FDA:n ohjeet laskennallisen mallinnuksen ja simuloinnin uskottavuuden arvioimiseksi: uskottavuustodisteet, osa 2 | FDA

Sisällysluettelo

- Food and Drug Administration Yhdysvaltain terveydenhuoltoalan tuotteiden sääntelyviranomainen on julkaissut ohjeasiakirjan, joka on omistettu laskennallisen mallinnuksen ja simulaation uskottavuuden arvioimiseksi lääkinnällisten laitteiden toimituksissa.

Asiakirja sisältää yleiskatsauksen sovellettavista viranomaisvaatimuksista sekä lisäselvennyksiä ja suosituksia, jotka lääkinnällisten laitteiden valmistajien ja muiden asianosaisten on otettava huomioon niiden noudattamisen varmistamiseksi.

Samalla ohjeen säännökset eivät ole oikeudelliselta luonteeltaan sitovia, eikä niillä ole tarkoitus ottaa käyttöön uusia sääntöjä tai asettaa uusia velvoitteita.

Lisäksi viranomainen ilmoittaa nimenomaisesti, että vaihtoehtoista lähestymistapaa voidaan soveltaa, jos tällainen lähestymistapa on voimassa olevan lainsäädäntökehyksen mukainen ja siitä on sovittu viranomaisen kanssa etukäteen.

Asiakirja kattaa muun muassa ne näkökohdat, jotka liittyvät lääkinnällisistä laitteista vastaavien osapuolten esittämien väitteiden tueksi vaadittaviin uskottavuustodisteisiin. 

Ohjeen mukaan laskennallinen mallinnus on keskeinen rooli lääkinnällisten laitteiden ja potilaskohtaisten hoitojen kehittämisessä ja validoinnissa.

Nämä mallit, jotka ovat usein kehittyneitä ja monimutkaisia, vaativat tiukkaa validointia tarkkuuden ja luotettavuuden varmistamiseksi.

Validointi on prosessi, joka käsittää useita luokkia, joista jokainen käsittelee mallin uskottavuuden eri näkökohtia.

Tässä ohjeessa kuvataan nämä kategoriat yksityiskohtaisesti ja korostetaan niiden merkitystä lääkinnällisten laitteiden kehittämisessä ja potilaiden hoidossa.

In vivo -validointitulokset (luokka 4)

In vivo -validointi muodostaa perustan laskennallisen mallin uskottavuudelle keskittyen potilastason vertailuihin käyttämällä kliinisiä tai eläintietoja.

Kuten FDA selittää, tämä validointi on välttämätöntä potilaskohtaisille laskennallisille malleille, kuten niille, joita käytetään lääketieteellisten laitteiden kliinisissä kokeissa. Esimerkiksi nestedynamiikassa kliininen ohjelmistotyökalu, joka ennustaa Murtomääräinen virtausreservi (FFR) sepelvaltimoissa on validoitu invasiivisia kliinisiä FFR-mittauksia vastaan.

Samoin biolämmönsiirtomallit, jotka ennustavat kudosten lämpenemistä lääkinnällisistä laitteista, kuten ultraäänestä tai radiotaajuusenergiasta, validoidaan käyttämällä suoria lämpötilamittauksia ihmis- tai eläinmalleissa.

Laskennan todentaminen ja epävarmuuden kvantifiointi (UQ) ovat keskeisiä rooleja näissä prosesseissa varmistaen validointitulosten kestävyyden.

Väestöpohjaiset vahvistustulokset (luokka 5)

Populaatiopohjainen validointi eroaa potilastason validoinnista keskittymällä laajempiin väestötason datavertailuihin.

Tämä lähestymistapa on erityisen tärkeä validoitaessavirtuaalisia populaatioita"Tai"virtuaalisia kohortteja”, jotka ovat useita potilasmalleja, jotka edustavat potilaspopulaatiota.
Esimerkki tästä on lääketieteellinen kuvantaminen, jossa virtuaalisia potilasmalleja generoidaan vaihtelevilla parametreilla antropomorfisessa mallissa.

Tietokonesimuloituja tutkimustuloksia verrataan tilastollisesti kliinisiin tuloksiin, mikä varmistaa, että ennusteet vastaavat todellisia ihmisillä tehtyjä kokeita.

Tämä validointiluokka korostaa laajamittaisen data-analyysin merkitystä malliennusteiden tarkistamisessa kattaviin kliinisiin tietokokonaisuuksiin.

Uusi mallikäyttäytyminen (luokka 6)

Ohjeen mukaan ilmentyvien mallien käyttäytyminen edustaa ainutlaatuista validointilähestymistapaa, joka korostaa laskennallisten mallien kykyä toistaa tunnettuja ilmiöitä tietyissä olosuhteissa, vaikka näitä ilmiöitä ei eksplisiittisesti mallinnettaisi.

