目录
- 摘要
- 第一章 绪论
- 第二章 监管框架与相关研究
- 第三章 需求分析与监管知识建模
- 第四章 系统总体设计
- 第五章 关键机制：合规判定引擎与阶段门控
- 第六章 系统实现
- 第七章 评估：监管覆盖率与双案例实证
- 第八章 讨论
- 第九章 结论与展望
- 参考文献
- 附录A 监管法规库清单
摘要
背景与问题。医疗人工智能（以下简称医疗AI）正以前所未有的速度进入中国医院的服务与管理流程，但其在医院场景的落地受到药监（医疗器械属性与注册）、卫健（医疗质量与伦理）、网信（算法与生成式AI备案）、数据与网络安全（三法一等保）四条监管主线的并行约束。医院作为医疗AI应用的落地主体与责任主体，普遍面临三重治理困境：其一，监管知识分散于数十部法律、法规、规章、标准与政策文件之中，跨部门、跨层级、跨领域，医务与信息化管理人员难以形成完整的合规视图；其二，医疗AI项目的合规义务高度依赖项目特征（是否处理医疗器械数据、是否辅助决策、是否使用生成式AI、是否面向公众、是否涉及临床研究、人类遗传资源与数据出境），通用项目管理工具无法自动推导适用范围；其三，实践中「先上线、后补证」现象频发，伦理审查、等级保护、注册备案等前置性程序常被压缩或跳过，埋下系统性合规风险。
研究目的与方法。本研究旨在设计并实现一套将国家监管标准内嵌于项目全生命周期的医院医疗AI项目管理系统，以化解上述治理难题。研究采用设计科学研究方法（Design Science Research Methodology，DSRM），遵循「问题识别与定义→目标设定→设计与开发→演示→评估→传播」的规范流程，完成从监管政策文本到可计算知识模型、再到工程实现的完整转化链条。
核心设计与实现。本研究完成了三项相互衔接的工作。第一，监管知识建模：系统梳理并结构化了 33 部国家法规、标准与政策文件，将其分解为约 90 项可勾选、可留痕的监管要点，按基础法律、医疗器械准入、医疗质量与诊疗规范、伦理与临床研究、网络与数据安全专项、算法与生成式AI监管、行业政策与治理七大领域组织，并为每部法规标注发布机关、文号、优先级与适用条件。第二，机制设计：提出七问式合规分类判定模型，通过七个布尔判定问题（医疗器械数据、辅助决策、生成式AI、公众服务、临床研究、人类遗传资源、数据出境）将项目特征映射到四条监管主线的路径结论，并据此自动挂载或排除条件适用法规；设计十段全生命周期模型（立项论证、合规分类判定、伦理审查、数据安全评估、采购与签约、试点部署、注册/备案办理、全院上线、运行监测与复评、变更/退役），并以「先合规、后上线」的阶段门控规则强制校验前置条件；实现对齐《医疗机构人工智能应用与治理专家共识（2026版）》的低/中/高三级风险分级。第三，工程实现：以单文件、零外部依赖、纯本地存储的离线架构交付系统（MedAI-PM），覆盖仪表盘、项目管理、监管法规库、合规判定向导、审计日志与数据管理六大模块，内置可打印的单项目合规报告导出与 JSON 备份导入导出，满足医疗数据「数据不出院」的刚性约束。
评估与结果。研究以监管覆盖率矩阵与双案例走查开展评估。覆盖率分析表明，系统对四条监管主线的关键节点形成完整覆盖：通用义务 22 部法规对全部项目无条件适用，11 部条件适用法规均由七问判定结果精确触发，无监管主线遗漏。双案例实证进一步验证了机制的可用性：肺结节CT影像AI辅助检测系统（第三类医疗器械路径，含回顾性研究数据）与门诊智能预问诊与导诊助手（生成式AI＋面向公众路径，非医疗器械）两类典型项目，经判定向导均得到符合监管逻辑的路径结论与差异化检查清单，阶段门控正确拦截了未满足前置条件的推进操作。
结论。本研究表明，将中国医疗AI监管知识形式化为「法规---适用条件---监管要点---阶段门控」四层可计算结构，并以判定引擎驱动项目管理流程，是「监管即代码」（Regulation-as-Code）理念在中国医院场景的一次可行落地：它把合规从分散的事后补救，转变为项目全生命周期中可推导、可校验、可留痕的内生约束。系统已具备在医院内网单机环境直接部署使用的条件，并为后续演进为院内多用户服务版与区域协同监管科技平台预留了数据模型与机制接口。
关键词：医疗人工智能；监管合规；全生命周期管理；监管即代码；合规分类判定；阶段门控；医院信息化
第一章 绪论
1.1 研究背景：医疗AI进入医院的「加速期」与「强监管期」叠加
