,
6 Min. Lesezeit
KI-gestützte Software entwickelt sich von reinen „Hilfsfunktionen“ hin zu Systemen, die klinische Entscheidungen und betriebliche Arbeitsabläufe maßgeblich beeinflussen. Diese Entwicklung treibt Innovationen voran, erhöht aber gleichzeitig die Erwartungen hinsichtlich Governance, Transparenz und Lebenszykluskontrolle. Im Jahr 2026 wird die entscheidende Frage für viele Entwickler nicht mehr lauten, ob die AufsichtsbehördenML akzeptieren, sondern wie sie von den Herstellern erwarten, dass diese den ständigen Wandel bewältigen, ohne dabei die Sicherheit und Wirksamkeit zu beeinträchtigen.
Für Teams, die SaMD Fähigkeiten entwickeln, dreht sich die Diskussion mit den Aufsichtsbehörden zunehmend um den Lebenszyklus. Die Frage der Aufsichtsbehörden ist klar und deutlich: Wenn sich das Modell weiterentwickelt, wie stellen Sie dann die klinische Validität sicher, kontrollieren Risiken und dokumentieren Änderungen so, dass dies nachprüfbar bleibt?
Dieser Blog beleuchtet die praktischen Auswirkungen dieses Wandels und konzentriert sich dabei auf das „Total Product Lifecycle“-Konzept (TPLC) sowie auf die „Algorithmus-Fertigung“, bei der fortlaufende Modellaktualisierungen mit der Disziplin eines Produktionsprozesses behandelt werden und nicht als einmaliges Entwicklungsereignis.
Der neue Maßstab: Lebenszyklus-Governance für Lernsysteme
Das größte MissverständnisML SaMD , dass ein validiertes Modell „fertig“ ist. In Wirklichkeit SaMD KI-gestützte SaMD eher wie ein lebendes System. Die Leistungsfähigkeit hängt von der Datenqualität, dem klinischen Kontext, den Interaktionsmustern der Nutzer und den Einsatzbedingungen ab. Im Laufe der Zeit können Abweichungen, Veränderungen im Datensatz und Änderungen im Arbeitsablauf zu einer schleichenden Leistungsminderung führen, insbesondere in Umgebungen mit hoher Variabilität wie der Bildgebung, der Triage und der Überwachung.
Aus diesem Grund bewerten die Aufsichtsbehörden zunehmend Ihr Betriebsmodell und nicht nur Ihre Zulassungsunterlagen. Ein glaubwürdiger Plan zeigt auf, wie Sie Probleme frühzeitig erkennen, Risiken begrenzen und Aktualisierungen konsequent verwalten. Bei Medizinprodukten bedeutet dies, dass die technischen Verfahren eng mit den Qualitätssystemen, der Überwachung nach dem Inverkehrbringen und der Änderungskontrolle verzahnt sein müssen.
Was das Jahr 2026 für FDA ML bei FDA bedeutet: PCCPs und TPLC als praktischer Leitfaden
Die Vorgaben FDAsind eindeutig: Sichere Innovationen im Bereich der KI hängen von einer vorhersehbaren, im Voraus festgelegten Regelung für Updates ab. In der Praxis kommt FDA hier zum Tragen – durch strukturierte Pläne, in denen festgelegt wird, was sich ändern darf, wie Änderungen validiert werden und was nach der Bereitstellung überwacht wird.
Ein zentraler Mechanismus hierfür ist der „Predetermined Change Control Plan“ (PCCP). Die endgültigen LeitlinienFDA zu PCCPs bieten einen konkreten Rahmen für die Vorabgenehmigung bestimmter Kategorien von Modellaktualisierungen, ohne dass für jede erfasste Änderung ein neuer Antrag gestellt werden muss, sofern die im Plan festgelegten Validierungs- und Überwachungsverpflichtungen erfüllt werden.
Dieser Ansatz steht im Einklang mit den umfassenderen Erwartungen FDAhinsichtlich des gesamten Produktlebenszyklus fürSaMD, wobei das „Produkt“ nicht nur das Freigabeprodukt ist, sondern das Kontrollsystem, das die Sicherheit über alle Versionen hinweg gewährleistet. Für Teams, die sich mit SaMD FDA befassen, bedeutet dies in der Praxis, dass die Governance zunehmend Teil der Nachweispflichten wird.
Aus EU-Sicht: Die MDR im Spannungsfeld mit dem EU-KI-Gesetz
In Europa SaMD KI-gestützte SaMD an der Schnittstelle zwischen der Regulierung von Medizinprodukten und der horizontalen KI-Governance. Die MDR bildet nach wie vor den Rahmen für klinische Leistungsfähigkeit, Sicherheit und Verpflichtungen nach dem Inverkehrbringen. Dennoch führt das EU-KI-Gesetz zusätzliche Anforderungen in Bezug auf Risikomanagement, Transparenz, Rechenschaftspflicht und Aufsicht für KI-Systeme mit hohem Risiko ein, insbesondere wenn deren Ergebnisse klinische Entscheidungen wesentlich beeinflussen können.
Der offizielle Gesetzestext des EU-KI-Gesetzes präzisiert den Anwendungsbereich, die Verpflichtungen und die Anforderungen an die Governance auf EU-Ebene.
Für Entwickler ist Integration der strategische Ansatz, nicht Doppelarbeit. Wenn Sie einen parallelen „KI-Compliance“-Pfad aufbauen, der von Ihrem Qualitätsmanagementsystem (QMS) und der klinischen Governance getrennt ist, gehen Sie das Risiko von Inkonsistenzen ein. Der skalierbarere Ansatz besteht darin, die Anforderungen des KI-Gesetzes auf bestehende, an die MDR angepasste Lebenszykluskontrollen abzustimmen: Risikomanagement, Dokumentation in Verbindung mit klinischen Angaben sowie Überwachung nach dem Inverkehrbringen, die Drift, Hinweise auf Verzerrungen und Gefahren im Zusammenhang mit der Benutzerfreundlichkeit umfasst.
