GxP 下的 AI 审计追踪：21 CFR Part 11 与 EU GMP Annex 11 的监管逻辑

系统梳理 GxP 场景下 AI 审计追踪的监管依据，聚焦 21 CFR Part 11、EU GMP Annex 11、ALCOA+ 与 AI 工作流中的可追溯性要求

Posted Feb 4, 2026

By Alden Wang

views 61 min read

原文作者：Adrien Laurent，IntuitionLabs CEO 原文链接：Audit Trail Requirements for AI in GxP Compliance

执行摘要

可审计性与可追溯性，是受监管行业实现 GxP 合规的两根支柱。凡是用于 GxP 场景（药品实验室、临床或生产）的计算机化系统，都必须生成审计追踪——对用户录入、编辑及系统动作形成安全、带时间戳的完整记录——以此守住数据完整性与责任链条。

FDA 的 21 CFR Part 11（美国）与 EU GMP Annex 11（欧洲），明确要求对电子记录配置此类审计追踪。随着 AI 进入药物研发与生产，这些要求顺势延伸到 AI 驱动的决策支持工具。在 GxP 场景下，AI 系统必须完成验证并纳入质量管理体系，确保每一个 AI 相关数据点——训练数据、模型版本、输入提示词、输出结果、人工复核——都被记录并可供审查。

本报告系统分析 GxP 下 AI 决策支持的审计追踪要求，涵盖历史法规背景、具体条款（21 CFR 11.10(e)、Annex 11、PIC/S PI 041-1），以及 AI 特有的延伸考量。

关键发现如下：

法规强制层面。 21 CFR 11.10(e) 要求建立安全、由计算机生成且带时间戳的审计追踪，记录每条电子记录在何时、由谁创建、修改或删除。EU GMP Annex 11 要求对所有 GMP 相关变更与删除（含原因）建立基于风险的审计追踪，日志必须可读、可保留，并需定期复核。ICH 与 PIC/S 的全球协调进一步强化了这些原则。

数据完整性层面。 审计追踪是落实 ALCOA+（可归属、可读、同步记录、原始、准确，加之完整、一致、持久、可用、可追溯）的核心机制。PIC/S PI 041-1 明确：所有变更必须可追溯，且不得遮蔽原始数据。FDA 色谱系统指南同样强调，”对数据的更改应记录在审计追踪中”，体现同步记录原则。

AI 特定延伸层面。 AI 赋能的流程会产生新型受监管记录载体。训练数据、模型版本、提示词日志、输出结果，都应作为受控记录纳入 ALCOA+ 约束。审计追踪需将每条 AI 输出与其来源关联——对每次推断决策记录精确提示词、模型标识符与用户身份。需覆盖的事件包括：数据集登记、模型训练运行、部署（含版本与配置）、推断请求（提示词与参数）、后处理、人工复核/签署，以及变更控制，每项均需包含时间戳、执行者、动作、对象 ID 与新旧值。

实施与监督层面。 审计追踪本身必须防篡改：任何用户不得禁用或编辑审计日志。Annex 11 拟议修订明确写道，审计追踪不得被操作人员编辑或停用，任何删除都必须通过受控机制执行。AI 开发应遵循严格的变更控制（参照 ICH Q9）——每次模型更新（权重、代码、提示词）都必须版本化管理并获批，同时记录理由。供应商与云平台被视为 GxP 供应商：合同应要求提供可导出的 AI 使用日志、可用性、事件与模型更新记录，呼应拟议中的 EU GMP Annex 22。

未来趋势层面。 监管机构正在积极更新 AI 相关指南。EU AI Act（2024）将对高风险 AI 系统施加记录保存与日志记录义务，与 GxP 规则形成互补。EMA 最新反思论文再次强调，现行法律及 ALCOA+ 同样适用于药物研发中的 AI。Annex 11 拟议更新（含面向 AI 的 Annex 22）以及 PIC/S 协调工作，将进一步澄清监管预期。无论哪条路径，完备的审计追踪都能提供监管机构”信任但核查”AI 所需的证据链。

引言与背景

受监管的制药、生物技术与生命科学行业，在 GxP 规则框架下运作，数据完整性、可追溯性与可问责性是这套框架的核心。无论是临床试验（GCP）、生产（GMP）、实验室（GLP）还是流通（GDP），企业都必须确保每一条记录符合 ALCOA 五要素：可归属、清晰可读、同步记录、原始真实、准确无误。落到日常操作，就是把”谁做了什么、何时做的、为何这么做”记录得明明白白。

