進卻證據薄弱，是倒在注冊門前的主因。當行業從算法競爭走向證據競爭，讓數據的每一個百分點轉化為監管認可與市場信任，才是關鍵的差異化能力。