AI 醫材上市後監測怎麼做？TFDA 十項 GMLP 原則

AI 醫材上市後監測，核心工作是持續追蹤輸入資料、模型性能、族群差異與不良事件。台灣食藥署在 2026 年 6 月公告十項人工智慧醫療器材優良機器學習實務原則，已把資料集代表性、資料漂移與上市後性能監控放進產品全生命週期管理；醫院採購時，應把監測門檻、人工覆核與停用回復寫進驗收條款。TFDA 公告與十項 GMLP 原則原文都把「拿到許可」和「持續安全有效」分成兩個階段。

這個題目和模型更新的管理有關，工作焦點卻不同。想先建立醫院導入的全貌，可以讀醫療 AI 導入的五道臨床關卡；本文把鏡頭拉到上線之後，回答一個採購與臨床團隊都會遇到的問題：模型何時算變差，誰要先發現，誰有權暫停使用。

AI 醫材上市後監測是什麼

上市後監測是把產品放進真實使用環境後，持續蒐集、分析並處理安全與性能證據。TFDA 2026 年 GMLP 文件適用於應用機器學習技術的醫療器材，十項原則涵蓋預期用途、軟體工程、資料代表性、訓練與測試資料獨立、參考標準、模型選擇、人與 AI 互動、真實環境測試、使用者資訊，以及上市後性能監控。TFDA GMLP 文件逐項列出這十個管理面向。

我會把監測拆成兩張表。第一張問「模型還能不能在原本的用途、族群與場景工作」，第二張問「出了異常後，臨床端能不能及時知道並切回人工流程」。前者屬性能與資料監測，後者牽涉介面、責任、紀錄與停用設計，兩張表都要有負責人。

上線後要監測哪些資料

先看輸入資料有沒有變

醫療 AI 的輸入可能來自影像設備、檢驗儀器、電子病歷欄位或穿戴裝置。設備換代、掃描協定改變、欄位缺值變多，或院所開始收治不同族群，都可能讓部署後資料偏離開發時的資料分布。FDA 的 AI 醫材上市後監測研究把資料擷取系統、流程、病人族群與跨臨床場域變化列為效能差異來源，也把偵測超出模型原先資料範圍的輸入列為研究方向。FDA 上市後監測研究

醫院因此要記錄輸入完整率、設備與版本、資料取得時間、缺值型態和適用族群。這些欄位會讓團隊分辨「模型變差」和「送進模型的資料已經不同」兩種狀況。

再看輸出性能有沒有掉

單一準確率不足以支撐長期監測。影像 AI 可以追靈敏度、特異度、偽陽性與偽陰性；分流工具可以追漏分高風險個案的比例、人工覆核結果與處置時間；病歷摘要工具則要抽查關鍵欄位遺漏和錯誤內容。指標必須連回產品的預期用途與臨床風險，TFDA GMLP 也要求模型設計與評估考慮輸入、輸出及臨床條件中的不確定性與變異性。TFDA GMLP 原則 3、6、8

把族群差異單獨拉出來

TFDA 文件要求臨床評估資料涵蓋預期患者的年齡、生理性別、族群背景、地理位置、醫療狀況、使用環境與量測輸入；使用非本土資料訓練的模型，也要評估在國內族群的適用性與性能差異。TFDA GMLP 原則 3這代表院方不能只看全體平均值，至少要知道哪些子族群樣本不足、哪些族群的人工覆核推翻率偏高。

安全事件要接回通報流程

性能監測處理模型可能變差，不良事件通報處理已造成或可能造成傷害的醫材事件。TFDA 公開說明，醫療器材上市後若發生疑似由器材引起的不良事件，包含不良反應與產品問題，都可通報；嚴重不良事件的範圍包括死亡、危及生命、永久性殘疾、需住院或延長住院，以及其他可能導致永久性傷害的併發症。TFDA 醫療器材不良事件通報

醫院的事件表單要把產品名稱、模型版本、輸入資料版本、輸出內容、人工處置、發生時間與是否重現留下來。少了版本和輸入上下文，後續很難判斷問題出在模型、介接、設備，還是使用方式。

台灣現況：十項 GMLP 和安全監視怎麼接

TFDA 的 GMLP 原則提供 AI／ML 醫材從設計到維護的管理框架，文件明載業者可依產品宣稱效能、適用範圍、對象與使用情境評估適用性。第十項要求已部署模型在真實世界進行適當程度的持續監控，重新訓練與更版部署要納入品質管理系統，業者也要訂定上市後監測計畫，追蹤不良事件與真實世界性能。TFDA GMLP 原則 10

