Med-SAFE: Postmarket Safety-Actionability Screening for Robotic Medical Devices

तकनीकी सारांश: Med-SAFE – रोबोटिक चिकित्सा उपकरणों के लिए पोस्टमार्केट सुरक्षा-कार्रवाईक्षमता स्क्रीनिंग

समस्या विवरण (Problem Statement)
रोबोटिक चिकित्सा उपकरणों की पोस्टमार्केट निगरानी एक महत्वपूर्ण पद्धतिगत अंतराल का सामना कर रही है: सार्वजनिक नियामक डेटा (विशेष रूप से FDA MAUDE रिपोर्ट) का विश्लेषण अक्सर कच्चे, गैर-स्तरीकृत प्रतिकूल-घटना गणनाओं (unstratified adverse-event counts) के रूप में किया जाता है। यह दृष्टिकोण डिवाइस आइडेंटिफायर की असमान पुनरावृत्ति को ध्यान में रखने में विफल रहता है और इसमें एक्सपोजर डिनोमिनेटर (exposure denominators) का अभाव होता है, जिससे निष्क्रिय रिपोर्टिंग से अकेले घटना दर या कारण संबंधी सुरक्षा निष्कर्ष निकालना असंभव हो जाता है। इसके अलावा, रोबोटिक सर्जरी सुरक्षा पर मौजूदा अध्ययन मुख्य रूप से वर्णनात्मक घटना विश्लेषण (descriptive event analysis) पर निर्भर करते हैं या AI अनुमोदन पथों पर ध्यान केंद्रित करते हैं, जिनमें व्यापक डिवाइस-साइड रिकॉर्ड को एक सख्त, पुनरावृत्ति-जागरूक निगरानी कोर (recurrence-aware surveillance core) में बदलने के लिए एक संक्षिप्त, गणितीय रूप से संरचित ढांचे का अभाव है। चुनौती यह है कि विषम पोस्टमार्केट रिपोर्टों को नैदानिक जोखिम, व्यापकता या तुलनात्मक सुरक्षा का अतिरंजित दावा किए बिना व्याख्या योग्य स्तरों (interpretable strata) में कैसे व्यवस्थित किया जाए।

कार्यप्रणाली: Med-SAFE फ्रेमवर्क (Methodology: The Med-SAFE Framework)
यह शोध पत्र Med-SAFE को पेश करता है, जो एक नियतात्मक, पुनरावृत्ति-जागरूक डिवाइस-साइड स्क्रीनिंग फ्रेमवर्क है। यह व्यापक MAUDE रिपोर्टिंग स्ट्रीम ($\mathcal{R}$) को एक सख्त रोबोटिक-डिवाइस कोर ($\mathcal{M}$) में एक गणितीय रूपांतरण के रूप में संचालित करता है। कार्यप्रणाली में चार प्राथमिक घटक शामिल हैं:

1. नियतात्मक समावेशन और समूह असाइनमेंट (Deterministic Inclusion and Group Assignment):

   • फ्रेमवर्क ब्रॉड स्ट्रीम को फ़िल्टर करने के लिए एक नियतात्मक समावेशन ऑपरेटर $\Phi$ लागू करता है, जो निम्नलिखित के लिए पूर्व-निर्धारित डिक्शनरी से मेल खाने वाले रिकॉर्ड को बनाए रखता है: (1) रोबोटिक-असिस्टेड सर्जरी, (2) ऑर्थोपेडिक/स्पाइन नेविगेशन रोबोटिक्स, (3) एंडोल्यूमिनल रोबोटिक सिस्टम, और (4) AI-सक्षम प्रक्रियात्मक सहायता।
   • एक प्राथमिकता नियम प्रत्येक रिटेन रिपोर्ट को ठीक एक परस्पर अनन्य (mutually exclusive) रोबोटिक-डिवाइस समूह ($G_1$ से $G_4$) में असाइन करता है, जिससे डुप्लिकेट सदस्यता को रोका जा सके।

2. डेटा सामंजस्य और प्रतिनिधित्व (Data Harmonization and Representation):

