Нейросети в регистрационном досье. Как оценить достоверность ИИ-модели и что требовать от заявителя
Представьте ситуацию: эксперт НЦЭСМП открывает регистрационное досье на новый онкологический препарат и в разделе фармакокинетики видит фразу «Выбор дозы подтверждён моделью машинного обучения, обученной на данных 12 000 пациентов». Что с этим делать? Как проверить, насколько модель надёжна? И главный вопрос: достаточно ли этого как доказательная база для регистрации?
Ещё пять лет назад подобная формулировка в досье была бы исключением. Сегодня это уже не редкость. Фармацевтические компании активно внедряют нейросетевые технологии на всех этапах разработки препаратов, и регуляторные органы по всему миру оказались перед непростым выбором: либо выработать понятные правила оценки таких данных, либо рисковать тем, что важнейшие решения о регистрации будут приниматься без адекватного понимания их доказательной ценности.
Эта статья адресована прежде всего экспертам регуляторных органов и специалистам по регуляторным вопросам (regulatory affairs) фармацевтических компаний.
Разберём, что изменилось в международной практике, какой подход формируется сейчас и что конкретно нужно делать, когда в досье фигурируют результаты работы алгоритмов.
Как это работало раньше
Классическая экспертиза регистрационного досье строилась на проверке воспроизводимой, детерминированной аналитики. Биостатистические методы, которые использовали заявители, были стандартизированы. Эксперт мог открыть статистический раздел и проверить расчёты по установленным формулам. Если данные соответствовали протоколу, а ошибки первого и второго рода были контролируемы, доказательную базу можно было оценить с достаточной определённостью.
В химическом разделе (Chemistry, Manufacturing and Controls, CMC) верификация методов аналитического контроля тоже опиралась на понятные процедуры: линейность, точность, воспроизводимость, специфичность. Всё это описано в фармакопейных руководствах: российских, европейских, американских.
Эта система создавалась под конкретный тип доказательств: детерминированные алгоритмы, фиксированные методы, статические модели. Нейронные сети в неё не вписываются принципиально. Они не детерминированы в привычном смысле, обучаются на данных, и характер их работы зависит от качества этих данных, архитектуры модели и условий обучения. При этом конечный результат иногда невозможно объяснить через логически прослеживаемую цепочку.
Что изменилось
Масштаб внедрения
По оценкам аналитических компаний, к концу 2025 года технологии искусственного интеллекта (ИИ) применялись при разработке или перепрофилировании более 3000 лекарственных средств (ЛС) по всему миру.
Нейросетевые модели используют для прогнозирования токсичности, поиска молекул-кандидатов, оптимизации дизайна клинических исследований (КИ) и мониторинга производственных процессов в режиме реального времени.
Сегодня эти технологии встречаются во всех разделах досье. Доклинический блок пополняется QSAR-моделями (Quantitative Structure-Activity Relationship), которые прогнозируют токсичность соединения по его структуре.
В клинических разделах появляются алгоритмы, которые отбирали пациентов в испытание или строили синтетические группы контроля из исторических данных. В CMC нейросети всё чаще стоят за системами непрерывного мониторинга производства: алгоритм в реальном времени анализирует показатели датчиков и сигнализирует об отклонениях.
Ответ регуляторных органов
В январе 2026 года EMA (Европейское агентство по лекарственным средствам) и FDA (Управление по контролю качества пищевых продуктов и лекарственных препаратов США) опубликовали совместный документ «Принципы надлежащей практики ИИ» (Good AI Practice Principles).
Это первый по-настоящему согласованный международный ориентир для оценки ИИ-технологий в жизненном цикле ЛС.
Документ формулирует десять принципов. Логика документа такова: человек контролирует выводы системы и несёт ответственность за решение; разработчик обязан полностью документировать данные и этапы обучения; область применения каждой конкретной модели должна быть чётко ограничена.
Позиция регуляторов неизменна: ИИ служит инструментом поддержки, окончательное решение всегда остаётся за квалифицированным специалистом.
В 2025 году FDA выпустило проект руководства «Применение ИИ для поддержки регуляторных решений» (Use of AI to Support Regulatory Decision-Making). Главный методологический инструмент- семиэтапный процесс оценки достоверности моделей (Credibility Assessment Framework), адаптированный из инженерного стандарта ASME V&V40.
