Orientación de la FDA sobre la evaluación de la credibilidad del modelado y la simulación computacionales: descripción general de la evidencia de credibilidad | FDA

Tabla de contenidos

La Food and Drug Administration (FDA o la Agencia), la autoridad reguladora de EE. UU. en el ámbito de los productos sanitarios, ha publicado un documento de orientación dedicado a evaluar la credibilidad del modelado y simulación computacional en las presentaciones de dispositivos médicos.

El documento proporciona una descripción general de los requisitos reglamentarios aplicables, así como aclaraciones y recomendaciones adicionales que los fabricantes de dispositivos médicos y otras partes involucradas deben tener en cuenta para garantizar el cumplimiento de los mismos.

Al mismo tiempo, las disposiciones de las orientaciones no son vinculantes por su naturaleza jurídica y no pretenden introducir nuevas normas ni imponer nuevas obligaciones.

Además, la autoridad declara explícitamente que se podría aplicar un enfoque alternativo, siempre que dicho enfoque esté en línea con el marco legal existente y haya sido acordado previamente con la autoridad.

Introducción a la evidencia de credibilidad en el modelado computacional 

En primer lugar, la autoridad menciona que en una esfera tan sofisticada de presentaciones regulatorias de dispositivos médicos, “evidencia de credibilidad”parece ser uno de los conceptos más importantes.

Como explica con más detalle la FDA, cubre las actividades de validación tradicionales y aborda cualquier justificación que respalde la confiabilidad de un modelo computacional para su contexto de uso (COU) previsto.

Este espectro de evidencia incluye diversas actividades de verificación y cuantificación de la incertidumbre (UQ), cada una de las cuales aporta información única sobre la fidelidad del modelo.

Según la guía, el propósito de esto no es simplemente recolectar evidencia sino discernirla y categorizarla sistemáticamente.

Una recopilación tan organizada de evidencia sirve para evaluar la credibilidad del modelo, asegurando a los organismos reguladores y a las partes interesadas su precisión y aplicabilidad en escenarios clínicos.

Verificación y sus categorías

La verificación, un componente crítico de la credibilidad, se divide en verificación de código y verificación de cálculo.

La verificación del código es un proceso riguroso que garantiza que los algoritmos numéricos se implementen con precisión dentro del software, sin errores que puedan comprometer la precisión numérica.

Abarca un estricto control de calidad del software y una rigurosa verificación de códigos numéricos, como se describe en ASME V&V 40.

La verificación de los cálculos se centra en la estimación de errores numéricos en los resultados del modelo, a menudo atribuibles a decisiones como la discretización espacial.

Esta forma de verificación es dinámica y puede incorporarse en cualquier etapa de la simulación, ya sea durante la validación o dentro de simulaciones específicas de COU.

A través de estos procesos de verificación, se examina y afirma la integridad numérica de un modelo, sentando un elemento fundamental de credibilidad.

Validación y su papel en la evaluación de la credibilidad

La validación se distingue de la calibración y enfatiza la comparación de las predicciones del modelo con datos que son independientes de los utilizados para construir el modelo.

Este escrutinio independiente es lo que respalda la credibilidad de un modelo. Como explica la autoridad, la validación no es simplemente una casilla de verificación sino una evaluación integral que se extiende a la aplicabilidad del modelo a su COU.

Esto implica una evaluación de aplicabilidad, que evalúa la relevancia y transferibilidad de las actividades de validación al COU.

La evaluación garantiza que las diferencias entre las condiciones de validación del modelo y su aplicación práctica no socaven la relevancia de la validación para el COU, manteniendo así la integridad de la credibilidad del modelo.

Cuantificación de la incertidumbre y análisis de sensibilidad 

Según la guía, la UQ es fundamental para estimar la incertidumbre inherente a los resultados del modelo. Considera la variabilidad de los insumos y los matices estructurales del propio modelo.

La UQ está intrínsecamente vinculada al análisis de sensibilidad (SA), que aborda la influencia de las entradas del modelo individual en las salidas. SA puede simplificar la UQ al identificar qué insumos afectan significativamente los resultados, reduciendo así el enfoque de los esfuerzos de UQ.

Sin embargo, el objetivo final de UQ es cuantificar la incertidumbre de los resultados del modelo, proporcionando una base cuantitativa para la credibilidad del modelo.

Tanto UQ como SA se pueden aplicar a simulaciones de validación o COU, lo que subraya su versatilidad para mejorar la confiabilidad del modelo.

Categorización de la evidencia de credibilidad 

La categorización de la evidencia de credibilidad en ocho categorías distintas sirve para organizar sistemáticamente la evidencia que respalda un modelo computacional.

Esta estructura ayuda a organizar la evidencia; sin embargo, no es exhaustiva ni indicativa de la calidad o el rigor de la evidencia en sí.

Las categorías no están clasificadas; más bien, sirven como marco para guiar la recopilación de evidencia, asegurando una presentación integral y estructurada en las presentaciones regulatorias.

Cada categoría de evidencia de credibilidad está definida por características y contextos de aplicación específicos.

Por ejemplo, los resultados de la verificación del código (Categoría 1) validan la ausencia de errores en la implementación numérica, mientras que los resultados de la validación in vivo (Categoría 4) validan las predicciones del modelo con datos biológicos de organismos vivos.

La aplicación de estas categorías contribuye a una comprensión detallada de los tipos de evidencia que pueden fundamentar la credibilidad de un modelo.

Presentación reglamentaria e inclusión de pruebas 

Como explica la FDA, la integración de evidencia de credibilidad en las presentaciones regulatorias debería reflejar el riesgo asociado al modelo.

Esta guía no prescribe tipos de evidencia específicos para su inclusión, pero sugiere un enfoque integral, considerando factores como el tipo de modelo y la madurez del campo de modelado.

La evidencia debe abarcar aspectos como la verificación del código, la verificación del cálculo y la validación para representar de manera integral las capacidades del modelo.

La aplicación de evidencia de credibilidad se ejemplifica a través de casos prácticos, como las pruebas de dispositivos in silico, que pueden involucrar múltiples formas de evidencia de credibilidad para fundamentar la aplicación del modelo.

Estos ejemplos resaltan la naturaleza dependiente del contexto de la selección de evidencia y la importancia de un enfoque personalizado para la integración de evidencia en las presentaciones regulatorias.

Conclusión

En resumen, la evidencia de credibilidad es integral para respaldar los modelos computacionales con fines regulatorios. Se alienta a los desarrolladores a participar de manera proactiva en los procesos de retroalimentación regulatoria, como el proceso de envío Q, para garantizar la confiabilidad del enfoque aplicado.

Fuente

https://www.fda.gov/regulatory-information/search-fda-guidance-documents/assessing-credibility-computational-modeling-and-simulation-medical-device-submissions

¿Cómo puede ayudar RegDesk?

RegDesk es un sistema holístico de gestión de información regulatoria que proporciona a las empresas farmacéuticas y de dispositivos médicos inteligencia regulatoria para más de 120 mercados en todo el mundo. Puede ayudarle a preparar y publicar aplicaciones globales, gestionar estándares, ejecutar evaluaciones de cambios y obtener alertas en tiempo real sobre cambios regulatorios a través de una plataforma centralizada. Nuestros clientes también tienen acceso a nuestra red de más de 4000 expertos en cumplimiento en todo el mundo para obtener verificación sobre preguntas críticas. La expansión global nunca ha sido tan sencilla.