IMDRF und „bewährte Verfahren“ als globale gemeinsame Sprache
Die weltweite Konvergenz ist zwar noch nicht vollständig, schreitet jedoch auf der Grundlage gemeinsamer Grundsätze immer schneller voran. Die Arbeit der IMDRF hat maßgeblich dazu beigetragen, gemeinsame Erwartungen an KI-gestützte Medizinprodukte zu formulieren, insbesondere hinsichtlich bewährter Verfahren, die über den gesamten Lebenszyklus hinweg gelten sollten. Im SaMD der IMDRF wird „bewährte Praxis im Bereich des maschinellen Lernens“ zunehmend als Grundlage für eine sichere Entwicklung, Validierung und Wartung angesehen.
In der Praxis hilft dies den Herstellern dabei, ihre Strategie regionenübergreifend umzusetzen; auch wenn sich die Formate der Unterlagen unterscheiden, werden die zugrunde liegenden Erwartungen hinsichtlich Datenverwaltung, Bewertungsstrenge und Überwachungsdisziplin immer einheitlicher.
Algorithmus-Fertigung: Modellaktualisierungen in einen kontrollierten Produktionsprozess umsetzen
Wenn man sich ein einziges mentales Modell für das Jahr 2026 vorstellen möchte, dann ist es KI-gestützte SaMD eine „Algorithmus-Fertigung“ erfordert. Das bedeutet, Modellaktualisierungen wie eine kontrollierte Produktion zu behandeln, mit standardisierten Eingaben, Methoden, Abnahmekriterien und Freigabeentscheidungen, die nachprüfbar sind.
Ein solider Ansatz umfasst in der Regel:
- Klar definierte „Änderungsarten“ (Datenaktualisierung, Schwellenwertanpassung, Änderungen an der Modellarchitektur) und die jeweils erforderlichen Nachweise
- Ein festgelegtes Auswertungsprotokoll, das über verschiedene Versionen hinweg wiederholt ausgeführt werden kann
- Überwachung von Signalen, die die klinische Leistung aussagekräftig widerspiegeln (nicht nur technische Kennzahlen)
- Eine Governance, die Änderungen mit dem Verwendungszweck, Risikokontrollen und Angaben auf der Kennzeichnung verknüpft
Hier vollzieht sich bei Software-as-a-Medical-Device der Übergang von der Modellkomplexität hin zur Lebenszyklusdisziplin. Die Gewinner des nächsten Zyklus werden jene Teams sein, die innovativ sind und Kontrolle demonstrieren können.
Wo sich der Mehrwert konzentriert: Praktische Anwendungen, die genauer unter die Lupe genommen werden
Die strengste Prüfung findet oft dann statt, wenn KI-Ergebnisse direkt Einfluss auf medizinische Entscheidungen nehmen können. Zu den Anwendungsbereichen vonML Software als Medizinprodukt gehören üblicherweise Erkennung, Triage, Risikovorhersage und Workflow-Optimierung – Bereiche, in denen die Qualität der Evidenz und die Überwachung von Modellabweichungen ebenso wichtig sind wie die Modellgenauigkeit.
Eine besonders wichtige Kategorie sind klinische Entscheidungshilfesysteme, bei denen KI-Ergebnisse die Diagnose oder die Wahl der Behandlung beeinflussen können. In diesem Zusammenhang neigen die Regulierungsbehörden dazu, drei Fragen zu stellen: Welche klinische Entscheidung ist betroffen? Welche Folgen hat ein Fehler? Und wie soll der menschliche Nutzer die Ergebnisse unter realen Bedingungen interpretieren und darauf reagieren?
Diese genaue Prüfung steht auch im Zusammenhang mit dem makroökonomischen Wachstum. Angesichts des wachsenden Marktes für Software als Medizinprodukt richten die Aufsichtsbehörden ihr Augenmerk zunehmend auf skalierbare Governance-Modelle, die mit der zunehmenden Verbreitung, iterativen Releases und dem Einsatz in verschiedenen Märkten Schritt halten können.
Fazit: Strategie als Lebenszyklussystem, nicht als einmaliges Einführungsereignis
SaMD KI-gestützten SaMD im Jahr 2026 konvergiert auf einen zentralen Grundsatz: Kontinuierliches Lernen erfordert kontinuierliche Kontrolle. Unabhängig davon, ob Sie sich an SaMD in den US, in Europa oder weltweit anpassen – die Regulierungsbehörden streben alle dasselbe Ziel an: die Gewissheit, dass die Leistung über einen längeren Zeitraum hinweg stabil bleibt und dass Veränderungen verantwortungsbewusst gehandhabt werden.
In der Praxis entsprechen Teams, die das TPLC-Konzept umsetzen und dabei die Dauerhaftigkeit von Nachweisen, das Veränderungsmanagement und die Überwachung in der Praxis miteinander verknüpfen, in der Regel besser den Erwartungen, die im „Comprehensive Guide to Software as a Medical Device (SaMD) Compliance & Global Registration“ dargelegt sind, sowie den Anforderungen an den Lebenszyklusbetrieb, die im „Software as a Medical Device (SaMD) Regulatory Compliance“ behandelt werden.
Wenden Sie sich an Freyr Solutions, um Ihre SaMD zu besprechen und zu erfahren, wie Freyr Ihre weltweiten Zulassungsverfahren optimieren kann.
