De snelle invoering van kunstmatige intelligentie (AI) in verschillende sectoren heeft geleid tot de introductie van de Wet Kunstmatige Intelligentie (EU 2024/1689), een uitgebreid regelgevend kader dat is ontworpen om de risico's van AI-technologieën aan te pakken. In tegenstelling tot sectorspecifieke regelgeving is de AI-wet breed van toepassing en bestrijkt verschillende sectoren, waaronder de gezondheidszorg en AI in medische hulpmiddelen.

Voor fabrikanten van medische hulpmiddelen gaat de naleving nu verder dan de Medical Device Regulation (MDR) (EU 2017/745) en omvat deze ook de AI-wet. Waar sprake is van meerdere wetgevingen, zijn er potentiële overlappingen in de regelgeving. De MDR legt de nadruk op patiëntveiligheid, klinische effectiviteit en risicobeheer - beginselen die aansluiten bij de risicogebaseerde benadering van AI-governance in de AI-wet. Gezien deze gedeelde doelstellingen is het zowel praktisch als nuttig om AI-gerelateerde eisen te integreren in een bestaand kwaliteitsbeheersysteem (Quality Management System - QMS).

Artikel 17 van de AI-wet erkent deze noodzaak en maakt expliciet de integratie van AI-specifieke QMS-eisen in bestaande sectorale kaders mogelijk:

"Aanbieders van AI-systemen met een hoog risico die onderworpen zijn aan verplichtingen betreffende kwaliteitsbeheersystemen of een gelijkwaardige functie uit hoofde van relevante sectorale wetgeving van de Unie, kunnen de in lid 1 genoemde aspecten opnemen als onderdeel van de kwaliteitsbeheersystemen uit hoofde van die wetgeving."

Dit document verkent de belangrijkste overeenkomsten en verschillen tussen de MDR en de AI-wet, waarbij de nadruk ligt op gebieden als gegevensbeheer, levenscyclusprocessen, klinische follow-up na het in de handel brengen (PMCF) en naleving van de regelgeving. Door deze aanpak kunnen fabrikanten van medische hulpmiddelen op efficiënte wijze naleving van de AI-wetgeving opnemen in hun QMS, waardoor zowel de naleving van de regelgeving als de veiligheid van de patiënt wordt gewaarborgd.

Gegevens als "grondstof" voor AI-aangedreven medische hulpmiddelen: Een regelgevend perspectief


Bij AI-gestuurde medische hulpmiddelen vormen gegevens de basisinput - te vergelijken met grondstoffen bij de traditionele productie van hulpmiddelen. Net zoals de MDR volledige traceerbaarheid van materialen vereist om biocompatibiliteit, structurele integriteit en algemene veiligheid te garanderen, moeten AI-modellen worden ontwikkeld op basis van goed gekarakteriseerde, gevalideerde en traceerbare datasets.

Volgens de MDR waarborgt de traceerbaarheid van materialen de prestaties van hulpmiddelen en de veiligheid van patiënten. In de context van AI is de traceerbaarheid van datasets net zo belangrijk voor de prestaties van het model, de klinische validiteit en de wettelijke aanvaardbaarheid.

Deze analogie benadrukt de noodzaak van gestructureerde kaders voor gegevensbeheer bij de ontwikkeling van AI-systemen. In de volgende tabel worden parallellen getrokken tussen de MDR-beginselen voor de traceerbaarheid van materiaal en de vereisten voor AI-gegevensbeheer.

AI-gegevensverzamelingen zijn echter ook onderworpen aan unieke vereisten, zoals eerlijkheid en non-discriminatie, die verder gaan dan de traditionele MDR-overwegingen.