随着电子系统无处不在，监管机构通过审计追踪，将纸质记录的规则明确延伸到数字世界。

审计追踪的定义。 审计追踪是计算机化系统自动生成的按时间顺序排列的记录，捕捉记录的创建、修改与删除。它通常包含每项操作的日期/时间、用户身份、变更内容（旧值与新值），以及变更原因。审计追踪为电子数据提供”完整性证据”：检查员通过查阅审计追踪，核实数据可靠且未被篡改。

21 CFR Part 11 要求建立”安全的、由计算机生成并带时间戳的审计追踪”，记录用户录入以及创建、修改或删除记录的日期/时间。规则明确写道：”对记录的更改不得掩盖先前记录的信息”——任何内容都不得被擦除或隐藏。EU GMP Annex 11 同样要求系统捕捉”所有与 GMP 相关的变更及删除”，并记录每次变更的原因。

历史演进。 审计追踪的源头可追溯到纸质文件时代。几十年来，GMP Chapter 4 都要求”对文件中某条记录的任何更改都应签名并注明日期，且原始信息应保持清晰可读”。计算机化系统必须复刻这一点：编辑之后，任何数据都不得消失，亦不得变得不可读。

到了 1990 年代，全球监管机构逐步认可电子记录在系统经过验证且安全的前提下，可与纸质记录等效。FDA 在 Part 11（1997 年定稿）中将其成文化；欧盟则在 2008 年首次将 Annex 11 引入 GMP 指南（2011 年更新）。这些规则的设计目的，是确保人们对数字数据有足够信心：一份电子批记录必须像纸质实验记录本一样，清楚显示每一项检测结果由谁录入、后续又有哪些修订。

AI 在 GxP 中的兴起。 近来，AI 开始进入受监管领域——从 AI 辅助药物发现，到临床试验管理与药物警戒。AI 决策支持工具带来效率与洞见，但也带来新的数据完整性挑战。即便是机器学习模型生成了一份方案摘要，或标记出某个质量趋势，监管机构依然要求全链路可问责。

EMA 关于 AI 的反思性文件强调：无论使用何种工具，人类申办方对任何内容或决策仍然”100% 负责”。AI 还会催生大量电子文件：不仅包括最终输出，还包括生成日志、训练数据集、模型版本与参数——所有这些都必须按 GxP 记录来管理。因此，审计追踪必须演进，以覆盖这些新型工件。

GxP 审计追踪监管要求

21 CFR Part 11（US FDA）

电子记录与审计追踪。 在美国，21 CFR Part 11 为 FDA 监管活动中的计算机化系统设定了基础性要求。Part 11 §11.10 列出了封闭系统所需的控制措施。其中最关键的是 §11.10(e)：

使用安全的、由计算机生成并带有时间戳的审计追踪，以独立记录操作人员输入及其创建、修改或删除电子记录的行为发生的日期和时间。记录变更不得掩盖先前已记录的信息。此类审计追踪文件的保存期限不得短于相关电子记录所要求的保存期限，并应可供监管机构审查与复制。

这就要求：凡是与 GxP 相关的电子记录的创建、变更或删除，都必须自动留痕。审计追踪必须包含：由谁录入（操作人员身份）、何时录入（日期/时间戳）、发生了什么动作。更重要的是，一旦数据写入，就不能”凭空消失”：后续可以编辑，但原始条目必须在日志中保持可见，不得覆盖。

Part 11 并未要求对计算机上的每一次操作都记录在案——简单的读取可能不需要留痕——但凡是创建或更改 GxP 记录的动作都必须记录。其他控制措施（§11.10(g)）还要求唯一的用户 ID 与受限访问，这与审计密切相关（因为用户 ID 必须被记录）。

系统文档。 Part 11 的另一项规则（§11.10(k)(2)）要求系统文档本身也必须受变更控制，并以审计追踪的形式保留修订历史。这意味着标准操作规程、软件文档以及其他受控文件，也都必须带有已记录的变更轨迹。

影响。 在 FDA Part 11 之下，监管期望是：经过验证的软件系统应内置审计追踪能力。任何影响受监管记录的手工录入或自动化动作，都必须对检查人员可见；检查人员可依托审计追踪复盘事件经过。

EU GMP Annex 11

基于风险的审计追踪。 在欧洲，EU GMP Annex 11（”Computerised Systems”）同样对审计追踪作出规定，语气更偏向”基于风险”。Annex 11 第 9 节写道：

