联网与安全 2026年8月16日 · 领航国际设备
医疗设备越来越像电脑以后，为什么“能联网”同时变成了一项功能和一项安全责任？
十几年前，一台监护仪或输液泵大多是相对封闭的设备，出厂之后基本不再和外部世界发生数据交换。今天情况已经完全不同：设备联网带来远程数据回传、软件在线更新、跨系统数据共享，这些能力确实带来了明显的效率提升。但联网这件事本身是双面的——它在打开便利性的同时，也打开了一个过去不存在的攻击面，这正是Medical Device Cybersecurity 近年来越来越受重视的原因。
把“联网”单纯当作一项功能来看待，是理解上的第一个误区。一台可以联网的设备，意味着它具备了被远程访问的物理条件，无论这种访问是被设备厂商用于合法的远程维护，还是被未经授权的第三方利用，技术路径上都是相通的。换句话说，联网能力本身既是价值来源，也是风险来源，二者无法被拆开单独讨论。
从工程角度看，医疗设备网络安全通常沿着几个阶段展开。Secure Design （安全设计）要求在设备架构阶段就考虑攻击面最小化，而不是上市后再打补丁；Authentication （身份验证）确保只有被授权的用户和系统才能访问设备功能和数据；Software Update （软件更新机制）需要保证更新渠道本身是可信的，防止更新过程被利用为攻击入口；Vulnerability Management （漏洞管理）要求企业持续监测已知漏洞并及时响应；Incident Response （事件响应）则是在真正发生安全事件时，企业能否快速定位、遏制并通知受影响方。
这里有一个容易被误解的地方：网络安全不只是“信息不被偷看”的问题。对联网医疗设备而言，一次攻击可能造成的后果，往往不是数据泄露那么简单，而可能直接影响设备的可用性——比如设备被迫离线、参数被篡改、或者响应变得不可预期，这些都可能直接关系到患者安全，这也是为什么医疗设备网络安全经常被放在与临床安全同等重要的位置讨论。
还需要说明的是，任何联网设备都存在Residual Risk （残余风险）——没有一套安全体系可以做到“无法被攻击”，这不是某个厂商工程能力不足的问题，而是联网系统的固有属性。因此，网络安全治理的目标从来不是消灭风险，而是把风险控制在可接受、可监测、可响应的范围内，并持续跟进新出现的威胁模式。
这对使用方意味着什么
对医院和其他医疗机构而言，采购联网医疗设备时，网络安全能力正在成为和临床性能同等重要的评估维度：设备是否有清晰的漏洞响应机制、软件更新是否经过安全验证、网络架构是否支持必要的隔离（Network Segmentation）。这些问题过去更多属于IT部门的职责范围，如今正在成为临床采购决策中不可回避的一部分。
本文仅作医疗设备网络安全治理的一般性教育介绍，不提供任何攻击方法、漏洞利用步骤或设备入侵相关内容。
上市后监测 2026年8月15日 · 领航国际设备
AI医疗设备已经上市以后，为什么实际使用中的性能监测仍然不能停止？
传统硬件设备一旦通过质检出厂，性能通常被认为是相对稳定的——一台CT的成像分辨率不会因为使用环境不同而发生系统性变化。但AI模型的“性能”并不完全是这个逻辑。一个在某个数据分布下训练和验证的模型，进入一个数据分布有所不同的新环境后，表现可能出现漂移，这正是Post-market Monitoring （上市后监测）对AI医疗设备格外重要的原因。
这里的关键概念是Data Drift （数据漂移）。造成漂移的原因是多方面的：设备厂商换了一批新型号的扫描仪，成像参数和以前略有不同；医院的患者人群结构发生变化，某类疾病的发生率上升或下降；甚至医生的检查习惯、申请单填写方式发生调整，都可能改变模型接收到的输入数据的统计特征。模型本身没有被修改，但它所处的环境已经悄悄变化，这种变化未必会被立刻察觉。