Aspect MDR Vereiste AI-eis
Identificatie van de bron Elk materiaal dat in een hulpmiddel wordt gebruikt, moet volledig traceerbaar zijn naar een gedocumenteerde herkomst. Alle AI-trainingsgegevens moeten volledig traceerbaar zijn tot een gedocumenteerde oorsprong (bijv. ziekenhuisdatabases, klinische proeven en openbaar beschikbare datasets).
Certificering Grondstoffen moeten voldoen aan veiligheids- en prestatienormen. De gegevens moeten worden gevalideerd op nauwkeurigheid, volledigheid en relevantie (bv. ervoor zorgen dat de AI wordt getraind, gevalideerd en getest op klinisch relevante gegevens).
Documentatie van eigenschappen De chemische, mechanische en biocompatibiliteitseigenschappen moeten voor elk materiaal worden vastgelegd. AI-datasets moeten gegevensdiversiteit, demografische vertegenwoordiging en statistische vertekeningen documenteren om eerlijkheid te garanderen.
Beheer van wijzigingen Elke wijziging aan materialen moet worden getest en gedocumenteerd. Elke verandering in de trainingsdatasets (bijvoorbeeld het toevoegen van nieuwe patiëntenpopulaties) moet worden geëvalueerd op de invloed op de prestaties van het AI-model.
Veiligheidstests, bias- en risicobeoordeling Materialen moeten worden getest om er zeker van te zijn dat ze geen nadelige biologische effecten hebben. AI-datasets moeten worden beoordeeld op vertekeningen, ontbrekende gegevens en fouten om onbetrouwbare of discriminerende output te voorkomen.

Levenscyclusbeheer van AI-gestuurde versus traditionele medische hulpmiddelen

De levenscyclus van software is een kritisch regelgevend aspect voor zowel traditionele op software gebaseerde medische hulpmiddelen (SW-MD's) als AI-gestuurde medische hulpmiddelen (AI-MD's). Hoewel beide een gestructureerde ontwikkeling, transparantie en traceerbaarheid vereisen, brengt AI in medische hulpmiddelen unieke uitdagingen met zich mee vanwege de aard van AI-modellen.

Aspect Traditionele op software gebaseerde medische hulpmiddelen (SW-MD's) AI-gestuurde medische hulpmiddelen (AI-MD's)
Traceerbaarheid Softwarecode en vereisten moeten volledig gedocumenteerd en versiebeheerst zijn. AI-modelarchitectuur, trainingsstappen, datasets en alle verwerkingsstappen moeten gedocumenteerd en versiebeheerst zijn.
Reproduceerbaarheid Deterministisch: Gegeven dezelfde invoer produceert de software altijd dezelfde uitvoer. Probabilistisch: AI-modellen genereren outputs op basis van aangeleerde patronen, wat leidt tot kleine variaties in de resultaten.
Stabiliteit van prestaties Blijft stabiel tenzij expliciet bijgewerkt. Kan in de loop van de tijd verslechteren door gegevensdrift, waardoor voortdurende controle nodig is.
Beheer van wijzigingen Volgt gestructureerd versiebeheer en regressietests voor implementatie. AI-modellen vereisen voortdurende hertraining en hervalidatie om de nauwkeurigheid te behouden.
Verificatie en validatie (V&V) Zorgt ervoor dat software correct functioneert en aan de vereisten voldoet. AI V&V omvat datasetvalidatie, biasbeoordeling en stresstests voor randgevallen.

Om te voldoen aan de MDR-principes, moeten AI-gebaseerde systemen:


- Gestructureerde AI-trainings-, validatie- en testprocessen om reproduceerbaarheid en consistentie van prestaties te garanderen.
- Uitgebreide documentatie waarmee het AI-gestuurde medische hulpmiddel alleen op basis van documentatie kan worden herbouwd met behoud van de beoogde prestaties.
- Monitoring na het op de markt brengen om prestatiedrift, vertekeningen en onbedoelde uitkomsten te detecteren.

Post-Market Klinische Follow-up (PMCF) voor AI-gestuurde medische hulpmiddelen

PMCF is een wettelijke vereiste onder MDR (EU 2017/745), die ervoor zorgt dat medische hulpmiddelen veilig en effectief blijven nadat ze op de markt zijn gebracht. Terwijl traditionele hulpmiddelen met stabiele technologie mogelijk geen doorlopende PMCF vereisen, vereisen AI-gebaseerde medische hulpmiddelen doorlopende monitoring vanwege hun afhankelijkheid van zich ontwikkelende praktijkgegevens.

