,
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 zarówno do oprogramowania, jak i sprzętu, oprogramowanie nie może już opierać się wyłącznie na uproszczonych wskaźnikach wydajności; ocena kliniczna musi być oparta na solidnych dowodach klinicznych popartych odpowiednimi działaniami w zakresie weryfikacji i walidacji oprogramowania oraz walidacją kliniczną, która wykazuje wydajność kliniczną, akceptowalny stosunek korzyści do ryzyka oraz wystarczalność dowodów w całym cyklu życia wyrobu.
Jednostki notyfikowane coraz dokładniej analizują, w jaki sposób producenci ustalają i utrzymują parametry kliniczne, akceptowalny stosunek korzyści do ryzyka oraz wystarczalność dowodów w całym cyklu życia SaMD wyrobów opartych na sztucznej inteligencji. Skuteczne stosowanie zasad rozporządzenia MDR w odniesieniu do technologii opartych na algorytmach wymaga zatem jasnego zrozumienia oczekiwań regulacyjnych oraz ustrukturyzowanego, zorientowanego na cykl życia podejścia do gromadzenia i utrzymywania dowodów klinicznych.
Zasady oceny klinicznej MDR w odniesieniu do oprogramowania
Zgodnie z rozporządzeniem MDR ocena kliniczna musi wykazać, że wyrób spełnia swoje zamierzone przeznaczenie medyczne i zachowuje akceptowalny profil korzyści i ryzyka. Proces ten został opisany przede wszystkim w dokumencie MDCG 2020-1 i jest dodatkowo dostosowany do uznanych na arenie międzynarodowej wytycznych IMDRF dotyczących oceny klinicznej oprogramowania jako wyrobu medycznego (SaMD), które kładą nacisk na znaczenie kliniczne, uzasadnione powiązania kliniczne oraz oparte na dowodach twierdzenia dotyczące działania. Ocena kliniczna musi zatem skupiać się na tym, w jaki sposób wyniki działania oprogramowania wspierają decyzje istotne z klinicznego punktu widzenia, a nie wyłącznie na parametrach technicznych.
Jednostki notyfikowane oczekują od producentów jasnego przedstawienia, w jaki sposób działanie oprogramowania przekłada się na korzyści diagnostyczne, terapeutyczne lub związane ze wsparciem decyzji dla docelowych użytkowników. Obejmuje to jasne określenie przeznaczenia, populacji docelowej, kontekstu klinicznego oraz interakcji z użytkownikiem. Niejasności w tych obszarach często powodują trudności podczas oceny zgodności.
Określanie skuteczności klinicznej algorytmów
Jednym z najważniejszych wyzwań związanych z oceną SaMD jest zdefiniowanie i zmierzenie jego skuteczności klinicznej. W odróżnieniu od tradycyjnych urządzeń, skuteczności oprogramowania nie można oceniać wyłącznie na podstawie cech fizycznych lub testów laboratoryjnych.
Jednostki notyfikowane oczekują, że skuteczność kliniczna zostanie wykazana przy użyciu odpowiednich punktów końcowych, które odzwierciedlają rzeczywiste zastosowanie kliniczne. W zależności od przeznaczenia oprogramowania mogą to być: dokładność diagnostyczna, czułość i swoistość, wpływ na decyzje kliniczne lub wskaźniki wyników leczenia pacjentów.
Wskaźniki wydajności muszą być uzasadnione w kontekście aktualnej praktyki klinicznej i najnowszego stanu wiedzy. Podkreśla to znaczenie uzasadnionych metod oceny klinicznej i wydajności, w których walidacja oprogramowania opiera się na dowodach klinicznych, a nie wyłącznie na technicznych benchmarkach.
Źródła dowodów klinicznych dotyczących urządzeń wykorzystujących oprogramowanie medyczne ( SaMD sztuczną inteligencję (AI)
Dowody kliniczne dotyczące SaMD pochodzić z wielu źródeł, w tym z badań klinicznych, literatury, retrospektywnych analiz danych, dowodów z praktyki klinicznej oraz danych pozyskanych po wprowadzeniu produktu do obrotu. Jednostki notyfikowane oceniają, czy wybrane źródła dowodów są odpowiednie dla klasy ryzyka oprogramowania, jego nowatorskiego charakteru oraz deklarowanych właściwości klinicznych.
