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

기술 요약: Med-SAFE – 로봇 의료기기에 대한 사후 시장 안전성-실행 가능성 스크리닝

문제 정의
로봇 의료기기의 사후 시장 감시(Postmarket surveillance)는 중대한 방법론적 격면에 직면해 있다. 공공 규제 데이터(특히 FDA MAUDE 보고서)는 종종 가공되지 않은, 계층화되지 않은 이상 사례 횟수로 분석된다. 이러한 접근 방식은 기기 식별자의 불균등한 재발을 고려하지 못하며 노출 분모(exposure denominators)가 결여되어 있어, 수동적 보고만으로는 발생률이나 인과적 안전 결론을 도출하는 것이 불가능하다. 또한, 로봇 수술 안전성에 관한 기존 연구들은 주로 기술적 이벤트 분석에 의존하거나 AI 승인 경로에 집중되어 있으며, 광범위한 기기 측 기록을 엄격하고 재발을 고려한 감시 핵심(surveillance core)으로 변환할 수 있는 압축적이고 수학적으로 구조화된 프레임워크를 갖추고 있지 않다. 과제는 이질적인 사후 시장 보고를 임상적 위험이나 유병률, 또는 비교 안전성을 과장하지 않으면서 해석 가능한 층위(strata)로 조직하는 것이다.

방법론: Med-SAFE 프레임워크
본 논문은 Med-SAFE라는 결정론적이고 재발을 고려한 기기 측 스크리닝 프레임워크를 소개한다. 이는 광범위한 MAUDE 보고 스트림($\mathcal{R}$)을 엄격한 로봇 기기 핵심($\mathcal{M}$)으로 변환하는 수학적 변환 과정으로 작동한다. 이 방법론은 네 가지 주요 구성 요소로 이루어진다:

1. 결정론적 포함 및 그룹 할당:

   • 프레임워크는 결정론적 포함 연산자 $\Phi$를 적용하여 다음 항목에 대한 사전 정의된 딕셔너리와 일치하는 기록만을 유지한다: (1) 로봇 보조 수술, (2) 정형외과/척추 내비게이션 로봇, (3) 내강(endoluminal) 로봇 시스템, (4) AI 기반 절차 지원.
   • 우선순위 규칙을 적용하여 유지된 각 보고서를 단 하나의 상호 배타적인 로봇 기기 그룹($G_1$ ~ $G_4$)에 할당함으로써 중복 멤버십을 방지한다.

2. 데이터 조화 및 표현:

   • 제조사 명칭은 변체(자회사, 문장 부호, 대소문자 등)를 통합된 그룹으로 병합하기 위해 조화화($H$) 과정을 거친다.
   • 유지된 각 보고서는 로봇 기기 그룹, FDA 제품 코드, 조화된 제조사, 구조화된 필드 완결성 벡터, 재발 좌표, 그리고 스크리닝 점수를 포함하는 구조화된 튜플 $z_i$로 표현된다.

3. 재발 및 집중도 분석:

   • 프레임워크는 제품 코드와 제조사에 대한 재발 질량(recurrence masses, $\pi_p, \mu_m$)을 계산하며, 이는 핵심 내에서의 보고서 비율을 나타낸다.
   • 보고서 축적이 층위 전반에 어떻게 분포되는지 구별하기 위해 누적 집중 함수(cumulative concentration functionals, $C_P, C_M$)를 정의하여, 확산된 형태와 집중된 형태의 감시 구조를 구분한다.

4. 경계가 있는 스크리닝 함수:

   • 스크리닝 점수 $s_i$는 세 가지 구성 요소의 가법 함수로서 계산된다: 로봇 기기 특이성(직접적인 수술 시스템에 더 높은 가중치 부여), 재발 필드 완결성(제품 코드 및 제조사 존재 여부), 그리고 기기 측 안전성 스크리닝 증거(오작동 또는 오류와 같은 특정 안전 용어의 존재 여부).
   • 점수는 경계가 설정되어 있으며($1 \le s_i \le 5$), 정규화된다($0 \le \bar{s}_i \le 1$).
   • 재발을 고려한 부분 순서(recurrence-aware partial order)는 스크리닝 점수와 재발 좌표를 기준으로 보고서를 순위 매겨, 구조적으로 강력하면서도 고빈도 재발 층위에 속하는 보고서의 우선순위를 정한다.