医疗人工智能（以下简称医疗AI）在中国医院场景的应用，正处在一个政策推动力与技术扩散速度都前所未有的历史窗口期。从政策侧看，国务院《关于深入实施"人工智能+"行动的意见》（国发〔2025〕11号）将"人工智能+"上升为国家级行动框架，医疗健康被列为重点赋能领域；国家卫生健康委等三部门于2024年11月发布的《卫生健康行业人工智能应用场景参考指引》给出了覆盖医疗服务、健康管理、基层服务、产业发展等方向的 84 个细分应用场景，为医院立项提供了正面清单式的指引；2025年10月，国家卫生健康委等五部门联合印发《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（国卫办规划发〔2025〕30号），进一步确立了"促进"与"规范"并重的顶层基调，明确提出分级分类监管、大模型规范备案、穿透式监管、临床数据授权运营管理等治理要求。从技术侧看，医学影像辅助检测、病理与检验辅助分析、临床决策支持系统（CDSS）、生成式预问诊与导诊、病案智能编码等应用，已从概念验证阶段批量进入医院采购与部署阶段。
然而，与「加速期」同步到来的，是一个日益细密化的「强监管期」。医疗AI并非仅在一般信息系统的监管框架内运行------由于其作用对象是人的健康与生命，其监管密度在中国现行法律体系中处于最高一档。一部医疗AI系统在医院落地，理论上可能同时触发以下四类监管主线：
药监主线（医疗器械监管）。依据《医疗器械监督管理条例》（国务院令第739号）与《人工智能医用软件产品分类界定指导原则》（国家药监局2021年第47号通告），若软件处理医疗器械数据（CT/MRI影像、生理信号、检验数据、病理图像等客观医疗数据），即具备医疗器械属性的可能性；若同时用于辅助决策（给出诊断结论、治疗建议、用药推荐等），则通常按第二类或第三类医疗器械管理，须取得或核验NMPA注册证，并纳入医疗器械全生命周期监管（注册变更、不良事件监测与再评价等）。
卫健主线（医疗质量与伦理）。依据《医疗质量安全核心制度要点》《中华人民共和国医师法》《互联网诊疗监管细则（试行）》《电子病历应用管理规范（试行）》等，AI输出进入病历或临床决策前必须经责任医师审核确认，严禁AI替代医师接诊、诊断与开具处方；利用患者数据训练或验证模型，须依据《涉及人的生命科学和医学研究伦理审查办法》（2023年施行）完成伦理审查或豁免认定，涉及研究者发起的临床研究（IIT）的还须依据《医疗卫生机构研究者发起的临床研究管理办法》（2024年全国施行）在国家医学研究登记备案信息系统备案。
网信主线（算法与生成式AI监管）。依据《互联网信息服务算法推荐管理规定》（2022年施行）、《互联网信息服务深度合成管理规定》（2023年施行）、《生成式人工智能服务管理暂行办法》（2023年8月15日施行）与《人工智能生成合成内容标识办法》（2025年9月1日施行，配套强制性国家标准GB 45438-2025），使用生成式AI/大模型技术的项目须核验大模型备案编号，生成内容须添加显式与隐式标识，具有舆论属性或社会动员能力的算法服务须履行备案义务。
数据与网络安全主线。依据《中华人民共和国网络安全法》（2017年施行，2025年修正）、《中华人民共和国数据安全法》（2021年施行）、《中华人民共和国个人信息保护法》（2021年施行）及网络安全等级保护制度（等保2.0），医疗AI系统须完成定级备案与等级测评；医疗健康信息属敏感个人信息，须取得单独同意或具备法定依据，开展个人信息保护影响评估（PIA）；数据须按《卫生健康行业数据分类分级指南（试行）》（2023年印发）完成分级并境内存储；涉及人类遗传资源与数据出境的，还须分别履行《人类遗传资源管理条例》与《数据出境安全评估办法》项下的审批、备案义务。
这四条主线分别对应药监、卫健、网信、公安与网信（等保）、科技（人遗）等多个监管部门，监管规则散见于法律、行政法规、部门规章、规范性文件、强制性国家标准与推荐性标准等多个层级。对一家医院而言，一个医疗AI项目的合规义务清单，实际上是这数十份文件按项目特征「裁剪---组合」后的结果------而这一裁剪组合工作，恰恰是当前医院治理能力中最薄弱的一环。
1.2 问题提出：医院侧的三重治理困境
监管的细密化本身是医疗AI健康发展的必要条件，问题在于监管知识的组织方式与医院的治理能力之间存在显著错配。通过政策文本梳理与医院场景观察，本研究将医院侧的治理困境归纳为三重。