W przypadku korzystania z literatury przedmiotu producenci muszą wykazać, że opublikowane dane mają bezpośrednie zastosowanie do konkretnej wersji oprogramowania, logiki algorytmu oraz przeznaczenia produktu. Wymóg ten często wymaga opracowania rzetelnych protokołów wyszukiwania literatury dotyczącej wyrobów medycznych oraz przeprowadzenia krytycznych przeglądów w celu zapewnienia trafności i powtarzalności wyników.
W przypadku urządzeń opartych na sztucznej inteligencji dostęp do zbiorów danych szkoleniowych i walidacyjnych, a także przejrzystość procesu tworzenia algorytmów odgrywają istotną rolę w zapewnieniu wiarygodności oceny klinicznej.
Najnowsze osiągnięcia i testy porównawcze algorytmów
Określenie stanu wiedzy (SOTA) jest szczególnie złożone w przypadku technologii SaMD sztucznej inteligencji ze względu na szybkie tempo innowacji i ewoluujące praktyki kliniczne. Jednostki notyfikowane oczekują, że SOTA będzie odzwierciedlać nie tylko porównywalne rozwiązania programowe, ale także alternatywne ścieżki kliniczne i interwencje nieoparte na oprogramowaniu.
Porównanie wydajności algorytmu z najlepszymi dostępnymi rozwiązaniami (SOTA) wymaga starannego uzasadnienia wyboru punktów odniesienia oraz progów wydajności. Niewłaściwe lub nieaktualne definicje SOTA mogą podważyć twierdzenia dotyczące korzyści klinicznych i budzić wątpliwości co do wystarczalności dowodów.
Wyzwania te podkreślają znaczenie utrzymywania definicji SOTA jako elementów dynamicznych w ramach raportu z oceny klinicznej, dostosowanych do zmieniających się standardów klinicznych i możliwości technologicznych.
Artykuł 61 i wystarczalność dowodów w przypadku SaMD
Przedstawienie wystarczających dowodów klinicznych zgodnie z art. 61 stanowi kluczowy wymóg w przypadku SaMD wyrobów opartych na sztucznej inteligencji. Jednostki notyfikowane oceniają, czy dostępne dane kliniczne w wystarczającym stopniu potwierdzają deklaracje dotyczące bezpieczeństwa i działania, biorąc pod uwagę poziom autonomii oprogramowania, jego wpływ kliniczny oraz profil ryzyka.
W przypadku algorytmów adaptacyjnych lub algorytmów uczących się w sposób ciągły producenci muszą wyjaśnić, w jaki sposób zapewnia się wystarczalność dowodów w miarę upływu czasu, zwłaszcza gdy aktualizacje oprogramowania mogą wpływać na parametry działania. Oczekiwanie to jest zgodne z wytycznymi MDCG 2020-6 dotyczącymi wystarczających dowodów klinicznych, w których kładzie się nacisk na proporcjonalność oraz ocenę dowodów w oparciu o cykl życia produktu.
Zarządzanie aktualizacjami oprogramowania i zmianami w cyklu życia
Aktualizacje oprogramowania stanowią jedno z największych wyzwań regulacyjnych w przypadku wyroby medyczne opartych na sztucznej inteligencji, ponieważ jednostki notyfikowane oczekują od producentów rygorystycznej oceny, czy wprowadzane zmiany mają wpływ na działanie kliniczne, bezpieczeństwo lub stosunek korzyści do ryzyka.
Zgodnie z wytycz nymi MDCG 2020-3 niezbędny jest ustrukturyzowany proces zarządzania zmianami, aby zapewnić, że aktualizacje mające znaczący wpływ kliniczny, takie jak ponowne szkolenie modeli, są dokumentowane w ramach oceny klinicznej i poparte odpowiednimi dowodami. Włączenie tych działań do szerszych praktyk zarządzania cyklem życia wyrobów medycznych pomaga zachować identyfikowalność i zaufanie organów regulacyjnych.
Nadzór po wprowadzeniu do obrotu (PMS) oraz kliniczna obserwacja po wprowadzeniu do obrotu (PMCF) odgrywają kluczową rolę w monitorowaniu rzeczywistego działania oprogramowania oraz identyfikowaniu pojawiających się zagrożeń.
Dane poprodukcyjne dotyczące SaMD urządzeń opartych na sztucznej inteligencji
Zgodnie z rozporządzeniem MDR dane zebrane po wprowadzeniu do obrotu stanowią kluczowy element oceny klinicznej SaMD. Jednostki notyfikowane oczekują, że systemy monitorowania po wprowadzeniu do obrotu będą rejestrować trendy dotyczące działania, opinie użytkowników oraz rzeczywiste wyniki związane z oprogramowaniem, aby zapewnić, że algorytm pozostaje bezpieczny i skuteczny w praktyce klinicznej.
