عقد من التطور التنظيمي: قواعد وأبحاث الأجهزة الطبية المدعومة بالذكاء الاصطناعي عالميًا 2015—2025

عقد من تطور التنظيم: قواعد وأبحاث الأجهزة الطبية المدعومة بالذكاء الاصطناعي عالميًا 2015—2025

مقدمة

عندما تتحدث خوارزمية منتج Medical AI كل بضعة أشهر بسبب بيانات جديدة، ما الذي ينبغي للجهات التنظيمية أن توافق عليه تحديدًا؟ هل توافق على نسخة ثابتة من البرمجيات، أم على مجموعة قواعد تسمح لها بالاستمرار في التطور ضمن حدود معينة؟

تحوّل هذا السؤال خلال العقد الماضي من فرضية أكاديمية إلى هندسة سياسات حقيقية. في 17 يوليو 2025، نشر قسم العلوم التنظيمية في مجلة 《Frontiers in Medicine》 مراجعة بعنوان 《A decade of review in global regulation and research of artificial intelligence medical devices (2015–2025)》 أعدّها باحثون من جامعة شنيانغ الصيدلانية ومن مستشفى بكين يونيون الطبي التابع للأكاديمية الصينية للعلوم الطبية. استخدمت الدراسة منهجية PRISMA لمراجعة منهجية للسياسات والأبحاث الأكاديمية المتعلقة بـ AIMD في الأسواق الخمسة الكبرى — الولايات المتحدة والاتحاد الأوروبي والصين واليابان وكوريا الجنوبية — بين عامي 2015 و2025، واشتملت في النهاية على 73 مقالة أكاديمية و27 دراسة سياسات.

هذه ليست مراجعة تقنية. إنها تناقش القواعد — والقواعد آخذة في التحول إلى المتغير الأكثر واقعية في تحويل الذكاء الاصطناعي الطبي إلى صناعة.

سياق الصناعة

تشير الأجهزة الطبية المدعومة بالذكاء الاصطناعي (AIMD) إلى برمجيات أو تركيبات من البرمجيات والعتاد تستخدم خوارزميات تعلّم الآلة لتحليل بيانات طبية متعددة الوسائط، وتخضع للتنظيم بصفتها أجهزة طبية، وتشمل مجالات تطبيقها التنبؤ الفوري بالإنتان، والفحص الآلي لاعتلال الشبكية، وتصنيف مخاطر السرطان، وغيرها.

تكمن المشكلة في سمتين تقنيتين: التعلّم التكيفي (adaptive learning) وعدم شفافية الخوارزمية (algorithmic opacity).

يقوم المنطق التنظيمي لـ Medical Devices التقليدية على افتراض ضمني — ألا وهو أن الشكل الذي يكون عليه المنتج عند الموافقة هو الشكل الذي سيبقى عليه بعد طرحه في السوق. أما SaMD (البرمجيات بوصفها جهازًا طبيًا) القائمة على تعلّم الآلة فالعكس تمامًا: فهي تتغير باستمرار مع تراكم البيانات. وهذا يفرض على الجهات التنظيمية الإجابة في الوقت نفسه عن سؤالين متجاذبين: كيف تضمن سلامة المرضى، وكيف لا تخنق Healthcare Innovation في مرحلة الموافقة.

التطورات الرئيسيةالولايات المتحدة: من التجريب المسبق للاعتماد إلى خطة التحكم في التغييرات المحددة مسبقًا. مسار FDA هو الأكثر اكتمالًا. دفعت خطة عمل الابتكار في الصحة الرقمية (Digital Health Innovation Action Plan) لعام 2017 نحو تحديث تنظيم المنتجات الصحية الرقمية، وأطلقت مشاريع تجريبية مثل الاعتماد المسبق للبرمجيات (Pre-Cert)؛ واقترحت ورقة المناقشة لعام 2019 《Proposed Regulatory Framework for Modifications to AI/ML-Driven Software as a Medical Device》 نموذجًا تنظيميًا موجّهًا بدورة حياة المنتج الكاملة (TPLC)، وآليته الأساسية هي خطة التحكم في التغييرات المحددة مسبقًا (PCCP)، التي تسمح للشركات المصنعة بتحديد معلمات تحديث الخوارزمية مسبقًا في تقديمات ما قبل الطرح، وبالتالي إجراء تعديلات بعد الطرح ضمن الحدود الآمنة المعتمدة. أضفت خطة عمل برمجيات الذكاء الاصطناعي/تعلم الآلة لعام 2021 الطابع الرسمي على هذا الإطار، وشددت على مراقبة الأداء بعد الطرح؛ كما زادت مسودة إرشادات تقديم PCCP للطرح لعام 2023 من وضوح الشروط المسموح بها لتغييرات الخوارزمية ومتطلبات التقديم.

