摘 要

目的：概述主动监测模式在医疗器械上市后监测中的应用进展，提出基于“深度监测”范式构建医疗器械主动监测体系的方法学建议。方法：检索全球医疗器械主动监测相关文件及文献，梳理医疗器械上市后监测的发展，总结主动监测的现状、特点及技术手段，提出“深度监测”的新范式。结果：在自发报告模式的基础上，各国和地区逐步探索建立主动监测模式，主动监测模式在一定程度上可弥补自发报告模式存在漏报和迟报的局限性。基于“深度监测”范式，构建一个涵盖多层次、多维度、全覆盖的多源数据主动监测体系，有望更有效、及时地识别并确认医疗器械不良事件。结论：建议基于“深度监测”范式构建医疗器械上市后主动监测体系，探索多源数据联动的医疗器械上市后主动监测和安全性评价。

关 键 词

医疗器械；上市后监测；主动监测；深度监测；大数据

医疗器械的广泛应用显著改善了重大疾病的治疗效果，但也面临发生不良事件的风险。医疗器械上市后监测作为评价安全性的重要手段，通过收集和分析已上市的医疗器械在实际诊疗中产生的数据，可弥补上市前研究普遍存在的随访时间短、样本量较小导致难以发现罕见不良事件等局限性[1]。考虑到医疗器械种类繁多、结构复杂，并且使用过程中受到术者与患者两方面影响等特殊性，医疗器械上市后监测面临重要挑战[2]。传统的上市后监测通常依赖于自发报告的监测模式， 即医疗机构、患者或医疗器械制造商自愿将相关不良事件报告至监管机构， 容易导致迟报、漏报及信息失真等问题[3]。相比之下， 主动监测（active surveillance） 通过主动获取、系统分析大规模医疗数据中医疗器械使用的相关信息，监测捕获医疗器械使用过程中的安全信号， 从而评估医疗器械的安全性， 具有连续性收集数据、覆盖范围广等特点，在医疗器械上市后监测中预期能够发挥关键作用[4]。本文将根据医疗器械上市后监测的复杂特点， 分析其模式演变的核心要素， 梳理主动监测在医疗器械上市后监测中的应用进展。

01医疗器械上市后监测的模式演变

近年来，药械上市后监测体系发展迅速。相较于主要通过化学或生物作用发挥疗效的药品，医疗器械多依赖物理作用实现诊断和治疗目的，其安全性和有效性不仅与产品本身的设计和制造质量有关，还与医疗器械类型以及术者操作技巧等因素密切相关。因此，探索符合医疗器械特点的上市后主动监测模式，是完善我国医疗器械全生命周期监管体系的重要方向。

1.1 医疗器械监测的复杂性突出了科学监管的迫切需求

医疗器械涵盖了一次性使用医疗器械（如注射器）、体外诊断试剂、长期植入式医疗器械（如心脏起搏器、人工髋关节）等多种类型，应用场景广泛，功能特性各异，难以建立统一的通用监测标准。例如，长期植入式医疗器械的监测重点在于植入后可能出现的排异反应等，而非植入式医疗器械则主要关注其功能的有效性与稳定性[5-6]。由于医疗器械上市后的监测报告范围广泛、类别众多，传统的药品不良事件主动监测体系难以直接适配医疗器械，除通用监测指标外，还需根据不同医疗器械的特点设置相应的特异性指标。

同时，医疗器械的安全性还高度依赖于术者的操作技巧[7]，因此需要考虑与操作相关的不良事件。此外，相较于药品代谢的化学稳定性，医疗器械的性能可能因使用频率或环境条件而变化，安全风险随时间推移而逐渐显现[8]，因此，医疗器械的上市后监测通常需要更长的随访周期，这也进一步增加了监测的复杂性，进而突出了对科学监管的迫切需求。