基于风险评估，应考虑将所有与 GMP 相关的变更与删除记录整合进系统（系统生成的审计追踪）。当与 GMP 相关的数据被更改或删除时，应记录原因。审计追踪必须可用，能够转换为通常可读的形式，并应定期检查。

FDA 要求对所有数据创建与编辑进行记录，Annex 11 则强调应基于风险来考虑审计追踪。在实践中，欧洲的质量部门往往将其理解为：凡是 GMP 数据可能被改动的系统，就必须对这些变更进行记录。Annex 11 要求对任何已记录数据的更改或删除记录其原因，日志本身必须以人类可读的形式保存，并作为质量监督的一部分定期复核。

值得注意的是，Annex 11 并未明确要求记录”记录创建”。GMP Journal 的分析指出：尽管 FDA Part 11 覆盖创建行为，Annex 11 的措辞更像是在强调主要对更改/删除进行记录。不过，在其他条款中（Annex 11 Sec. 7），法规也确实要求系统记录创建电子记录之人的身份（含日期/时间），即便并未启用完整的审计追踪。总而言之，至少必须捕获新记录的作者与时间戳。

Annex 11 修订计划。 EMA 正在修订 Annex 11，以进一步收紧这些规则。近期的一份概念文件（2024 年 8 月）提出：对所有 GMP 关键的计算机化系统，只要其中的数据或设置可以被更改，就必须强制配置审计追踪。文件还建议，审计日志必须捕获用户身份、时间戳、变更前后数值，并要求几乎所有编辑都需填写变更原因。同时也明确，审计追踪必须防篡改——任何用户都不应能够修改或停用该日志。

PIC/S 及其他数据完整性指南

PIC/S PI 041-1（2021）。 PIC/S 关于数据完整性的统一指南进一步夯实了全球一致性。PIC/S 对数据完整性的界定与 ALCOA+ 一脉相承。该指南指出，数据的完整程度”还要求保留所有元数据、审计追踪以及为在特定语境下充分理解数据所必需的支撑性文件”。它明确把可追溯性作为核心概念写入：对数据或元数据的任何更改，都不应遮蔽原始记录；所有修改都必须被纳入一套全面的审计追踪之中，使得完整的数据历史可被重建。

WHO 与 ICH。 WHO 2016 年指南（TRS 996, Annex 5）以及 ICH 质量指南同样强调数据完整性，但具体细节则交由区域性法律（Part 11/Annex 11）规定。ICH Q10（质量体系）与 Q12（生命周期管理）总体要求健全扎实的记录保存机制。实践中，符合 21 CFR Part 11 与 Annex 11 即可满足这些期望。

监管要求汇总。 纵观各项法规，可以归纳出共性要求：

指南/标准	审计追踪关键要求
21 CFR Part 11（FDA）	安全、由计算机生成、带时间戳的日志，记录所有用户操作
EU GMP Annex 11	基于风险评估，记录所有 GMP 相关变更/删除（含原因），日志可读可复核
PIC/S PI 041-1	强化 ALCOA+：可追溯性被明确提出，所有变更/版本必须被记录
FDA Data Integrity Guidance (2018)	强调数据（例如色谱数据）应被同步保存
ISO 13485 / IEC 62304	适用于医疗器械软件，包括诊断决策工具

各方一致强调：针对 GMP 数据变更，审计追踪必须记录谁、做了什么、何时、何地；必须安全且防篡改；保存期限应与记录本身的保存期限一致。差异主要体现在路径选择上（美国更偏规定式，欧盟更偏风险导向），但落点一致：企业必须实施电子审计日志。

ALCOA+ 与 GxP 数据完整性原则

审计追踪要求，正是 ALCOA+ 框架的直接体现。全球监管机构把完整性概括为：数据必须完整（Complete）、一致（Consistent）、可长期保存（Enduring）、可获取（Available），同时还要具备可归因（Attributable）、清晰可读（Legible）、同步记录（Contemporaneous）、原始（Original）、准确（Accurate）这几项属性。在计算系统中，审计追踪能落实其中许多要求：它让记录具备可归因性（记录用户身份）以及同步/准确性（在操作发生的当下加盖时间戳）。