الاتحاد الأوروبي: الدخول من بوابة تصنيف المخاطر. أدخل قانون الذكاء الاصطناعي (AI Act) الأوروبي متطلبات تصنيف قائمة على المخاطر لـ AIMD، وربط التزامات الامتثال لأنظمة الذكاء الاصطناعي بمستوى خطرها على الصحة والسلامة.

الصين: الإرشادات الخاصة بالمراجعة الفنية تأتي أولًا. أصدرت الإدارة الوطنية للمنتجات الطبية الصينية (NMPA) في عام 2022 المبادئ التوجيهية للمراجعة الفنية للأجهزة الطبية المعتمدة على الذكاء الاصطناعي، مما وفّر أساسًا نسبيًا أكثر وضوحًا لمراجعة تقديمات AIMD المحلية.

اليابان: تصميم إطار لـ«الذكاء الاصطناعي القابل للتغير». أنشأت الوكالة اليابانية للأدوية والأجهزة الطبية (PMDA) إطارًا تنظيميًا للذكاء الاصطناعي التكيفي، في محاولة لتحقيق توازن بين مساءلة الخوارزميات والمرونة التنظيمية.

كوريا الجنوبية: المضي قدمًا بالتوازي. تعمل وزارة سلامة الأغذية والأدوية الكورية (MFDS) أيضًا على إنشاء مسار تنظيمي وطني لـ AIMD.

تعرض المراجعة، في شكل جدول مقارن، الاختلافات في المقاربات التنظيمية بين الولايات القضائية الخمس جنبًا إلى جنب — وهذه الاختلافات هي المصدر الحقيقي لتكاليف الامتثال لدى الشركات متعددة الجنسيات.القطاعات المتأثرة واضحة تمامًا: مطورو الذكاء الاصطناعي في التصوير الطبي وSaMD في المقدمة؛ منصات الصحة الرقمية القادرة على جمع البيانات الواقعية ومراقبة الأداء، ومصنّعو الأجهزة القابلة للارتداء وأجهزة المراقبة عن بُعد، سيكتسبون مساحة قيمة جديدة بسبب ارتفاع متطلبات الدافعين للأدلة؛ أما المستشفيات فهي الطرف الذي يتحمل القواعد في النهاية — إذ تعتمد قرارات الشراء والدفع التأميني بشكل متزايد على أدلة سريرية قابلة للتحقق.

لكن المراجعة قدّمت في الوقت نفسه مجموعتين من البيانات المثيرة للقلق. أولًا، أقل من 30% من AIMD تفصح عن التنوع الديموغرافي لمجموعات بيانات التدريب، وبالتالي يفتقر التحيز الخوارزمي إلى أساس قابل للتدقيق. ثانيًا، نحو 43% من AIMD الحاصلة على موافقة أو اعتراف FDA تفتقر إلى بيانات التحقق السريري، و28% فقط خضعت لاختبارات تحقق مستقبلية للجهاز.

بالنسبة لصناعة الرعاية الصحية، هذا يعني أن التساهل التنظيمي لا يعني تساهلًا في السوق. ستستخدم جهات الدفع ولجان الشراء في المستشفيات والأقسام السريرية معايير أكثر صرامة من الجهات التنظيمية لفرز منتجات الذكاء الاصطناعي الطبي.