1.2 现有法规与国际协调框架对上市后监测的基本要求

鉴于医疗器械上市后监测的复杂性，明确监测的内容与模式是实现科学监管的关键环节，相关法规为这一过程提供了制度保障与实践指导，并对上市后监测的目标、内容和责任主体提出了基本要求。例如，美国1976 年发布的《医疗器械修正案》（Medical Device Amendments of 1976）提出建立医疗器械不良事件报告系统；中国2000 年发布且持续修订完善的《医疗器械监督管理条例》为医疗器械监管提供了依据。各种国际协调工作组织也发布了相关指南文件， 如国际医疗器械监管机构论坛（International Medical Device Regulators Forum，IMDRF）2016 年发布的《将国际器械注册登记系统与其他数据来源和工具相链接的原则》（Principles of International System of Registries Linked to Other Data Sources and Tools）提出以注册登记系统为核心，与其他数据源互联的基本原则与治理框架；全球医疗器械法规协调会（Global Harmonization Working Party，GHWP）第四工作组也于2023年发布了《上市后监管资源中心》（Post Market Resource Center），为监管机构与生产企业提供了获取各地区医疗器械上市后法规与报送信息的便捷平台。相关法律法规和指南文件共同构成了医疗器械上市后监管的制度基础，为包括自发报告和主动监测在内的多种监测模式提供了规范性框架和统一的工作依据。

1.3 自发报告为主的监测模式亟需解决的核心问题

目前，全球范围内常见的医疗器械上市后监测手段仍然以自发报告为主，是各国和地区开展医疗器械安全监测的基础模式。例如，美国食品药品监督管理局（Food and Drug Administration，FDA）构建的MAUDE（Manufacturer And User Facility Device Experience） 数据库涵盖了近10 年由医疗器械制造商和医疗机构上报的不良事件报告，并保持每月1 次的更新频率。根据自发报告来源的数据获取安全信号，启动医疗器械相关不良事件的沟通和召回仍是目前全球医疗器械上市后监测的主要机制[9]。然而，该数据依靠监管机构之外的个人和组织报告不良事件，缺乏系统、前瞻的数据收集，因此在报告的准确性、完整性和及时性上存在明显缺陷。例如，2025 年发表在《英国医学杂志》（The BMJ）的一项研究显示，2019~2022 年MAUDE 数据库中约129 万份报告存在逾期提交的问题，约68万份报告的日期数据缺失或无效，且部分报告存在不良事件的错误分类（如将死亡事件划分至伤害类别）[10]。因此，单纯依赖自发报告难以及时捕捉某些潜在风险模式，自发报告模式的局限性逐渐显现。

相较于自发报告模式存在数据源单一等局限性， 主动监测有望在此基础上通过收集多种数据源、利用人工智能等技术， 更加全面地评估医疗器械的长期安全性。因此，各国和地区均不断完善医疗器械监管的政策法规， 积极推动医疗器械上市后主动监测体系的构建， 并开展医疗器械上市后主动监测工作。2008 年FDA 开展了哨兵计划， 探索利用电子健康档案构建主动监测的新方法， 并在2016 年成立了国家卫生技术评价体系协调中心（National Evaluation System for health Technology Coordinating Center，NESTcc）， 旨在开展医疗器械上市后监测方法学研究与注册登记研究等，推动了大数据和人工智能技术在监测中的数智化应用[3,11]。欧盟在2017 年发布《医疗器械法规》（Medical Device Regulation, MDR）， 要求制造商建立上市后监测体系，强调临床随访，并通过欧盟医疗器械数据库管理医疗器械的全流程数据[12]。近年来，中国也通过政策推动医疗器械监管向主动化、系统化转变，2014 年启动了100个医疗器械品种的重点监测工作，2023 年3 月国家药品监督管理局启动医疗器械警戒试点工作，监测的主动性、风险信息收集的全面性进一步提升[13]。

综合来看，在相关法规持续完善、自发报告体系不断发展的基础上，各国和地区逐步将主动监测纳入医疗器械上市后监管框架，形成了“自发报告作为基础、主动监测作为重要补充”的多元化监测格局。本文对中美欧在医疗器械上市后监测的相关法规及进展进行了总结，如图1 所示。尽管不同国家和地区的相关机构对于主动监测的定义存在差异，但其核心内涵基本一致：主动监测是指通过连续、有组织、主动地收集多种来源的数据，监测医疗器械全生命周期产生的安全信号，从而评估医疗器械的长期安全性，为医疗器械警示标签调整或产品召回提供科学决策的证据，促进医疗器械产业的发展。

