您当前所在的位置:首页>资讯>行业纵览

监管科学 | FDA的HALO平台数据环境重构对我国药品智慧监管的启示

  

摘要

目的:基于技术-组织-环境(TOE)分析框架,系统研究美国食品药品管理局(FDA)2026年推出的HALO平台数据环境重构的建设动因、技术架构及其与生成式AI工具Elsa的协同机制,为我国药品监管智能化提供参考。

方法:系统梳理FDA官方公告、行业会议记录及专业律所、咨询机构发布的分析报告,运用TOE框架从技术、组织、环境3个维度解析HALO平台建设逻辑,并据此提出我国监管智能化对策。

结果:HALO将分散在40余个系统中的监管数据整合为基于Google云平台、符合联邦风险与授权管理计划(FedRAMP)高安全基线要求的统一架构,采用中心级隔离分段的访问控制机制与统一数据模型;平台遵循AI训练数据隔离原则,并建立了人机协同治理框架。

结论:HALO平台标志着FDA从“数据孤岛”向“数据一体化”的战略转型。其云原生架构、安全治理模式及AI协同机制对我国构建统一药品监管数据平台具有借鉴价值,但其效能的发挥高度依赖数据质量、组织协同及制度配套,我国在借鉴时需立足央地分级监管体制与法律传统差异,同步推进技术架构与治理制度建设。

关键词

HALO;美国食品药品管理局;数据环境重构;监管科学;人工智能;数据治理;TOE框架



【引用格式】陈锋.FDA的HALO平台数据环境重构对我国药品智慧监管的启示[J].中国医药导刊,2026,28(9):1037-1043.

【作者】陈锋

【单位】国家药品监督管理局信息中心,北京100163



在数字化转型浪潮中,数据已成为现代监管体系的核心资产。美国食品药品管理局(FDA)的监管职能覆盖药品、生物制品、医疗器械、食品、烟草制品等多个领域,各产品中心长期运行独立的数据系统,形成“数据孤岛”现象。审评员开展跨产品、跨周期监管分析时,需在数十个系统间切换,并手动下载上传文件,严重制约监管效率[1]。2026年5月,FDA宣布完成HALO(Harmonized AI & Lifecycle Operations for Data)平台建设,该平台将40余个分散的申请和提交数据源、系统及门户整合为统一数据平台,并与生成式人工智能(AI)工具Elsa 4.0实现深度整合[2]。

现有文献对HALO的解读虽已关注其技术架构特征,但缺乏对其建设动因、技术逻辑与治理风险的系统性剖析[3,4]。本研究引入信息系统领域广泛应用的技术-组织-环境(TOE)分析框架[5],从技术能力、组织需求与外部环境3个维度解析HALO的建设逻辑、风险特征与安全治理,并据此探讨其对我国药品监管数字化的启示。

01

资料与方法


1.1 资料来源

本研究涉及的主要资料来源包括:①FDA官方新闻稿、技术公告及官员公开讲话;②食品药品法律研究所(FDLI)2026年年会会议记录、监管事务专业人员协会(RAPS)等行业媒体报告;③Hogan Lovells、Skadden、Fox Rothschild等律所发布的客户简报与行业分析。

资料检索时段为2025年1月至2026年8月,检索关键词包括“FDA HALO”“Elsa AI”“FDA data platform”“FDA AI tool”等。纳入标准为与HALO平台建设、技术架构、AI整合及治理机制直接相关的权威来源资料;排除非官方推测性报道、重复转载内容及未注明出处的二手信息。

需指出的是,FDA尚未公开HALO的详细技术白皮书或完整API文档,本研究的部分技术细节(如统一数据模型的具体标准、实时同步机制的延迟参数等)有待后续研究追踪FDA发布的技术规范进行验证。

1.2 分析框架

TOE框架指出,组织对新技术的采纳由技术、组织与环境三类因素共同驱动[5]。该框架的优势在于兼顾技术特征与制度环境,适用于分析政府机构的技术采纳行为。本研究将运用TOE框架对HALO的建设动因进行结构化解析,并在启示建议部分保持三维度框架的一致性,以增强分析的系统性。