ALCOA+ 原则	审计追踪实施
Attributable（可归属）	每次记录变更都必须记录用户 ID/角色
Legible（可读）	审计条目必须便于人阅读（Annex 11 要求日志可转换为可读形式）
Contemporaneous（同步记录）	每一条日志都要加时间戳
Original（原始）	即便发生编辑，原始条目也应仍保留在日志中，旧值必须被保留
Accurate（准确）	审计条目必须准确反映实际操作，记录精确的输入值、新旧数据对照
Complete（完整）	日志必须捕捉所有更改，包括元数据；PIC/S 明确指出审计追踪属于完整数据集的一部分
Consistent（一致）	审计日志需按事件时间顺序保持排列，条目应包含前值与现值
Enduring（持久）	日志必须存放在耐久介质上，覆盖完整保存期
Available（可获取）	日志必须在受保护的同时可供复核，系统需具备快速检索能力
Traceable（可追溯）	审计追踪本身就是可追溯性的一部分，将每一项数据贯穿其全生命周期关联起来

归根结底，健全的审计追踪，正是让 ALCOA+ “可被证明”的那套机制。

GxP 中的 AI 决策支持：对审计追踪的影响

受监管生命周期中的 AI

AI 和机器学习正被应用于药品全生命周期：药物发现、工艺开发、生产制造、临床试验，以及药物警戒。AI/ML 可以预测最佳处方、自动化数据分析、起草监管文件、筛查安全性报告，或辅助临床医生进行诊断。只要这类 AI 系统会影响 GxP 流程（哪怕只是作为”决策支持”），它所生成的输出最终都会成为受监管的记录。

监管机构强调：对 AI 工具的验证与监督要求，与任何其他软件并无二致。AI 并不存在监管层面的”豁免通道”。正如一项分析指出，FDA 和 EMA 不会为未经验证的 AI 捷径给予特殊许可——既不存在”Microsoft Word 的验证指南”，同样也不存在针对 AI 语言模型的专属指南。相反，任何用于创建、修改或维护 GxP 记录的 AI 工具，都必须依据其预期用途完成验证（遵循 Part 11/Annex 11 原则），并且其所有输出均纳入 ALCOA+ 的管理框架之下。申办方对最终内容始终负全部责任，无论是否引入 AI。

落到实处，就意味着当 GxP 从业者部署 AI（例如，用生成式 AI 起草方案草案，或用 ML 模型预测检测结果）时，必须对 AI 运行的方方面面开展审计。关键问题包括：

哪些数据用于训练模型（training data）？
是哪一个模型版本/配置产出了该结果？
向 AI 提供了什么输入（prompt 或分析条件）？
生成了什么输出，人类又是如何对其进行复核或编辑的？

上述每一项，在 GxP 之下都可能构成一条”记录”，因此都需要具备可追溯性。

EMA 的 AI reflection 呼吁以人为本的方法：AI 应用”必须可追溯、可复核，并且可归因于具备资质的人类”。FDA 的 AI 讨论草案同样预见：任何由 AI 得出的数据，在被认定为真正的 GxP 记录之前，都将需要有人在环验证，并配套 Part 11 风格的控制。一位专家的总结直截了当：”当你证明每一步都满足数据完整性时，AI 就适用于 GxP。最快的做法，是把训练数据、prompts、模型上下文和输出都当作受控记录来管理，并满足 ALCOA+ 的期望。”

为 AI 工作流量身定制的审计追踪

传统的审计追踪主要盯着用户在某个软件系统里的操作行为。到了 AI 时代，这个边界必须外扩，覆盖整个 MLOps 流水线：

数据谱系 — 模型训练与验证数据集的来源与流转
模型谱系 — 架构、权重、超参数以及代码版本
运行日志 — 推理请求（prompts/inputs）与输出
人工干预 — 对 AI 输出的复核或覆盖
变更控制 — 对新模型发布或数据更新的批准

AI 系统里有效的审计追踪，应当把这些信息贯通关联起来。比如，一条分析人员的 prompt（”generate protocol synopsis”）及其生成文本，再加上时间戳、用户 ID 与模型版本，都应作为同一条记录一并落库。