困境一：监管知识碎片化，难以形成完整合规视图。前述四条主线分散于不同发布机关、不同效力层级、不同时间窗口的文件之中。以生成式AI监管为例，一个门诊预问诊项目需要同时知晓2021年的分类界定原则（判断其是否医疗器械）、2023年的生成式AI办法（判断备案义务）、2025年的标识办法（判断标识义务）以及2026年4月发布的《医疗机构人工智能应用与治理专家共识（2026版）》（判断准入分级与复评义务）------这些文件之间没有一份统一的「医院实施手册」加以整合。医院信息科、医务科、医疗器械管理部门、伦理委员会各自掌握其中一部分，但没有任何一个角色天然拥有全部。知识的碎片化直接导致合规检查的遗漏：要么漏掉某条主线（如只关注了器械注册却忽略了算法备案），要么漏掉某个层级（如知晓法规条文却不知晓配套国家标准的强制要求）。
困境二：适用性依赖项目特征，人工推导易错且不可复用。医疗AI项目的监管义务不是静态清单，而是项目特征的函数。同样引入一套AI系统，「处理CT影像的辅助检测」与「处理主诉文本的智能导诊」面临完全不同的监管路径；「院内医师使用」与「患者小程序使用」在网信与卫健主线上义务迥异；「仅用已备案大模型对外服务」与「自建模型对外服务」在备案责任上天壤之别。这种条件化的适用逻辑，理论上可以由人工逐案推导，但实践中存在两个问题：其一，推导依赖对数十份文件的交叉理解，医院内部具备这种跨领域知识结构的人员极为稀缺；其二，人工推导缺乏留痕与复用机制，同一医院对不同项目的判定口径可能不一致，甚至同一项目在不同时期的判定也会漂移，这正是合规风险管理中的「口径风险」。
困境三：「先上线、后补证」的流程性风险。医疗AI项目的采购与部署往往由业务科室需求驱动，合规程序（伦理审查、等保测评、注册证核验）在时间上天然滞后于技术实施。当医院缺乏一个把合规程序嵌入项目流程的机制时，合规就沦为「上线后补材料」的事后动作。而监管政策的最新动向------无论是国卫办规划发〔2025〕30号提出的穿透式监管，还是2026版专家共识提出的多学科联合准入审查与一票否决制、每半年动态复评------都指向对「事前、事中」治理的强化。事前治理的缺位，将在监管检查、医疗纠纷、不良事件处置等多个场景下转化为医院的现实法律风险。
通用项目管理软件（如面向进度的甘特图工具、面向协同的工单系统）无法解决上述困境，因为其数据模型中不存在「监管义务」这一实体；市面上的合规管理软件多面向企业法务的「法规台账」模式，缺少与医疗AI项目特征绑定的适用性推导能力；而医院信息系统（HIS/PACS/EMR）则完全不含项目管理与合规治理职能。三者之间存在一个明确的功能真空带------这正是本研究的切入点。
1.3 研究问题与目标
针对上述困境，本研究提出一个总的 设计问题：如何将中国医疗AI监管知识转化为可计算的模型，并以内嵌方式驱动医院医疗AI项目的全生命周期管理？ 该设计问题可分解为四个递进的研究问题：
RQ1（知识建模问题）：分散于 33 部国家法规、标准与政策文件中的医疗AI监管要求，如何结构化为可计算、可维护的监管知识模型？具体包括：法规如何分类组织？每部法规如何分解为可操作的监管要点？法规对项目的适用性如何形式化表达？
RQ2（架构设计问题）：承载该知识模型的医院项目管理系统应采用何种总体架构？如何在不引入服务器、不改变医院现有信息化格局的前提下，满足「数据不出院」、可移植、易维护的工程约束？
RQ3（机制形式化问题）：系统中的两个核心机制------合规分类判定引擎（从项目特征推导监管路径）与阶段门控（强制「先合规、后上线」）------如何形式化定义？其结论与监管规则原文之间的一致性如何保证？
RQ4（评估验证问题）：系统的监管覆盖度与实用价值如何验证？典型医疗AI项目（器械类与非器械类、生成式与非生成式）在系统中的管理过程是否完整、正确？
与四个研究问题对应，本研究的总目标是交付一套可运行、可评估、可演进的医院医疗AI项目合规管理系统（MedAI-PM），并以学术论文的形式完整呈现「政策文本分析 → 知识建模 → 系统设计 → 工程实现 → 实证评估」的全链条方法与结果，为医院信息化管理者提供可直接复用的工具，为卫生信息学与监管科技（RegTech）研究提供一个「监管即代码」的中国医院场景实证。
1.4 研究方法：设计科学研究方法（DSRM）