Таблица 1. Десять принципов надлежащей практики ИИ (EMA/FDA, 2026)
| № | Принцип | Что означает для экспертизы |
|---|---|---|
| 1 | Качество модели | Соблюдение этических и научных стандартов при разработке |
| 2 | Человекоцентричность | Человек контролирует выводы системы |
| 3 | Комплаентность | Соответствие требованиям защиты данных и кибербезопасности |
| 4 | Прослеживаемость | Полная документация источников данных и этапов обучения |
| 5 | Определение роли | Чёткие границы применения конкретной модели |
| 6 | Доступность результатов | Выводы модели интерпретируемы экспертом |
| 7 | Репрезентативность | Обучающие данные отражают целевую популяцию пациентов |
| 8 | Управление рисками | Оценка последствий для безопасности при ошибке модели |
| 9 | Мониторинг цикла | Непрерывное отслеживание работы модели после регистрации |
| 10 | Международное сотрудничество | Обмен опытом между регуляторами |
Семиэтапная оценка достоверности
FDA предлагает структурированный подход к вопросу: насколько этой модели можно доверять в конкретном контексте? Наиважнейшее понятие здесь: «контекст использования» (Context of Use, COU). Одна и та же нейросеть может быть вполне приемлема для первичного скрининга молекул, но недостаточно валидирована, чтобы обосновывать дозу для регистрационного досье.
Процедура начинается с постановки научного вопроса и определения контекста использования, затем следуют оценка регуляторного риска, разработка и исполнение плана проверки, фиксация отклонений.
Финальный шаг — заключение эксперта об адекватности модели для заявленных целей. Именно этот шаг нельзя делегировать алгоритму.
Ситуация в России и ЕАЭС
В Российской Федерации эта работа закреплена в области цифровой трансформации здравоохранения до 2030 года (Распоряжение Правительства РФ от 17.04.2024 №959-р, далее — Стратегическое направление).
Среди задач Стратегического направления — внедрение нейротехнологий и технологий ИИ: автоматизация рутинных процессов и помощь врачам и управленцам в принятии решений. Параллельно планируется упрощение процедур регистрации биоаналогов, где доказательство сопоставимости сложных биологических молекул без продвинутых аналитических методов практически невозможно.
Нормативная база ЕАЭС для регистрации ЛС (Решение Совета ЕЭК от 03.11.2016 №78 «О Правилах регистрации и экспертизы лекарственных средств для медицинского применения», далее — Решение №78) не содержит специальных положений об ИИ. Этот пробел пока заполняется через адаптацию международных рекомендаций на уровне методических разъяснений и экспертной практики.
Три главные сложности
Проблема «чёрного ящика»
Главная методологическая сложность при экспертизе ИИ-данных в том, что нейронная сеть часто не позволяет проследить логику от входа к выходу. Традиционная экспертиза биостатистических данных предполагает воспроизводимость расчётов: эксперт может пересчитать. С глубокой нейросетью это принципиально невозможно.
Регуляторные органы предлагают несколько подходов.
Один из них — требовать применения методов интерпретируемого ИИ (Explainable AI), которые показывают, какие именно признаки данных повлияли на результат.
Другой путь: настаивать на валидации модели на внешних независимых данных. Если результаты воспроизводятся на материале, который алгоритм не видел при обучении, это весомый аргумент в пользу его надёжности. Наконец, можно смотреть на результаты в клинической практике напрямую: насколько прогнозы модели расходятся с реальными наблюдениями?
Предвзятость данных
Нейросеть обучается на данных. Если обучающая выборка не репрезентативна, например включает преимущественно пациентов европейского происхождения мужского пола среднего возраста, модель будет работать хуже для всех остальных групп. В клинической практике это может означать недооценку риска для отдельных популяций. Принцип 7 из совместного документа EMA/FDA прямо требует проверки репрезентативности обучающих данных относительно целевой популяции конкретного препарата.