另一條是《醫療器材安全監視管理辦法》的安全監視制度。依 TFDA 公開說明，中央主管機關可指定品項與期間，要求許可證所有人或登錄者蒐集國內外安全資料；安全監視期間每半年填具定期安全性報告，期末後 60 日內提交總結報告。TFDA 醫療器材安全監視報告這條制度有明確的法定對象與報告節點，AI 性能監測則要再依產品風險設計資料、指標和處置門檻。

兩條線要在醫院端接起來。安全監視回答「產品是否出現需要通報或監管處置的安全問題」，性能監測回答「模型在真實場景是否仍符合預期用途」。若安全監視報告只統計事件件數，沒有保留輸入資料特徵、版本與子族群表現，AI 產品的劣化可能要到臨床傷害發生後才浮現。

FDA 的方向：監測、PCCP 與責任分開看

FDA 目前公開的 AI 醫材上市後監測頁面屬於監管科學研究，研究目標是發展偵測輸入變化、監測輸出性能與理解性能變異原因的方法，並列出資料漂移、模型性能主動監測與聯邦評估等研究方向。FDA 監管科學研究

PCCP 處理的是「計畫內的產品變更怎麼做」。FDA 2025 年最終指引要求 PCCP 描述預定變更、開發驗證與實作方法，以及變更影響評估；FDA 會在 AI 醫材上市申請中審查這份計畫，讓計畫已涵蓋的變更不必每次都重新提交上市申請。FDA PCCP 最終指引

所以，監測表和 PCCP 不能互相取代。監測表先發現性能偏離，PCCP 再處理符合預定範圍的變更；若問題超出計畫邊界，產品與院方仍要依適用法規重新評估。這也是AI 醫材能自己更新嗎？PCCP 與臨床責任談版本管理時，醫院最該另外建立的停用與回復流程。

醫院導入時，驗收表要寫什麼

我會把下列五欄放進採購、試辦與正式上線的共同表單：

1. 輸入資料：來源系統、必要欄位、缺值處理、設備與軟體版本、資料保存期限。
2. 性能指標：依預期用途定義全體與子族群門檻，說明抽樣方式、人工參考標準和重測頻率。
3. 臨床互動：誰看到警示、誰做人工覆核、輸出如何回到 EHR、醫師如何知道模型限制。
4. 版本與稽核：模型、資料集、介面、部署時間、操作者與輸出結果要能相互追溯。
5. 異常處置：何種條件觸發通知、誰有權暫停、怎麼切回人工流程、何時完成調查與回復。

TFDA GMLP 要求產品在真實環境持續監控性能，重新訓練與更版部署納入品質管理系統，也要求使用者取得預期用途、限制、子族群性能、輸入條件、更新範圍與溝通管道等資訊。TFDA GMLP 原則 9、10這些要求很適合轉成驗收欄位，因為每一欄都能指定資料來源與責任人。

我的取捨是先導入輸出邊界窄、人工替代清楚、輸入品質可量測的 AI 醫材。臨床端先把「發現異常、通知誰、如何停用、怎麼回復」跑通，再談更高頻率的模型更新；這樣才能把模型性能接到真正的醫療工作流。

常見問題

AI 醫材上市後監測和安全監視一樣嗎？

兩者有交集，管理目的不同。TFDA 安全監視制度針對主管機關指定的品項與期間，要求蒐集安全資料並依期限提交報告；AI 性能監測則要追蹤資料分布、模型輸出與子族群表現，確認產品仍符合預期用途。TFDA 安全監視報告說明

模型準確率掉到多少就該停用？

沒有所有 AI 醫材共用的數字。門檻要依預期用途、患者族群、參考標準和錯誤代價設定，並在上線前寫明觸發通知、人工替代與回復版本的條件。TFDA GMLP 原則要求依產品特性採取相應管理措施。

PCCP 可以取代上市後監測嗎？

不行。PCCP 先描述預定變更、驗證方法與影響評估，監測則持續觀察產品在真實環境的輸入與輸出；監測發現異常後，才有證據判斷是否適合依 PCCP 變更、暫停或重新評估。FDA PCCP 最終指引