Public regulatory data infrastructure for lifecycle oversight of AI medical devices

Résumé Technique : Infrastructure de Données Réglementaires Publiques pour la Surveillance du Cycle de Vie des Dispositifs Médicaux basés sur l'IA

Énoncé du Problème
La science réglementaire pour les dispositifs médicaux assistés par l'IA a évolué vers une philosophie de « surveillance du cycle de vie », reconnaissant que les logiciels évoluent après leur mise sur le marché via des mécanismes tels que les plans de contrôle des modifications prédéterminées (PCCP). Cependant, l'infrastructure de données réglementaires publiques — spécifiquement les registres utilisés par les hôpitaux, les responsables de la sécurité et les chercheurs pour identifier les dispositifs, tracer les changements et lier les autorisations aux signaux de sécurité — n'a pas évolué en parallèle. Les registres actuels dans les principales juridictions (USA, UE, Chine, Japon, Australie) restent « orientés vers l'enregistrement », conçus principalement pour confirmer l'autorisation de mise sur le marché légale pour un matériel statique. Ils manquent de champs structurés et interrogeables nécessaires pour gouverner un logiciel d'IA mutable. Par conséquent, les parties prenantes externes ne peuvent pas déterminer de manière fiable la version actuelle du logiciel, la base de preuves pour des populations spécifiques, l'historique des changements algorithmiques, ou le lien entre l'autorisation et les événements indésirables post-commercialisation. L'article soutient que sans une couche de données publiques supportant une « gouvernabilité publique », l'approvisionnement, le déploiement et la responsabilité sécurisés des dispositifs médicaux d'IA sont structurellement compromis.

Méthodologie
L'étude emploie un audit fondé sur des sources des environnements de dossiers réglementaires publics dans cinq juridictions : les USA (FDA), l'Union Européenne (EUDAMED), la Chine (NMPA), le Japon (PMDA) et l'Australie (TGA).

1. Dérivation des Spécifications : Les auteurs ont dérivé une spécification candidate de données publiques minimales composée de cinq fonctions de gouvernance et 20 exigences structurelles. Celles-ci n'ont pas été établies par consensus d'experts mais par une procédure de « concordance de sources à quatre ancres » transparente, liant chaque exigence à des ancres réglementaires, de gouvernance, cliniques/opérationnelles et empiriques/problématiques.
   • F1 Identité : Quel est l'objet réglementé ? (ex: statut du logiciel, identifiant stable).
   • F2 Version et Lisibilité du Changement : L'objet a-t-il changé, et sous quelle autorité ? (ex: historique des versions, base réglementaire du changement).
   • F3 Lisibilité des Preuves : Quelle était la base de la confiance réglementaire ? (ex: cadre de validation, population, métriques).
   • F4 Liaison : Les dossiers pré-commercialisation peuvent-ils être reliés à la réalité post-commercialisation ? (ex: lien avec les rappels/événements indésirables).
   • F5 Spécificité de l'IA : Le dossier public peut-il distinguer les attributs de l'IA ? (ex: classe du modèle, modalité des données d'entraînement, provenance).
2. Instrument d'Audit : Deux annotateurs ont scoré indépendamment 100 cellules (5 juridictions × 20 exigences) sur une échelle ordinale de 0 à 3 :
   • 0 : Non disponible publiquement.
   • 1 : Public uniquement sous forme narrative, PDF ou texte libre.
   • 2 : Champ structuré mais non interrogeable/téléchargeable.
   • 3 : Structuré, interrogeable ou téléchargeable.
3. Typologie des Écarts : Les exigences non satisfaites ont été classées en cinq types d'écarts distincts pour déterminer les instruments de réforme appropriés : Schéma (aucun champ n'existe), Publication–Accès (données détenues mais non publiées), Structuration (publiques mais non structurées), Liaison (pas d'identifiants stables) et Population (les champs existent mais sont vides/incohérents).
4. Tests de Stress : Trois sondages empiriques ont été menés pour valider les conclusions architecturales :
   • Identifiabilité de l'IA par la FDA : Tester si des dispositifs d'IA connus peuvent être récupérés à partir des dossiers primaires 510(k)/PMA sans la liste d'IA curatée.
   • Trouvabilité de l'UDI de la NMPA : Tester si l'infrastructure UDI chinoise téléchargeable en masse expose le statut de l'IA sous forme de champs structurés.
   • Lignage de la Famille de Produits de la FDA : Tester s'il existe des liens structurés prédécesseur/successeur pour les familles d'IA à soumissions multiples dans openFDA.
5. Fiabilité : L'accord inter-annotateurs a été évalué (κ de Cohen pré-adjudication = 0,724 pour la disponibilité), les divergences ayant été résolues via une adjudication documentée. Des analyses de sensibilité ont été réalisées en utilisant une spécification de « noyau conservateur » à 12 éléments et des sous-ensembles à haute confiance.

Résultats Clés
L'audit révèle un décalage structurel entre la philosophie réglementaire et l'infrastructure de données publiques.