AI 审计追踪的实用清单，可以从既有指南中提炼：

Training Data Register — 记录用于训练模型的每个数据源或数据集的身份与版本，并附上批准信息或注释
Model Registry — 记录每个模型（及子组件）的版本、训练运行与性能评估；保存是谁触发了模型训练或更新，以及其发布日期
Deployment Events — 当模型以特定配置在生产环境部署或升级时，记录该事件及其批准
Inference (Decision) Logs — 每次使用 AI 作出决策或生成输出时，记录完整上下文：用户/角色、输入数据或 prompt 内容（或 ID）、模型版本、参数以及输出；并包含时间戳与客户端应用
Post-Processing and Actions — 若 AI 输出之后发生自动化后处理或进一步动作，也要记录，并引用原始 AI 事件
Human Reviews/Sign-offs — AI 生成之后的任何人工复核或批准步骤，都必须记录（谁在何时复核了什么，以及做了哪些修改）
Change Controls — 若通过变更控制变更 AI 模型或其数据，该过程本身应与 model registry 建立关联

“你的审计追踪应当独立记录在每一次 AI 事件中，谁对哪个对象做了什么、何时做的、在哪里做的。”——Validfor, AI in the Age of Regulated Work

下表汇总了 AI 系统审计记录中应包含的关键字段，并将其映射到 ALCOA 原则：

审计追踪字段	说明 / 用途	ALCOA 映射
时间戳（日期/时间）	事件发生的精确时间，用于对操作进行排序	同步记录/准确
用户/操作员 ID	触发该事件的人员或系统账户的身份	可归属
用户角色/位置	角色（如 QC Analyst、System Admin）或上下文（工作站 ID）	可归属
事件类型/描述	对动作的自由文本或编码描述（如 “Model_Training”、”Inference_Run”）	准确
受影响的对象/记录 ID	被影响的数据或模型的标识符	可追溯
旧值（如适用）	变更前的原始内容/数值	原始
新值	动作后的新内容或数值	准确/一致
原因/备注	用户说明为何进行该变更	可归属
来源/系统 ID	标识所使用的软件或 AI 模型（模型名称与版本）	原始/可追溯
模型（版本/哈希）	针对 AI 事件：精确的模型标识符（版本号或校验和）	原始/可追溯
方法/参数	针对 AI 输出：关键参数（prompt 文本、API 调用设置）	同步记录
人工复核人 ID	若人工复核或签署确认了某个 AI 输出，则记录该人员的 ID 及其决策状态	可归属

技术与控制机制

为满足这些要求，AI 系统必须从设计之初就具备可审计性。业内人士建议采用能确保日志不可被篡改的技术——例如一次写入存储、对日志条目进行密码学链式关联，或使用区块链。至少，审计追踪必须不可变更：一旦写入条目，即便是特权用户也不能修改或删除。

拟议的 Annex 11 修订对此进一步强调：用户试图禁用或编辑审计追踪必须不可能（或者如确需允许，也只能在紧急恢复时由极少数系统管理员访问，并且此类操作本身也必须被记录）。

系统还应纳入审计追踪复核流程。Annex 11 已要求将审计追踪作为质量监督的一部分，按期进行检查。在 AI 场景下，这可能包括对 AI 性能日志的定期验证，或对已记录的推理结果开展计划性审计，以确认其模式符合预期。

数据安全至关重要。审计条目既要防止外部访问，也要在需要时向获授权人员按需提供。SOC-2/ISO 27001 控制（访问日志、入侵检测）可与 GxP 审计追踪形成互补，但 GxP 检查员在审计时会明确在这些追踪记录中寻找证据。

鉴于 AI 模型会演进，模型与数据的变更历史也必须记录在案。每次模型再训练或新增数据集时，系统都应记录变更控制工单编号、批准人姓名和日期。建议对模型应用 ICH Q9 的风险管理：把模型更新视同制造过程变更——对风险分级，对关键变更进行正式确认，并在日志中记录其依据与验证结果。

审计追踪聚焦的用例与示例

尽管关于 GxP 领域 AI 的文献仍在不断涌现，但业内已有若干实例与类比，足以说明审计追踪的刚性要求。

Clinical Document Generation。 某制药申办方引入生成式 AI，用于起草临床试验方案与报告。为满足审计要求，所有 AI 输出都必须进入与人工草稿相同的受控文件管理系统——不得绕过正式工作流。每一份 AI 生成的草稿，都要与已记录的提示词记录关联（”summarize study design”），并与生成文本一并归档；文本中还需包含相关来源文件的引用（通过检索增强方法）。

落实到操作层面，意味着需要一份”prompt log”，记录原始用户请求、日期/时间与模型版本；一份”output log”，保存 AI 生成文本；以及在临床撰写人员改写文本时形成的”edit log”。上述各项记录均带有用户与时间戳，便于检查人员将最终提交文本一路追溯回 AI 生成与人工验证步骤。

