Руководство FDA по оценке достоверности компьютерного моделирования: Доказательства достоверности, часть 2 | FDA

Содержание

Ассоциация Управление по продовольствию и медикаментам Регулирующий орган США в сфере товаров медицинского назначения опубликовал руководящий документ, посвященный оценке достоверности компьютерного моделирования и симуляции при подаче заявок на медицинское оборудование.

В документе представлен обзор применимых нормативных требований, а также дополнительные разъяснения и рекомендации, которые должны быть приняты во внимание производителями медицинского оборудования и другими участвующими сторонами для обеспечения их соблюдения.

В то же время положения руководства не имеют обязательной юридической силы и не предназначены для введения новых правил или наложения новых обязательств.

Более того, орган прямо заявляет, что может быть применен альтернативный подход при условии, что такой подход соответствует существующей правовой базе и заранее согласован с органом власти.

Документ охватывает, среди прочего, аспекты, связанные с достоверностью доказательств, необходимых для обоснования претензий сторон, ответственных за медицинские изделия. 

Согласно руководству, компьютерное моделирование играет решающую роль в разработке и проверке медицинских устройств и методов лечения, ориентированных на конкретного пациента.

Эти модели, часто сложные и сложные, требуют тщательной проверки для обеспечения точности и надежности.

Валидация — это процесс, охватывающий различные категории, каждая из которых затрагивает разные аспекты достоверности модели.

Настоящее руководство подробно описывает эти категории, подчеркивая их важность при разработке медицинских устройств и уходе за пациентами.

Результаты проверки in vivo (категория 4)

Проверка in vivo формирует основу достоверности вычислительной модели, фокусируясь на сравнении на уровне пациентов с использованием клинических данных или данных на животных.

Как пояснили в FDA, эта проверка необходима для расчетных моделей, ориентированных на конкретного пациента, например, тех, которые используются в клинических испытаниях медицинского оборудования. Например, в гидродинамике клинический программный инструмент, прогнозирующий Частичный резерв потока (FFR) в коронарных артериях подтверждается инвазивными клиническими измерениями FFR.

Точно так же модели биотеплообмена, прогнозирующие нагрев тканей от медицинских устройств, таких как ультразвук или радиочастотная энергия, проверяются с использованием прямых измерений температуры на моделях человека или животных.

Проверка расчетов и количественная оценка неопределенности (UQ) играют ключевую роль в этих процессах, обеспечивая надежность результатов проверки.

Результаты валидации на популяционном уровне (категория 5)

Популяционная валидация контрастирует с валидацией на уровне пациентов, поскольку фокусируется на более широком сравнении данных на популяционном уровне.

Этот подход особенно актуален для проверки «виртуальные популяции, либовиртуальные когорты», которые представляют собой несколько моделей пациентов, представляющих популяцию пациентов.
Примером этого является медицинская визуализация, где виртуальные модели пациентов создаются с использованием различных параметров антропоморфной модели.

Результаты компьютерного моделирования статистически сравниваются с клиническими результатами, гарантируя соответствие прогнозов реальным испытаниям на людях.

Эта категория проверки подчеркивает важность крупномасштабного анализа данных для проверки прогнозов модели на основе комплексных наборов клинических данных.

Эмерджентная модель поведения (категория 6)

Согласно руководству, возникающее поведение модели представляет собой уникальный подход к проверке, подчеркивающий способность вычислительных моделей воспроизводить известные явления в конкретных условиях, даже если эти явления не моделируются явно.

Например, в гидродинамике модель, прогнозирующая поток крови через стенозированный сосуд, может быть проверена на основе ее способности прогнозировать переходный или турбулентный поток - известное явление при определенных условиях.

Аналогичным образом, в электрофизиологии сердца модели, имитирующие электрическую активность сердца, проверяются на основе их способности воспроизводить морфологию электрокардиограммы, сравнимую с клиническими ЭКГ.

Этот тип доказательств подчеркивает способность модели воспроизводить сложное физиологическое поведение, повышая ее достоверность.

Достоверность модели (категория 7)

Достоверность модели относится к обоснованию выбора основных уравнений, допущений модели и входных параметров.
Это форма доказательств, основанная на теоретической обоснованности и обоснованности основы модели.

Примером может служить конечно-элементная модель эндопротезирования суставов, где доказательства правдоподобия подтверждают достоверность модели материала имплантата.

Основные уравнения, допущения и входные параметры модели обоснованы на основе известных механических свойств и свойств материалов, что обеспечивает прочную основу для достоверности модели, особенно когда экспериментальные данные для проверки ограничены.

Проверка расчетов/UQ с использованием моделирования COU (категория 8)

Эта категория включает в себя автономную проверку вычислений и результаты UQ, выполняемые с использованием моделирования условий использования (COU).

Такое моделирование имеет решающее значение для тестирования устройств in silico или клинических испытаний, где прямая проверка невозможна. Например, конечно-элементная модель медицинского устройства может быть подвергнута исследованию сходимости сетки, чтобы обеспечить минимальную числовую ошибку, что поддерживает использование модели в различных сценариях COU.

В другом случае модель гидродинамики, оценивающая изменения производственных допусков на гемолиз в желудочковом вспомогательном устройстве, использует UQ для количественной оценки влияния геометрических отклонений на прогнозируемый стресс, вызванный потоком, и время воздействия крови.

Эти примеры иллюстрируют сложные процессы, необходимые для обеспечения точности и надежности моделей в конкретных условиях использования.

Как пояснили в ведомстве, различные категории доказательств валидации подчеркивают специфику валидации вычислительных моделей в сфере медицинского оборудования.

Каждая категория, от проверки in vivo до достоверности модели, играет решающую роль в установлении и повышении достоверности вычислительных моделей.

Эти модели жизненно важны для продвижения разработки медицинского оборудования, индивидуального лечения пациентов и общего ухода за пациентами.

По мере того, как технологии и медицинская наука продолжают развиваться, также должны развиваться методологии и практики проверки вычислительных моделей, гарантируя, что они остаются устойчивыми, надежными и актуальными в постоянно меняющейся среде, учитывая быстрое развитие технологий.

Заключение

Таким образом, настоящее руководство FDA представляет собой всесторонний обзор различных категорий проверочных данных в компьютерном моделировании в контексте медицинских приложений. В документе изложена сущность каждой категории и ее актуальность в более широком контексте разработки медицинского оборудования и ухода за пациентами.

Источник

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

Чем может помочь RegDesk?

Регдеск представляет собой целостную систему управления нормативной информацией, которая предоставляет компаниям, производящим медицинское оборудование и фармацевтические препараты, нормативную информацию для более чем 120 рынков по всему миру. Он может помочь вам подготовить и опубликовать глобальные приложения, управлять стандартами, проводить оценки изменений и получать оповещения в режиме реального времени о нормативных изменениях через централизованную платформу. Наши клиенты также имеют доступ к нашей сети, состоящей из более чем 4000 экспертов по соблюдению требований по всему миру, для получения проверки по важным вопросам. Глобальная экспансия никогда не была такой простой.