基于“深度监测”范式的医疗器械上市后主动监测体系构建

02医疗器械主动监测的核心方法学要素

随着各国和地区相继提出医疗器械上市后主动监测的理念和目标，并开展探索性工作，要将主动监测从理念转化为可持续运行的监管实践，仍需进一步明确数据源与监测技术两个核心要素。其中，数据源是开展监测的资源基础，针对前述医疗器械类型多样、依赖术者操作以及风险长期性等特点，需要整合真实世界的多源数据，兼顾人群覆盖广度与临床信息深度。此外，监测技术作为具体实施的关键一环，依托数据链接、通用数据模型构建与安全信号自动识别等关键技术，对多源异构数据进行标准化治理和高效分析，实现对医疗器械相关不良事件的连续监测、早期预警及风险水平评估，为主动监测体系的稳定运行提供方法学支撑。

2.1 医疗器械上市后主动监测的数据源

与药物警戒相似，真实世界数据是开展医疗器械上市后主动监测的主要数据来源，但目前大部分场景下仅利用了单一数据源。随着数据信息不断丰富，医疗器械主动监测可以获取更广泛的信息，依赖于整合多种不同类型的真实世界数据，包括临床注册登记数据、电子健康档案以及医保赔付数据等。此外，医疗器械自身数据、患者自我报告数据以及社交媒体数据等数据源已在上市后监测中开展探索性应用。本文列举了利用真实世界数据开展医疗器械上市后的部分研究实例，见表1。

基于“深度监测”范式的医疗器械上市后主动监测体系构建

基于“深度监测”范式的医疗器械上市后主动监测体系构建

然而，不同数据源的特点各异，例如，临床注册登记数据可主动收集患者及其医疗器械使用信息，数据质量高且结构化，但面临高昂的建设成本，且多为特定疾病、特定类别医疗器械的数据，人群覆盖面有限。电子健康档案具备详细的临床记录，能够反映手术过程、医疗器械植入情况及患者随访信息，但由于不同医院之间数据记录标准和格式的不统一，导致数据整合难度大，互操作性较差[22]。医保赔付数据则以其覆盖面广、连续收集和及时更新的特点，可以为主动监测体系提供稳定的数据支持，但数据颗粒度较粗，缺乏临床细节。医疗器械自身收集的数据通常来源于智能化的可穿戴设备，涵盖患者的心率、血压等关键信息，可提示医疗器械相关不良事件，但此类设备目前的普及度较低，数据相对稀缺，可能存在选择偏倚，难以作为医疗器械上市后监测的主要数据来源，且数据质量可能受设备故障、信号干扰或患者活动等环境因素的影响[20]。患者自我报告及社交媒体数据可反映患者的主观感受，一定程度上可补充上述常见数据源可能遗漏的安全信号，但在报告的真实性与质量等方面仍有待探讨[23]。

2.2 数据链接与信号自动识别的监测技术

主动监测体系的运行机制包括数据获取、数据治理、数据存储与传输、数据分析多个环节。面对真实世界的海量多源异构数据，数据链接与信号自动识别等监测技术是建立主动监测体系的关键支撑。数据链接可整合多个数据源，以获取全面的医疗器械数据，更好地反映人群的医疗器械使用情况；信号自动识别可实时识别医疗器械的安全信号，及时上报不良事件，提高效率。

通过对多源异构真实世界数据的整合与标准化，构建主动监测体系中的数据生态系统，实现信息的高效整合与共享，数据链接技术在此过程中发挥重要作用。数据链接通过数据提取、数据预处理、数据质控、数据匹配与整合等步骤，链接不同来源的数据，形成个体在不同医疗场景下的完整画像。例如，英国心脏基金会（British Heart Foundation） 利用患者唯一标识码链接了英国5400 万人群的初级保健就诊、医院住院或死亡登记等数据，获得了患者从出生到死亡全生命周期的信息，为不同类型的医学研究提供了强大的数据支持[24]。然而，当前常规医疗数据中仍存在一些关键信息缺失的问题，尤其是在医疗器械使用环节。为解决医疗数据中缺乏患者所用器械信息的问题，FDA 提出了医疗器械唯一标识（unique device identifier，UDI）的概念，可实现临床常规数据库与设备生产层面信息的链接，有助于追踪医疗器械的使用过程，推动实施全面有效的医疗器械监测[25]。此外，在数据链接之前应采用通用数据模型统一数据格式和含义，从而标准化不同数据源中的术语、数据结构等[26]。

