6 Min. Lesezeit
KI-gestützte Software entwickelt sich von einer „unterstützenden“ Funktionalität zu Systemen, die klinische Entscheidungen und operative Arbeitsabläufe maßgeblich prägen. Diese Entwicklung beschleunigt Innovationen, verschärft jedoch gleichzeitig die Erwartungen an Governance, Transparenz und Lebenszykluskontrolle. Die folgenschwerste Veränderung für viele Entwickler im Jahr 2026 ist nicht die Frage, ob die Aufsichtsbehörden KI/ML akzeptieren werden, sondern wie sie von Herstellern erwarten, dass diese kontinuierliche Änderungen verwalten, ohne Sicherheit und Wirksamkeit zu beeinträchtigen.
Für Teams, die SaMD-KI-Funktionen entwickeln, dreht sich das regulatorische Gespräch zunehmend um den Lebenszyklus. Die Frage der Regulierungsbehörden ist unkompliziert. Wenn sich das Modell weiterentwickelt, wie bewahren Sie dann die klinische Validität, kontrollieren das Risiko und dokumentieren Änderungen auf eine Weise, die nachprüfbar bleibt?
Dieser Blog beleuchtet die praktischen Auswirkungen dieses Wandels und konzentriert sich dabei auf das Konzept des Total Product Lifecycle (TPLC) und das „Algorithm Manufacturing“, bei dem laufende Modellaktualisierungen mit der Disziplin eines Produktionsprozesses statt als einmaliges Entwicklungsereignis behandelt werden.
Die neue Basislinie: Lebenszyklus-Governance für lernende Systeme
Das größte Missverständnis bei KI/ML in SaMD ist, dass ein zugelassenes Modell „fertig“ ist. In der Realität verhält sich KI-gestützte SaMD eher wie ein lebendes System. Die Leistung hängt von der Datenqualität, dem klinischen Kontext, den Mustern der Benutzerinteraktion und den Einsatzbedingungen ab. Im Laufe der Zeit können Drift, Datensatzverschiebung und Workflow-Änderungen zu einer schleichenden Leistungsabnahme führen, insbesondere in Umgebungen mit hoher Variabilität wie Bildgebung, Triage und Überwachung.
Aus diesem Grund bewerten Regulierungsbehörden zunehmend Ihr Betriebsmodell und nicht nur Ihr Paket vor dem Markteintritt. Ein glaubwürdiger Plan zeigt, wie Sie Probleme frühzeitig erkennen, Risiken begrenzen und Aktualisierungen mit der nötigen Sorgfalt steuern. Für ein Medizinprodukt bedeutet dies, dass Entwicklungspraktiken eng mit Qualitätssystemen, Marktbeobachtung und Änderungskontrolle verzahnt sein müssen.
Was das Jahr 2026 für FDA AI ML bedeutet: PCCPs und TPLC als praktischer Leitfaden
Die Richtung der FDA ist klar: Sichere Innovationen im Bereich KI hängen von einer vorhersehbaren, vordefinierten Aktualisierungs-Governance ab. In der Praxis wird die FDA-KI-Regulierung hier durch strukturierte Pläne operationalisiert, die definieren, was geändert werden darf, wie Änderungen validiert werden und was nach der Bereitstellung überwacht wird.
Ein zentraler Mechanismus hierfür ist der Predetermined Change Control Plan (PCCP). Die finalen Leitlinien der FDA zu PCCPs bieten einen konkreten Rahmen für die Vorabgenehmigung von Kategorien von Modellaktualisierungen, ohne dass für jede abgedeckte Änderung eine neue Einreichung erforderlich ist – vorausgesetzt, die Verpflichtungen des Plans hinsichtlich Validierung und Überwachung werden erfüllt.
Dieser Ansatz steht im Einklang mit den umfassenderen Erwartungen der FDA an den gesamten Produktlebenszyklus (Total Product Lifecycle) für FDA-SaMD, bei dem das „Produkt“ nicht nur das Release-Artefakt ist, sondern das System von Kontrollen, das die Sicherheit über verschiedene Versionen hinweg aufrechterhält. Für Teams, die SaMD- und FDA-Leitlinien interpretieren, lautet das praktische Fazit, dass Governance zu einem Teil der Evidenz wird.
Die europäische Perspektive: MDR trifft auf den EU AI Act
In Europa bewegt sich KI-basiertes SaMD an der Schnittstelle von Medizinprodukterecht und horizontaler KI-Regulierung. Die MDR bildet nach wie vor das Fundament für klinische Leistung, Sicherheit und die Pflichten nach dem Inverkehrbringen. Dennoch bringt der EU AI Act zusätzliche Erwartungen in Bezug auf Risikomanagement, Transparenz, Nachvollziehbarkeit und Aufsicht für Hochrisiko-KI-Systeme mit sich – insbesondere dort, wo Ergebnisse klinische Entscheidungen maßgeblich beeinflussen können.
Der offizielle Gesetzestext des EU AI Acts klärt den Geltungsbereich, die Pflichten und die Vorgaben für die Governance auf EU-Ebene.
Für Entwickler besteht der strategische Schritt in der Integration statt in der Doppelarbeit. Wenn Sie einen parallelen „KI-Compliance“-Pfad aufbauen, der losgelöst von Ihrem QM-System und Ihrer klinischen Governance funktioniert, entsteht das Risiko von Inkonsistenzen. Der skalierbarere Ansatz besteht darin, die Anforderungen des AI Act auf bestehende, an der MDR ausgerichtete Lebenszykluskontrollen abzubilden: Risikomanagement, an klinische Angaben geknüpfte Dokumentation sowie eine Marktbeobachtung, die Datenabweichungen, Verzerrungssignale (Bias) und anwendbarkeitsbezogene Gefahren berücksichtigt.