本研究采用设计科学研究方法（Design Science Research Methodology，以下简称DSRM）。选择DSRM而非实证研究或行动研究的理由在于：本研究的核心产出是「人工制品」（artifact）------一套监管知识模型与一个管理系统软件------而非对既有现象的观测或解释；DSRM正是以「问题域驱动的制品创建与评估」为方法论内核的研究范式，其七阶段流程（问题识别与定义、目标设定、设计与开发、演示、评估、传播）与本研究的工作链条天然对齐。具体映射如下：
- 问题识别与定义：对应 1.1---1.2 节的政策背景梳理与三重治理困境分析（输入：政策文本 + 医院场景观察）；
- 目标设定：对应 1.3 节四个研究问题与总目标（可度量的目标包括：法规库覆盖数、监管要点数、判定完备性、门控规则数等）；
- 设计与开发：对应第 2---5 章。其中第 2 章完成监管框架的结构化梳理（知识建模的素材层），第 3 章完成需求分析与监管知识模型定义（RQ1），第 4 章完成系统总体设计（RQ2），第 5 章完成判定引擎与阶段门控的形式化（RQ3）；
- 演示：对应第 6 章系统实现与第 7 章双案例走查------两个内置示例项目（肺结节CT影像AI辅助检测系统、门诊智能预问诊与导诊助手）在系统中完整走通「立项 → 判定 → 清单落实 → 阶段推进」流程；
- 评估：对应第 7 章监管覆盖率矩阵分析与双案例实证，以及第 8 章对评估效度威胁的讨论（RQ4）；
- 传播：即本论文本身，以及单文件、免安装、可拷贝部署的系统分发形态。
需要说明的是，DSRM 中的「评估」在本研究中采用描述性评估（descriptive evaluation）策略------通过覆盖率矩阵论证完备性、通过案例走查论证可用性------而非面向真实用户群体的实证评估。这一选择的理由与局限将在第 7、8 章详细讨论。
1.5 研究贡献与论文结构
本研究的贡献可概括为「一个模型、一套机制、一个系统、一份实证」：
- 一个监管知识模型：将 33 部法规/标准/政策文件组织为「七大领域 × 两级优先级 × 三类适用性」的结构化法规库，并分解出约 90 项可勾选的监管要点，每个要点均可追溯到明确的法规依据（详见第 3 章与附录A）；
- 一套核心机制：七问式合规分类判定模型（项目特征 → 监管路径结论与条件法规挂载）、「先合规、后上线」的阶段门控规则集、对齐2026版专家共识的三级风险分级算法（详见第 5 章）；
- 一个系统实现：单文件、零依赖、纯本地存储的 MedAI-PM 系统，六大功能模块，808 行代码，可在医院内网任何一台计算机上免安装运行（详见第 4、6 章）；
- 一份实证评估：四主线 × 七领域的覆盖率矩阵，以及器械类/生成式类双案例的全流程走查（详见第 7 章）。
本论文其余部分的组织结构如下：第 2 章系统梳理中国医疗AI监管框架（四条监管主线、33部法规）与相关研究，识别研究空白；第 3 章开展需求分析，定义监管知识模型、适用性判定模型、全生命周期模型与风险分级的需求规格；第 4 章给出系统总体设计，包括设计原则、六模块架构、数据模型与安全设计；第 5 章对判定引擎与阶段门控两个核心机制进行形式化定义与正确性论证；第 6 章解析系统实现的关键代码与质量保障措施；第 7 章通过覆盖率矩阵与双案例走查完成评估；第 8 章讨论研究的理论与实践意义及七项局限；第 9 章回答四个研究问题并给出三层演进路线图。全文遵循「结论先行、框架展开、证据支撑」的分层结构化写作原则：每章开头给出该章要回答的一个问题与核心结论，再逐层展开论证。
第二章 监管框架与相关研究
本章回答一个核心问题：中国医疗AI监管体系如何构成，现有工具与方法为何不足以支撑医院侧的合规治理？本章结论先行：中国医疗AI监管呈「四条监管主线并行、七大领域分层」的结构，义务高度条件化；现有 GRC 软件与医院信息化工具均缺少「监管知识 × 项目特征」的自动推导能力，构成明确的研究空白。
2.1 监管体系总览：从「监管三分法」到「四条监管主线」
对中国医疗AI监管框架的梳理，业界常见的一个入手框架是「监管三分法」------即按监管对象将规则分为大模型/生成式AI监管、临床决策支持软件（CDSS）监管与AI医用软件监管三类。这一三分法抓住了技术形态的差异，但对医院管理者而言并不够用：医院是所有这些规则的交汇执行点 ，一个项目可能同时落在两至三个类别内（例如「基于大模型的CDSS」）。因此，本研究提出以监管主体与法律依据为轴线的「四条监管主线」组织框架：