安全信号自动识别是指采用定量统计方法，识别医疗器械的新发安全问题、已知风险特征的变化及潜在的高风险人群等，常用的方法包括比例失衡测量法、风险调整法、序贯概率比检验以及倾向性评分等，可以在大量数据中快速识别出异常事件并评估其风险水平[27]。随着人工智能技术的发展，深度学习算法在数据结构复杂的场景下逐渐显示出强大的优势，如通过构建基于长短期记忆网络的信号识别算法，可以深度挖掘电子健康档案中的海量信息，并捕捉序列数据中长距离的依赖关系，为预测医疗器械相关不良事件的发生提供更为快速、精准的证据支持，但目前人工智能技术应用于医疗器械上市后主动监测尚处于起步阶段[17]。此外，安全信号自动识别技术仍需结合个案调查，采用双重验证的方式，平衡识别的效率与真实性。

总体而言，现阶段多源数据治理方面的探索仍聚焦在单一技术环节的突破，尚未形成真正系统化的解决方案，主要体现在数据标准和变量定义不统一、数据质量参差不齐等问题普遍存在，使得不同数据之间的融合仍依赖大量人工干预与重复开发。另外，缺乏统一、可持续的技术平台，导致各类监测数据相对分散、重复建设问题严重，不仅难以支撑长期稳定运行，也难以推动更高层次的主动监测模式创新。虽然部分哨点医院已启动了医疗器械上市后主动监测的试点工作，但数据来源单一，覆盖人群有限，其数据多样性和结果外推性仍受限。因此，在医疗器械使用日趋复杂、风险隐蔽性增强的背景下，如何挖掘不同来源真实世界数据的优势特征，并与人工智能等高阶预警技术协同应用，提升监测效率与风险识别能力，还有待深入探索。

03基于“深度监测”范式的主动监测新模式

主动监测体系的构建需要考虑在“广泛覆盖”与“精准识别”之间权衡的统筹能力，才能有效实现从数据到决策的转化，亟需跳出碎片化的技术积累思路，从更高层面系统规划主动监测体系的构建路径，推动关键数据（资源）、算法（软件）与平台（硬件）的协同发展，提升监测效率，是开展主动监测实践的突破口[28]。本文提出一种“ 深度监测（deep surveillance）”的新模式，兼顾医疗器械上市后主动监测人群覆盖的广度与安全信号识别的深度。

3.1 整合多源数据及信号监测技术的“深度监测”新模式

由图2 可以看出，传统自发报告模式依赖不良事件的自发上报，仅能发现“冰山一角”，且预警时间较短。“深度监测”在自发报告的基础上，充分利用涵盖医疗器械使用相关信息的众多真实世界数据源。“深度监测”中自上而下的数据源体现为人群覆盖的广度扩大，有利于人群中罕见安全性信号的初筛；从人群健康大数据初筛的信号自下而上反馈到临床注册登记系统进行信号验证、监测平台预警后开展个案调查（实现数据颗粒度由粗到细的精准识别），其核心思想在于结合不同数据源的优势，构建一个多层次、多维度、全覆盖的多源监测体系，形成完整的证据链，支持医疗器械的科学监管。将自发报告模式与来自医疗机构、患者的真实世界数据结合，提高监测数据的覆盖面与多样性。简单来说就是从自发报告系统等来源的数据，逐步拓宽至医疗器械自身收集的数据、关注特定疾病或特定医疗器械使用人群的临床注册登记数据，以及电子健康档案、区域医疗数据平台、医疗保险数据等全人群健康数据库，体现为由上而下、由浅到深的监测人群范围的“重心下沉”。此外，还可以进一步结合动态信号筛选算法，使用机器学习模型根据预先定义的统计阈值，通过安全信号主动探测的技术增强手段，及早发现潜在安全信号，优化预警时间，实现医疗器械主动监测的“哨点前移”。