IMDRF und „Good Practice“ als globale gemeinsame Sprache
Die globale Annäherung ist zwar noch nicht perfekt, beschleunigt sich jedoch rund um gemeinsame Prinzipien. Die Arbeit des IMDRF hat maßgeblich dazu beigetragen, geteilte Erwartungen für KI-basierte Medizinprodukte zu prägen – insbesondere im Hinblick auf bewährte Verfahren, die über den gesamten Lebenszyklus hinweg gelten sollten. Das IMDRF SaMD-Ökosystem betrachtet „Good Machine Learning Practice“ zunehmend als Grundlage für eine sichere Entwicklung, Validierung und Instandhaltung.
Auf praktischer Ebene hilft dies Herstellern dabei, Strategien regionenübergreifend anzuwenden: Selbst wenn sich die Dossierformate unterscheiden, werden die zugrundeliegenden Erwartungen an die Daten-Governance, die Strenge der Bewertung und die Disziplin bei der Überwachung einheitlicher.
Algorithmenfertigung: Modellaktualisierungen als kontrollierter Produktionsprozess
Wenn Sie für das Jahr 2026 ein einziges gedankliches Modell benötigen, dann ist es KI-basiertes SaMD, das eine „Algorithmenfertigung“ erfordert. Das bedeutet, Modellaktualisierungen wie eine kontrollierte Produktion zu behandeln – mit standardisierten Eingangsdaten, Methoden, Annahmekriterien und Freigabeentscheidungen, die auditierbar sind.
Ein starker Ansatz umfasst in der Regel:
- Klar definierte „Änderungstypen“ (Datenaktualisierungen, Schwellenwertanpassungen, Änderungen der Modellarchitektur) und die jeweils erforderlichen Nachweise
- Ein fixiertes Bewertungsprotokoll, das wiederholt über verschiedene Versionen hinweg ausgeführt werden kann
- Überwachungssignale, die die klinische Leistung aussagekräftig widerspiegeln (und nicht nur technische Kennzahlen)
- Eine Governance, die Änderungen mit dem Verwendungszweck, den Risikokontrollen und den Angaben auf dem Etikett verknüpft
Hier wandeln sich künstliche Intelligenz und maschinelles Lernen bei Software as a Medical Device von reiner Modellraffinesse hin zu Lebenszyklusdisziplin. Die Gewinner des nächsten Zyklus werden Teams sein, die Innovation und Kontrolle unter Beweis stellen können.
Wo sich der Wert konzentriert: Praxisnahe Anwendungen, die genaue Prüfungen nach sich ziehen
Die strengsten Prüfungen erfolgen häufig dann, wenn KI-Ergebnisse Behandlungsentscheidungen direkt verändern können. Anwendungen von KI/ML in Software as a Medical Device umfassen typischerweise Bereiche wie Erkennung, Triage, Risikovorhersage und Arbeitsablaufoptimierung – also Bereiche, in denen die Qualität der Evidenz und die Überwachung von Abweichungen ebenso wichtig sind wie die Genauigkeit des Modells.
Eine besonders wichtige Kategorie sind klinische Entscheidungshilfesysteme (Clinical Decision Support Systems), bei denen KI-Ergebnisse die Diagnose- oder Behandlungswahl beeinflussen können. Regulierungsbehörden gehen hier meist drei Fragen nach: Welche klinische Entscheidung ist betroffen? Welche Konsequenzen hat ein Fehler? Und wie soll der menschliche Anwender die Ergebnisse unter realen Bedingungen interpretieren und darauf reagieren?
Diese genaue Prüfung ist auch mit dem allgemeinen Marktwachstum verknüpft. Mit der Expansion des Marktes für Software as a Medical Device konzentrieren sich die Behörden zunehmend auf skalierbare Governance-Modelle, die mit der Akzeptanz, iterativen Veröffentlichungen und dem marktubergreifenden Einsatz Schritt halten können.
Fazit: Strategie als Lebenszyklus-System statt als einmaliges Markteinführungsereignis
Die Regulierung von KI-basiertem SaMD im Jahr 2026 konvergiert zu einem Kernprinzip: Kontinuierliches Lernen erfordert kontinuierliche Kontrolle. Ob Sie sich an den SaMD-Vorschriften in den US, in Europa oder weltweit orientieren – die Behörden bewegen sich auf dasselbe Ergebnis zu: das Vertrauen, dass die Leistung über die Zeit stabil bleibt und dass Änderungen verantwortungsvoll gehandhabt werden.
In der Praxis richten sich Teams, die das TPLC-Konzept (Total Product Life Cycle) umsetzen und dabei die Beständigkeit von Nachweisen, die Änderungsverwaltung und die Überwachung in der realen Welt miteinander verbinden, in der Regel besser mit den Erwartungen überein, die im Umfassenden Leitfaden zur Konformität und globalen Registrierung von Software als Medizinprodukt (SaMD) dargelegt sind, sowie mit den betrieblichen Anforderungen des Lebenszyklus, die in der regulatorischen Konformität von Software als Medizinprodukt (SaMD) behandelt werden.
Kontaktieren Sie Freyr Solutions, um Ihre SaMD-Regulierungsstrategie zu besprechen und herauszufinden, wie Freyr Ihre globalen Zulassungen vereinfachen kann.