Analytical Lab Data Processing。 某 QC 实验室采用 AI/ML 算法对色谱峰进行积分整合。对每个样品，若技术员手动调整积分，系统会记录调整前与调整后的数值、用户 ID 与时间戳。审计追踪也会记录每一次由 AI 驱动的分析事件：例如”Sample 1234 injected; user A started analysis at 10:02; AI integration completed at 10:03 using model v1.2”。

FDA 指导建议，即便是不完整的进样也应自动记录，且任何运行后的更正都必须在追踪记录中给出理由。在这里，智能算法被视为已验证设备的一部分；其输出（初始积分结果）属于记录，而用户的复核或更正属于修订。

Automated QC Batch Release。 在生产中，某公司使用 AI 系统基于传感器数据与历史批次预测批次质量结果。当某批次通过系统时，AI 会给出”放行建议”。审计系统记录：传感器输入数据 ID、模型 ID、模型输出（通过/不通过概率），以及 QC 放行决策者的操作。若操作员覆盖 AI 结论（例如”fail – retest batch”），该覆盖及其原因也会被追踪。

系统的审计日志确保在出具报告时，原始数据 → 算法预测 → 人为决策的链条一目了然。AI 的建议成为电子批记录的一部分，并具备完整来源信息。

Pharmacovigilance Case Triage。 某药物安全部门部署 AI 工具，对进入的药品不良事件报告进行筛查。每一份被模型评估的报告都会生成审计条目：由哪个模型（及其版本）评估、作出何种决定（例如”flag for evaluation”），以及算法的置信度评分。随后复核该标记的安全性分析员，会将其判断录入系统；该判断同样被记录，并与 AI 评估条目关联。

尽管该场景属于临床安全而非 GMP，但它揭示了同一模式：每一次 AI 决策都会被记录，并与最终的人为结论相对应。正如 FDA 审评人员指出，”AI algorithm 的可信性是人类专家是否接受它的主要决定因素”，而这只有在其输出透明、可审计时才可能达成。

这些例子表明，AI 的审计追踪并非孤立的一份日志，而是由数据、模型与操作共同构成、彼此关联的记录生态。行业权威建议在架构上确保”AI 输出不能绕过 QC”——任何来自 AI 的内容或动作，都必须进入已验证系统，并留下可见日志。

尤其值得注意的是，针对云端 AI，供应商监管至关重要。若模型由第三方托管，合同必须要求供应商提供关于使用情况、性能或配置变更的审计数据。专家建议在 Service Level Agreements 中加入”exportable evidence”条款：供应商应提供日志与记录（或至少提供重建它们的手段），以便在需要时接受检查。这与 Annex 11 中关于外包的既有章节一脉相承：合规强度取决于供应商实践的扎实程度。

数据与证据导向的考量

Inspection Findings。 监管机构在检查报告中反复指出数据完整性违规。相当一部分 FDA Warning Letters 都将缺失或不足的审计追踪列为关键问题。趋势已很清晰：如果无法通过审计日志追溯数据，监管方就会采取执法行动。

Industry Surveys。 对生命科学公司的调研显示，超过 80% 的企业将数据完整性视为首要合规风险之一，且不少企业正投资于自动化审计追踪解决方案。一项案例研究（Technology Networks, 2025）报告称，某实验室通过使用 AI 工具按审计日志事件对记录进行优先级排序（例如标记意外编辑），将数据复核时间减少了 50%。这提示：智能化的审计分析是在加固合规，而非取而代之。

Guidance and Best Practices。 PIC/S 指南与 FDA 数据完整性指南合并来看，基本意味着：每一次数据采集的偏差（如数据不完整、超标结果）都必须有一条审计记录。FDA 在 2018 年明确调整政策，要求在每次进样后都要保存色谱数据，以确保任何中止的进样都会被记录。这种具体指令进一步强调：数据创建事件同样需要纳入审计覆盖——这一原则很可能会延伸到任何 AI 参数。

Traceability Metrics。 在实践中，可以衡量审计追踪覆盖率或复核及时性等合规指标。例如，某制造商可能会跟踪：批记录中审计字段完整填写的比例，或在特定时限内完成复核的 AI 事件占比。监管方在事实上期待”100% 的 GxP 关键事件”被记录下来。在 AI 系统中，可以衡量所有推理事件是否都有对应的日志，任何缺失都将触发调查。