التحديات والمخاطر

تكلفة العولمة الناتجة عن تباين المعايير. على الرغم من وجود مؤشرات على تقارب القواعد في الأسواق الخمسة الكبرى، فإن معايير تصنيف المخاطر ومتطلبات ضبط التغييرات ومعايير الأدلة لا تزال غير موحدة، ولا يمكن تجنب الاستثمار المتكرر في التقديمات العابرة للحدود.

معضلة الرقابة بعد التسويق للخوارزميات التكيفية. عندما تستمر الخوارزمية في التعلم في العالم الواقعي، تحتاج الجهات التنظيمية إلى قدرة على المراقبة المستمرة، لا إلى قرار موافقة لمرة واحدة — وهذا يفرض متطلبات جديدة على القدرات التقنية للجهات التنظيمية نفسها.

تنوع البيانات وعدالة الخوارزميات. عدم كفاية الإفصاح عن بيانات التدريب يجعل من الصعب قياس التحيز، كما يصعب المساءلة عنه في الوثائق التنظيمية.

فجوة التحقق السريري. يفتقر عدد كبير من AIMD المعتمدة إلى التحقق المستقبلي، ولن تُسد هذه الفجوة تلقائيًا بمجرد تحسين الأطر التنظيمية، بل تتطلب استثمارًا مشتركًا من شركات تكنولوجيا الرعاية الصحية والمؤسسات الطبية في أبحاث العالم الواقعي.

التأخر النسبي لعلم التنظيم. لا يزال تطور التقنية أسرع من وتيرة تحديث القواعد، وهو توتر هيكلي طويل الأمد في مجالي الابتكار في التكنولوجيا الحيوية والأجهزة الطبية.

النظرة المستقبلية

خلال السنوات الثلاث إلى الخمس القادمة، من المرجح أن يتقدم تنظيم AIMD على ثلاثة مسارات.

أولًا، الانتقال من "نقطة الموافقة" إلى "حوكمة دورة الحياة". قد تستفيد مزيد من الولايات القضائية من آليات إدارة التغيير القائمة على فكرة PCCP أو تكيّفها محليًا، وسيتحول رصد الأداء بعد التسويق من فعل طوعي إلى شرط امتثال إلزامي.

ثانيًا، دخول أدلة العالم الواقعي إلى صميم التنظيم والدفع. مع تكرار الإشارة إلى فجوة التحقق البالغة 43%، سترتفع في الوقت نفسه متطلبات الجهات التنظيمية والمستشفيات وجهات الدفع لبيانات الأداء الواقعية بعد التسويق.ثالثًا، ينتقل التنسيق العابر للحدود من مرحلة المبادرات إلى المستوى التنفيذي. قد تصبح منهجية تصنيف المخاطر في قانون الذكاء الاصطناعي الأوروبي (AI Act) قالبًا مرجعيًا للأسواق الأخرى عند تصميم قواعد تصنيف AIMD، وسيكون الاعتراف المتبادل بالمعايير بين الأسواق الخمسة متغيرًا حاسمًا يحدد سرعة عولمة منتجات الرعاية الصحية المدعومة بالذكاء الاصطناعي.

الخاتمة

خلال عشر سنوات، شهد تنظيم AIMD نقلة نموذجية: لم يعد المنظمون يسألون فقط «هل هذه الخوارزمية دقيقة؟»، بل بدأوا يسألون «كيف ستتغير هذه الخوارزمية في بيئة سريرية حقيقية، ومن سيتحمل مسؤولية هذا التغير؟». بالنسبة لشركات HealthTech، يعني هذا أن الامتثال لم يعد عتبة تُجتاز وتُنسى، بل قدرة تحتاج إلى تشغيل مستمر على المدى الطويل. عندما تبدأ القواعد في اللحاق بالتقنية، يظهر أيضًا الخط الفاصل الحقيقي — فالمنافسة في المرحلة التالية من الذكاء الاصطناعي الطبي لا تتعلق بمن يملك عددًا أكبر من معلمات النموذج، بل بمن يستطيع أن يثبت باستمرار أن نموذجه لا يزال آمنًا وفعّالًا وقابلًا للتفسير في العالم الحقيقي.