COVID hat eine neue Welle von Anlageprodukten in das Gesundheitswesen gebracht, um Innovationen voranzutreiben, die auf technologischen Fortschritten basieren, die durch Computerbiologie, künstliche Intelligenz und mobile Plattformen ermöglicht werden.
Die Investitionen der Industrie in die Weiterentwicklung der Gesundheitstechnologie werden durch parallele Programme in den FDA-Zentren unterstützt, um die Weiterentwicklung innovativer Technologien zu fördern. In unseren jüngsten Gesprächen mit der FDA sprachen wir über ihre Bemühungen, Fortschritte an zahlreichen Fronten voranzutreiben, um intelligente Arzneimittel und Geräte mit einer Ironman-Jarvis-ähnlichen Schnittstelle zu ermöglichen:
- Zwischen Medizinprodukten und dem Körper,
- Modellierung des Körpers zur Beschleunigung der Produktentwicklung und
- Modernisierung des gesamten Produktlebenszyklus zur Überwachung und Beschleunigung von Innovationen der nächsten Generation.
Realistisch betrachtet – und gleichzeitig synergetisch – sind diese drei unterschiedlichen Zukunftspfade miteinander verflochten und verstärken sich gegenseitig. Jedes Zentrum hat in verschiedene öffentlich-private Partnerschaften und Kooperationsgemeinschaften investiert, um Seite an Seite an verschiedenen Initiativen zu arbeiten, sowohl freiwillige als auch vorgeschriebene Programme zu entwickeln und jeden dieser Pfade von der Idee zur Realität werden zu lassen. Sie bauen Programme und Infrastrukturen auf, um die Produktqualität zu verbessern, Richtlinien für neue Technologien zu entwickeln, die Validierungsrichtlinien für Computersysteme der nächsten Generation zu modernisieren, kontinuierliche künstliche Intelligenz zu erforschen und Lösungen für alle Produktlinien zu beschleunigen.
Der Schlüsselstrom, der zwischen allen drei Pfaden und den verschiedenen gemeinsamen Initiativen fließt, sind die digitalen Daten über den menschlichen Körper, um ein datengesteuertes Ökosystem für wissenschaftlich fundierte Lösungen voranzutreiben.
Zwischen medizinische Produkte und die Körper
Die FDA hat zwar bereits darüber geschrieben, wie sie Medizinprodukte mit selbstanpassender Software (KI, die mit zunehmender Patientenzahl „lernt“) bewerten würde. Derzeit genehmigt sie jedoch bedenkenlos eine KI, bei der das Modell während der Entwicklung trainiert und vor der Zulassung in das Gerät integriert wird. Das Gerät kann zwar Patientendaten erfassen, diese Daten müssten jedoch vom Hersteller unabhängig von den einzelnen Patienten analysiert werden. Und jegliche „Modifikationen“ des KI-Modells der Geräte müssten vor der Freigabe wahrscheinlich einer Wirksamkeits- und Sicherheitsbewertung unterzogen werden.
Dies bedeutet, dass jede Lösung für künstliche Intelligenz/maschinelles Lernen (KI/ML) – auch wenn sie nicht die Hauptkomponenten des Geräts (Laser, Scanner usw.) steuert – strengen klinischen Tests unterzogen werden muss, da das KI-Modell im Wesentlichen aus mehreren Schichten statistischer Analyse besteht, die sich auf der Grundlage der Daten anpasst und daher auf Sicherheit und Wirksamkeit sowie die Handhabung von Fehlerfällen getestet werden muss, anstatt nur aus der zugrunde liegenden Physik oder elektronischen Simulationen über Fehlerfälle zu schlussfolgern.
Modellierung des Körpers zur Beschleunigung Produktentwicklung
Virtuelle Menschenmodelle ermöglichen effektiveres Produktdesign, -entwicklung und -tests. Die FDA hat beispielsweise Menschenmodelle eingesetzt, um die Auswirkungen einer MRT-Untersuchung der nächsten Generation auf Patienten mit Defibrillatoren zu testen. Da die Zahl der Patienten mit Defibrillatoren steigt, benötigen Krankenhäuser MRT-Geräte, die den Defibrillator des Patienten nicht ersetzen. Vor klinischen Studien wurden virtuelle Patientenmodelle genutzt, um die Sicherheit zu beurteilen und die Durchführung klinischer Studien zu prüfen. Virtuelle Tests sind zwar kein vollständiger Ersatz für tatsächliche stationäre Studien, reduzieren aber Kosten und Testzeit erheblich, da Computersimulationen sehr schnell skaliert werden können, die Zeit von Sekunden auf Millisekunden komprimiert werden kann und Kontrollen verschiedene Anatomien simulieren können, um die Auswirkungen eines Produkts auf verschiedene Populationen zu testen.
Obwohl die Entwicklung virtueller menschlicher Modelle eine Herausforderung darstellt, haben größere Pharma- und Medizintechnikunternehmen bereits mehrere Modelle entwickelt. Die Entwicklung dieser Modelle ist notwendig, um die Innovationskraft von Start-ups zu beschleunigen und deren Produktentwicklungskosten und -zeiten zu reduzieren.