02

HALO平台的建设动因

与技术架构


2.1 TOE框架下的建设动因分析

HALO的建设并非单一技术事件,而是技术能力跃迁、组织困境倒逼与外部政策推动三者交互作用的结果。

2.1.1 技术维度:AI能力跃迁倒逼数据底座升级

2025年6月,FDA推出内部生成式AI工具Elsa 1.0,初期功能仅限于文本摘要[6]。然而,随着Elsa快速迭代至4.0,功能扩展至自定义AI智能体、定量数据分析与可视化、文档生成等复杂任务。这些功能的充分发挥需要AI能够主动访问全域历史数据,而此前的模式依赖员工手动上传文件,形成严重瓶颈[1]。HALO正是在这一需求驱动下应运而生,其设计目标是为AI提供“原生”数据操作系统。

2.1.2 组织维度:数据碎片化的长期困境

在HALO推出前,FDA各产品中心分别维护独立的申请管理系统、审评数据库、检查记录系统和不良事件监测平台,分散系统超过40个[2]。这种碎片化架构的运营代价具体表现为:审评员审查跨中心组合产品时需逐个登录不同系统调取数据;检查员难以快速获取被检查设施的完整历史合规记录;上市后安全性评估团队无法实时关联审评阶段的临床数据与上市后不良事件报告[7]。

2.1.3 环境维度:政策与行政的多层级推动

HALO的建设处于美国联邦政府加速AI应用的战略窗口期。部门层面,美国卫生与公众服务部(HHS)部长将AI列为HHS现代化核心支柱[8]。机构层面,时任FDA局长将AI部署列为优先事项,其推行的“一日检查评估试点”直接依赖HALO提供的统一数据视图[9]。值得注意的是,HALO平台主体功能于2026年5月上线,而白宫于同年6月发布《促进先进人工智能创新与安全》行政令[10],要求联邦机构加速AI应用。该行政令虽非HALO的初始建设动因,但为其后续迭代提供了更高层级的政策背书,体现了“先行实践、政策跟进”的特征。

2.2 数据环境重构的定位与范围

基于上述多维动因,HALO是对FDA监管数据环境的系统性重构。其全称Harmonized AI & Lifecycle Operations for Data精准概括了三大定位:一是协调化(harmonized),并非简单地将分散数据物理迁移,而是对40余个独立系统背后的监管数据进行语义统一与治理协同;二是AI原生,以适配AI应用为设计起点;三是全生命周期运营(lifecycle operations),覆盖从临床前研究、临床试验申请、上市审评到上市后监测的完整产品生命周期[2]。HALO平台整合的数据源类别见表1。

表1 HALO平台整合的数据源类别

注:根据FDA公开资料整理。

2.3 技术架构特征

HALO技术架构呈现现代云原生数据平台特征,同时满足联邦政府机构特有的安全与合规要求。

(1)云原生部署。HALO基于Google云平台构建,运行于联邦风险与授权管理计划(FedRAMP)高安全基线环境。FedRAMP是美国联邦政府针对云产品服务的统一安全评估框架,其高安全基线依据NIST FIPS 199标准设定,适用于最敏感的未分类数据,要求实施约421项安全控制。该架构使FDA兼顾云计算弹性扩展能力与联邦最高安全标准[2,11]。

(2)数据隔离与分段。数据“按中心进行隔离和分段”(compartmentalized and segmented by center),确保各中心仅能访问其授权范围内的数据[3]。这种设计在防止跨中心越权访问的同时,也为获得授权的跨中心项目组(如药品-医疗器械组合产品审评)预留了协作空间。

(3)统一数据模型与元数据标准。HALO建立了统一的数据模型和元数据标准,使来自不同系统的数据能够被AI工具以一致方式理解和查询。尽管FDA未公开该模型的具体技术标准(如是否基于HL7 FHIR),但从行业分析来看,其核心价值在于实现语义层统一而非简单的物理汇聚[3]。

