6 Min. Lesezeit
Die Einführung der EU-Medizinprodukteverordnung 2017/745 hat die Erwartungen an die klinische Bewertung für Software als Medizinprodukt (SaMD) und KI-basierte Technologien verschärft und ausgeweitet. Während die MDR-Prinzipien gleichermaßen für Software und Hardware gelten, kann sich Software nicht länger ausschließlich auf vereinfachte Leistungskennzahlen verlassen; vielmehr muss die klinische Bewertung auf fundierten klinischen Daten beruhen, die durch entsprechende Software-Verifizierungs- und Validierungsaktivitäten sowie eine klinische Validierung unterstützt werden, welche die klinische Leistung, die Akzeptanz des Nutzen-Risiko-Verhältnisses und die Datendichte über den gesamten Produktlebenszyklus hinweg nachweist.
Benannte Stellen prüfen zunehmend kritisch, wie Hersteller die klinische Leistung, die Akzeptanz des Nutzen-Risiko-Verhältnisses und die Evidenzdichte für SaMD- und KI-basierte Produkte ermitteln und aufrechterhalten. Die effektive Anwendung der MDR-Prinzipien auf algorithmusbasierte Technologien erfordert daher ein klares Verständnis der regulatorischen Erwartungen sowie einen strukturierten, auf den Lebenszyklus ausgerichteten Ansatz zur Generierung und Pflege klinischer Evidenz.
MDR-Prinzipien zur klinischen Bewertung angewandt auf Software
Gemäß der MDR muss die klinische Bewertung nachweisen, dass ein Produkt seinen beabsichtigten medizinischen Zweck erfüllt und ein vertretbares Nutzen-Risiko-Profil aufweist. Dieser Prozess wird primär in MDCG 2020-1 erwähnt und ist ferner an die international anerkannte IMDRF-Leitlinie zur klinischen Bewertung von Software als Medizinprodukt (SaMD) angepasst, welche die klinische Relevanz, eine valide klinische Zuordnung und evidenzbasierte Leistungsangaben betont. Die klinische Bewertung muss sich daher darauf konzentrieren, wie Software-Ergebnisse klinisch bedeutsame Entscheidungen unterstützen, anstatt sich nur auf die technische Leistung zu stützen.
Benannte Stellen erwarten von Herstellern, dass sie darlegen, wie sich Softwarefunktionen für die vorgesehenen Anwender in diagnostische, therapeutische oder entscheidungsunterstützende Vorteile umsetzen. Dies schließt eine klare Definition der Zweckbestimmung, der Zielgruppe, des klinischen Kontexts und der Benutzerinteraktion ein. Unklarheiten in diesen Bereichen führen bei Konformitätsbewertungen häufig zu Schwierigkeiten.
Definition der klinischen Leistung für Algorithmen
Eine der größten Herausforderungen bei der klinischen Bewertung von SaMD ist die Definition und Messung der klinischen Leistung. Im Gegensatz zu herkömmlichen Medizinprodukten kann die Leistung von Software nicht allein durch physische Eigenschaften oder Labortests bewertet werden.
Benannte Stellen erwarten, dass die klinische Leistung anhand geeigneter Zielgrößen nachgewiesen wird, die den klinischen Alltag widerspiegeln. Dies kann je nach Zweckbestimmung der Software die diagnostische Genauigkeit, Sensitivität und Spezifität, die Auswirkungen auf klinische Entscheidungen oder Maße für Behandlungsergebnisse umfassen.
Leistungskennzahlen müssen im Kontext der aktuellen klinischen Praxis und des Stands der Technik begründet werden. Dies unterstreicht die Bedeutung vertretbarer Ansätze zur klinischen und Leistungsbewertung, bei denen die Softwarevalidierung auf klinischen Daten anstatt allein auf technischen Benchmarks beruht.
Quellen klinischer Evidenz für SaMD- und KI-Produkte
Klinische Evidenz für SaMD kann aus mehreren Quellen generiert werden, darunter klinische Prüfungen, Fachliteratur, retrospektive Datenanalysen, Real-World-Daten und Daten nach dem Inverkehrbringen. Benannte Stellen prüfen, ob die gewählten Evidenzquellen für die Risikoklasse, den Neuheitsgrad und die klinischen Aussagen der Software geeignet sind.
Wenn Literatur verwendet wird, müssen die Hersteller nachweisen, dass die veröffentlichten Daten direkt auf die spezifische Softwareversion, die Algorithmuslogik und die Zweckbestimmung anwendbar sind. Diese Anforderung macht häufig robuste Protokolle für Literaturrecherchen zu Medizinprodukten und kritische Bewertungen erforderlich, um die Relevanz und Reproduzierbarkeit der Ergebnisse sicherzustellen.
Bei KI-basierten Produkten spielen der Zugriff auf Trainings- und Validierungsdatensätze sowie die Transparenz hinsichtlich der Entwicklung von Algorithmen eine wichtige Rolle für die Belastbarkeit der klinischen Bewertung.
Stand der Technik und Algorithmus-Benchmarking
Die Definition des Stands der Technik (State of the Art, SOTA) ist für SaMD- und KI-Technologien aufgrund schneller Innovationen und einer sich wandelnden klinischen Praxis besonders komplex. Benannte Stellen erwarten, dass der Stand der Technik nicht nur vergleichbare Softwarelösungen widerspiegelt, sondern auch alternative klinische Behandlungswege und Interventionen ohne Software.
Das Benchmarking der Algorithmenleistung im Vergleich zum Stand der Technik erfordert eine sorgfältige Begründung der Auswahl von Vergleichsprodukten und Leistungsschwellenwerten. Schwache oder veraltete Definitionen des Stands der Technik können Aussagen über den klinischen Nutzen schwächen und Fragen zur Datendichte aufwerfen.
Diese Herausforderungen unterstreichen, wie wichtig es ist, die Definitionen des Stands der Technik als lebendige Elemente im Bericht über die klinische Bewertung beizubehalten, die auf sich entwickelnde klinische Standards und technische Möglichkeiten abgestimmt sind.
Artikel 61 und Datendichte für SaMD
Der Nachweis ausreichender klinischer Evidenz gemäß Artikel 61 ist eine grundlegende Anforderung für SaMD und KI-basierte Produkte. Benannte Stellen prüfen unter Berücksichtigung des Autonomiegrades, der klinischen Auswirkungen und des Risikoprofils der Software, ob die verfügbaren klinischen Daten die Sicherheits- und Leistungsangaben hinreichend belegen.
Bei adaptiven oder kontinuierlich lernenden Algorithmen müssen die Hersteller erklären, wie die Datendichte über die Zeit aufrechterhalten wird, insbesondere wenn Software-Updates die Leistungseigenschaften verändern können. Diese Erwartung steht im Einklang mit der MDCG-Leitlinie 2020-6 zur ausreichenden klinischen Evidenz, die Verhältnismäßigkeit und eine lebenszyklusbasierte Bewertung der Evidenz betont.
Verwaltung von Software-Updates und Lebenszyklusänderungen
Software-Updates stellen eine der größten regulatorischen Herausforderungen für KI-basierte Medizinprodukte dar, da Benannte Stellen von Herstellern erwarten, dass sie streng prüfen, ob Änderungen die klinische Leistung, die Sicherheit oder das Nutzen-Risiko-Verhältnis beeinträchtigen.
Gemäß MDCG 2020-3 ist ein strukturierter Änderungsprozess unerlässlich, um sicherzustellen, dass Updates mit erheblichen klinischen Auswirkungen, wie beispielsweise das erneute Trainieren von Modellen, in der klinischen Bewertung dokumentiert und durch entsprechende Nachweise gestützt werden. Die Einbindung dieser Aktivitäten in umfassendere Prozesse des Lebenszyklusmanagements von Medizinprodukten trägt dazu bei, die Rückverfolgbarkeit und das regulatorische Vertrauen zu wahren.
Die Marktüberwachung (PMS) und die klinische Nachbeobachtung nach dem Inverkehrbringen (PMCF) spielen eine entscheidende Rolle bei der Überwachung der Softwareleistung in der Praxis und der Erkennung neu auftretender Risiken.
Evidenz nach dem Inverkehrbringen für SaMD und KI-Produkte
Unter der MDR ist die Evidenz nach dem Inverkehrbringen ein zentraler Bestandteil der klinischen Bewertung für SaMD. Benannte Stellen erwarten von PMS-Systemen, dass sie Leistungstrends, Nutzerfeedback und reale Ergebnisse im Zusammenhang mit der Software erfassen, um sicherzustellen, dass der Algorithmus in der klinischen Praxis sicher und wirksam bleibt.
PMCF-Aktivitäten, wie in MDCG 2020-7 dargelegt, sind notwendig, um verbleibende Unsicherheiten zu adressieren, insbesondere bei KI-Systemen, die in komplexen oder risikoreichen klinischen Umgebungen eingesetzt werden. Diese Erwartungen stehen im Einklang mit den umfassenderen regulatorischen Perspektiven der Europäischen Arzneimittel-Agentur zu digitaler Gesundheit und künstlicher Intelligenz, die die Bedeutung der Lebenszyklusüberwachung für adaptive Technologien hervorheben.
Fazit: Anwendung der Prinzipien der klinischen Bewertung nach MDR auf Algorithmen
Während die MDR-Prinzipien für alle Medizintechnologien gleichermaßen gelten, erfordern SaMD und KI-basierte Produkte eine sorgfältige Anpassung herkömmlicher Methoden der klinischen Bewertung. Benannte Stellen erwarten von Herstellern, dass sie eine klare klinische Relevanz, eine vertretbare Leistungsvalidierung und eine fortlaufende Evidenzdichte über den gesamten Software-Lebenszyklus hinweg nachweisen.
Hersteller, die die klinische Bewertung für SaMD als einen kontinuierlichen, auf Evidenz gestützten Prozess betrachten, der in die Marktüberwachung und das Änderungsmanagement integriert ist, sind besser positioniert, um die regulatorischen Erwartungen zu erfüllen und die Konformität aufrechtzuerhalten. Die sorgfältige Anwendung der MDR-Prinzipien auf Algorithmen ist nicht nur für die behördliche Zulassung unerlässlich, sondern auch für das Vertrauen in softwaregestützte klinische Entscheidungen.
Wie Freyr die klinische Bewertung für SaMD und KI-Produkte unterstützt
Die klinische Bewertung für SaMD und KI-basierte Produkte erfordert spezialisiertes Fachwissen an der Schnittstelle von klinischer Wissenschaft, regulatorischer Strategie und Softwareentwicklung. Freyr unterstützt Hersteller bei der Erstellung belastbarer klinischer Bewertungsberichte (Clinical Evaluation Reports), der Definition geeigneter klinischer Leistungsparameter und der Abstimmung von Evidenzstrategien mit der EU MDR und internationalen Leitlinien.
Die Experten von Freyr unterstützen bei literaturbasierten Bewertungen, Lückenanalysen bezüglich der klinischen Evidenz, der Integration von Daten nach dem Inverkehrbringen und Interaktionen mit Benannten Stellen für softwaregestützte Technologien. Für Unterstützung bei der klinischen Bewertung von SaMD oder KI, der Erstellung von CERs oder der Evidenzstrategie gemäß EU MDR können Sie mit einem Freyr-Experten sprechen, um Ihre regulatorischen Herausforderungen zu besprechen.
Über den Autor
Dr. Radhika Ramachandran leitet das Global Regulatory Medical Writing Center of Excellence (CoE) bei Freyr Inc. und erstellt regulatorische Dokumentationen und Strategien für Medizinprodukte und In-vitro-Diagnostika (IVD) im Rahmen globaler regulatorischer Vorschriften. Mit über einem Jahrzehnt Erfahrung in MedTech, klinischer Forschung und regulatorischer Strategie ist sie spezialisiert auf die Entwicklung und Überprüfung von wirkungsvollen regulatorischen Dokumenten, die globalen Standards, einschließlich EU MDR und EU IVDR, entsprechen. Sie bietet MedTech-Unternehmen strategische Beratung und maßgeschneiderte Lösungen für das regulatorische Schreiben an und unterstützt sie bei regulatorischen Einreichungen und der Lebenszyklusdokumentation. Dr. Radhika hat einen Doktortitel in Biotechnologie und ist eine zertifizierte medizinische Autorin mit Beiträgen zu über 1.500 regulatorischen Dokumenten. Ihr aktueller Schwerpunkt liegt auf der Nutzung von künstlicher Intelligenz und digitaler Gesundheit zur Transformation des regulatorischen medizinischen Schreibens.