Modernisierung des gesamten Produktlebenszyklus zur Überwachung und Beschleunigung Innovationen der nächsten Generation
Bisher wurde KI/ML zur Analyse von Kunden- und Marktdaten eingesetzt – dies kann von einfachen Dingen wie der Ermittlung der am besten ankommenden Marketingbotschaften bis hin zur Erkennung und Identifizierung von Betrug sowohl in der Lieferkette als auch in den Vertriebsketten der Geräte reichen.
Durch die Ausweitung der Datensatzanalyse, um Kunden- und Marktdaten mit Ereignissen zu verknüpfen, die im Betrieb aufgetreten sind, wie z. B. eine Temperaturänderung während des Transports, oder mit Fertigungsereignissen, wie z. B. einem Wechsel des Materiallieferanten, bis hin zum Design und der Entwicklung des Produkts, kann die Sicherheit verbessert und die Produktakzeptanz beschleunigt werden. Zudem kann kontinuierliches Lernen durch KI bei medizinischen Produkten Realität werden.
Solche ersten Erfolge wurden mithilfe von Registern medizinischer Gesellschaften nachgewiesen. Beispielsweise wurde das SVS VQI-Register genutzt, um die FDA-Zulassung zur Erweiterung der Anwendungsgebiete von Stents zu beschleunigen. Die Möglichkeit, Patientendaten aus Hunderten von Krankenhäusern zu sammeln, ermöglichte der FDA eine erfolgreiche Überwachung von Sicherheit und Wirksamkeit und ermöglichte es den Herstellern, ihre Produktdaten aus der Produktion zu gewinnen.
Durch die Erweiterung der Datensätze zum Erfassen komplexer Daten aus der TPLC eines Produkts kann die Produktzulassung unterstützt werden. Hersteller können mehr über die Leistung ihrer Produkte erfahren, um damit Innovationen für Produkte der nächsten Generation zu entwickeln. Sie können die Daten nutzen, um die Indikationen für Benutzer zu erweitern, ohne dass immer zusätzliche klinische Studien erforderlich sind, und die Kosten für die Markteinführung von Produkten der nächsten Generation senken.
Damit Innovatoren die Daten aus Konstruktion und Fertigung miteinander verknüpfen und die erfolgreiche Überwachung der Leistung in der Praxis belegen können, ist ein höheres Maß an Kontrolle und die richtige Datenmenge erforderlich, um sowohl die Modell- als auch die Fehlerratenprüfung zu gewährleisten. Dies erfordert ein tieferes Verständnis von KI/ML-Modellen und der Frage, unter welchen Bedingungen ein neuronales Netzwerkmodell im Vergleich zu einem Vektormodell eingesetzt werden sollte. Außerdem müssen die Nachweise für das Trainieren und Validieren des KI/ML-Modells sowie das Verständnis dafür, unter welchen Bedingungen ein lernender Algorithmus in Betracht gezogen werden könnte, berücksichtigt werden.
Während die Leitlinien der nächsten Generation zur Computersystemvalidierung die Genehmigungsphase durchlaufen, wird die FDA es Unternehmen ermöglichen, die Fähigkeit zur Generierung, Erfassung und Analyse von Daten in der Produktentwicklung, der Herstellung und im Betrieb weiterzuentwickeln und zu übernehmen.
Ein Beispiel dafür, wie KI/ML einen Teil des TPLC beschleunigt, sind die Investitionen in die Fertigung durch Investoren wie Stanley-TechStar1, wo Investoren auf der Suche nach innovativen Fertigungstechnologien sind. Da die großen Hersteller versuchen, ihre Daten standortübergreifend zu bündeln, um die Effizienz zu steigern, könnte dies auch zu faireren Wettbewerbsbedingungen zwischen kleinen und großen Fertigungsunternehmen führen.
Zusammenfassung
Alle diese Wege erfordern ein Verständnis der AI/ML „On-Board“-Algorithmen – die Aufnahme großer Mengen von Beispielen einer bestimmten Pathologie oder von Symptomen oder Ereignissen und das „Training“ eines Algorithmus, um korrekt
kategorisieren. Während die FDA derzeit Produkte zulässt, die den Algorithmus oder die traditionellen Methoden der Physik und regelbasierte Softwarealgorithmen „sperren“, verbessern die Vorteile von KI/ML, Verzerrungen bei der Datenverarbeitung zu beseitigen und Erkenntnisse zu gewinnen, die wissenschaftliche Integrität bei der Produktentwicklung.
Die Zukunft für Industrie und FDA liegt in kontinuierlich lernender KI/ML. Da KI mit kontinuierlichem Lernen direkte Datenkontrollen und Nachweise überflüssig macht, benötigen Innovatoren Unterstützung bei der Festlegung des Mechanismus zur Erfassung der richtigen Menge an Beweisen und der Fähigkeit, die KI-Entwicklung zu beschreiben.
Wir empfehlen Innovatoren, mit Fachexperten (Subject Matter Experts, SMEs) zusammenzuarbeiten, die nicht nur Erfahrung mit KI/ML oder mit bestehenden regulatorischen Rahmenbedingungen der FDA haben, sondern gezielt nach SMEs suchen, die aktiv an den Entwicklungen in beiden Fachgebieten beteiligt sind.
Quellen: