Panduan FDA dalam Menilai Kredibilitas Pemodelan dan Simulasi Komputasi: Bukti Kredibilitas Bagian 2 | FDA

Daftar Isi

Grafik Food and Drug Administration otoritas pengatur AS di bidang produk perawatan kesehatan, telah menerbitkan dokumen panduan yang didedikasikan untuk menilai kredibilitas pemodelan dan simulasi komputasi dalam pengiriman perangkat medis.

Dokumen tersebut memberikan ikhtisar persyaratan peraturan yang berlaku, serta klarifikasi dan rekomendasi tambahan yang harus dipertimbangkan oleh produsen perangkat medis dan pihak lain yang terlibat untuk memastikan kepatuhan terhadap persyaratan tersebut.

Pada saat yang sama, ketentuan-ketentuan dalam pedoman ini bersifat tidak mengikat dan tidak dimaksudkan untuk memperkenalkan aturan-aturan baru atau memaksakan kewajiban-kewajiban baru.

Selain itu, pihak berwenang secara eksplisit menyatakan bahwa pendekatan alternatif dapat diterapkan, asalkan pendekatan tersebut sejalan dengan kerangka hukum yang ada dan telah disepakati sebelumnya dengan pihak berwenang.

Dokumen tersebut antara lain mencakup aspek-aspek terkait bukti kredibilitas yang diperlukan untuk mendukung klaim yang dibuat oleh pihak-pihak yang bertanggung jawab atas alat kesehatan. 

Menurut panduan tersebut, pemodelan komputasi memainkan peran penting dalam pengembangan dan validasi perangkat medis dan perawatan khusus pasien.

Model-model ini, seringkali canggih dan kompleks, memerlukan validasi yang ketat untuk memastikan keakuratan dan keandalan.

Validasi adalah proses yang mencakup berbagai kategori, masing-masing menangani aspek kredibilitas model yang berbeda.

Panduan ini menjelaskan secara rinci kategori-kategori ini, menekankan pentingnya kategori-kategori tersebut dalam pengembangan perangkat medis dan perawatan pasien.

Hasil Validasi In Vivo (Kategori 4)

Validasi in vivo membentuk dasar kredibilitas model komputasi, dengan fokus pada perbandingan tingkat pasien menggunakan data klinis atau hewan.

Sebagaimana dijelaskan oleh FDA, validasi ini penting untuk model komputasi spesifik pasien, seperti yang digunakan dalam uji klinis perangkat medis. Misalnya, dalam dinamika fluida, perangkat lunak klinis yang memprediksi Cadangan Aliran Pecahan (FFR) di arteri koroner divalidasi terhadap pengukuran FFR klinis invasif.

Demikian pula, model transfer bioheat yang memprediksi pemanasan jaringan dari perangkat medis seperti energi ultrasonik atau frekuensi radio divalidasi menggunakan pengukuran suhu langsung pada model manusia atau hewan.

Verifikasi perhitungan dan kuantifikasi ketidakpastian (UQ) memainkan peran penting dalam proses ini, untuk memastikan kekokohan hasil validasi.

Hasil Validasi Berbasis Populasi (Kategori 5)

Validasi berbasis populasi berbeda dengan validasi tingkat pasien yang berfokus pada perbandingan data tingkat populasi yang lebih luas.

Pendekatan ini sangat relevan untuk memvalidasi “populasi maya" atau "kelompok virtual”, yang merupakan beberapa model pasien yang mewakili populasi pasien.
Contohnya adalah dalam pencitraan medis, di mana model pasien virtual dihasilkan oleh berbagai parameter dalam model antropomorfik.

Hasil uji coba yang disimulasikan komputer dibandingkan secara statistik dengan hasil klinis, memastikan bahwa prediksi selaras dengan uji coba pada manusia yang sebenarnya.

Kategori validasi ini menggarisbawahi pentingnya analisis data skala besar dalam memverifikasi prediksi model terhadap kumpulan data klinis yang komprehensif.

Perilaku Model yang Muncul (Kategori 6)

Menurut panduan ini, perilaku model yang muncul mewakili pendekatan validasi yang unik, menyoroti kemampuan model komputasi untuk mereproduksi fenomena yang diketahui dalam kondisi tertentu, bahkan ketika fenomena tersebut tidak dimodelkan secara eksplisit.

