הנחיות ה-FDA להערכת האמינות של דוגמנות וסימולציה חישובית: סקירה כללית של עדויות אמינות | ה-FDA

תוכן ענינים

השמיים מינהל המזון והתרופות האמריקאי (FDA או הסוכנות), הרשות הרגולטורית בארה"ב בתחום מוצרי הבריאות, פרסמה מסמך הנחיות המוקדש להערכת האמינות של מודלים חישוביים וסימולציה בהגשות של מכשור רפואי.

המסמך מספק סקירה כללית של הדרישות הרגולטוריות החלות, כמו גם הבהרות והמלצות נוספות שיש לקחת בחשבון על ידי יצרני מכשור רפואי וגורמים אחרים המעורבים על מנת להבטיח עמידה בהן.

יחד עם זאת, הוראות ההנחיה אינן מחייבות במהותן המשפטית, ואינן נועדו להנהיג כללים חדשים או להטיל חובות חדשות.

זאת ועוד, הרשות מציינת במפורש כי ניתן ליישם גישה חלופית, בתנאי שגישה כזו תואמת את המסגרת המשפטית הקיימת וסוכמה עם הרשות מראש.

מבוא לראיות אמינות במודלים חישוביים 

ראשית, הרשות מציינת כי בתחום כה מתוחכם של הגשות רגולטוריות של מכשור רפואי, "ראיות אמינותנראה כאחד המושגים החשובים ביותר.

כפי שהוסבר עוד על ידי ה-FDA, הוא מכסה פעילויות אימות מסורתיות, תוך התייחסות לכל ביסוס התומך במהימנות של מודל חישובי עבור ההקשר המיועד לשימוש שלו (COU).

קשת הראיות הזו כוללת פעילויות מגוונות של אימות ואי-ודאות (UQ), שכל אחת מהן תורמת תובנות ייחודיות לגבי נאמנות המודל.

על פי ההנחיה, מטרת זו אינה רק לאסוף ראיות אלא להבחין ולסווג אותן באופן שיטתי.

אוסף מאורגן כזה של ראיות משמש להערכת אמינותו של המודל, ומבטיח לגופים הרגולטוריים ולבעלי העניין את הדיוק והישימות שלו בתרחישים קליניים.

אימות וקטגוריותיו

אימות, מרכיב קריטי באמינות, מתחלק לאימות קוד ואימות חישוב.

אימות קוד הוא תהליך קפדני המבטיח שאלגוריתמים מספריים מיושמים במדויק בתוכנה, ללא שגיאות שעלולות לפגוע בדיוק המספרי.

הוא כולל אבטחת איכות תוכנה מחמירה ואימות קוד מספרי קפדני, כפי שמתואר ב-ASME V&V 40.

אימות חישוב מעביר את הפוקוס לאומדן של שגיאות מספריות בתפוקת המודל, המיוחסת לרוב להחלטות כמו דיסקרטיזציה מרחבית.

צורת אימות זו היא דינמית וניתן לשלב אותה בכל שלב של סימולציה, בין אם במהלך אימות ובין אם בתוך סימולציות ספציפיות ל-COU.

באמצעות תהליכי אימות אלה, תקינותו המספרית של המודל נבדקת ומאושרת, תוך הנחת יסוד של אמינות.

אימות ותפקידו בהערכת אמינות

אימות נבדל מכיול, תוך שימת דגש על השוואה של תחזיות מודל עם נתונים שאינם תלויים מאלה המשמשים לבניית המודל.

בדיקה עצמאית זו היא התומכת באמינות של מודל. כפי שהוסברה על ידי הרשות, אימות אינו רק תיבת סימון אלא הערכה מקיפה המתרחבת עד לתחולת המודל על ה-COU שלו.

זה כרוך בהערכת ישימות, אשר מעריכה את הרלוונטיות ואת יכולת ההעברה של פעילויות אימות ל-COU.

ההערכה מבטיחה שהבדלים בין תנאי האימות של המודל ליישומה המעשית אינם פוגעים ברלוונטיות האימות ל-COU, ובכך שומרים על שלמות אמינות המודל.