基于“深度监测”范式的医疗器械上市后主动监测体系构建

3.2 利用多源数据实现时间、空间与人群的三维拓展

利用上述分层次的多源数据开展医疗器械上市后安全性的主动监测，可实现对传统静态、孤立监测模式的“三维拓展”。在时间维度上，通过电子健康档案等数据源的纵向数据链接，可以追踪患者在5 年、10 年甚至更长时间跨度内的医疗器械使用轨迹，构建个体化的纵向安全事件证据链，探索医疗器械的迟发性不良事件、风险累积效应以及长期生物相容性，有助于评价医疗器械的长期安全性。在医疗场景层面，纳入体检、首次就诊及定期随访等多种诊疗情境，全面捕捉医疗器械在真实世界中的使用模式及安全性表现的场景差异。在人群层面，利用区域全人群健康大数据平台整合的多个医疗机构、多个层级医疗服务体系的电子健康档案数据，以获得更具人群代表性、偏倚风险更小的医疗器械安全性评价结果。通过收集医疗器械在多场景、全人群中的长期使用证据，可弥补上市前监测中随访时间不足、样本量受限及应用场景单一的局限性。

根据不同数据源收集时间的差异，构成了时序递进式的分层监测架构，例如，电子健康档案以其实时数据更新的特点，能够在医疗器械相关不良事件发生早期阶段实现疑似安全信号的早期预警，构成“深度监测”范式的“前哨层”，并触发初级预警机制；临床注册登记数据作为中间“验证层”，利用定期随访采集的高质量结构化的临床细颗粒度数据，对前述早期预警提示的安全信号进行验证；自发报告数据则作为后续“确认层”，整合患者主观报告与制造商技术反馈信息，为安全信号提供多维度的补充证据。这种基于时间梯度的多层级数据源整合模式，实现了从信号早期识别、中期验证到后期确认的科学监管完整链条。基于“深度监测”新模式的主动监测系统旨在将数据采集流程与临床诊疗实践深度融合，通过自动化流程尽可能减少医疗机构的额外工作负担，在扩大监测数据源范围的同时，可显著提高数据资源的管理效率。同时确保数据框架的可拓展性，应用分布式存储架构为后续接入可穿戴设备等新型数据源提供技术支持，实现监测能力的持续优化与系统性能的迭代提升。

3.3 数据管理、信号监测与决策响应的闭环协同机制

由图3 可知，“深度监测”新范式在数据管理模块、信号监测模块与决策响应模块之间实现可操作的闭环协同机制。首先，数据管理模块利用分布式存储架构、通用数据模型等技术，经过数据标准化、质控和隐私保护等处理流程，整合多源数据，形成时序连贯的基础证据。随后，数据流入信号监测模块，依托内嵌算法模型，持续识别潜在的不良事件或异常趋势，初步识别的安全信号需根据信号强度与稳定性、数据特征与偏倚风险、外部证据强度等进行交叉验证，确保其真实性与稳定性。在此过程中，算法自优化机制将根据安全信号识别的灵敏度调整模型参数，实现信号监测算法的持续优化。决策响应模块则利用预先定义的风险评估算法，权衡不良事件的严重程度、人群范围与发生频率等因素，将已验证的信号转化为量化风险，并据此生成个性化、基于风险等级的干预决策建议，如标签调整、产品召回、风险沟通等，并基于UDI 持续追踪该医疗器械的不良事件和临床结局，评价干预措施效果。最终，下游反馈信息将用于完善风险识别与评估策略，形成数据驱动、闭环响应、自动迭代的智能化主动监测体系。此外，在开展“深度监测”流程中，技术研究中心作为协调数据管理、信号监测与决策响应等模块间的枢纽，通过制定数据管理的规范化标准、组织专家委员会、建立风险响应机制等，确保主动监测系统各部分的有机协同。上述“深度监测”体系以数据整合为基础，以算法识别为核心，以风险管理为手段，通过模块间协同与反馈机制，实现主动监测系统的高效运行与持续优化。

基于“深度监测”范式的医疗器械上市后主动监测体系构建

04主动监测新模式实施的可行性与挑战

“深度监测”新范式在医疗器械的上市后监测中具有诸多优势，能够在现有监测体系基础上提升风险识别的全面性和前瞻性。首先，通过多源数据的整合，可以实现对医疗器械安全性信号全景式监测，重复利用临床信息和长期随访资料，使风险评估更准确。其次，依托自动化信号识别技术，“深度监测”能够在不良事件发生初期尽早发出预警，为科学监管赢得宝贵时间。