法规与行业视角

问责与监督。 FDA 与 EMA 均强调，在 GxP 中应用 AI，必须配套人工监督。EMA 的反思性文件明确指出，AI 生成内容必须”可追溯、可复核，并可归因于具备资质的人”。一句话概括：AI 工具并不能免除申办方的责任。落到实处，就是企业必须通过审计日志证明：在发布前，相关领域专家已审阅所有 AI 输出。

可追溯性与可解释性。 监管机构正在对”黑箱”AI 提出更高要求。完整的证据链——从数据输入，经由算法，到最终决策——都必须可获得。某篇面向 DRA 从业者的分析指出：”监管机构不再只问，’你的模型表现如何？’，而是越来越常问，’把完整证据链拿出来，证明这个模型是在受控条件下完成验证并发布的。’“这一预期与审计要求直接对齐：若审计员追问为何信任某次 AI 预测，企业应能调取审计追踪记录，展示数据沿袭、代码版本、验证记录以及人工审批。

协调趋同。 放眼全球，监管机构正在逐步对齐监管思路。2021 年的 PIC/S PI 041-1 已被广泛采用，因此日本、加拿大、欧洲等地的监管期望正越来越趋于一致。FDA 的指导原则草案与专题研讨会已开始直接讨论 AI/ML。FDA 于 2021 年 1 月发布的 AI/ML Software as a Medical Device Action Plan 及其后续草案建议采用良好机器学习实践（GMLP），其中包括对训练数据集与算法变更的可追溯性要求。

EU AI Act 及其后续影响。 EU AI Act（2024 年颁布）将医疗及部分对质量至关重要的 AI 系统划为”高风险”，要求提供详尽文件并开展上市后监测。该法案第 11 条要求提供方维护其高风险系统运行日志，以供国家主管机构审查。因此，在 GxP 场景中使用 AI 的企业，应当准备同时满足 Annex 11 与 AI Act 的日志记录要求。即便在美国，NIST AI Risk Management Framework 也在不断强化”文档化”与”可审计性”作为可信 AI 的支柱。

行业案例研究。 部分行业观点已开始以案例式讨论对外发布。专业论坛（例如 ISPE GAMP discussions）在反复打磨将 AI 融入既有验证工作流的最佳实践。一项关键共识是：AI 工具必须融入既有的质量文化。Validfor 的综述直言：”是的，受监管的写作任务可以由 AI 完成，但对于每一种内容类型——包括 cloud LLMs——你仍需要一套 IT 与质量管理体系方法。”换句话说，AI 并不改变基本功：你必须验证、记录日志，并对其进行审计。唯一的不同在于：需要记录日志的事项更多了。

影响与未来方向

AI 在 GxP 中的审计追踪要求，绝非走流程、打勾画叉的官样文章；它关乎质量、信任与创新，影响深远。充分的日志记录与可追溯性，会把人们看待 AI 的视角，从”神秘的黑箱”拉回到”可追溯的工具”。没有审计追踪，AI 驱动的决策就永远无法被充分验证，也无法在检查或法律场景中自证清白。

确保质量与问责。 一套扎实的审计追踪能确保：一旦 AI 系统出错或遭到攻击，就能顺藤摸瓜查到根因。如果因为 AI 预测失准而放行了不合格产品，公司必须拿得出证据：输入了哪些数据、模型输出了什么结果，以及人工是如何处理的。审计追踪还支撑事故后的”取证”分析：它能揭示这次失效到底源于输入数据不佳、软件缺陷，还是人工监督。

在部署任何 AI 解决方案之前，企业都应梳理其数据流，并确保每一个与 GxP 相关的步骤都被记录在案。内部审计与风险评估应将 AI 视同其他计算机系统，一并追问：”对于每一个结果，我们能否回答清楚’谁、做了什么、何时、何地、为何’？”

技术赋能因素。 随着 AI 日益普及，相关技术也在演进，以更好地支撑审计追踪。MLOps 平台（TensorFlow Extended、MLflow 等）可进行配置，自动记录数据来源与模型度量指标。区块链与不可变账本技术也在被探索，用于实现防篡改日志。自然语言处理与异常检测工具能够筛查审计日志中的可疑模式，为自动化监督再加一道”保险”。

展望未来，甚至可能出现”用 AI 审 AI”的做法：机器学习算法可在日志数据中标记异常的操作序列。此外，ISO/IEC JTC 1/SC 42 正在制定 AI 治理与透明性相关标准，未来或将纳入对文档与日志的要求。