(4)实时数据同步。HALO与各源系统之间建立数据同步机制,确保平台数据反映业务系统的最新状态,这对需要实时决策的安全性信号监测尤为关键。

(5)API驱动架构。HALO采用API优先设计理念,使其能够与Elsa等AI工具、第三方分析平台及未来潜在的国际数据共享接口实现无缝对接[3]。

(6)AI底层架构。行业分析推测FDA可能采用了检索增强生成(RAG)等技术,使AI在分析时能够实时检索HALO数据而不对模型参数本身进行更新,从而在保护数据隐私的同时最大化AI的实用性[4]。

2.4 核心功能特性

2.4.1 全域数据查询

针对跨中心数据调取效率低下的组织痛点,HALO支持审评员在单一界面检索跨产品类别的全生命周期数据。例如,审评某药品-医疗器械组合产品时,审评员无需分别登录药品审评与研究中心(CDER)和器械与放射健康中心的独立系统,即可在HALO中同时调取该产品的临床试验申请(IND)记录、上市前批准(PMA)技术文件、上市后不良事件报告及现场检查483表格。

2.4.2 数据关联分析

HALO平台可自动识别并关联分散在不同系统中的相关记录。例如,当审评员查询某仿制药申请(ANDA)时,HALO可自动关联其参比制剂对应新药申请(NDA)的审评数据、FAERS安全性信号及生产企业近3年的检查合规历史。该功能依托统一数据模型实现。

2.4.3 工作流自动化支撑

平台为Elsa的自定义AI智能体提供标准化数据接口,支持复杂的自动化工作流。例如,当FAERS数据库中出现某新上市药品的异常安全性信号时,Elsa可自动从HALO调取该药品临床试验阶段的安全性数据、标签信息及生产企业检查记录,生成初步风险评估摘要并推送至审评员工作台。

2.4.4 数据质量监控

平台内置模块可识别数据缺失、数据不一致或数据异常值并向管理员发送预警。当某源系统同步的数据出现字段缺失率突增或时间戳异常时,该模块自动标记并通知数据治理团队,为后续分析提供前置防控支撑。

03

HALO-Elsa协同机制与

安全治理


3.1 从“数据消费者”到“数据原生”的范式转变

HALO与Elsa的整合代表了FDA内部AI应用模式的重要转变。此前Elsa运行“数据消费者”模式:员工从各业务系统下载文件,手动上传至Elsa对话界面后,AI才能基于上传文件进行分析,存在操作繁琐、数据范围受限、时效性不足等缺陷[7]。HALO的推出改变了这一模式:通过整合40余个数据源,Elsa可直接运行于数据层之上[3]。员工与Elsa交互时无需手动上传文件,只需用自然语言描述查询需求,Elsa即可自动从HALO中检索相关数据并生成分析结果[2]。这一转变从操作层面提升了效率,也拓展了AI的能力边界——AI不再受限于员工手动提供的文件范围,而是可以主动探索整个FDA数据资源。

3.2 典型应用场景

HALO与Elsa的整合催生了多个创新应用场景:跨周期产品分析(审评员可要求其分析某药品从IND到NDA再到ANDA的全生命周期安全性趋势);企业合规画像(检查员可要求其生成某企业过去3年在所有FDA产品中心的合规记录摘要);仿制药一致性评估(ANDA审评员可将仿制药与其参比制剂审评数据进行对比分析);安全性信号实时监测(药物警戒团队可监测新上市药品不良事件趋势并与临床试验数据对比)[12]。

3.3 安全认证与合规部署

HALO运行于FedRAMP高安全基线授权环境。该框架涵盖初始安全评估,更要求云服务提供商实施持续监测、漏洞管理,建立并运行事件响应机制,确保平台在全生命周期内维持高安全水平。在此框架下,HALO结合“按中心隔离分段”的内部访问控制策略,形成“云基础设施安全授权+机构内部权限治理”的双层保障,既满足联邦统一安全标准,又保留各产品中心依据监管差异实施精细化权限管理的制度弹性[3]。

3.4 AI训练数据隔离与人机协同

FDA明确遵循一项关键原则:AI模型不基于输入数据或监管行业提交的数据进行训练。该原则旨在保护行业提交的敏感研究结果和专有信息,防止潜在的知识产权泄露,并避免AI模型产生基于特定企业数据的偏见或记忆效应[2,4]。在实际执行中,这一原则的保障依赖于RAG架构的推理与训练隔离机制,但如何审计第三方AI服务商的间接数据使用行为,仍是需要持续关注的执行挑战。

