Hesaplamalı Modelleme ve Simülasyonun Güvenilirliğinin Değerlendirilmesine İlişkin FDA Rehberi: Güvenilirlik Kanıtlarına Genel Bakış | FDA

İçerik tablosu

The Gıda ve İlaç İdaresi ABD'nin sağlık ürünleri alanındaki düzenleyici otoritesi (FDA veya Ajans), tıbbi cihaz sunumlarında hesaplamalı modelleme ve simülasyonun güvenilirliğini değerlendirmeye yönelik bir kılavuz belge yayınladı.

Belge, geçerli düzenleyici gerekliliklere genel bir bakışın yanı sıra tıbbi cihaz üreticileri ve ilgili diğer taraflarca bunlara uygunluğun sağlanması için dikkate alınması gereken ek açıklamalar ve tavsiyeler sunmaktadır.

Aynı zamanda, rehberin hükümleri hukuki niteliği itibarıyla bağlayıcı değildir ve yeni kurallar getirme veya yeni yükümlülükler getirme amacı taşımamaktadır.

Ayrıca otorite, alternatif bir yaklaşımın mevcut yasal çerçeveye uygun olması ve otorite ile önceden mutabakata varılması koşuluyla uygulanabileceğini açıkça belirtmektedir.

Hesaplamalı Modellemede Güvenilirlik Kanıtına Giriş 

Her şeyden önce otorite, tıbbi cihaz düzenleme bildirimlerinin bu kadar karmaşık bir alanında şunu belirtiyor: "güvenilirlik kanıtı”en önemli kavramlardan biri olarak karşımıza çıkıyor.

FDA tarafından daha ayrıntılı olarak açıklandığı gibi, geleneksel doğrulama faaliyetlerini kapsar ve amaçlanan Kullanım Bağlamı (COU) için bir hesaplamalı modelin güvenilirliğini destekleyen her türlü kanıtlamayı ele alır.

Bu kanıt yelpazesi, her biri modelin aslına uygunluğuna benzersiz bilgiler katan çeşitli doğrulama ve belirsizlik ölçümü (UQ) faaliyetlerini içerir.

Rehbere göre bunun amacı sadece delil toplamak değil, onu ayırt etmek ve sistematik olarak kategorize etmektir.

Böyle organize bir kanıt derlemesi, modelin güvenilirliğini değerlendirmeye hizmet ederek düzenleyici kurumlara ve paydaşlara modelin kesinliği ve klinik senaryolarda uygulanabilirliği konusunda güvence verir.

Doğrulama ve Kategorileri

Güvenilirliğin kritik bir bileşeni olan doğrulama, kod doğrulama ve hesaplama doğrulama olarak ikiye ayrılır.

Kod doğrulama, sayısal algoritmaların yazılım içinde sayısal hassasiyetten ödün verebilecek hatalar olmadan doğru şekilde uygulanmasını sağlayan zorlu bir süreçtir.

ASME V&V 40'ta belirtildiği gibi sıkı yazılım kalite güvencesini ve sıkı sayısal kod doğrulamasını kapsar.

Hesaplama doğrulaması, odağı, genellikle mekansal ayrıklaştırma gibi kararlara atfedilebilen, model çıktısındaki sayısal hataların tahminine kaydırır.

Bu doğrulama biçimi dinamiktir ve doğrulama sırasında veya MUB'a özgü simülasyonlar dahilinde simülasyonun herhangi bir aşamasına dahil edilebilir.

Bu doğrulama süreçleri aracılığıyla, bir modelin sayısal bütünlüğü incelenir ve onaylanır, böylece güvenilirliğin temel unsuru oluşturulur.

Doğrulama ve Güvenilirliğin Değerlendirilmesindeki Rolü

Doğrulama, kalibrasyondan farklıdır ve model tahminlerinin, modeli oluşturmak için kullanılan verilerden bağımsız verilerle karşılaştırılmasını vurgular.

Bu bağımsız inceleme, bir modelin güvenilirliğini destekleyen şeydir. Yetkili tarafından açıklandığı gibi, doğrulama yalnızca bir onay kutusu değil, modelin MUB'a uygulanabilirliğini de kapsayan kapsamlı bir değerlendirmedir.

Bu, doğrulama faaliyetlerinin MUB'a uygunluğunu ve aktarılabilirliğini değerlendiren bir uygulanabilirlik değerlendirmesini içerir.

Değerlendirme, modelin doğrulama koşulları ile pratik uygulaması arasındaki farklılıkların doğrulamanın MUB ile olan ilişkisini zayıflatmamasını ve böylece modelin güvenilirliğinin bütünlüğünü korumasını sağlar.