- 药监主线：以国务院《医疗器械监督管理条例》为总纲、以国家药监局系列指导原则为操作细则，回答「本项目是否按医疗器械管理、按第几类管理、注册与变更义务如何」；
- 卫健主线：以国家卫生健康委（及联合发布部门）的医疗质量、诊疗规范、伦理审查、临床研究管理规则为主体，回答「AI在诊疗行为中的边界、医师责任如何划定、患者数据使用的研究合规义务如何履行」；
- 网信主线：以国家网信办牵头制定的算法推荐、深度合成、生成式AI与内容标识规则为主体，回答「算法备案、大模型备案、生成内容标识义务是否触发」；
- 数据与网络安全主线：以网络安全法、数据安全法、个人信息保护法「三法」及等保2.0、行业数据分类分级制度为主体，回答「数据如何分级、如何存储、如何评估、出境与人遗是否合规」。
四条主线之间存在交叉引用关系：例如网信主线下的《生成式人工智能服务管理暂行办法》同时要求数据来源合法（衔接数据主线）与医疗领域专业责任（衔接卫健主线）；卫健主线下2025年30号文的「穿透式监管」要求实际上把药监、网信两条主线的义务合并到医院的动态监测责任中。这种交叉性正是医院侧合规困难的结构性根源：不能按监管部门切分任务，必须按项目整体聚合义务。
在此主线下，本章以下按系统法规库的七大领域逐一梳理 33 部法规/标准/政策文件（各法规的完整登记表见附录A），并在 2.8 节对照国际监管框架、2.9 节回顾相关研究并识别研究空白。
2.2 基础法律领域（A 类，4 部）
A 类是全部医疗AI项目无条件适用的顶层法律，共 4 部、15 项监管要点。
《中华人民共和国网络安全法》（2017年施行，2025年修正）确立了网络安全等级保护制度的法律地位，要求运营者完成信息系统的定级、备案与测评，落实网络安全事件报告机制，涉及关键信息基础设施的履行专门保护义务，网络日志留存不少于六个月。对医院AI项目而言，这部法律的实际操作含义是：任何新上线的AI系统都应纳入医院的等保定级台账，而非游离于安全管理之外。
《中华人民共和国数据安全法》（2021年施行）要求建立覆盖收集、存储、使用、加工、传输、提供、公开全生命周期的数据安全管理制度，开展数据分类分级，识别重要数据并定期风险评估。其第 21 条确立的分类分级义务，经由行业指南（E3，见 2.6 节）在卫生健康领域落地为可操作的 3 大类 22 小类与核心/重要/一般三级体系。
《中华人民共和国个人信息保护法》 （2021年施行）对本研究尤其关键：医疗健康信息属敏感个人信息，处理须取得单独同意（或具备法定依据），处理前须开展个人信息保护影响评估（PIA）且报告留存不少于三年，并须建立患者查阅、复制、更正、删除、解释说明等权利响应机制。医疗AI项目使用患者数据训练模型，属于典型的敏感个人信息处理活动，PIA 因此成为系统的必查项。
《基本医疗卫生与健康促进法》（2020年施行）从卫生健康基本法层面确认了患者隐私保护要求（严禁非法收集、使用、买卖公民个人健康信息），并要求明确AI应用的医疗服务责任主体与执业边界------这为「赋能而不替代」原则提供了基本法层面的先声。
2.3 医疗器械准入领域（B 类，5 部）
B 类是药监主线的核心，其适用性取决于项目的医疗器械属性判定，共 5 部、16 项监管要点。
《医疗器械监督管理条例》（国务院令第739号，2021年修订）是药监主线的总纲：一旦判定按医疗器械管理，即须确认产品分类（第二类/第三类）、核验供应商《医疗器械注册证》及其有效期与适用范围、将软件产品纳入医疗器械台账与院内资产管理、核验采购渠道资质。值得强调的是，对医院而言（作为使用者而非注册人），药监义务的重心不在「注册」而在「核验与管理」------但实践中注册证核验环节的疏漏（证过期、适用范围与实际用途不符）恰是检查中的高频问题。
《人工智能医用软件产品分类界定指导原则》 （国家药监局2021年第47号通告）是整个判定逻辑的枢纽文件。其核心规则可归纳为：是否处理医疗器械数据 × 是否用于辅助决策，构成 2×2 判定矩阵------处理器械数据且辅助决策的，按第三类（重大疾病诊治决策、危重情形）或第二类管理；处理器械数据但不辅助决策（仅测量、分割、流程优化）的，一般按第二类管理；不处理器械数据的，原则上不作为医疗器械管理。本系统的七问判定（第 5 章 Q1、Q2）即直接形式化了这一矩阵。
