南韓（MFDS–HSA）機器學習醫療器械（MLMD）臨床試驗指導原則重點整理

南韓MFDS與新加坡HSA於2024年12月11日共同發布指導原則，旨在回應MLMD臨床研究的獨特挑戰，並在確保安全性與有效性的前提下促進產品有效率進入市場。 ([MFDS][1])

主要參考（官方PDF）：Guiding Principles for conducting Clinical Trial for Machine Learning-enabled MDs (MFDS–HSA)

1) 範疇與關鍵定義

何謂MLMD？

指導原則採用「Machine Learning-enabled Medical Device（MLMD）」概念：即醫療器械在部分或全部功能中使用機器學習以達成其醫療目的，並引用IMDRF關鍵術語文件。 ([imdrf.org][2])

仍須遵循法規與倫理基線

除本指導原則外，試驗主辦者仍須遵循當地關於醫學研究、受試者保護與資料保護的法律與規範，以確保倫理執行並維護資料完整性與隱私。

2) 臨床試驗設計：對齊使用目的與臨床流程

文件強調試驗設計對科學有效性、可靠性與倫理至關重要，並列出設計要素：

• 試驗配置（單臂、平行、交叉等）
• 統計假設
• 研究族群特徵
• 隨機化與盲化策略
• 對照組設定
• 主要／次要終點
• 樣本數估算
• 統計分析計畫

前瞻 vs 回溯研究

回溯性試驗（使用既有資料集）可視目的採平行或交叉設計，但文件指出回溯研究通常無法評估可用性或臨床流程中的非預期影響，因此可能需要額外研究（例如可用性研究）補足。

需明確界定效能目標

設計時須考量試驗目的、產品特性，以及安全性與臨床效能／有效性證明方式（例如優效、等效、非劣效）。

3) 受試者與測試資料集選擇：代表性、獨立性、偏差控制

代表性

受試者或測試資料集需能代表目標族群；納入／排除標準應與使用目的／適應症一致，並涵蓋族群、疾病群、疾病頻率、性別與其他相關因素。

與訓練資料獨立

無論前瞻或回溯，測試資料集都應與開發訓練資料集保持獨立。

樣本數與統計穩健

樣本數與統計方法需同時適用於前瞻與回溯試驗，並依目標疾病、試驗目的、終點、統計力等因素設計。

降低不必要偏差

文件指出可透過隨機化與盲化降低分派與結局評估偏差，提升研究可信度。

4) 臨床參考標準與資料判讀

參考標準的選擇

參考標準是用於比較與評估的客觀基準。 ([imdrf.org][2]) 通常應依既有臨床指引選擇；若因新穎用途缺乏清楚指引，可由臨床專家與相關領域專家共同建立參考準則，且可能需要額外研究來建立新的臨床關聯（與SaMD臨床評估概念相符）。 ([imdrf.org][3])

專家分歧的處理

當臨床資料複雜或含糊導致專家判讀分歧，應以系統化與透明方式處理，並記錄分歧範圍、解決流程（專家小組、資深專家裁決、資料導向共識等）與最終共識理由。

獨立性以降低偏差

為降低偏差，文件建議制定參考標準的臨床專家應與臨床試驗研究者保持獨立。

5) 主要終點與結果分析：預先定義並論證可接受標準

主要終點是評估器械有效性與安全性的核心指標；分析需以統計方法檢定觀察結果並與預先設定的可接受標準比較。可接受標準可由試驗主辦者自行設定，但必須提出充分的論證與佐證其設定合理性。

文件列出可作為臨床上有意義之主要終點指標範例：

• 敏感度、特異度
• 陽性／陰性預測值（PPV／NPV）
• 治療必要數（NNT）
• 曲線下面積（AUC）

---

問與答（Q&A）

Q1：為何MLMD臨床試驗需要特別考量？

文件指出MLMD的有效性與可信度高度依賴資料代表性、測試資料獨立性、參考標準建立與判讀流程等，需特別設計以降低偏差並確保證據品質。

Q2：只做回溯研究可以嗎？

回溯研究可用，但文件提醒其通常無法評估可用性或臨床流程中的非預期後果，可能需額外研究（例如可用性研究）補強。

Q3：「測試資料與訓練資料獨立」代表什麼？

指用於前瞻或回溯評估的測試資料集不應與開發時訓練資料重疊或相依，以避免高估效能。

Q4：專家對標準答案（ground truth）意見不一致怎麼辦？

依文件建議，以透明且可追溯方式進行共識處理，並完整記錄分歧、解決流程與共識理由。

Q5：參考標準一定要用既有臨床指引嗎？

一般應依既有指引；若新穎用途缺乏清楚指引，可由專家建立準則，並可能需要額外研究建立新臨床關聯。

Q6：主要終點的可接受標準誰來訂？

可由主辦者訂定，但文件要求必須就其可接受標準的建立提出論證與佐證。

---

參考資料

• MFDS頁面（2024-12-11登錄） ([MFDS][1])
• HSA官方PDF：Guiding Principles（MFDS–HSA）
• IMDRF/AIMD WG/N67：MLMD關鍵術語與定義 ([imdrf.org][2])
• IMDRF/SaMD WG/N41：SaMD臨床評估 ([imdrf.org][3])
• 本對話中上傳之PDF：Guiding Principles for conducting Clinical Trial for Machine Learning-enabled MDs_MFDS-HSA.pdf