Руководство FDA по оценке достоверности компьютерного моделирования и симуляции: обзор доказательств достоверности | FDA

Содержание

Ассоциация Управление по продовольствию и медикаментам (FDA или Агентство), 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.

Введение в доказательства достоверности в компьютерном моделировании 

Прежде всего, ведомство отмечает, что в такой сложной сфере нормативных документов по медицинскому оборудованию «Доказательство достоверностиКажется, это одна из самых важных концепций.

Как далее пояснило FDA, оно охватывает традиционные действия по проверке, рассматривая любое обоснование, которое поддерживает надежность вычислительной модели для ее предполагаемого контекста использования (COU).

Этот спектр доказательств включает в себя разнообразные мероприятия по проверке и количественной оценке неопределенности (UQ), каждое из которых способствует уникальному пониманию точности модели.

Согласно руководству, целью этого является не просто сбор доказательств, но и их распознавание и систематическая классификация.

Такой организованный сборник доказательств служит для оценки достоверности модели, гарантируя регулирующим органам и заинтересованным сторонам ее точность и применимость в клинических сценариях.

Проверка и ее категории

Проверка, важнейший компонент надежности, делится на проверку кода и проверку вычислений.

Проверка кода — это строгий процесс, гарантирующий, что численные алгоритмы точно реализуются в программном обеспечении без ошибок, которые могут поставить под угрозу числовую точность.

Он включает строгий контроль качества программного обеспечения и строгую цифровую проверку кода, как указано в ASME V&V 40.

Проверка вычислений смещает акцент на оценку числовых ошибок в выходных данных модели, часто связанных с такими решениями, как пространственная дискретизация.

Эта форма проверки является динамической и может быть включена на любой стадии моделирования, будь то во время проверки или в рамках моделирования, специфичного для COU.

Посредством этих процессов проверки численная целостность модели тщательно проверяется и подтверждается, что закладывает основополагающий элемент достоверности.

Валидация и ее роль в оценке достоверности

Валидация отличается от калибровки, поскольку в ней особое внимание уделяется сравнению прогнозов модели с данными, независимыми от тех, которые использовались для построения модели.

Именно эта независимая проверка поддерживает доверие к модели. Как пояснили в ведомстве, валидация — это не просто флажок, а комплексная оценка, которая распространяется на применимость модели к ее COU.

Это включает в себя оценку применимости, которая оценивает актуальность и возможность передачи действий по валидации в COU.

Оценка гарантирует, что различия между условиями валидации модели и ее практическим применением не подрывают актуальность валидации для COU, тем самым сохраняя целостность достоверности модели.

Количественная оценка неопределенности и анализ чувствительности 

Согласно руководству, UQ имеет решающее значение для оценки неопределенности, присущей результатам модели. Он учитывает изменчивость входных данных и структурные нюансы самой модели.

UQ неразрывно связан с анализом чувствительности (SA), который рассматривает влияние отдельных входных данных модели на выходные данные. SA может упростить UQ, определив, какие входы существенно влияют на результаты, тем самым сужая фокус усилий по UQ.

Однако конечной целью UQ является количественная оценка неопределенности результатов модели, обеспечивающая количественную основу для достоверности модели.

И UQ, и SA можно применять для валидации или моделирования COU, что подчеркивает их универсальность в повышении надежности модели.

Категоризация доказательств достоверности 

Разделение доказательств достоверности на восемь отдельных категорий служит для систематического упорядочения доказательств, подтверждающих вычислительную модель.

Эта структура помогает организовать доказательства, однако она не является ни исчерпывающей, ни показателем качества или строгости самих доказательств.

Категории не ранжируются; скорее, они служат основой для сбора доказательств, обеспечивая всестороннее и структурированное представление документов в регулирующие органы.

Каждая категория доказательств достоверности определяется конкретными характеристиками и контекстом применения.

Например, результаты проверки кода (Категория 1) подтверждают отсутствие ошибок в численной реализации, а результаты проверки in vivo (Категория 4) проверить предсказания модели на основе биологических данных живых организмов.

Применение этих категорий способствует детальному пониманию типов доказательств, которые могут подтвердить достоверность модели.

Предоставление нормативных документов и включение доказательств 

Как пояснили в FDA, интеграция доказательств достоверности в нормативные документы должна отражать риск, связанный с моделью.

Это руководство не предписывает конкретные типы доказательств для включения, но предлагает комплексный подход, учитывающий такие факторы, как тип модели и зрелость области моделирования.

Доказательства должны охватывать такие аспекты, как проверка кода, проверка вычислений и валидация, чтобы целостно представлять возможности модели.

Применение доказательств достоверности иллюстрируется практическими примерами, такими как тестирование устройств in silico, которое может включать в себя несколько форм доказательств достоверности для обоснования применения модели.

Эти примеры подчеркивают контекстно-зависимый характер отбора доказательств и важность индивидуального подхода к интеграции доказательств в нормативные документы.

Заключение

Таким образом, доказательства достоверности являются неотъемлемой частью поддержки вычислительных моделей в целях регулирования. Разработчикам рекомендуется активно участвовать в процессах обратной связи с регулирующими органами, таких как процесс Q-отправки, чтобы гарантировать надежность применяемого подхода.

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.