FDA给心血管AI通知软件"落户口"：II类、510(k)通道，还有一份对测试数据集的硬要求
9月11日，FDA心血管机器学习通知软件II类分类最终命令在联邦公报刊登生效（91 FR 57785）。该类器械基于无创生理信号（如ECG）提示心血管疾病可能性、供进一步评估，明确不提供诊断级输出。监管起点是Viz.ai的Viz HCM（2023年8月3日De Novo获批，3家医院3,196例回顾验证）。特殊控制要求临床性能测试使用与训练数据独立的真实世界数据集、覆盖至少3个地理多样站点。分类落地后同类产品可走510(k)路径（21 CFR 870.2380，产品代码QXO），监管负担显著降低。
一句话看懂：9月11日，FDA在联邦公报正式刊登心血管机器学习通知软件的II类分类最终命令——从此这类"用AI提示你可能有心血管病、建议进一步检查"的软件有了明确的器械分类、明确的监管通道（510(k)），以及一份写得很细、对数据团队尤其要命的特殊控制清单。其中最硬的一条：临床性能测试必须使用与训练数据完全独立的真实世界测试数据集，且覆盖至少3个地理多样站点。
一、9月11日生效的这份联邦公报命令改变了什么
9月11日，美国FDA发布的心血管机器学习通知软件（cardiovascular machine learning-based notification software）II类分类最终命令在联邦公报刊登并生效，文件编号91 FR 57785，Docket编号FDA-2026-N-9907。
说它重要，不是因为它新造了什么规则——这个分类其实自2023年8月3日起就已经适用——而是因为最终命令的刊登意味着：监管路径的"探索期"正式结束，规则从个案审批沉淀为通用制度。
在此之前的逻辑是：一个新类型器械没有分类，第一家厂商必须走De Novo（从头审批）通道，自己承担定义器械、建立标准、提供完整证据的全部成本。最终命令刊登后，后来者只需要证明与前代器械"实质等同"（substantial equivalence），走更轻的510(k)通道即可。
一句话总结：门还是那扇门，但排队方式从"每次重新验票"变成了"刷公交卡"。
二、这类器械到底是什么（以及明确不是什么）
FDA在命令中给了明确边界，这一点值得所有做AI医疗器械的团队逐字读：
是：使用机器学习技术，基于常规医疗中采集的无创生理信号（比如心电图ECG），提示患者存在某种心血管疾病的可能性，供进一步评估和转诊之用的软件。
不是：
- 不提供诊断级输出——它是"提示"，不是"诊断"；
- 不用于心律失常检测——这块已有成熟的独立监管类别。
这个"可能性提示"的定位决定了整个监管框架的重心。FDA反复强调的逻辑是：AI提示是进一步检查的起点而非终点，因此假阳性（引发不必要的后续检查）和假阴性（漏掉真正的高危患者）是特殊控制要处理的核心风险。
对产品设计者的启示很直接：如果你的产品输出会直接导向诊断结论，你就不能套用这个分类，监管等级会完全不同。
三、从Viz HCM的De Novo到通用分类：一条监管路径的诞生
这个分类的监管起点，是Viz.ai公司的一款产品。
2023年1月10日，Viz.ai向FDA提交了Viz HCM的De Novo申请——这是一款基于ECG识别肥厚型心肌病（HCM）疑似患者的机器学习通知软件。2023年8月3日，FDA批准该申请，同时自动建立了新器械分类（II类special controls），分类法规收录为21 CFR 870.2380，产品代码QXO。
支撑这次批准的临床证据是：3家美国医院、3,196例回顾性验证，其中291例HCM阳性、2,905例阴性。
这个流程本身就是一个教科书式的案例：第一家用De Novo"趟出路线"的企业，为整个品类定义了分类和标准——这既是先发优势（后来者都要参照你的产品），也是先发成本（你要独自承担建立标准的全部证据负担）。Viz.ai此前已在卒中影像AI领域多次与FDA打交道，深谙此道。
四、特殊控制逐条拆：性能测试、独立数据集、三站点、人因、标签
最终命令的特殊控制（special controls）清单，是全文最值得拆的部分。逐条看：
1. 临床性能测试。 必须在真实世界环境中评估，且核心要求有三条：
- 测试数据集必须与训练数据独立——不能"自己出题自己考"；
- 覆盖至少3个地理多样站点——防止模型只对某一家医院的人群和设备分布有效；
- 包含亚组分析（按年龄、性别、种族等分组看性能）和客观性能指标。
2. 软件验证与确认。 包括软件功能测试、网络安全等标准要求。
3. 人因评估（human factors）。 通知类软件的交互设计直接影响医生对提示的响应方式，必须验证。
4. 详细标签。 必须写清：临床局限、警告、支持的传感器设备清单、最低预期性能。
这四条里，第1条的技术含量和执行成本都最高。"测试数据集独立于训练数据"听起来是常识，但实际操作中，多中心数据在患者人群、采集设备、信号处理流程上往往高度同源——"形式上独立、分布上同源"是这类审批最常见的坑。FDA要求3个地理多样站点，本质上是在用采样设计对冲分布同源问题。
五、对后来者意味着什么：510(k)实质等同通道打开
分类落地后，做同类心血管AI通知软件的团队可以援引Viz HCM为前代器械（predicate device），走510(k)路径，只需证明：
- 预期用途与前代器械一致；
- 技术特征不会引起新的安全有效性问题（或已通过性能数据充分解决）。
相比De Novo，510(k)的审查周期、数据要求和不确定性都显著降低。这也是FDA处理AI医疗器械的一贯策略：用第一个案例定义品类，用品类吸引后来者，用特殊控制拉齐底线。
对国内的参照意义在于：AI心电图、AI可穿戴监测这类产品的出海路径中，"通知类"定位（提示可能性、导向进一步检查）正在成为一条被验证过的、监管负担可控的通道选择。
六、合规建议：测试数据集独立性要现在开始准备
给正在或计划申报此类产品的团队三点提示：
第一，测试数据集的规划要先于模型训练。 训练数据确定那一刻起，就要同步圈定"物理隔离"的测试数据来源——不同医院、不同采集设备、不同时间窗。事后想补救，几乎不可能。
第二，地理多样性不只是"三家医院"。 FDA会看站点之间在人群结构、设备型号、操作流程上的真实差异。三家同一城市的 sister hospital，大概率过不了关。
第三，亚组分析的样本量要预留。 整体性能够好但某个亚组性能塌方，是临床性能测试被质疑的常见原因。数据采集阶段就要为亚组分析预留足够的分层样本。
监管给通道是好事，但通道的栏杆也很清楚：独立、多样、分层——数据工程的功课，谁也绕不过去。
原文链接：FDA Classification of Cardiovascular Machine Learning-Based Notification Software (Federal Register)
千方医数集编辑部 出品