Workflow Change （工作流变化）是另一个容易被忽视的因素。同一款AI工具，如果被嵌入到不同医院的不同工作流程中——比如触发时机不同、报告呈现方式不同、医生查看结果的习惯不同——实际发挥的作用也可能不同。这不是模型本身出了问题，而是模型被使用的方式本身就是影响其效果的变量之一。
因此，负责任的AI医疗设备部署，通常需要建立持续的性能监测机制：定期抽样评估模型在当前环境下的表现，跟踪关键指标是否偏离了预期区间，并在发现异常时触发进一步的人工复核或模型重新验证。这套机制的目标，不是假设模型会“永远正确”，而是尽早发现它什么时候开始不再适用当前环境。
这也是为什么监管机构近年来越来越关注预设变更控制计划 这类机制——允许企业在获批时就说明模型未来可能在什么范围内进行调整、调整需要满足什么条件，从而在保证安全的前提下，让模型的持续改进变得可管理，而不是每次微调都要从零走一遍完整审查流程。这一机制在国际讨论中常被称为PCCP （Predetermined Change Control Plan），是理解AI医疗设备生命周期管理的重要拼图，具体要求请以各监管机构最新公开指南为准。
监测发现问题之后
性能监测的意义不止于“发现问题”，更重要的是发现问题之后的响应路径是否清晰：是否有机制暂停或限制模型在特定场景下的使用、是否需要重新提交监管备案、如何通知一线医护人员当前模型的已知局限。这一整套响应机制，和模型本身的算法设计同样重要，却常常在讨论“AI有多准”时被忽略。
本文用于AI医疗设备生命周期治理的一般性教育介绍，不针对具体产品的实际监测数据。
变更管理 2026年8月13日 · 领航国际设备
医疗设备软件更新已经非常方便以后，为什么监管越来越关注“这个更新到底改变了什么”？
手机App的更新体验已经非常成熟：点一下确认，几秒钟后新版本就生效了，绝大多数用户不会去细想这次更新具体改了什么。医疗设备软件的更新表面上可以用同样的技术手段完成，但监管机构和企业内部的质量团队，看待这件事的方式完全不同——他们首先要问的问题，不是“更新能不能顺利安装”，而是“这次更新到底改变了产品行为的哪些部分”。
这个问题之所以重要，是因为医疗设备当初获得监管许可，是基于一份明确的产品说明——包括它的Intended Use 、性能指标和验证证据。如果一次更新只是修复了界面上的显示错位，通常不会影响这份说明的有效性；但如果更新调整了某个判断阈值、增加了新的分析功能，或者改变了模型对某类输入的处理方式，那么原来的证据是否还能覆盖“更新后的产品”，就成了一个需要重新评估的问题。
这就是Change Control （变更管理）在医疗设备软件生命周期中的核心作用：企业需要有一套流程，对每一次计划中的更新进行分级评估——这是一次不影响安全性和有效性证据的小改动，还是一次可能需要重新提交监管审查的实质性变化。这套评估流程本身，往往比更新的代码量更复杂，因为它需要工程、临床和法规团队共同参与判断。
近年来一个值得关注的方向，是监管机构开始探索允许企业在获批时就提交一份说明未来可能变更范围和条件的计划（前文提到的PCCP概念），这样一来，某些在预先设定边界内的模型更新，就可以按照约定好的流程推进，而不必每次都从头走完整审查。这种机制试图在“保持产品持续改进能力”和“保证每次变化都经过必要评估”之间找到平衡，但它并不意味着企业可以不受约束地随意更新模型——预先设定的边界本身仍然需要证据支持。
对医院和使用者的实际影响
对医院而言，这意味着在采购和使用AI医疗设备时，也需要建立起对软件版本的管理意识：清楚知道当前使用的是哪个版本、更新前是否有充分的验证说明、更新后是否需要重新培训相关人员。这套管理逻辑与IT系统的版本管理有相似之处，但医疗场景下多了一层安全和合规的考量，不能简单套用普通软件的“自动更新，用户无感知”模式。
本文用于医疗设备变更管理的一般性教育介绍，具体监管要求请以官方最新指南为准，不构成合规建议。