HALO-Elsa系统采用人机协同治理框架,FDA强调领域专家参与AI工作流程的每一阶段[2]。具体包括4个环节:①输入验证:审评员确认AI检索的数据范围与查询意图一致;②过程监督:专家监控分析关键步骤,对异常推理路径及时干预;③输出审查:专家对AI生成结论进行科学判断与事实核查;④反馈循环:建立错误报告与修正机制,将验证结果反馈至系统以优化模型表现。

3.5 可解释性与行政正当程序的潜在张力

HALO-Elsa系统的深度应用引发重要的行政法问题。美国《行政程序法》(APA)要求行政机构作出的决定需基于可靠证据并具备可解释性[13],具体体现为“理由说明义务”:机构需向相对人说明决定所依据的事实、法律与推理过程。

当AI直接参与监管审评并生成分析结论时,若其推理逻辑呈现“黑箱”特征,则可能与APA中的“理由说明义务”产生矛盾。若审评员基于Elsa生成的关联分析作出否定性结论,而企业要求FDA说明数据检索范围、关联逻辑及权重分配时,FDA能否提供足够透明的解释,将直接影响决定的合法性与可接受性。

FDA目前的人机协同框架要求专家验证输出结果,在一定程度上缓解了这种矛盾。随着AI自主性的潜在提升,如何确保AI辅助决策的可追溯、可质疑、可复审,将是HALO治理框架必须持续回应的制度命题[14]。从比较法视角看,欧盟《人工智能法案》对高风险AI系统提出了更严格的透明度与记录保存要求,包括保留完整的决策日志以供审计。FDA目前尚未建立与HALO-Elsa系统相匹配的系统性透明度披露机制,这一点值得关注。

04

HALO的影响、局限与风险


4.1 审评模式的转型方向

HALO的建立有望推动FDA审评模式的深刻转变。传统模式下,审评员以“文档阅读者”角色逐页审阅资料;HALO-Elsa整合后,审评员有望转向“数据驱动型决策者”——通过自然语言指令驱动AI完成数据检索与初步分析,审评员自身专注于高层次科学判断[7,12]。但需指出,HALO上线时间尚短(截至本研究截稿时约3个月),上述转型更多体现为行业预期,而非已充分验证的现实。这一转变对审评质量具有双重影响:AI可快速识别跨文档不一致性,但若审评员过度依赖AI进行初步分析,可能忽视AI未能识别的细微科学问题。

4.2 对行业申办方的战略影响

HALO的部署对制药和医疗器械企业提出了新要求。行业分析指出,申办方需认识到,FDA审评员已使用AI工具辅助分析提交资料,申办方提交文件的质量标准应从“人类可读”向“AI可解析”演进——需采用一致术语、清晰结构、完整交叉引用和准确元数据[4,15]。同时,基于HALO平台,FDA能够关联企业历史上的所有提交记录,数据不一致更易被AI识别。为适应这一变化,申办方需同步投资内部AI工具用于文档撰写与提交前自检。

4.3 算法偏见与公平竞争风险

HALO-Elsa系统的应用可能引发算法偏见问题。若AI在检索历史审评数据时不自觉地固化既往审评偏好,可能对新机制、新靶点药物形成系统性低估。此外,大型跨国企业与中小型创新企业在数据治理成熟度、历史提交数据完整性方面存在显著差异,HALO可能放大这一差异带来的不平等。FDA需在平台迭代中建立算法影响评估机制,防止技术能力差异转化为监管不公平。

4.4 数据质量依赖性

HALO的效能高度依赖底层数据质量。“垃圾进,垃圾出”的定律在AI时代尤为突出。若源系统数据存在错误或不一致,HALO的整合不仅无法纠正,反而可能通过AI的快速传播放大其影响[14]。这意味着FDA需持续开展数据清洗与质量监控,而行业申办方的数据准确性要求也被提升至新高度。