Управление изменениями в производственных системах
Отдельная сложность возникает в разделе CMC, когда ИИ применяется в системах непрерывного мониторинга производства. Нейросети способны дообучаться в процессе работы. Если алгоритм, одобренный при регистрации, изменился за счёт дообучения, возникает вопрос: нужно ли уведомлять регулятора? В международной практике для таких случаев заявитель заранее согласовывает с регулятором план контроля модификаций (Pre-Defined Change Control Protocols, PCCP). Для российской регуляторной практики этот инструмент ещё только формируется.
Что делать
Для специалистов экспертных организаций
Определите контекст использования модели. При оценке досье прежде всего установите, на каком этапе разработки применялась ИИ-модель и как её результаты повлияли на регуляторно значимые решения. Если нейросеть использовалась только для первичного скрининга молекул и финальный выбор подтверждён классическими методами, требования к валидации могут быть менее строгими. Если модель обосновывает дозировку, планка существенно выше.
Запросите документацию обучения. Заявитель обязан описать источники данных, архитектуру модели, метрики качества на обучающей и тестовой выборках, процедуры валидации. Отсутствие этой информации само по себе сигнал о недостаточной проработке.
Проверьте репрезентативность данных. Соответствует ли демографический состав обучающей выборки целевой популяции пациентов для данного препарата? Это один из базовых вопросов, прямо предусмотренных принципами EMA/FDA.
Оцените наличие внешней валидации. Результаты, воспроизведённые на независимом наборе данных, имеют значительно более высокую доказательную ценность, чем показатели только на обучающей выборке.
Запросите план управления изменениями, если ИИ применяется в производстве. Нужно понимать, при каких условиях модель может измениться и каков механизм уведомления регулятора.
Для специалистов по регуляторным вопросам фармацевтических компаний
Документируйте всё с самого начала. Фиксируйте источники данных, версии моделей, параметры обучения и результаты валидации на каждом этапе разработки. Ретроспективно восстановить эту информацию перед подачей досье будет значительно сложнее.
Применяйте принципы GxP к ИИ-системам. GxP — собирательное название семейства стандартов надлежащих практик (Good x Practice): GMP, GDP, GCP и других. Требования GMP (Good Manufacturing Practice) и принципы целостности данных распространяются и на алгоритмические системы. Записи о валидации ИИ-моделей должны быть доступны для инспекторов.
Готовьтесь к вопросам об интерпретируемости. Эксперт, получив заключение нейросети, вправе спросить: почему? Если у вас нет ответа ни методами Explainable AI, ни иным способом, это слабое место досье.
Изучите международные руководства. Документ EMA/FDA 2026 года и проект руководства FDA 2025 года о применении ИИ для поддержки регуляторных решений: обязательное чтение для любой компании, работающей с этими технологиями.
Рассмотрите возможность научных консультаций с регулятором на раннем этапе. НЦЭСМП, как и EMA, практикует консультации по методологическим вопросам до подачи досье. Это позволяет согласовать подход к оценке ИИ-данных заблаговременно и избежать дорогостоящих переработок.
Нейросетевые технологии уже сегодня попадают в регистрационные досье. Часть компаний подаёт досье с элементами ИИ-обоснований прямо сейчас, и регуляторные органы оценивают их независимо от того, есть ли специальные руководства.
Методологический задел создан: принципы EMA/FDA и семиэтапный фреймворк FDA дают рабочую основу. Задача российской регуляторной науки — адаптировать эти подходы к условиям ЕАЭС и закрыть пробел в Решении №78. Для экспертного сообщества это время освоения нового инструментария, а специалистам по регуляторным вопросам фармкомпаний стоит строить доказательную базу под требования, которые завтра станут обязательными.
Нормативная база:
1. Решение Совета ЕЭК от 03.11.2016 №78 «О Правилах регистрации и экспертизы лекарственных средств для медицинского применения»
2. Стратегическое направление в области цифровой трансформации здравоохранения (Распоряжение Правительства РФ от 17.04.2024 №959-р)
3. EMA/FDA Joint Principles for Good AI Practice (2026)
4. FDA Draft Guidance: Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products (2025)
5. EMA Reflection Paper on the use of Artificial Intelligence in the lifecycle of medicines (2023)
6. ASME V&V 40: Assessing Credibility of Computational Modeling through Verification and Validation