כימות אי ודאות וניתוח רגישות 

על פי ההנחיה, UQ הוא מכריע בהערכת אי הוודאות הגלומה בתפוקות המודל. הוא שוקל את השונות של תשומות ואת הניואנסים המבניים של המודל עצמו.

UQ קשור באופן מהותי לניתוח רגישות (SA), המתייחס להשפעה של תשומות מודל בודדים על התפוקות. SA יכולה לפשט את ה-UQ על ידי זיהוי אילו תשומות משפיעות באופן משמעותי על התפוקות, ובכך לצמצם את המיקוד למאמצי ה-UQ.

עם זאת, המטרה הסופית של UQ היא לכמת את אי הוודאות של תפוקות המודל, מתן בסיס כמותי לאמינות המודל.

ניתן ליישם גם UQ וגם SA על סימולציות של אימות או COU, מה שמדגיש את הרבגוניות שלהם בשיפור אמינות המודל.

סיווג של עדויות אמינות 

הסיווג של ראיות אמינות לשמונה קטגוריות נפרדות משמש לסדר באופן שיטתי את הראיות התומכות במודל חישובי.

מבנה זה מסייע בארגון הראיות, אולם הוא אינו ממצה ואינו מעיד על איכות הראיות עצמן או קפדנותן.

הקטגוריות אינן מדורגות; במקום זאת, הם משמשים מסגרת המנחה את איסוף הראיות, ומבטיחות הצגה מקיפה ומובנית בהגשות רגולטוריות.

כל קטגוריה של ראיות אמינות מוגדרת על ידי מאפיינים והקשרים ספציפיים של יישום.

לדוגמה, תוצאות אימות קוד (קטגוריה 1) מאמתות את היעדר שגיאות ביישום המספרי, בעוד שתוצאות אימות in vivo (הקטגוריה 4) לאמת את התחזיות של המודל מול נתונים ביולוגיים מאורגניזמים חיים.

יישום הקטגוריות הללו תורם להבנה מפורטת של סוגי הראיות שיכולות לבסס את אמינות המודל.

הגשה רגולטורית והכללת ראיות 

כפי שהוסבר על ידי ה-FDA, השילוב של ראיות אמינות בהגשות רגולטוריות צריך לשקף את הסיכון הקשור במודל.

הנחיה זו אינה קובעת סוגי ראיות ספציפיות להכללה, אך מציעה גישה מקיפה, תוך התחשבות בגורמים כמו סוג המודל והבשלות של תחום המודלים.

הראיות צריכות לכלול היבטים כמו אימות קוד, אימות חישוב ואימות כדי לייצג בצורה הוליסטית את יכולות המודל.

היישום של ראיות אמינות מודגמת באמצעות מקרים מעשיים, כגון בבדיקת מכשירי סיליקו, אשר עשויות לכלול צורות רבות של ראיות אמינות כדי לבסס את היישום של המודל.

דוגמאות אלו מדגישות את האופי תלוי ההקשר של בחירת ראיות ואת החשיבות של גישה מותאמת לשילוב ראיות בהגשות רגולטוריות.

סיכום

לסיכום, עדויות האמינות הן חלק בלתי נפרד מהתמיכה במודלים חישוביים למטרות רגולטוריות. מפתחים מוזמנים לעסוק באופן יזום בתהליכי משוב רגולטוריים, כגון תהליך הגשת ה-Q, כדי להבטיח את מהימנות הגישה המיושמת.

מָקוֹר

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

כיצד RegDesk יכול לעזור?

RegDesk היא מערכת הוליסטית לניהול מידע רגולטורי המספקת לחברות מכשור רפואי ופארמה אינטליגנציה רגולטורית עבור למעלה מ-120 שווקים ברחבי העולם. זה יכול לעזור לך להכין ולפרסם יישומים גלובליים, לנהל תקנים, להפעיל הערכות שינויים ולקבל התראות בזמן אמת על שינויים רגולטוריים באמצעות פלטפורמה מרכזית. ללקוחות שלנו יש גם גישה לרשת שלנו של למעלה מ-4000 מומחי תאימות ברחבי העולם כדי לקבל אימות בשאלות קריטיות. התרחבות גלובלית מעולם לא הייתה פשוטה כל כך.