《人工智能医疗器械注册审查指导原则》（国家药监局2022年第8号）与**《医疗器械软件注册审查指导原则》**（2022年第9号）细化了注册技术要求：算法性能与临床评价指标（敏感性、特异性、AUC等）、实际用途与注册证及说明书的一致性、算法更新策略（固定模型/受控更新，重大更新须变更注册）、可解释性与人机协同说明、软件生存周期与版本管理、网络安全能力文档、互操作性接口文档等。这些要点对医院的采购核验与院内准入审查构成直接依据。
《医疗器械不良事件监测和再评价管理办法》（2019年施行）将器械类AI项目的运行期义务延伸到监测环节：注册接入国家医疗器械不良事件监测信息系统、建立院内AI相关不良事件/近似事件报告与评估流程、严重不良事件按时限上报并采取风险控制措施。这为系统第 9 段生命周期「运行监测与复评」提供了法定依据。
2.4 医疗质量与伦理临床研究领域（C 类 4 部 + D 类 4 部）
卫健主线在系统法规库中拆分为 C（医疗质量与诊疗规范）与 D（伦理与临床研究）两个领域，共 8 部、27 项监管要点。
C 类四部法规确立「AI 辅助、医师主导」的责任结构。《医疗质量安全核心制度要点》（18项核心制度，2018年印发）要求AI输出进入病历/临床决策前必须经责任医师审核确认（对应首诊负责制），AI应用纳入医疗质量管理体系，明确责任医师、使用授权范围与培训要求。《互联网诊疗监管细则（试行）》（国卫办医发〔2022〕2号）在患者端场景下划出刚性红线：严禁AI替代医师接诊、诊断与开具处方，处方须经药师审核，互联网诊疗全程留痕、可追溯。《电子病历应用管理规范（试行）》（2017年施行）要求AI生成内容写入病历时标注来源并经医师确认、病历修改留痕可查询、医师电子签名合法有效。《中华人民共和国医师法》（2022年施行）从执业医师立法层面明确：AI仅为辅助工具，诊疗决策权与法律责任在执业医师，使用人员资质审核与培训记录须归档。
D 类四部法规解决「数据用于研究与模型训练的正当性」问题。《涉及人的生命科学和医学研究伦理审查办法》（2023年施行，四部门联合）要求利用患者数据训练/验证模型前完成伦理审查或豁免审查认定，伦理批件实行跟踪审查（一般每年至少一次），知情同意书版本管理与受试者撤回机制、严重不良事件报告义务。《医疗卫生机构研究者发起的临床研究管理办法》（2024年全国施行）针对IIT研究要求在国家医学研究登记备案信息系统完成备案，研究方案、数据安全与样本管理经审核，结题与结果公开发布管理，利益冲突声明与经费管理。《科技伦理审查办法（试行）》（2023年12月施行，十部门）引入「伦理审查需要开展的科技活动清单」与高风险科技活动专家复核机制。《人类遗传资源管理条例》及实施细则（2019年/2023年）则在基因、组学数据场景下触发采集保藏审批、国际合作备案或审批、对外提供前备份与备案等义务------这是七问判定中 Q6（人遗）对应的法规群。
2.5 算法与生成式AI监管领域（F 类，4 部）
F 类是网信主线的主体，也是近年扩张最快的领域，共 4 部、12 项监管要点。
《生成式人工智能服务管理暂行办法》 （2023年8月15日施行，七部门联合）确立了生成式AI服务「双备案」结构：使用已备案大模型的服务方须核验备案编号；自建对外生成式服务须自行完成备案与安全评估。同时要求训练数据来源合法（不含侵权、违法信息，个人信息处理合规）、生成内容显著标识、建立投诉举报机制。对医院而言，这一办法的落地形态是：采购生成式AI产品时，核验供应商大模型备案编号成为与核验器械注册证同等重要的合规动作；医疗场景还须叠加输出安全审核机制------幻觉拦截、拒答边界、医学免责提示。
《互联网信息服务算法推荐管理规定》（2022年3月1日施行）与**《互联网信息服务深度合成管理规定》**（2023年1月10日施行）要求：判定服务是否具有舆论属性或社会动员能力，如是则完成算法备案；向用户提供不针对个人特征的选项或便捷关闭方式；深度合成内容按规定备案并添加标识。
**《人工智能生成合成内容标识办法》**及配套强制性国家标准 GB 45438-2025（2025年9月1日施行）把标识义务从原则提升为强制技术要求：文本生成内容添加显式标识（如「AI生成」提示），图像、音视频添加隐式标识（文件元数据），并保障标识不被删除、篡改。这一强制性要求意味着：2025年9月1日之后上线的生成式AI应用，若标识机制缺失，即构成直接违规------系统将其列为高优先级监管要点。
2.6 网络与数据安全专项领域（E 类，7 部）