Esimerkiksi nestedynamiikassa veren virtausta ahtautuneen suonen läpi ennustava malli voidaan validoida sen kyvyn perusteella ennustaa siirtymävaiheen tai turbulenttia virtausta, joka on tunnettu ilmiö tietyissä olosuhteissa.

Vastaavasti sydämen elektrofysiologiassa sydämen sähköistä aktiivisuutta simuloivat mallit validoidaan perustuen niiden kykyyn toistaa EKG:ihin verrattavia elektrokardiogrammin morfologioita.

Tämäntyyppiset todisteet korostavat mallin kykyä toistaa monimutkaisia ​​fysiologisia käyttäytymismalleja, mikä lisää sen uskottavuutta.

Mallin uskottavuus (luokka 7)

Mallin uskottavuus viittaa ohjaavien yhtälöiden, mallioletusten ja syöttöparametrien valintoja tukeviin perusteluihin.
Se on todisteiden muoto, joka perustuu mallin perustan teoreettiseen järkeen ja perusteluihin.

Esimerkkinä on nivelen artroplastian äärelliselementtimalli, jossa uskottavuustodistus tukee implanttimateriaalimallin uskottavuutta.

Mallin hallitsevat yhtälöt, oletukset ja syöttöparametrit ovat perusteltuja tunnetuilla mekaanisilla käytöksillä ja materiaaliominaisuuksilla, mikä tarjoaa vahvan perustan mallin uskottavuudelle, varsinkin kun validointia varten on rajoitetusti kokeellista dataa.

Laskennan vahvistus/UQ käyttämällä COU-simulaatioita (luokka 8)

Tämä luokka sisältää erillisen laskelman vahvistuksen ja UQ-tulokset, jotka on suoritettu käyttämällä käyttöehtosimulaatioita (COU).

Nämä simulaatiot ovat ratkaisevan tärkeitä in silico -laitteiden testauksessa tai kliinisissä kokeissa, joissa suora validointi ei ole mahdollista. Esimerkiksi lääkinnällisen laitteen elementtimallille voidaan tehdä mesh-konvergenssitutkimus minimaalisen numeerisen virheen varmistamiseksi, mikä tukee mallin käyttöä eri COU-skenaarioissa.

Toisessa tapauksessa nestedynamiikan malli, joka arvioi muutoksia valmistustoleransseissa hemolyysissä kammioavustuslaitteessa, käyttää UQ:ta geometristen varianssien vaikutuksen kvantifioimiseen ennustettuun virtauksen aiheuttamaan stressiin ja veren altistusaikaan.

Nämä esimerkit havainnollistavat monimutkaisia ​​prosesseja, jotka liittyvät mallien tarkkuuden ja luotettavuuden varmistamiseen tietyissä käyttöolosuhteissa.

Kuten viranomainen selittää, validointitodisteiden eri luokat korostavat laskennallisen mallin validoinnin erityisluonnetta lääkinnällisten laitteiden alalla.

Jokaisella kategorialla, in vivo -validoinnista mallin uskottavuuteen, on ratkaiseva rooli laskennallisten mallien luomisessa ja uskottavuuden parantamisessa.

Nämä mallit ovat erittäin tärkeitä lääkinnällisten laitteiden kehittämisen, potilaskohtaisten hoitojen ja yleisen potilaan hoidon edistämisessä.

Teknologian ja lääketieteen kehittyessä myös laskennallisten mallien validoinnin menetelmien ja käytäntöjen on varmistettava, että ne pysyvät vankaina, luotettavina ja olennaisina jatkuvasti muuttuvassa ympäristössä, kun otetaan huomioon nopea teknologian kehitys.

Yhteenveto

Yhteenvetona voidaan todeta, että nykyiset FDA:n ohjeet tarjoavat kattavan yleiskatsauksen validointitodistusten eri luokista laskennallisessa mallintamisessa lääketieteellisten sovellusten yhteydessä. Asiakirjassa hahmotellaan kunkin kategorian ydin ja sen merkitys laajemmassa lääkinnällisten laitteiden kehittämisen ja potilaiden hoidon kontekstissa.

lähde

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

Kuinka RegDesk voi auttaa?

RegDesk on kokonaisvaltainen sääntelytietojen hallintajärjestelmä, joka tarjoaa lääkinnällisten laitteiden ja lääkealan yrityksille sääntelytietoa yli 120 markkinoille maailmanlaajuisesti. Sen avulla voit valmistella ja julkaista maailmanlaajuisia sovelluksia, hallita standardeja, suorittaa muutosarviointeja ja saada reaaliaikaisia ​​hälytyksiä sääntelyn muutoksista keskitetyn alustan kautta. Asiakkaillamme on myös pääsy yli 4000 vaatimustenmukaisuusasiantuntijan verkostoomme maailmanlaajuisesti saadakseen varmistuksen kriittisiin kysymyksiin. Globaali laajentuminen ei ole koskaan ollut näin yksinkertaista.