• Déficit Global : Seules 6 % (6 sur 100) des cellules ont atteint le seuil de disponibilité structurée et interrogeable (Score 3). 94 % des cellules se situaient en dessous de ce seuil.
• Concentration Fonctionnelle : Les déficits ne sont pas répartis uniformément mais se concentrent fortement dans F2 (Version et Changement), F3 (Lisibilité des Preuves) et, plus sévèrement, F5 (Spécificité de l'IA).
  • F5 (Spécificité de l'IA) : Aucune juridiction n'a exposé la classe du modèle/méthode, la modalité des données d'entraînement ou la provenance des données sous forme de champs structurés dans les dossiers publics primaires. Toutes les cellules F5b–d ont obtenu un score de 0 ou 1.
  • F2 (Changement) : Même les USA, qui possèdent le cadre PCCP le plus avancé, n'exposent la version et l'historique des changements que sous des formes narratives ou inférentielles, et non comme des champs structurés.
• Nuances Juridictionnelles : Les USA (FDA) sont les plus proches d'une exposition structurée, particulièrement dans F1 (Identité) et F5a (catégorie de tâche d'IA via une liste supplémentaire), mais échouent toujours à exposer les versions logicielles actuelles ou le lignage structuré des familles de produits. L'UE (EUDAMED) et la Chine (NMPA) présentent des lacunes importantes en matière de preuves structurées et de métadonnées d'IA.
• Résultats de la Typologie des Écarts : Sur les 94 cellules non satisfaites, 41 étaient des écarts de structuration (les données existent mais sont non structurées), 28 étaient des écarts de schéma (aucun champ n'existe) et seulement 17 étaient des écarts de publication–accès (données détenues mais non publiées). Cela indique que simplement « publier davantage » est insuffisant ; les régulateurs doivent également structurer les divulgations narratives existantes et créer de nouveaux champs de données.
• Résultats des Tests de Stress :
  • FDA : Seuls 2,5 % des dispositifs d'IA connus sur la liste de la FDA pouvaient être identifiés via des termes d'IA étroite dans les champs 510(k) primaires ; 50,4 % ne portaient aucun signal d'IA.
  • Chine : Le jeu de données UDI en masse est téléchargeable mais « aveugle à l'IA » ; le statut de l'IA doit être déduit via une correspondance de mots-clés en texte libre, ce qui est peu fiable.
  • Lignage : Zéro des 70 dossiers de familles de produits d'IA échantillonnés dans openFDA n'exposait de champ prédécesseur/prédicat structuré ; le lignage n'est visible que via des PDF narratifs ou le regroupement par demandeur.

Contributions Clés

1. Cadre de Gouvernabilité Publique : L'article déplace la cible de conception de la « transparence » (rendre l'information visible) vers la « gouvernabilité publique » (rendre l'information utilisable pour des tâches de gouvernance spécifiques telles que l'approvisionnement, la surveillance et la responsabilité).
2. Spécification Auditable : Il fournit une spécification de 20 exigences structurelles (avec un noyau conservateur de 12 éléments) qui définit ce qu'un environnement de dossier réglementaire public doit contenir pour soutenir la surveillance du cycle de vie.
3. Typologie des Écarts en Cinq Voies : Il affine la compréhension des déficiences de données en distinguant les écarts de schéma, de publication-accès, de structuration, de liaison et de population. Cette distinction est cruciale car chaque type d'écart nécessite un instrument de politique différent (ex: nouvelle collecte de données vs restructuration des PDF existants vs mandats de transparence).
4. Extension Candidate du Minimum de Données Publiques : Les auteurs proposent un ensemble concret de 20 champs structurés (Tableau 7) qui pourraient être ajoutés aux enregistrements de l'enregistrement existants. Ces champs se concentrent sur les métadonnées catégorielles sommaires (ex: classe du modèle, statut de mise à jour, population de validation) plutôt que sur les données brutes ou les secrets commerciaux, ce qui les rend implémentables sans compromettre la confidentialité.

Signification et Revendications
L'article affirme que sa contribution principale n'est pas l'observation que les registres actuels sont incomplets (un problème reconnu), mais la conversion de ce problème en une spécification de données publiques reproductible et auditable.

• Revendications Modestes : Les auteurs déclarent explicitement que la spécification ne représente pas un consensus d'experts et n'a pas été validée de manière externe. Ils affirment plutôt que la dérivation est transparente (via la matrice de traçabilité) et que les résultats sont stables sous des restrictions de sensibilité conservatrices.
• Décalage Structurel : La conclusion centrale est que les registres publics sont organisés autour de la « visibilité de l'autorisation de mise sur le marché » plutôt que de la « gouvernabilité du cycle de vie ». Ils peuvent confirmer qu'un dispositif est entré sur le marché, mais ne peuvent pas soutenir sa gouvernance une fois présent.
• Implications Politiques : L'étude soutient que la réforme ne peut être un mandat de transparence uniforme. Étant donné que la majorité des écarts sont des écarts de « structuration » ou de « schéma » plutôt que de « publication-accès », une réforme efficace nécessite la création de nouveaux champs structurés et la conversion des divulgations narratives en données interrogeables, plutôt que la simple diffusion de documents existants.
• Spécificité de l'IA : L'article souligne que l'absence de métadonnées spécifiques à l'IA (F5) est un déficit de nature, et non de degré. Sans champs structurés pour la classe du modèle et la provenance des données d'entraînement, les dossiers publics ne peuvent pas soutenir des tâches essentielles telles que l'évaluation du changement de distribution, de la portabilité ou de l'équité.

En résumé, l'article fournit un cadre de diagnostic et une feuille de route concrète pour transformer les dossiers réglementaires publics, de simples listes d'approbation statiques en une infrastructure dynamique capable de soutenir la gouvernance du cycle de vie des dispositifs médicaux d'IA.