E 类将 A 类顶层法律在卫生健康行业落地为可执行制度，共 7 部、20 项监管要点。
《医疗卫生机构网络安全管理办法》（国卫规划发〔2022〕29号，三部门联合）压实机构主体责任：明确责任部门与责任人、信息系统上线前完成安全测试与验收、供应商安全审查与合同安全保密条款、云服务风险评估与数据存储位置核实、安全事件应急预案与定期演练。
网络安全等级保护制度（等保2.0，GB/T 22239-2019）：定级后 10 个工作日内向公安机关备案，按级建设整改并开展等级测评（第三级及以上每年一次），测评问题整改闭环。医疗AI系统承载敏感健康数据，通常应定为三级------这直接决定了系统生命周期第 4 段「数据安全评估」的工作量与周期。
《卫生健康行业数据分类分级指南（试行）》（2023年印发，三部门）：按 3 大类 22 小类完成数据分类，按核心/重要/一般三级完成分级，建立数据资产目录并完成重要数据报送认定，实施分级访问控制与最小可用原则。
《健康医疗数据安全指南》（GB/T 39725-2020） ：制定去标识化/匿名化技术方案，数据导出共享的审批与记录留痕，数据安全事件监测与溯源能力建设。《人口健康信息管理办法（试行） （2014年印发）：人口健康信息存储于境内，未经授权不得向任何单位和个人提供，委托存储运营须签订协议并监督。《数据出境安全评估办法》及《促进和规范数据跨境流动规定》（2022年/2024年）：出境前完成安全评估/标准合同/保护认证三路径判定。**《中华人民共和国密码法》**及商用密码应用要求：关键信息基础设施落实商用密码保护，等保三级系统开展商用密码应用安全性评估（密评）。
2.7 行业政策与治理领域（G 类，5 部）与政策的动态演进
G 类 5 部文件（12 项要点）构成医院AI治理的「政策操作系统」。《关于深入实施"人工智能+"行动的意见》 （国发〔2025〕11号）要求项目定位与行动重点方向对齐并纳入医院信息化整体规划。《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》 （国卫办规划发〔2025〕30号）是当前最顶级的行业治理文件，其五项要点------对照 8 个方向 24 项重点应用确定项目定位、执行「赋能而不替代」原则、配合大模型规范备案与评测验证（穿透式监管）、建立AI应用动态监测评估预警机制、落实临床数据授权运营与负面清单管理------实质上定义了医院AI治理的完整动作集。《卫生健康行业人工智能应用场景参考指引》 （2024年11月，84个场景）要求项目对照 84 个细分场景完成定位与编码登记、不超范围使用。《医疗机构人工智能应用与治理专家共识（2026版） （2026年4月，40余家机构参与）虽属共识文件而非法规，但其「低/中/高三级风险准入分级 + 多学科联合评估组（临床+信息+法务+伦理）一票否决制 + 每半年动态复评 + 人机协同以人为主」的治理结构，是目前医院AI准入审查最具操作性的参照标准，本研究系统的风险分级算法即以此为依据。卫生信息标准与互联互通测评（WS/T系列、HL7 FHIR）则把数据接口合规与电子病历分级、智慧服务/智慧管理评级联动。
梳理这 33 部文件的时间分布可以发现一个重要事实：监管供给正在加速 。2017---2021 年年均新增约 1---2 部相关文件；2022 年后进入密集期（算法推荐规定、深度合成规定、生成式AI办法、伦理审查办法、IIT管理办法、数据分类分级指南、标识办法等集中出台）；2025---2026 年进一步出现「行业综合治理」型文件（30号文、2026版共识）。这意味着任何静态的合规清单都会快速过时，医院需要的不是一份清单，而是一个可随法规库版本更新而同步演进的治理工具------本研究将法规库设计为带版本标识（当前 2026-09）的结构化数据而非硬编码逻辑，正是对这一动态性的工程回应。
2.8 国际监管框架对照