挑战与差距。 对 AI 系统开展全面审计并不容易。持续学习模型（会实时自我更新）尤其需要格外留神：每一次自适应再训练的步骤该如何记录，又该如何验证一个不断变化的目标？这仍是一个尚未解决的领域（FDA 正在试点面向自适应算法的”predetermined change control plans”）。

日志格式的互操作性也是一大难题：一旦同时使用多种工具（例如云端 AI 服务、本地软件、实验室设备），日志的汇总与整合就会变得相当复杂。另一个挑战在于数据量——AI 系统可能生成海量日志，企业必须设计可扩展的日志保留策略。

在这里，ALCOA+ 同样能派上用场：监管方允许基于风险的归档。若对低风险事件进行大规模记录，且明显不产生任何合规价值，就未必是必需的。相反，企业应把重心放在关键决策节点上，并确保这些节点都能做到绝对可追溯。

最后，人因同样关键。组织必须培训人员理解审计追踪的重要性，并掌握其使用方法。若员工觉得审计记录是个负担，可能会试图绕开正式系统——这无异于为监管执法埋下导火索。重视数据完整性（作为 PIC/S 的基本支柱之一）的文化，将更有助于成功落实这些系统。

结论

审计追踪是任何计算机化 GxP 流程的”合规脊梁”。随着 AI 日益融入受监管的工作流，审计追踪的原则并不会改变——只会成倍放大。每一条由 AI 生成的数据，都会成为电子记录的一部分延伸，而监管机构也会据此开展检查。

FDA 与欧盟法规（以及与其协调一致的 PIC/S 对应要求）都要求对影响数据的事件建立安全、全面的日志记录。AI 决策支持的兴起，只是意味着要将这些规则应用得更广——不仅覆盖传统的用户编辑，还要涵盖训练数据集、模型配置以及推理交互。

关键要点：

设计 AI 系统时，要把所有重要事项都记录下来：输入、输出、系统变更，以及人工复核
确保日志防篡改——不得对审计条目进行任何未经授权的修改或删除
将审计数据纳入现有的 QMS 流程（验证方案、变更控制、CAPAs），确保其得到审查并可随时调取
通过形成文件的测试来验证 AI 工具，并将审计追踪核查纳入验证的一部分
通过合同约束供应商与云服务提供方，落实这些日志记录要求

展望未来，监管趋势正朝着透明性加速推进。EMA 与 FDA 正在制定更细化的 AI 指南，EU AI Act 也将很快对高风险系统提出更为广泛的记录保存要求。早期采用者可以把它变成优势：强健的可审计性不仅能让检查官点头，更能在组织内部建立对 AI 结论的信心。

“信任，但要验证”——用在 GxP 语境下的 AI，再贴切不过。审计追踪正是用来”验证”的工具。通过落实 21 CFR Part 11、EU GMP Annex 11 以及 ALCOA+ 所要求的全面、带时间戳的日志记录，受监管的组织就能在不牺牲合规或质量保证的前提下，尽享 AI 带来的红利。

参考文献

法规与指南

21 CFR Part 11（FDA）：封闭系统的控制措施，§11.10(e)（审计追踪要求）
EU GMP Annex 11（计算机化系统）指南，第 9 节（审计追踪）
PIC/S（2021），指南 PI 041-1：数据管理与完整性的良好实践
FDA（2018）CGMP 指南：无菌工艺生产的无菌药品，数据完整性相关章节
EMA（2024）药品全生命周期中的 AI/ML 反思文件
Council on Pharmacy Standards - CAIDRA Modules：FDA/EMA 对 AI 文档的观点；良好机器学习实践（GMLP）文档与审计追踪
EMA News（2023 年 7 月）：Reflection paper on the use of AI
PIC/S News（2021 年 7 月）：采纳 PI 041-1 数据完整性指南

行业分析与案例

VTI Life Sciences, David Vincent（2025）：Digital and AI-enabled GMP Systems
Technology Networks（Lotfinia, McDowall, 2025）：数字化受监管实验室的审计追踪要求
Validfor（2025 年 10 月）：受监管工作中的 AI 与 ALCOA+
ClinicalTrials101（2025 年 11 月）：AI 辅助写作与验证，基于风险的 GxP 控制
Ball et al.（2024）：Trust but Verify: AI in Postmarketing Case Assessment（JMIR）

外部链接

GxP

This post is licensed under CC BY 4.0 by the author.