   • निर्माता नामों को सामंजस्यपूर्ण ($H$) बनाया जाता है ताकि वेरिएंट्स (सहायक कंपनियां, विराम चिह्न, कैपिटलाइजेशन) को एकीकृत समूहों में विलय किया जा सके।
   • प्रत्येक रिटेन रिपोर्ट को एक संरचित टुपल $z_i$ के रूप में दर्शाया जाता है जिसमें: रोबोटिक-डिवाइस समूह, FDA उत्पाद कोड, सामंजस्यपूर्ण निर्माता, एक संरचित-क्षेत्र पूर्णता वेक्टर (structured-field completeness vector), पुनरावृत्ति निर्देशांक (recurrence coordinates), और एक स्क्रीनिंग स्कोर शामिल है।

3. पुनरावृत्ति और एकाग्रता विश्लेषण (Recurrence and Concentration Analysis):

   • फ्रेमवर्क उत्पाद कोड और निर्माताओं के लिए पुनरावृत्ति द्रव्यमान ($\pi_p, \mu_m$) की गणना करता है, जो कोर के भीतर रिपोर्टों के अनुभवजन्य हिस्से का प्रतिनिधित्व करता है।
   • संचयी एकाग्रता फलन ($C_P, C_M$) को यह मात्रा निर्धारित करने के लिए परिभाषित किया गया है कि रिपोर्ट संचय स्ट्रेटा (strata) में कैसे वितरित है, जो विसरित (diffuse) और केंद्रित निगरानी संरचनाओं के बीच अंतर करता है।

4. बद्ध स्क्रीनिंग फलन (Bounded Screening Functional):

   • एक स्क्रीनिंग स्कोर $s_i$ की गणना तीन घटकों के एक योगात्मक फलन के रूप में की जाती है: रोबोटिक-डिवाइस विशिष्टता (डायरेक्ट सर्जिकल सिस्टम को उच्च भार देना), पुनरावृत्ति-क्षेत्र पूर्णता (प्रोडक्ट कोड और निर्माता की उपस्थिति), और डिवाइस-साइड सुरक्षा-स्क्रीनिंग साक्ष्य (जैसे "मालफंक्शन" या "एरर" जैसे विशिष्ट सुरक्षा शब्दों की उपस्थिति)।
   • स्कोर बद्ध (bounded) है ($1 \le s_i \le 5$) और सामान्यीकृत (normalized) है ($0 \le \bar{s}_i \le 1$)।
   • एक पुनरावृत्ति-जागरूक आंशिक क्रम (recurrence-aware partial order) रिपोर्टों को उनके स्क्रीनिंग स्कोर और उनके पुनरावृत्ति निर्देशांक के आधार पर रैंक करता है, जिससे उन रिपोर्टों को प्राथमिकता मिलती है जो संरचनात्मक रूप से मजबूत हैं और अत्यधिक पुनरावृत्ति वाले स्ट्रेटा का हिस्सा हैं।

प्रमुख योगदान (Key Contributions)
यह शोध पत्र चार विशिष्ट योगदान देता है:

1. गणितीय प्रतिनिधित्व: यह डिवाइस समूहों, उत्पाद कोड, सामंजस्यपूर्ण निर्माताओं और पुनरावृत्ति निर्देशांकों को संयोजित करने वाला रिपोर्ट-स्तरीय प्रतिनिधित्व पेश करता है, जो साधारण घटना गणना से आगे बढ़ता है।
2. स्पष्ट ऑपरेटर: यह नियतात्मक समावेशन और समूह-असाइनमेंट ऑपरेटर को परिभाषित करता है जो रोगी परिणामों या कारण संबंधी एट्रिब्यूशन का उपयोग किए बिना, रोबोटिक-विशिष्ट रिकॉर्ड को सामान्य मेडिकल-डिवाइस स्ट्रीम से अलग करता है।
3. एकाग्रता मॉडलिंग: यह उत्पाद-कोड और निर्माता पुनरावृत्ति द्रव्यमान और संचयी एकाग्रता फलनों को औपचारिक रूप देता है, जिससे पोस्टमार्केट संचय का एक संरचित निगरानी एकाग्रता के रूप में विश्लेषण किया जा सकता है।
4. अनुभवजन्य सत्यापन: यह 2025 FDA MAUDE डेटा पर इस फ्रेमवर्क को मान्य करता है, जो लगभग पूर्ण संरचित क्षेत्रों और मजबूत एकाग्रता पैटर्न के साथ एक सख्त रोबोटिक-डिवाइस कोर के निष्कर्षण को प्रदर्शित करता है।

