הנחיות ה-FDA להערכת האמינות של מידול וסימולציה חישובית: עדות אמינות חלק 2 | ה-FDA

תוכן ענינים

השמיים מינהל המזון והתרופות האמריקאי 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 מעורבים אחרים כדי להבטיח עמידה בכך.

יחד עם זאת, הוראות ההדרכה אינן מחייבות במהותן המשפטית, ואין בהן כדי להכניס 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.

המסמך מכסה, בין היתר, את ההיבטים הקשורים לראיות מהימנות הנדרשות לביסוס הטענות של הגורמים האחראים על המכשור הרפואי. 

על פי ההנחיה, מודלים חישוביים ממלאים תפקיד מכריע בפיתוח ותיקוף של מכשור רפואי וטיפולים ספציפיים למטופל.

מודלים אלה, לרוב מתוחכמים ומורכבים, דורשים אימות קפדני כדי להבטיח דיוק ואמינות.

אימות הוא תהליך הכולל קטגוריות שונות, כל אחת מתייחסת להיבטים שונים של אמינות המודל.

ההנחיה הנוכחית מתארת ​​בפירוט קטגוריות אלו, תוך שימת דגש על חשיבותן בפיתוח מכשור רפואי ובטיפול בחולים.

תוצאות אימות In Vivo (קטגוריה 4)

אימות In vivo מהווה בסיס לאמינות מודל חישובי, תוך התמקדות בהשוואות ברמת המטופל תוך שימוש בנתונים קליניים או בעלי חיים.

כפי שהוסבר על ידי ה-FDA, אימות זה חיוני עבור מודלים חישוביים ספציפיים למטופל, כגון אלה המשמשים בניסויים קליניים עבור מכשור רפואי. למשל, בדינמיקת נוזלים, כלי תוכנה קליני לניבוי שמורת זרימה חלקית (FFR) בעורקים הכליליים מאומת כנגד מדידות FFR קליניות פולשניות.

באופן דומה, מודלים של העברת חום ביולוגי המנבאים חימום רקמות ממכשירים רפואיים כמו אולטרסאונד או אנרגיית רדיו מאומתים באמצעות מדידות טמפרטורה ישירות במודלים של בני אדם או בעלי חיים.

אימות חישוב וכימות אי-ודאות (UQ) ממלאים תפקידים מרכזיים בתהליכים אלה, ומבטיחים את יציבותן של תוצאות האימות.

תוצאות אימות מבוסס אוכלוסייה (קטגוריה 5)

אימות מבוסס אוכלוסייה מנוגד לאימות ברמת המטופל על ידי התמקדות בהשוואות נתונים רחבות יותר ברמת האוכלוסייה.

גישה זו רלוונטית במיוחד לאימות "אוכלוסיות וירטואליות"או"קבוצות וירטואליות", שהם מודלים מרובים של חולים המייצגים אוכלוסיית חולים.
דוגמה לכך היא בהדמיה רפואית, שבה מודלים וירטואליים של מטופלים נוצרים על ידי פרמטרים משתנים במודל אנתרופומורפי.

תוצאות הניסוי המדומי מחשב מושוות סטטיסטית לתוצאות הקליניות, ומבטיחות שהתחזיות יתאימו לניסויים בפועל בבני אדם.

קטגוריה זו של אימות מדגישה את החשיבות של ניתוח נתונים בקנה מידה גדול באימות תחזיות מודל מול מערכי נתונים קליניים מקיפים.

התנהגות מודל מתעוררת (קטגוריה 6)

על פי ההנחיה, התנהגות מודלים מתהווים מייצגת גישת תיקוף ייחודית, המדגישה את היכולת של מודלים חישוביים לשחזר תופעות ידועות בתנאים ספציפיים, גם כאשר תופעות אלו אינן מעוצבות במפורש.

לדוגמה, בדינמיקה של נוזלים, מודל המחזה זרימת דם דרך כלי סטנוטי עשוי לקבל תוקף על סמך יכולתו לחזות זרימה מעברית או סוערת, תופעה ידועה בתנאים מסוימים.

באופן דומה, באלקטרופיזיולוגיה של הלב, מודלים המדמים פעילות חשמלית בלב מאומתים על סמך יכולתם לשחזר מורפולוגיות אלקטרוקרדיוגרמה הדומות לא.ק.ג.

סוג זה של ראיות מדגיש את יכולתו של המודל לשכפל התנהגויות פיזיולוגיות מורכבות, מה שמשפר את אמינותו.

סבירות הדגם (קטגוריה 7)

סבירות המודל מתייחסת לרציונל התומך בבחירות של משוואות, הנחות מודל ופרמטרים קלט.
זוהי צורה של ראיה המבוססת על האמינות התיאורטית וההצדקה של יסוד המודל.

דוגמה לכך היא מודל אלמנט סופי של ניתוח מפרק, שבו עדויות הסבירות תומכות באמינות מודל החומר השתל.

המשוואות, ההנחות והפרמטרים השולטים של המודל מוצדקים בהתבסס על התנהגויות מכניות ותכונות חומר ידועות, מה שמספק בסיס חזק לאמינות המודל, במיוחד כאשר הנתונים הניסויים לאימות מוגבלים.

אימות חישוב/UQ באמצעות סימולציות של COU (קטגוריה 8)

קטגוריה זו כוללת אימות חישוב עצמאי ותוצאות UQ המבוצעות באמצעות סימולציות של תנאי שימוש (COU).

סימולציות אלו חיוניות עבור בדיקות מכשירי סיליקו או ניסויים קליניים שבהם אימות ישיר אינו אפשרי. לדוגמה, מודל האלמנטים הסופי של מכשור רפואי עשוי לעבור מחקר התכנסות רשת כדי להבטיח שגיאה מספרית מינימלית, התומך בשימוש במודל בתרחישי COU שונים.

במקרה אחר, מודל דינמיקת נוזלים המעריך שינויים בסובלנות ייצור בהמוליזה במכשיר סיוע לחדר משתמש ב-UQ כדי לכמת את ההשפעה של שונות גיאומטרית על מתח חזוי כתוצאה מזרימה וזמן חשיפה לדם.

דוגמאות אלו ממחישות את התהליכים המורכבים הכרוכים בהבטחת הדיוק והאמינות של דגמים בתנאי שימוש ספציפיים.

כפי שהוסבר על ידי הרשות, הקטגוריות השונות של ראיות אימות מדגישות את האופי הספציפי של אימות מודל חישובי בתחום המכשור הרפואי.

כל קטגוריה, מאימות in vivo ועד סבירות מודל, ממלאת תפקיד מכריע בביסוס ושיפור האמינות של מודלים חישוביים.

מודלים אלה חשובים ביותר בקידום פיתוח מכשור רפואי, טיפולים ספציפיים למטופל וטיפול כולל בחולים.

ככל שהטכנולוגיה ומדע הרפואה ממשיכים להתפתח, כך גם המתודולוגיות והפרקטיקות באימות מודלים חישוביים חייבים להבטיח שהם יישארו חזקים, אמינים ורלוונטיים בנוף משתנה ללא הרף, בהתחשב בפיתוח טכנולוגי מהיר.

סיכום

לסיכום, הנחיות ה-FDA הנוכחיות מספקות סקירה מקיפה של הקטגוריות השונות של ראיות אימות במודלים חישוביים בהקשר של יישומים רפואיים. המסמך מתאר את המהות של כל קטגוריה והרלוונטיות שלה בהקשר הרחב של פיתוח מכשור רפואי וטיפול בחולים.

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.