4.5 跨中心协同治理复杂性

HALO在物理层面打破了数据孤岛,但在组织层面各产品中心仍是相对独立的实体,拥有不同的业务流程和监管文化。如何在统一平台上协调各中心的数据治理规则与责任划分,是复杂的组织变革挑战。FDA现有中心间协调机制(如CDER与CBER之间的跨中心协议)在HALO环境下的适用性和扩展性尚待验证。

4.6 外部透明度与行业信任

除“3.5”中所述APA框架内的可解释性义务外,HALO在技术架构细节、数据整合流程和AI分析逻辑方面的外部披露有限。行业呼吁FDA建立更透明的披露机制,使受监管实体能够理解审评中AI的参与程度与分析依据[11]。透明度不足不仅影响行业信任,也可能在司法审查中构成程序瑕疵。

4.7 AI幻觉与事实性错误风险

当AI能够直接访问全域数据时,其产生幻觉的潜在危害相应放大。据报道,Elsa在初期部署中曾出现“自信地编造”研究文献的问题[16]。在HALO时代,若AI基于错误的数据关联生成结论而审评员未能及时发现,可能导致错误决策。因此,HALO的部署必须与更严格的AI输出验证机制同步推进。FDA虽已建立人机协同框架,但在高强度工作环境下,专家能否始终保持足够审慎,该框架的有效性仍有待实证研究验证。

05

TOE框架下我国药品监管智能化的启示与建议


我国药品监管体系已具备较好的信息化基础,当前正迈入“人工智能+药品监管”体系化建设阶段[17]。2026年4月,国家药品监督管理局(以下简称国家药监局)印发《关于“人工智能+药品监管”的实施意见》[18],并配套发布《药品监管人工智能大模型应用指南》,在AI辅助审评、智能问答等场景取得初步成效[19]。但与FDA HALO所代表的“全域一体化”水平相比,我国在数据整合深度、AI原生设计理念及跨层级协同方面仍存在差距。因此,本研究在深入分析HALO平台建设逻辑上,延续TOE框架,从技术、组织、环境三维度以及贯穿三者的风险治理视角,提出以下针对性建议。

5.1 技术维度:构建AI原生的全国统一监管数据基础设施

(1)确立“AI原生”设计理念,实现数据模型先行。HALO的经验表明,统一数据模型与元数据标准是AI底层整合的前提。我国应借鉴此思路,在国家药品监管数据平台规划中前瞻性建立统一的数据模型、元数据标准和API接口规范,使平台能够无缝对接各类AI应用。考虑到我国各省信息化水平差异显著,建议采取“国家制定标准、省级适配映射”的分步实施策略,优先统一药品注册、审评、检查、监测四大核心业务的数据字典。

(2)正视中美数据规模差异,探索混合式数据架构。我国每年受理的药品注册申请数量远超FDA,且申请中包含大量仿制药和中药品种,数据结构更为复杂。建议在国家级主数据中心采用高性能云架构的同时,探索“逻辑集中、物理适度分布”的联邦式数据架构,允许省级节点在符合国家标准的前提下保留局部数据特色,通过API实现跨层级数据互操作。

(3)建立AI输出分级校验机制。针对AI幻觉风险,建议根据AI输出对监管决策的影响程度实行分级管理:A级(信息检索与汇总)由单人复核;B级(安全性信号识别与合规画像)须经两名以上专家交叉验证;C级(涉及否定性审评结论或执法建议)须经团队集体审议,并完整保存AI检索路径与推理日志备查。

5.2 组织维度:健全跨层级跨中心的监管数据治理架构

(1)破解央地协同与跨中心协调难题。FDA的跨中心协调已面临显著的组织挑战,我国央地分级体制下的协调难度更大。建议由国家药监局牵头成立专门的“监管数据治理委员会”,吸纳各省级药监局、各技术支撑机构(药品审评中心、核查中心、不良反应监测中心)参与,明确数据共享的权责边界、争议解决机制与问责体系。

(2)加强复合型人才队伍建设。HALO建设过程中引入了大量数据工程师和AI专家,而目前我国监管机构内既懂监管业务又掌握数据科学的人才储备明显不足。建议在“人工智能+药品监管”实施意见框架下,设立专项人才引进与培养计划,并在信息化建设预算中单列数据治理与AI运维的长期经费保障。