अनुभवजन्य परिणाम (Empirical Results)
2025 FDA MAUDE डिवाइस-साइड रिकॉर्ड का उपयोग करते हुए, Med-SAFE ने 1,064,648 ब्रॉड रिकॉर्ड्स को प्रोसेस किया और 58,487 रोबोटिक मेडिकल-डिवाइस रिपोर्ट (इनपुट का 5.49%) को रिटेन किया।

• डेटा गुणवत्ता: रिटेन किए गए कोहोर्ट में लगभग पूर्ण संरचित क्षेत्र थे: 100% उत्पाद-कोड उपलब्धता, 99.998% निर्माता उपलब्धता, और >99.95% ब्रांड/जेनेरिक नाम उपलब्धता।
• समूह वितरण: कोर दो समूहों द्वारा प्रभावी था: रोबोटिक-असिस्टेड सर्जरी (86.56%) और ऑर्थोपेडिक/स्पाइन नेविगेशन रोबोटिक्स (13.26%)। इन दोनों ने मिलकर 99.82% कोहोर्ट का प्रतिनिधित्व किया।
• पुनरावृत्ति एकाग्रता:
  • प्रोडक्ट कोड: शीर्ष 10 उत्पाद कोडों ने 99.40% रिपोर्टों का प्रतिनिधित्व किया। एक एकल कोड (NAY) ने कोर का 84.30% हिस्सा बनाया।
  • निर्माता: सामंजस्य के बाद, इन्ट्यूइटिव सर्जिकल (Intuitive Surgical) के हिस्से में 86.37% रिपोर्ट थीं, जिसके बाद मेडट्रॉन नेविगेशन (Medtronic Navigation) (7.12%) का स्थान रहा।
• स्क्रीनिंग स्कोर: मेडियन स्क्रीनिंग स्कोर 5.00 (औसत 4.86) था, जिसमें 99.52% रिपोर्टों को डिवाइस-साइड जोखिम-प्रासंगिक के रूप में फ्लैग किया गया, जो फिल्टर किए गए कोर के भीतर सुरक्षा-प्रासंगिक रिकॉर्ड के लिए मजबूत संवर्धन (enrichment) को दर्शाता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र Med-SAFE को पोस्टमार्केट समीक्षा के लिए एक व्याख्या योग्य, पारदर्शी कम्प्यूटेशनल लेयर के रूप में स्थापित करता है, जो वर्णनात्मक MAUDE विश्लेषण और पूर्ण नैदानिक जोखिम मॉडलिंग के बीच स्पष्ट रूप से स्थित है।

• वैधता का दायरा: लेखक इस बात पर जोर देते हैं कि Med-SAFE सख्ती से निष्क्रिय निगरानी डेटा की सीमाओं के भीतर काम करता है। यह प्रतिकूल-घटना की घटना दर (incidence), व्यापकता (prevalence), तुलनात्मक डिवाइस सुरक्षा, या कारण संबंधी विफलता की संभावना का अनुमान नहीं लगाता है, क्योंकि एक्सपोजर डिनोमिनेटर अज्ञात हैं।
• प्राथमिक मूल्य: फ्रेमवर्क का महत्व एक संरचित, पुनरावृत्ति-जागरूक निगरानी स्थान में असंरचित रिपोर्टिंग स्ट्रीम को बदलने में निहित है। यह केंद्रित स्ट्रेटा (विशिष्ट उत्पाद कोड और निर्माता) की पहचान करता है और संरचित समीक्षा को प्राथमिकता देने के लिए एक पुनरुत्पादित, बद्ध स्कोरिंग प्रणाली प्रदान करता है।
• निष्कर्ष: अध्ययन यह प्रदर्शित करता है कि रोबोटिक मेडिकल-डिवाइस पोस्टमार्केट रिपोर्ट केवल घटनाओं की सपाट सूचियाँ नहीं हैं, बल्कि वे एक क्लस्टर्ड, अत्यधिक पुनरावृत्ति वाली संरचना बनाती हैं। Med-SAFE सार्वजनिक रिपोर्टिंग डेटा के साक्ष्य सीमाओं से अधिक दावा किए बिना, इस संरचना को सुरक्षा-कार्रवाईक्षमता स्क्रीनिंग के लिए व्यवस्थित करने हेतु गणितीय और कम्प्यूटेशनल उपकरण प्रदान करता है।