来源:HIT专家网 作者:朱晨
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》,明确提出“到2027年建立一批卫生健康行业高质量数据集和可信数据空间”。文件一出,各家医院摩拳擦掌,纷纷制定计划:数据治理怎么搞、标注规范怎么定、大模型怎么接。
但笔者在沟通学习中发现一个普遍现象:多数医疗机构把核心资源投在了数据治理、标注和模型研发上,涉及患者数据的伦理审查常常被有意无意地放在一边,甚至简化成立项流程里的一道盖章工序。
笔者认为,伦理审查不是项目的“附加题”,而是高质量数据集能否成立的“准入题”,也是AI智能体在医疗场景能否安全落地的第一道关口。
伦理审查是法定刚性要求而非可选流程
先从法律规制说起。健康医疗数据属于敏感个人信息,2023年施行的《涉及人的生命科学和医学研究伦理审查办法》明确指出:利用人体信息数据开展的研究,必须过伦理审查这一关;《数据安全法》《个人信息保护法》又进一步设定了单独同意、个人信息保护影响评估等法定义务。换句话说,这不是意愿问题,而是合规问题。
再看应用场景。医院数据的第一使命是服务患者诊疗,患者挂号时签署的数据使用“默认同意”,覆盖的是诊疗用途,并不包含把病历拿去训练大模型。数据用途一旦从“看病”变成“训练模型”,使用主体、处理方式、应用目标都发生了实质变化,必须重新取得数据主体的明确授权。这一点在实践中往往被忽视。不少信息技术人员默认“病历数据本来就在医院系统里,拿来做模型天经地义”,但法律逻辑并非如此。美国国立卫生研究院(NIH)主导的Bridge2AI项目提出七项AI就绪准则,“伦理”正是核心准则之一,与FAIR原则(可发现、可访问、可互操作、可复用)、可溯源性、可解释性共同架构起“AI就绪”的完整维度。这意味着,医院把数据拿去训练模型之前,先得过伦理这道关。
最后看产品合规。凡涉及诊疗数据、临床应用场景的AI产品,上线前必须通过伦理审查,这已是行业通行规则。技术指标再漂亮,没有伦理审查批件,数据集就无法合规落地。比如申报用于公共平台交易或国家专项资助的高质量数据集时,伦理批件是证明数据来源合法性的核心依据。再叠加《生成式人工智能服务管理暂行办法》及2026年相关实操指南,伦理委员会的审查意见已成为心理疏导、未成年人陪护、情感交互等高风险场景的强制要求。2026年施行的《人工智能科技伦理审查与服务办法》进一步强化了对“对人类生命健康有较强影响”的AI系统的审查。事实上,伦理批件正在成为通用大模型切入医疗垂直领域的硬门槛。
既然伦理审查是法定刚性要求,那么它究竟“审什么”?这就涉及到高质量数据集伦理审查的核心内容。
伦理审查是数据合规性的全维度核验
高质量数据集的伦理审查,核心不是核验技术指标,而是回答四个问题。
第一个问题,数据来源是否合法。要核查渠道是否清晰、权属是否明确,数据资源持有权、加工使用权、产品经营权是否分置清楚,合作项目中企业方的权责定位是否合规等。
第二个问题,知情同意是否完备。实践中有三条合规路径:前瞻采集的数据,走常规伦理审查并履行知情同意;院内自行回顾性利用既往数据,可向委员会豁免知情同意;利用完全匿名化的数据且无企业合作的,依据《涉及人的生命科学和医学研究伦理审查办法》第三十二条可免于审查,但前提是不对人体造成伤害、不涉及敏感个人信息与商业利益。这里要特别提醒一句:去标识化不等于匿名化,这是最常见的认知误区之一。《个人信息保护法》第七十三条对此有清晰界定:脱敏后的数据,法律上仍属于个人信息范畴。
第三个问题,用途限定是否合规。“最小必要”原则必须守住。《涉及人的生命科学和医学研究伦理审查办法》第二十八条规定,与企业等外部机构合作、为其研究提供人体生物样本或信息数据的,应当开展伦理审查,研究结束后还要监督样本与数据的妥善处置。这类研究不能免除审查。数据能否共享给企业、能否二次利用,要靠协议把使用范围、处理方式约定清楚,知情同意书里必须有数据共享与二次利用条款。
第四个问题,风险是否可控。脱敏与去标识化是否符合技术标准,访问控制、数据出院审批、全流程数据血缘留痕是否完备;算法层面要审查数据标注是否合规、训练数据有无偏倚、结果可否解释,“人机协同、以人为主”的权责边界是否真正落地。具体而言,在审查阶段要前置识别、提前设防三类风险:一是再识别风险,脱敏后的数据若与外部公开数据集碰撞,是否可能反向定位到个人;二是算法歧视风险,训练数据若以某类人群为主,模型对老年、罕见病群体是否存在系统性偏倚;三是责任认定风险,AI辅助决策出错时,医生、算法厂商、数据提供方之间的责任链条是否清晰可追溯。
与GCP、IIT项目伦理审查的核心差异
这里需要厘清一个问题:高质量数据集的伦理审查,和大家熟悉的GCP(Good Clinical Practice,药物临床试验)、IIT(Investigator-initiated Trial,研究者发起的临床研究)项目有何不同?
GCP审查的是以产品注册为目的的药物、医疗器械临床试验,直接干预人体,风险核心是受试者安全;IIT研究虽不为注册,但研究对象仍是“人”。而高质量数据集与AI智能体建设,研究对象是“数据”,没有传统意义上的受试者,患者全程并不知情参与。
对象不同,风险形态自然跟着变化。传统的实体性损害风险,转变为三类新风险:数据泄露引发的信息安全风险、算法模型引发的歧视性输出风险、责任主体缺失引发的法律认定风险。审查范式也得跟着转型:从过去的“风险—收益”权衡,转向“合规边界划定+用途范围限定”的双维管控;从一次性静态审批,转向全周期动态跟踪。原因很简单:数据集在持续迭代,模型在不断更新,每启用一类新用途,都要重新提交委员会审查。
还有一点最容易被误解:伦理审批只是合规授权链路中的一环。医疗数据对外共享,还需走医院管理部门的行政审批链;涉及人类遗传资源的,还要履行专项审批。拿到伦理批件,绝不等于拿到了对外共享的“通行证”,这是实践中最常踩的认知陷阱。
在下篇文章中,笔者将进一步阐述医疗机构在推进AI建设中应如何通过伦理审查并管好数据。
【作者简介】
朱晨,现任苏州大学附属儿童医院信息化总工程师,苏州市吴江区儿童医院(苏大附儿院吴江院区)副院长。

精彩不容错过!
【责任编辑:陈曦 版式:蒙辉】
HIT专家网




评论前必须登录!
注册