6 min czytania
Wprowadzenie unijnego rozporządzenia w sprawie wyrobów medycznych 2017/745 wzmocniło i rozszerzyło oczekiwania dotyczące oceny klinicznej oprogramowania jako wyrobu medycznego (SaMD) oraz technologii opartych na sztucznej inteligencji. Chociaż zasady MDR mają jednakowe zastosowanie do oprogramowania i sprzętu, oprogramowanie nie może już opierać się wyłącznie na uproszczonych wskaźnikach wydajności; zamiast tego ocena kliniczna musi opierać się na solidnych dowodach klinicznych wspieranych przez odpowiednie działania związane z weryfikacją i walidacją oprogramowania oraz walidacją kliniczną, które wykazują skuteczność kliniczną, akceptowalność stosunku korzyści do ryzyka oraz wystarczający zasób dowodów w całym cyklu życia wyrobu.
Jednostki notyfikowane coraz bardziej szczegółowo analizują, w jaki sposób producenci ustalają i utrzymują skuteczność kliniczną, akceptowalność stosunku korzyści do ryzyka oraz wystarczający zasób dowodów w cyklu życia dla SaMD i wyrobów opartych na sztucznej inteligencji. Skuteczne zastosowanie zasad MDR do technologii opartych na algorytmach wymaga zatem jasnego zrozumienia oczekiwań regulacyjnych oraz uporządkowanego, zorientowanego na cykl życia podejścia do generowania i utrzymywania dowodów klinicznych.
Zasady oceny klinicznej MDR w zastosowaniu do oprogramowania
Zgodnie z MDR ocena kliniczna musi wykazać, że wyrób spełnia zamierzony cel medyczny i utrzymuje akceptowalny profil ryzyka i korzyści. Proces ten jest wspomniany przede wszystkim w dokumencie MDCG 2020-1 i jest dodatkowo dostosowany do międzynarodowo uznanych wytycznych IMDRF dotyczących oceny klinicznej oprogramowania jako wyrobu medycznego (SaMD), które kładą nacisk na znaczenie kliniczne, poprawne powiązanie kliniczne oraz oparte na dowodach oświadczenia dotyczące działania. Ocena kliniczna musi zatem koncentrować się na tym, w jaki sposób wyniki generowane przez oprogramowanie wspierają decyzje o znaczeniu klinicznym, a nie wyłącznie na wydajności technicznej.
Jednostki notyfikowane oczekują, że producenci wyjaśnią, jak funkcje oprogramowania przekładają się na korzyści diagnostyczne, terapeutyczne lub wspomagające podejmowanie decyzji dla docelowych użytkowników. Obejmuje to jasne określenie przewidywanego zastosowania, populacji docelowej, kontekstu klinicznego oraz interakcji z użytkownikiem. Niejasności w tych obszarach często prowadzą do problemów podczas oceny zgodności.
Definiowanie skuteczności klinicznej dla algorytmów
Jednym z najtrudniejszych wyzwań w ocenie klinicznej SaMD jest zdefiniowanie i zmierzenie skuteczności klinicznej. W przeciwieństwie do tradycyjnych wyrobów, wydajności oprogramowania nie można ocenić wyłącznie na podstawie cech fizycznych lub testów laboratoryjnych.
Jednostki notyfikowane oczekują wykazania skuteczności klinicznej przy użyciu odpowiednich punktów końcowych, które odzwierciedlają rzeczywiste zastosowanie kliniczne. Może to obejmować dokładność diagnostyczną, czułość i swoistość, wpływ na decyzje kliniczne lub miary wyników pacjenta, w zależności od zamierzonego przeznaczenia oprogramowania.
Wskaźniki wydajności muszą być uzasadnione w kontekście obecnej praktyki klinicznej i aktualnego stanu wiedzy technicznej. Wzmacnia to znaczenie dających się obronić podejść do oceny klinicznej i wydajności, w których walidacja oprogramowania opiera się na dowodach klinicznych, a nie wyłącznie na benchmarkach technicznych.
Źródła dowodów klinicznych dla wyrobów SaMD i opartych na sztucznej inteligencji
Dowody kliniczne dla SaMD mogą pochodzić z wielu źródeł, w tym badań klinicznych, literatury, retrospektywnych analiz danych, dowodów z praktyki klinicznej (RWE) oraz danych po wprowadzeniu do obrotu. Jednostki notyfikowane oceniają, czy wybrane źródła dowodów są odpowiednie dla klasy ryzyka, stopnia nowości oraz oświadczeń klinicznych oprogramowania.