PMCF opisane w dokumencie MDCG 2020-7 są niezbędne do wyeliminowania pozostałych niepewności, zwłaszcza w przypadku systemów sztucznej inteligencji wdrażanych w złożonych lub wysokiego ryzyka środowiskach klinicznych. Oczekiwania te są zgodne z szerszym podejściem regulacyjnym Europejskiej Agencji Leków w zakresie cyfrowego zdrowia i sztucznej inteligencji, które podkreśla znaczenie nadzoru nad całym cyklem życia technologii adaptacyjnych.
Wniosek: Zastosowanie zasad oceny klinicznej MDR do algorytmów
Chociaż zasady rozporządzenia MDR mają spójne zastosowanie w odniesieniu do wszystkich technologii wyrobów medycznych, SaMD urządzenia oparte na sztucznej inteligencji wymagają starannego dostosowania tradycyjnych metodologii oceny klinicznej. Jednostki notyfikowane oczekują od producentów wykazania wyraźnego znaczenia klinicznego, uzasadnionej walidacji działania oraz wystarczających dowodów przez cały cykl życia oprogramowania.
Producenci, którzy traktują ocenę kliniczną oprogramowania SaMD ciągły, oparty na dowodach proces, zintegrowany z nadzorem po wprowadzeniu do obrotu i zarządzaniem zmianami, mają większe szanse na spełnienie oczekiwań organów regulacyjnych i utrzymanie zgodności z przepisami. Przemyślane stosowanie zasad rozporządzenia MDR w odniesieniu do algorytmów ma zasadnicze znaczenie nie tylko dla uzyskania zgody organów regulacyjnych, ale także dla utrzymania zaufania do procesów podejmowania decyzji klinicznych opartych na oprogramowaniu.
W jaki sposób firma Freyr wspiera ocenę kliniczną oprogramowania medycznego ( SaMD urządzeń opartych na sztucznej inteligencji
Ocena kliniczna urządzeń wykorzystujących SaMD sztuczną inteligencję wymaga specjalistycznej wiedzy z pogranicza nauk klinicznych, strategii regulacyjnej i tworzenia oprogramowania. Firma Freyr wspiera producentów w opracowywaniu rzetelnych raportów z oceny klinicznej, definiowaniu odpowiednich punktów końcowych skuteczności klinicznej oraz dostosowywaniu strategii dowodowych do wymogów rozporządzenia MDR i międzynarodowych wytycznych.
Eksperci firmy Freyr pomagają w przeprowadzaniu ocen opartych na literaturze naukowej, analizowaniu luk w dowodach klinicznych, integracji danych po wprowadzeniu produktu do obrotu oraz w kontaktach z jednostkami notyfikowanymi w zakresie technologii opartych na oprogramowaniu. Jeśli potrzebujesz wsparcia w zakresie oceny klinicznej SaMD AI, opracowania CER lub strategii dowodowej zgodnie z EU MDR, skontaktuj się z ekspertem firmy Freyr, aby omówić swoje wyzwania regulacyjne.
O autorze
Dr Radhika Ramachandran kieruje Centrum Doskonałości ds. Redakcji Dokumentacji Regulacyjnej (CoE) w firmie Freyr Inc., zajmującym się opracowywaniem dokumentacji regulacyjnej i strategii w ramach globalnych ram prawnych dotyczących wyroby medyczne wyrobów do diagnostyki in vitro (IVD). Dzięki ponad dziesięcioletniemu doświadczeniu w branży technologii medycznych, badaniach klinicznych i strategiach regulacyjnych specjalizuje się w opracowywaniu i weryfikacji dokumentów regulacyjnych o dużym znaczeniu, zgodnych z globalnymi standardami, w tym z EU MDR IVDR. Świadczy usługi doradztwa strategicznego i dostarcza dostosowane do potrzeb rozwiązania w zakresie pisania dokumentacji regulacyjnej dla firm z branży technologii medycznych, wspierając je w składaniu wniosków regulacyjnych i dokumentacji dotyczącej cyklu życia produktów. Dr Radhika posiada tytuł doktora biotechnologii i jest certyfikowaną autorką tekstów medycznych, mającą na swoim koncie ponad 1500 dokumentów regulacyjnych. Obecnie koncentruje się na wykorzystaniu sztucznej inteligencji i cyfrowego zdrowia do transformacji pisania tekstów regulacyjnych w medycynie.