주요 기여
본 논문은 네 가지 구체적인 기여를 한다:

1. 수학적 표현: 단순한 이벤트 횟수를 넘어 기기 그룹, 제품 코드, 조화된 제조사 및 재발 좌표를 결합한 보고서 수준의 표현법을 도입한다.
2. 명시적 연산자: 환자 결과나 인과적 귀속을 사용하지 않고 일반 의료기기 스트림에서 로봇 특화 기록을 분리하는 결정론적 포함 및 그룹 할당 연산자를 정의한다.
3. 집중도 모델링: 제품 코드 및 제조사 재발 질량을 공식화하여, 사후 시장 축적이 구조화된 감시 집중도로 분석될 수 있도록 한다.
4. 경험적 검증: 2025년 FDA MAUDE 데이터를 통해 프레임워크를 검증하였으며, 구조화된 필드가 거의 완전하고 강한 집중 패턴을 보이는 엄격한 로봇 의료기기 핵심을 추출함을 입증하였다.

경험적 결과
2025년 FDA MAUDE 기기 측 기록을 사용하여, Med-SAFE는 1,064,648개의 광범위한 기록을 처리하여 58,487개의 로봇 의료기기 보고서를 유지하였다 (입력값의 5.49%).

• 데이터 품질: 유지된 코호트는 거의 완전한 구조화된 필드를 나타냈다: 제품 코드 가용성 100%, 제조사 가용성 99.998%, 브랜드/제네릭 명칭 가용성 >99.95%.
• 그룹 분포: 핵심 코호트는 두 그룹에 의해 지배되었다: 로봇 보조 수술(86.56%) 및 정형외과/척추 내비게이션 로봇(13.26%). 이 두 그룹이 전체의 99.82%를 차지했다.
• 재발 집중도:
  • 제품 코드: 상위 10개 제품 코드가 보고서의 99.40%를 차지했다. 단일 코드(NAY)가 핵심의 84.30%를 나타냈다.
  • 제조사: 조화화 이후, Intuitive Surgical이 보고서의 86.37%를 차지했으며, Medtronic Navigation이 7.12%로 그 뒤를 이었다.
• 스크리닝 점수: 중앙값 스크리닝 점수는 5.00(평균 4.86)이었으며, 99.52%의 보고서가 기기 측 위험 관련성이 있는 것으로 분류되어, 필터링된 핵심 내에서 안전 관련 기록의 농축이 강력함을 보여주었다.

의의 및 주장
본 논문은 Med-SAFE를 기술적 MAUDE 분석과 완전한 임상적 위험 모델링 사이에 위치한 해석 가능하고 투명한 계산 계층으로 규정한다.

• 유효 범위: 저자는 Med-SAFE가 수동적 감시 데이터의 한계 내에서 엄격히 작동함을 강조한다. 본 프레-워크는 노출 분모가 관찰되지 않으므로 이상 사례 발생률, 유병률, 기기 간 비교 안전성 또는 인과적 실패 확률을 추정하지 않는다.
• 주된 가치: 프레임워크의 의의는 비구조화된 보고 스트림을 구조화되고 재발을 고려한 감시 공간으로 변환하는 능력에 있다. 이는 집중된 층위(특정 제품 코드 및 제조사)를 식별하고, 구조화된 검토를 우선순위화하기 위한 재현 가능하고 경계가 있는 점수 체계를 제공한다.
• 결론: 본 연구는 로봇 의료기기의 사후 시장 보고가 평면적인 이벤트 목록이 아니라 클러스터링된 고빈도 재발 구조를 형성하고 있음을 보여준다. Med-SAFE는 공적 보고 데이터의 증거적 경계를 넘어서는 주장을 하지 않으면서도, 이러한 구조를 정리하여 안전성-실행 가능성 스크리닝을 수행할 수 있는 수학적 및 계산적 도구를 제공한다.