将中国框架置于国际坐标系中，有助于辨识其结构特性与共同趋势。美国路径以 FDA 为代表：依托国际医疗器械监管机构论坛（IMDRF）的 SaMD（Software as a Medical Device）框架，按「医疗处境重要性 × 信息处理状态」四象限进行风险 categorization，并辅以《作为医疗器械的软件：临床评价》等指南；针对 AI 器械的算法迭代问题，FDA 提出「预定变更控制计划」（Predetermined Change Control Plan，PCCP），允许注册人在申报时预先声明算法更新的边界，以缓解「每次更新都需变更注册」与传统机器学习持续迭代之间的张力。这一机制与中国 2022 年第 8 号指导原则中「固定模型/受控更新，重大算法更新需变更注册」的分层要求在逻辑上同构。
欧盟路径则是 MDR（医疗器械法规）与 AI Act（2024/1689 号条例）的双轨叠加：一个医疗AI产品可能同时作为医疗器械（MDR 合格评定）与 AI 系统（AI Act 风险分级------不可接受/高/有限/最小四档）接受评估，医疗场景的 AI 通常落入高风险档，须履行风险管理、数据治理、技术文档、人类监督、日志留存等义务；通用目的 AI 模型（GPAI）另有透明度与系统性风险分层要求。
对照可得三点判断 。其一，分级维度存在差异 ：欧盟以风险后果为分级主轴，美国以医疗处境为分级主轴，中国则以「器械属性判定矩阵（47号通告）+ 应用场景清单（84场景指引）+ 行业风险分级（2026共识）」的组合实现类似功能------中国的特点是把分级问题转化为可操作的判定问题（处理器械数据与否、辅助决策与否），这恰好为系统的形式化提供了便利。其二，共同趋势明确 ：生命周期监管（从上市前延伸到上市后监测）、算法更新管理、人类监督（human oversight）、透明度与可解释性要求，在中美欧框架中均为标配------系统将「医师终审」「算法更新策略核验」「不良事件监测」列为高优先级要点，正是对这一共识的响应。其三，中国特色的制度环节：网信主线的算法与大模型备案、生成内容强制标识（GB 45438-2025）、数据出境三路径管制，构成欧美框架中不存在或形态不同的义务节点------任何声称「移植国际最佳实践」的医院合规工具若缺少这些环节，在中国语境下即不完整。这一判断进一步支撑了本研究「自建知识模型而非套用国际模板」的路线选择。
2.9 相关研究与工具现状：研究空白
与本研究相关的文献与工具可归入四支脉络。
（1）治理与政策研究脉络。卫生政策与医学伦理学界对中国医疗AI监管的研究，多聚焦于监管框架的国际比较（FDA 的 SaMD 框架、欧盟 AI Act 与 MDR 的叠加）、责任分配（医师---算法---机构三方责任）与伦理原则（透明、公平、可追责）。这类研究为监管提供了「应然」框架，但其产出是论述性文本，不解决医院「如何落地」的操作问题。
（2）GRC 与合规信息化脉络。企业治理、风险与合规（Governance, Risk & Compliance, GRC）软件（如面向金融业的合规台账系统）实现了法规条目化管理与检查任务分派，验证了「法规结构化」的可行性。但主流 GRC 产品的法规适用模型是为金融、环保等「主体义务」型监管设计的------其假设是监管义务按企业主体统一适用，而医疗AI监管是「项目特征条件义务」型，同一机构内不同项目的义务集合差异极大。这一范式差异使通用 GRC 无法直接迁移。
（3）RegTech 与监管即代码脉络。监管科技（RegTech）研究中「监管即代码」（Regulation-as-Code）理念主张将规则形式化为机器可执行逻辑，代表性实践包括新西兰的 Better Rules 计划、爱沙尼亚的机器可读法规试验。这类实践验证了规则形式化的技术可行性，但多停留在「单部法规规则化」试点层面，尚未见到面向医疗AI这种「数十部法规交叉、条件适用」场景的完整系统实现------尤其在中文监管语境下，本研究未检索到同类系统化成果。
（4）医院信息化工具脉络。医院项目管理或科研管理系统（如面向 IIT 的临床研究管理平台）覆盖了伦理批件管理等单点环节，但不包含医疗器械属性判定、算法备案、数据分级等跨主线义务；医院信息平台（HIS/集成平台）本身不承载项目管理职能。
综合四支脉络，研究空白清晰呈现：已有研究要么给出论述性框架而无工程实现，要么实现单点合规而无跨主线整合，要么具备法规结构化能力而无医疗AI条件适用建模。跨越这一空白，需要同时完成「监管知识工程化（30余部法规→可计算模型）」与「管理系统工程化（模型→可用软件）」两个环节------这正是本研究以 DSRM 方法所推进的工作。下一章将进入第一个环节：需求分析与监管知识建模。