5.3 环境维度:完善法律规范与产业协同生态

(1)建立适应我国法律传统的AI可解释性与透明度规范。美国APA下的“理由说明义务”建立在普通法系的行政司法审查传统之上。《中华人民共和国药品管理法》虽规定了“科学、公开、公平”原则,但行政程序制度和司法审查密度与美国有所不同,AI透明度压力更多来自政治合法性与行业信任度。建议立足国情制定以下规范:①在审评审批相关配套规章中明确AI辅助的定位——始终是“辅助工具”而非“决策主体”;②建立AI参与环节的告知制度,在企业提交资料时说明可能涉及的AI辅助环节;③要求AI辅助审评系统保留检索路径摘要,列明数据来源与关联逻辑,供人工复核与应诉举证使用。

(2)推动监管方与产业方数据治理能力协同提升。HALO的部署对申办方提出了“AI就绪”(AI-ready)要求。我国应通过发布技术指导原则、开展培训等方式,引导企业提升提交资料的结构化与标准化水平。同时,应关注大型企业与中小企业在数据治理能力上的差异,通过设立公共服务平台或提供基础数据治理工具包等方式,帮助中小企业适应智能化监管新要求,防止技术门槛转化为市场准入壁垒。

5.4 风险治理维度:建立算法审计与持续监测机制(贯穿前述三维度)

(1)建立算法影响评估制度。针对算法偏见风险,建议定期审计AI辅助审评系统的输出结果,评估其是否对创新药、新靶点或中小企业存在系统性偏差。审计内容应包括:AI检索结果中历史数据的时间分布是否均衡、对不同规模企业的合规画像是否存在显著差异、AI推荐结论与人工独立判断的一致性比例等。审计结果应作为平台迭代优化的依据,并定期向行业通报(在保护商业秘密前提下)。

(2)建立数据质量源头治理机制。针对数据质量依赖性风险,应在平台建设中嵌入前置数据清洗与持续监控模块,确保源头可溯、异常可查、质量可控。对源系统同步数据设置质量阈值(如字段缺失率、时间戳异常率),一旦触发,即自动预警并暂停该批次数据的AI服务接入,直至人工确认修复。

06

结论


HALO的推出标志着FDA在监管现代化进程中迈出了关键一步。通过将40余个分散的数据源整合为统一平台,并与生成式AI工具Elsa实现深度协同,HALO不仅解决了长期困扰FDA的“数据孤岛”问题,也为监管数据的流动方式和AI应用能力边界提供了新的可能。

从技术架构看,HALO体现了云原生、API驱动、安全隔离的现代数据平台设计理念,其FedRAMP高安全基线授权和按中心分段的数据隔离机制,在保障数据安全的同时为跨中心协作预留了空间。从应用前景看,HALO与Elsa的整合有望将审评员从低价值的数据搬运工作中解放出来。从战略意义看,HALO为FDA的AI现代化战略提供了数据底座。

然而,HALO的效能发挥并非技术部署的必然结果,其实际效果高度依赖底层数据质量、跨中心协同治理的有效性、人机协同框架的严格执行及外部透明度的持续提升。AI幻觉风险在全域数据访问环境下被放大,算法偏见可能固化既往监管模式,AI可解释性与行政正当程序之间的矛盾亦需制度层面的持续回应。

对于我国药品监管体系而言,HALO既提供了可借鉴的数据整合路径,也揭示了技术跃进必须与制度完善同步推进的基本原则。展望未来,我国应立足央地分级监管体制和法律传统差异,加快推进统一监管数据治理与平台建设,构建AI就绪的数据基础设施,并同步完善数据安全、算法审计与行政程序规范。只有将技术赋能纳入制度建设与风险防控的整体框架,以患者安全与科学决策为根本准则,HALO所代表的监管数据变革才能真正服务于公共健康目标。




【参考文献】略 


更多精彩内容可登录《中国医药导刊》网站(www.zgyydk.cn)。热忱欢迎医药领域相关研究人员积极投稿、荐稿。




法律声明

电话:010-88331905    邮箱:cpi@nmpaic.org.cn

备案序号:  京公网安备 11011502041140号  京ICP备05064905号-9    ©  1996-   中国医药信息网