Aspect SW-MD's AI-MD's
Behoefte aan continu PMCF Vaak beperkt voor gevestigde, stabiele technologieën die niet veranderen na implementatie. Essentieel, aangezien AI-modellen sterk afhankelijk zijn van gegevens uit de echte wereld, die kunnen verschillen van de trainingsgegevens.
Stabiele prestaties Blijft stabiel tenzij expliciet bijgewerkt met nieuwe softwareversies. Kan na verloop van tijd slechter worden door gegevensdrift, waardoor voortdurende controle en herkalibratie nodig zijn.
Risico op onverwacht gedrag Laag risico als de premarket tests uitgebreid zijn en de software ongewijzigd blijft. Hoog risico, aangezien AI-modellen die zijn getraind op historische datasets mogelijk niet goed generaliseren naar ongeziene gegevens uit de echte wereld.
Belangrijkste bewakingsfocus Voornamelijk gericht op bugfixes, cyberbeveiligingsrisico's en betrouwbaarheid van software. Inclusief prestatiedrift, biasdetectie, nauwkeurigheid in de echte wereld en onbedoelde klinische risico's.
Verwachte regelgeving voor PMCF Periodieke updates op basis van gerapporteerde problemen, feedback van gebruikers en meldingen van ongewenste voorvallen. Vereist voortdurende beoordeling van prestaties in de echte wereld, gegevensgestuurde updates en validatie van bijscholing.
Aanpak voor risicobeperking Patch-updates, beveiligingsfixes en periodieke hervalidatie bij grote veranderingen. Adaptief levenscyclusbeheer, inclusief geautomatiseerde modelbewaking, hervalidatie en wettelijke rapportage.
Gegevensverzameling en -analyse Vaak retrospectief, gebaseerd op klinische literatuuronderzoeken en incidentrapporten na het op de markt brengen. Real-time of bijna-real-time gegevensverzameling, waarvoor geavanceerde monitoringinfrastructuur en compliance vereist is.

Voor traditionele software-gebaseerde medische hulpmiddelen zorgt PMCF voor continue veiligheid, maar het is vaak statisch en reactief. Daarentegen vereisen AI-gestuurde medische apparaten een proactieve en dynamische PMCF-benadering vanwege hun afhankelijkheid van veranderende gegevens uit de echte wereld. Zonder voortdurende controle lopen AI-modellen het risico op prestatievermindering, bias en mogelijke schade voor patiënten, waardoor PMCF een wettelijke en ethische noodzaak is.

Conclusie

Om naleving van de MDR en AI-wet te garanderen, moeten AI-gestuurde medische hulpmiddelen rigoureus gegevensbeheer, levenscyclusbewaking en continue PMCF integreren. Door AI-specifieke kwaliteitsbeheerpraktijken toe te passen, kunnen fabrikanten ervoor zorgen dat hun hulpmiddelen gedurende hun hele levenscyclus veilig, effectief en in overeenstemming met de regelgeving blijven.


Naarmate het gebruik van AI in medische hulpmiddelen zich verder ontwikkelt, zal een gestructureerde en proactieve regelgevingsstrategie van cruciaal belang zijn om een evenwicht te vinden tussen innovatie, patiëntveiligheid en naleving van de wet- en regelgeving.

CE-markering onder Verordening MDR (EU) 2017/745

Heeft u vragen over het verkrijgen van CE-markering in Europa voor uw medische hulpmiddel onder Verordening MDR (EU) 2017/745? Neem contact met ons op voor meer informatie en hulp.

Neem contact met ons op!
Auteur

Dr. Andrei Ninu

Loading...

Relevante artikelen en gebeurtenissen

Misschien bent u ook hierin geïnteresseerd 
Blog
Loading...

AI-wet en op AI gebaseerde medische hulpmiddelen - huidige status regelgeving

Blog
Loading...

Update over EU MDR: nieuwe geharmoniseerde normen gepubliceerd onder Uitvoeringsbesluit (EU) 2026/193

Blog
Loading...

ISO 13485 Interne audits: Van verplichting naar strategische waarde