Misalnya, dalam dinamika fluida, model yang memprediksi aliran darah melalui pembuluh stenotik mungkin divalidasi berdasarkan kemampuannya untuk memprediksi aliran transisi atau turbulen, sebuah fenomena yang diketahui dalam kondisi tertentu.

Demikian pula, dalam elektrofisiologi jantung, model yang mensimulasikan aktivitas listrik di jantung divalidasi berdasarkan kemampuannya mereproduksi morfologi elektrokardiogram yang sebanding dengan EKG klinis.

Jenis bukti ini menggarisbawahi kemampuan model untuk meniru perilaku fisiologis yang kompleks, sehingga meningkatkan kredibilitasnya.

Model yang Masuk Akal (Kategori 7)

Masuk akalnya model mengacu pada alasan yang mendukung pilihan persamaan yang mengatur, asumsi model, dan parameter masukan.
Ini adalah bentuk bukti yang didasarkan pada kekuatan teoritis dan justifikasi landasan model.

Contohnya adalah model elemen hingga artroplasti sendi, dimana bukti masuk akal mendukung kredibilitas model bahan implan.

Persamaan, asumsi, dan parameter masukan yang mengatur model dibenarkan berdasarkan perilaku mekanis dan sifat material yang diketahui, sehingga memberikan dasar yang kuat untuk kredibilitas model, terutama ketika data eksperimen untuk validasi terbatas.

Verifikasi Perhitungan/UQ Menggunakan Simulasi COU (Kategori 8)

Kategori ini melibatkan verifikasi penghitungan mandiri dan hasil UQ yang dilakukan menggunakan simulasi Kondisi Penggunaan (COU).

Simulasi ini sangat penting dalam pengujian perangkat silico atau uji klinis di mana validasi langsung tidak mungkin dilakukan. Misalnya, model elemen hingga perangkat medis mungkin menjalani studi konvergensi mesh untuk memastikan kesalahan numerik minimal, sehingga mendukung penggunaan model dalam skenario COU yang berbeda.

Dalam kasus lain, model dinamika fluida yang menilai perubahan toleransi manufaktur pada hemolisis dalam perangkat bantuan ventrikel menggunakan UQ untuk mengukur pengaruh varian geometris pada prediksi stres yang disebabkan oleh aliran dan waktu pemaparan darah.

Contoh-contoh ini menggambarkan proses rumit yang terlibat dalam memastikan keakuratan dan keandalan model dalam kondisi penggunaan tertentu.

Sebagaimana dijelaskan oleh otoritas, berbagai kategori bukti validasi menyoroti sifat spesifik validasi model komputasi di bidang perangkat medis.

Setiap kategori, mulai dari validasi in vivo hingga masuk akalnya model, memainkan peran penting dalam membangun dan meningkatkan kredibilitas model komputasi.

Model-model ini sangat penting dalam memajukan pengembangan perangkat medis, perawatan khusus pasien, dan perawatan pasien secara keseluruhan.

Seiring dengan terus berkembangnya teknologi dan ilmu kedokteran, metodologi dan praktik dalam validasi model komputasi juga harus memastikan bahwa metodologi dan praktik tersebut tetap kuat, andal, dan relevan dalam lanskap yang terus berubah, mengingat perkembangan teknologi yang pesat.

Kesimpulan

Singkatnya, panduan FDA ini memberikan gambaran komprehensif tentang berbagai kategori bukti validasi dalam pemodelan komputasi dalam konteks aplikasi medis. Dokumen tersebut menguraikan esensi setiap kategori dan relevansinya dalam konteks pengembangan perangkat medis dan perawatan pasien yang lebih luas.

sumber

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

Bagaimana RegDesk Dapat Membantu?

Meja Registrasi adalah Sistem Manajemen Informasi Regulasi holistik yang memberikan informasi intelijen regulasi kepada perusahaan perangkat medis dan farmasi untuk lebih dari 120 pasar di seluruh dunia. Ini dapat membantu Anda mempersiapkan dan mempublikasikan aplikasi global, mengelola standar, menjalankan penilaian perubahan, dan mendapatkan peringatan real-time mengenai perubahan peraturan melalui platform terpusat. Klien kami juga memiliki akses ke jaringan kami yang terdiri lebih dari 4000 pakar kepatuhan di seluruh dunia untuk mendapatkan verifikasi atas pertanyaan-pertanyaan penting. Ekspansi global tidak pernah semudah ini.