Belirsizlik Ölçümü ve Hassasiyet Analizi 

Rehbere göre UQ, model çıktılarındaki belirsizliğin tahmin edilmesinde çok önemlidir. Girdilerin değişkenliğini ve modelin yapısal nüanslarını dikkate alır.

UQ, doğası gereği, bireysel model girdilerinin çıktılar üzerindeki etkisini ele alan duyarlılık analizine (SA) bağlıdır. SA, hangi girdilerin çıktıları önemli ölçüde etkilediğini belirleyerek UQ'yu basitleştirebilir, böylece UQ çabalarının odağını daraltabilir.

Ancak UQ'nun nihai amacı, modelin güvenilirliği için niceliksel bir temel sağlayarak model çıktılarının belirsizliğini ölçmektir.

Hem UQ hem de SA, doğrulama veya COU simülasyonlarına uygulanabilir, bu da model güvenilirliğini artırmadaki çok yönlülüğünün altını çizer.

Güvenilirlik Kanıtlarının Sınıflandırılması 

Güvenilirlik kanıtlarının sekiz farklı kategoriye ayrılması, hesaplamalı bir modeli destekleyen kanıtların sistematik olarak düzenlenmesine hizmet eder.

Bu yapı kanıtların düzenlenmesine yardımcı olur, ancak ne kapsamlıdır ne de kanıtın kalitesinin veya kesinliğinin göstergesidir.

Kategoriler sıralanmamıştır; daha ziyade, düzenleyici sunumlarda kapsamlı ve yapılandırılmış bir sunum sağlayarak kanıtların derlenmesine rehberlik edecek bir çerçeve görevi görürler.

Her bir güvenilirlik kanıtı kategorisi, belirli özellikler ve uygulama bağlamları ile tanımlanır.

Örneğin, kod doğrulama sonuçları (Kategori 1), sayısal uygulamada hataların olmadığını doğrularken, in vivo doğrulama sonuçları (Kategori 4) modelin tahminlerini canlı organizmalardan alınan biyolojik verilere göre doğrulamak.

Bu kategorilerin uygulanması, bir modelin güvenilirliğini doğrulayabilecek kanıt türlerinin ayrıntılı olarak anlaşılmasına katkıda bulunur.

Düzenleyici Sunum ve Kanıtların Dahil Edilmesi 

FDA tarafından açıklandığı gibi, güvenilirlik kanıtlarının düzenleyici başvurulara entegrasyonu, modelin ilgili riskini yansıtmalıdır.

Bu kılavuz, dahil edilecek belirli kanıt türlerini belirlemez ancak model türü ve modelleme alanının olgunluğu gibi faktörleri dikkate alan kapsamlı bir yaklaşım önerir.

Kanıtlar, modelin yeteneklerini bütünsel olarak temsil etmek için kod doğrulama, hesaplama doğrulama ve doğrulama gibi hususları kapsamalıdır.

Güvenilirlik kanıtlarının uygulanması, modelin uygulanmasını doğrulamak için birden fazla güvenilirlik kanıtı biçimini içerebilen silico cihaz testi gibi pratik vakalarla örneklendirilmiştir.

Bu örnekler, kanıt seçiminin bağlama bağlı doğasını ve düzenleyici sunumlarda kanıt entegrasyonuna yönelik özel bir yaklaşımın önemini vurgulamaktadır.

Sonuç

Özetle, güvenilirlik kanıtı, düzenleme amaçları doğrultusunda hesaplamalı modellerin desteklenmesinin ayrılmaz bir parçasıdır. Geliştiricilerin, uygulanan yaklaşımın güvenilirliğini sağlamak için Q-gönderim süreci gibi düzenleyici geri bildirim süreçlerine proaktif bir şekilde katılmaları teşvik edilmektedir.

Kaynak

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

RegDesk Nasıl Yardımcı Olabilir?

Kayıt Masası tıbbi cihaz ve ilaç şirketlerine dünya çapında 120'den fazla pazar için düzenleyici bilgiler sağlayan bütünsel bir Düzenleyici Bilgi Yönetim Sistemidir. Merkezi bir platform aracılığıyla küresel uygulamaları hazırlamanıza ve yayınlamanıza, standartları yönetmenize, değişiklik değerlendirmeleri yürütmenize ve mevzuat değişiklikleriyle ilgili gerçek zamanlı uyarılar almanıza yardımcı olabilir. Müşterilerimiz ayrıca kritik sorularla ilgili doğrulama almak için dünya çapında 4000'den fazla uyumluluk uzmanından oluşan ağımıza erişebilir. Küresel genişleme hiç bu kadar basit olmamıştı.