我国现有的法规、指南与专家共识，“三医联动”机制以及针对医疗器械上市后监测数据源的探索等，在技术指导与数据源构建上为“深度监测”模式的实施提供了支持。目前，我国医疗器械上市后监测以《医疗器械监督管理条例》为基础， 其中第六十二条明确要求建立医疗器械不良事件监测体系。同时也建立了技术指南和专家共识以作为监测活动的技术指导文件， 如《基于真实世界数据的高风险植入类无源医疗器械上市后风险监测技术专家共识》提出采用“信号识别- 信号遴选- 信号确认”的流程并结合数据库建设、信号挖掘等关键技术，实现监测模式从自发报告向主动监测的转变[29]。“三医联动”机制可以通过三方协同发力，为“深度监测”提供体系化支撑：医疗机构依托自身电子病历信息系统等协助搭建监测网络，完成主动监测相关数据收集和质控的关键环节，落实事件采集和临床验证，精准捕捉关键信息；医保数据库覆盖医疗器械及患者使用的相关信息，并同步收集患者跨地区就诊的临床结局事件，以此执行信号复核与预警提示，及时排查异常动态；监管部门依照规范标准实施风险评估与响应措施，高效处置潜在风险，三者形成闭环联动，共同筑牢“深度监测”的体系根基。在医疗器械上市后监测的实践中， 根据《国家医疗器械不良事件监测年度报告（ 2022 年）》显示，国家药品不良反应监测中心已认定105家第一批国家医疗器械不良事件监测哨点，形成了初步的国家级哨点监测模式；同时，临床注册登记数据库和专病队列资源也在不断完善，如中国心血管外科注册登记系统（Chinese Cardiac Surgery Registry, CCSR）覆盖全国97 家医院的心血管外科数据库，包含医疗器械使用情况的相关信息，可支持医疗器械的主动监测工作[30]。此外，已有研究探索利用区域人群健康大数据资源，整合疾病监测、死因监测、医院电子病历、慢病管理、社区人群体检等多源数据，开展心血管病人群防控的研究[31]，并从方法学设计和应用实施层面验证了多源数据的可行性，为今后在我国拓展至医疗器械主动监测奠定了重要基础。随着电子健康档案系统在我国各地稳步推进，利用多源数据开展医疗器械上市后主动监测将形成中国方案。

“深度监测”新模式在实际应用中仍存在挑战。首先，UDI 在临床注册登记数据库和区域人群健康大数据等数据源的推广仍待普及。例如，UDI 虽然由FDA首先提出，但其在美国的普及度也未达到预期，推广UDI 的财务投资回报仍不明朗，同时也缺乏信息技术供应商的支持，而医疗器械生产企业出于对产品商业价值受损的担忧，推广UDI 的动机有限[32]。其次，数据的标准化管理难度较大，数据源之间的数据标准、数据质量和数据更新频率等存在差异，导致数据整合困难，而数据所有权、数据安全等问题也需多方达成共识并严格按照相关法规要求，保护数据隐私，并且数据库维护也面临高昂的成本[10,33]。此外，自动化信号识别技术的准确性和稳定性仍需在大规模实践中不断验证和优化，确保监测系统在面对复杂决策场景时能够保持高效运行。

05展 望

随着数智化技术的发展，实现多源数据的高效整合将有利于进一步挖掘医疗器械相关数据在安全信号主动监测中的价值。可穿戴设备等智能终端的普及，使数据采集从医疗机构延伸至日常生活场景，增强了监测的连续性和个体化[34]。在数据安全方面，分布式存储技术可为监管部门、医疗机构等多方联动的监测数据共享提供数据安全保障的技术支持。此外，利用人工智能优化信号识别，使主动监测系统能够自主学习异常模式，持续捕捉潜在安全信号，实现实时风险预警，促进医疗器械科学监管流程的优化。综上，开展基于“深度监测”范式的主动监测新模式，将充分发挥自发报告数据、临床注册登记数据、人群电子健康档案等真实世界多源数据的优势，结合数据治理和信号自动识别技术，兼顾监测人群覆盖的广度与安全信号精准识别的深度，有望促进医疗器械安全的科学监管。

本文由广州佳誉医疗器械有限公司/佛山浩扬医疗器械有限公司联合编辑