Legal health

L’IA nei dispositivi medici: le prime linee guida FDA per la “Good Machine Learning Practice”

La categoria dei software come dispositivi medici, che include tecnologie di intelligenza artificiale e machine learning, è una priorità dal punto di vista della regolamentazione sanitaria in quanto sono ancora molti i profili di incertezza a livello normativo. Ecco perché sono importanti le linee guida FDA

Pubblicato il 09 Dic 2021

Elisa Stefanini

Partner di Portolano Cavallo

L’esperienza della rete oncologica campana per la difesa della salute della donna

Il 27 ottobre 2021, la Food and Drug Administration (“FDA”) statunitense, in collaborazione con l’agenzia regolatoria canadese, Health Canada, e la Medicines and Healthcare Products Regulatory Agency del Regno Unito (“MHRA”), ha pubblicato un documento contenente 10 principi guida al fine di promuovere lo sviluppo della cosiddetta Good Machine Learning Practice (“GMLP”)[1]. Tale documento è al momento aperto alle consultazioni da parte degli stakeholders.

Si tratta di un documento estremamente innovativo dal momento che è la prima volta che si parla di “Good Pratices” specifiche per il processo di machine learning dei dispositivi medici. I 10 principi individuati e gli sviluppi che ne deriveranno sono destinati – pertanto – a rappresentare un’importantissima guida sul punto a livello globale.

Big data e AI per una Sanità efficiente: la svolta digitale che serve

In particolare, come specificato nel documento stesso, tali principi guida potranno essere utilizzati per:

  • adottare al settore medico-tecnologico le buone pratiche che sono state testate in altri settori;
  • adattare tali pratiche per renderle applicabili al settore medico-tecnologico;
  • creare nuove pratiche specifiche per il settore medico-tecnologico.

Scopo dei principi guida e contesto regolatorio

I 10 principi guida si inseriscono nell’ambito di un percorso inaugurato qualche anno fa dall’FDA, volto alla predisposizione di un quadro regolatorio in grado di accompagnare il continuo sviluppo dei software classificati come dispositivi medici e degli algoritmi di intelligenza artificiale su cui molti di essi si basano, garantendo, al contempo, adeguati livelli di sicurezza e di efficacia durante l’intero ciclo di vita del dispositivo.

Si ricorda infatti che le tecnologie basate sull’intelligenza artificiale (“AI”) e sui sistemi di apprendimento automatico (machine learning, “ML”) destinate ad essere utilizzate per una o più finalità mediche (ossia per trattare, diagnosticare, curare, mitigare o prevenire patologie) rientrano nella categoria dei cosiddetti software come dispositivi medici (Software as a medical device, “SaMD”) e sono quindi soggetti a specifici requisiti regolatori ai fini della loro immissione in commercio e successivo monitoraggio.

Nel 2019, la FDA aveva pubblicato un discussion paper che descriveva una proposta normativa per la regolamentazione delle modifiche apportate ai dispositivi medici basati su AI/ML già presenti sul mercato, in vista dell’elaborazione di future linee guida sul tema (Proposed regulatory framework for modifications to artificial intelligence/machine learning-based software as a medical device).

Già nel documento del 2019 si era accennato al concetto di GMLP, sottolineando l’importanza che i produttori di software adottassero degli standard adeguati di qualità e di buone pratiche all’interno della propria organizzazione (Quality systems and good machine learning practices – GMLP), ai fini della validazione clinica dei software.

Nell’intento di definire principi ispiratori, che gettino le basi per lo sviluppo di una sempre più consapevole e adeguata GMLP, la FDA si è quindi focalizzata sull’elaborazione di nuovi principi guida, che dovranno aiutare a creare SaMD sicuri, efficaci e di alta qualità.

Alcuni principi guida

Tra i principi elencati dall’FDA, si annovera, a titolo esemplificativo, la necessità di una costante implementazione di buone pratiche di ingegneria del software, per garantire la sicurezza dei dispositivi e la qualità della gestione dei dati.

Di fondamentale importanza – al fine di limitare rischi di bias e pregiudizi – il principio secondo il quale i set di dati utilizzati per il processo di machine learning debbano essere i più rappresentativi possibili della popolazione di pazienti interessata.

Viene inoltre sancito il principio del cosiddetto approccio human-in-the-loop, che colloca la conoscenza, l’esperienza delle persone e l’interpretabilità umana degli output del modello, al centro dei processi di apprendimento automatico.

Da ultimo, si sottolinea l’importanza di fornire agli utenti informazioni chiare e pertinenti, tra cui informazioni complete sulla destinazione d’uso del prodotto e le indicazioni per il suo utilizzo, le caratteristiche dei dati utilizzati per addestrare e testare il modello, oltre che eventuali modifiche e aggiornamenti dei dispositivi.

Questi principi includono alcuni elementi ulteriori rispetto alle norme cui sono soggetti i SaMD sia in America che in Europa, come l’approccio human-in-the-loop menzionato in precedenza, che perseguono anch’essi finalità di primaria importanza e che quindi contribuiranno a formare quelle best practices, capaci di rafforzare ed integrare le stesse norme in maniera trasversale e sovra-nazionale.

I prossimi passi

Il settore dei SaMD e, in particolare, di quelli basati su AI/ML è in crescente sviluppo e rappresenta una priorità assoluta dal punto di vista della regolamentazione sanitaria globale, in quanto sono ancora molti i profili di incertezza a livello normativo. Anche in ambito europeo, questa categoria di dispositivi è oggetto di grande attenzione dal punto di vista regolatorio, sia nel nuovo Regolamento sui Dispositivi Medici, che nelle varie linee guida di supporto interpretativo agli operatori emanate in questi mesi dal Medical Devices Coordination Group (MDCG).

In questo contesto, le linee guida dell’FDA appaiono particolarmente importanti, non solo per i contenuti, ma soprattutto perché indicano un percorso in atto volto a fornire basi sempre più solide e condivise ai processi di sviluppo di SaMD basati su algoritmi di ML.

In tal senso, esse sono certamente destinate ad avere un impatto significativo a livello internazionale. Lo stesso documento auspica, a tal proposito, una collaborazione tra l’International Medical Device Regulators Forum (IMDRF), le organizzazioni internazionali per la normazione e gli altri organismi di collaborazione che possa condurre a un ulteriore sviluppo della GMLP, al fine di contribuire a informare policy e linee guida regolatorie.

I principi guida, dunque, rappresentano solo un punto di partenza, posto che lo stesso documento dispone che la GMLP debba andare di pari passo con lo sviluppo e il progresso dei dispositivi medici basati su AI/ML. È inoltre fondamentale che questo processo avvenga a livello internazionale, per facilitare lo sviluppo di regole comuni che assicurino livelli qualitativi uniformi su un piano globale, così come già avviene per le GMP o le GCP in altri contesti (ad esempio nel settore farmaceutico).

Si ringrazia Giulia Conforto per aver contribuito alla realizzazione di questo articolo.

Note

  1. Il documento è liberamente consultabile al seguente indirizzo web: https://www.fda.gov/media/153486/download.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

EU Stories - La coesione innova l'Italia

Tutti
Social
Iniziative
Video
Analisi
Iniziative
Al via il progetto COINS
Eventi
Un nuovo sguardo sulla politica di coesione dell'UE
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia
Iniziative
Al via il progetto COINS
Eventi
Un nuovo sguardo sulla politica di coesione dell'UE
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia

Articoli correlati