W przypadku korzystania z literatury producenci muszą wykazać, że publikowane dane mają bezpośrednie zastosowanie do konkretnej wersji oprogramowania, logiki algorytmu i przewidywanego zastosowania. Wymóg ten często wiąże się z koniecznością opracowania rzetelnych protokołów wyszukiwania literatury dotyczącej wyrobów medycznych oraz krytycznych przeglądów, aby zapewnić istotność i powtarzalność wyników.
W przypadku wyrobów opartych na sztucznej inteligencji dostęp do zestawów danych treningowych i walidacyjnych, a także przejrzystość w zakresie opracowywania algorytmów, odgrywają istotną rolę w możliwości obrony oceny klinicznej.
Stan techniki i benchmarking algorytmów
Określenie stanu techniki (SOTA) jest szczególnie skomplikowane w przypadku technologii SaMD i sztucznej inteligencji ze względu na szybkie tempo innowacji oraz zmieniającą się praktykę kliniczną. Jednostki notyfikowane oczekują, że SOTA będzie odzwierciedlać nie tylko porównywalne rozwiązania programowe, ale także alternatywne ścieżki kliniczne oraz interwencje niemające charakteru oprogramowania.
Benchmarking wydajności algorytmów względem SOTA wymaga starannego uzasadnienia wyboru elementów porównawczych oraz progów wydajności. Słabe lub przestarzałe definicje SOTA mogą podważyć twierdzenia o korzyściach klinicznych i wzbudzić wątpliwości co do wystarczania dowodów.
Wyzwania te potęgują znaczenie utrzymywania definicji SOTA jako żywych elementów raportu z oceny klinicznej, dostosowanych do ewoluujących standardów klinicznych i możliwości technologicznych.
Artykuł 61 a wystarczalność dowodów dla SaMD
Wykazanie wystarczających dowodów klinicznych zgodnie z artykułem 61 jest kluczowym wymogiem dla SaMD i wyrobów opartych na sztucznej inteligencji. Jednostki notyfikowane oceniają, czy dostępne dane kliniczne odpowiednio potwierdzają oświadczenia dotyczące bezpieczeństwa i działania, biorąc pod uwagę poziom autonomii oprogramowania, jego wpływ kliniczny oraz profil ryzyka.
W przypadku algorytmów adaptacyjnych lub stale uczyć się uczących producenci muszą wyjaśnić, w jaki sposób wystarczalność dowodów jest utrzymywana w czasie, zwłaszcza gdy aktualizacje oprogramowania mogą zmienić parametry działania. Oczekiwanie to jest spójne z wytycznymi MDCG 2020-6 dotyczącymi wystarczających dowodów klinicznych, które kładą nacisk na proporcjonalność i ocenę dowodów opartą na cyklu życia.
Zarządzanie aktualizacjami oprogramowania i zmianami w cyklu życia
Aktualizacje oprogramowania stanowią jedno z najpoważniejszych wyzwań regulacyjnych dla wyrobów medycznych opartych na sztucznej inteligencji, ponieważ jednostki notyfikowane oczekują od producentów rzetelnej oceny, czy modyfikacje wpływają na wydajność kliniczną, bezpieczeństwo lub akceptowalność stosunku korzyści do ryzyka.
Zgodnie z MDCG 2020-3 uporządkowany proces zarządzania zmianami jest niezbędny, aby zagwarantować, że aktualizacje wywołujące istotny wpływ kliniczny – takie jak ponowne trenowanie modelu – zostaną udokumentowane w ocenie klinicznej i poparte odpowiednimi dowodami. Wprowadzenie tych działań do szerszych praktyk zarządzania cyklem życia wyrobów medycznych pomaga zachować ich śledzenie i zaufanie organów regulacyjnych.
Nadzór po wprowadzeniu do obrotu (PMS) oraz poeksploatacyjne badania kliniczne (PMCF) odgrywają istotną rolę w monitorowaniu rzeczywistej wydajności oprogramowania i identyfikowaniu pojawiających się zagrożeń.
Dowody poeksploatacyjne dla wyrobów SaMD i AI
Zgodnie z rozporządzeniem w sprawie wyrobów medycznych dowody poeksploatacyjne stanowią kluczowy element oceny klinicznej wyrobów SaMD. Jednostki notyfikowane oczekują, że systemy PMS będą rejestrować tendencje wydajnościowe, opinie użytkowników oraz rzeczywiste wyniki związane z oprogramowaniem, aby upewnić się, że algorytm pozostaje bezpieczny i skuteczny w praktyce klinicznej.
Działania w ramach PMCF określone w wytycznych MDCG 2020-7 są niezbędne do wyjaśnienia pozostałych niepewności, w szczególności w przypadku systemów sztucznej inteligencji wdrażanych w złożonych lub wysok ryzyka środowiskach klinicznych. Oczekiwania te są spójne z szerszą perspektywą regulacyjną Europejskiej Agencji Leków dotyczącą zdrowia cyfrowego i sztucznej inteligencji, która podkreśla znaczenie nadzoru nad cyklem życia w przypadku technologii adaptacyjnych.
Wniosek: Zastosowanie zasad oceny klinicznej MDR do algorytmów
Choć zasady MDR mają spójne zastosowanie do różnych technologii wyrobów medycznych, SaMD i wyroby oparte na sztucznej inteligencji wymagają starannego dostosowania tradycyjnych metod oceny klinicznej. Jednostki notyfikowane oczekują od producentów wykazania jasnego znaczenia klinicznego, obronnej walidacji wydajności oraz ciągłej wystarczalności dowodów w całym cyklu życia oprogramowania.
Producenci, którzy podchodzą do oceny klinicznej wyrobów SaMD jako do ciągłego procesu opartego na dowodach, zintegrowanego z nadzorem po wprowadzeniu do obrotu oraz zarządzaniem zmianami, są w lepszej pozycji, aby spełnić oczekiwania regulacyjne i utrzymać zgodność z przepisami. Przemyślane stosowanie zasad MDR do algorytmów ma kluczowe znaczenie nie tylko dla uzyskania zgody regulacyjnej, ale także dla zachowania zaufania do procesu podejmowania decyzji klinicznych opartego na oprogramowaniu.
Jak Freyr wspiera ocenę kliniczną wyrobów SaMD i AI
Ocena kliniczna dla SaMD i wyrobów opartych na sztucznej inteligencji wymaga specjalistycznej wiedzy na styku nauk klinicznych, strategii regulacyjnej i rozwoju oprogramowania. Freyr pomaga producentom w przygotowywaniu wiarygodnych raportów z oceny klinicznej, określaniu odpowiednich klinicznych punktów końcowych wydajności oraz dostosowywaniu strategii dowodowych do wymogów MDR i międzynarodowych wytycznych.
Eksperti firmy Freyr pomagają w ocenach opartych na literaturze, analizach luk w dowodach klinicznych, integracji dowodów poeksploatacyjnych oraz we współpracy z jednostkami notyfikowanymi w odniesieniu do technologii opartych na oprogramowaniu. Aby uzyskać wsparcie w zakresie oceny klinicznej SaMD lub AI, tworzenia CER lub strategii dowodowej w ramach EU MDR, porozmawiaj z ekspertem Freyr i omów swoje wyzwania regulacyjne.
O autorze
Dr Radhika Ramachandran kieruje Globalnym Centrum Doskonałości (CoE) ds. Pisania Dokumentacji Medycznej w obszarze Regulacji w Freyr Inc., dostarczając dokumentację regulacyjną i strategie w ramach globalnych regulacji dla wyrobów medycznych i wyrobów medycznych do diagnostyki in vitro (IVD). Posiadając ponad dziesięcioletnie doświadczenie w MedTech, badaniach klinicznych i strategii regulacyjnej, specjalizuje się w opracowywaniu i przeglądaniu kluczowych dokumentów regulacyjnych zgodnych z globalnymi standardami, w tym EU MDR i EU IVDR. Zapewnia doradztwo strategiczne i dostosowane rozwiązania w zakresie pisania dokumentacji regulacyjnej dla firm MedTech, wspierając zgłoszenia regulacyjne i dokumentację cyklu życia. Dr Radhika posiada doktorat z biotechnologii i jest Certyfikowanym Pisarzem Medycznym, z udziałem w tworzeniu ponad 1500 dokumentów regulacyjnych. Jej obecne działania koncentrują się na wykorzystywaniu sztucznej inteligencji i zdrowia cyfrowego do przekształcania pisania dokumentacji medycznej w obszarze regulacji.
