Public regulatory data infrastructure for lifecycle oversight of AI medical devices

Resumo Técnico: Infraestrutura de Dados Regulatórios Públicos para a Supervisão do Ciclo de Vida de Dispositivos Médicos de IA

Definição do Problema
A ciência regulatória para dispositivos médicos habilitados por IA mudou em direção a uma filosofia de "supervisão do ciclo de vida", reconhecendo que o software evolui pós-mercado por meio de mecanismos como os Planos de Controle de Mudanças Pré-determinados (PCCPs). No entanto, a infraestrutura pública de dados regulatórios — especificamente os registros usados por hospitais, oficiais de segurança e pesquisadores para identificar dispositivos, rastrear mudanças e vincular autorizações a sinais de segurança — não evoluiu em paralelo. Os registros atuais nas principais jurisdições (EUA, UE, China, Japão, Austrália) permanecem "orientados ao registro", projetados primariamente para confirmar a autorização de mercado legal para hardware estático. Eles carecem dos campos estruturados e consultáveis necessários para governar software de IA mutável. Consequentemente, partes interessadas externas não podem determinar de forma confiável a versão atual do software, a base de evidências para populações específicas, o histórico de mudanças algorítmicas ou o vínculo entre a autorização e eventos adversos pós-mercado. O artigo argumenta que, sem uma camada de dados públicos que suporte a "governabilidade pública", a aquisição, implantação e prestação de contas seguras para dispositivos médicos de IA estão estruturalmente comprometidas.

Metodologia
O estudo emprega uma auditoria fundamentada em fontes de ambientes de registros regulatórios públicos em cinco jurisdições: EUA (FDA), União Europeia (EUDAMED), China (NMPA), Japão (PMDA) e Austrália (TGA).

1. Derivação de Especificações: Os autores derivaram uma especificação candidata de dados públicos mínimos consistindo em cinco funções de governança e 20 requisitos estruturais. Estes não foram estabelecidos via consenso de especialistas, mas através de um procedimento transparente de "concordância de quatro âncoras de origem", vinculando cada requisito a âncoras regulatórias, de governança, clínicas/operacionais e empíricas/de problema.
   • F1 Identidade: O que é o objeto regulado? (ex: status do software, ID estável).
   • F2 Legibilidade de Versão e Mudança: O objeto mudou, e sob qual autoridade? (ex: histórico de versões, base regulatória para mudança).
   • F3 Legibilidade de Evidência: Qual foi a base para a confiança regulatória? (ex: ambiente de validação, população, métricas).
   • F4 Vinculação: Os registros pré-mercado podem conectar-se à realidade pós-mercado? (ex: vínculo com recalls/eventos adversos).
   • F5 Especificidade de IA: O registro público pode distinguir atributos de IA? (ex: classe do modelo, modalidade de dados de treinamento, proveniência).
2. Instrumento de Auditoria: Dois anotadores pontuaram independentemente 100 células (5 jurisdições × 20 requisitos) em uma escala ordinal de 0 a 3:
   • 0: Não disponível publicamente.
   • 1: Disponível publicamente apenas em formato narrativo, PDF ou texto livre.
   • 2: Campo estruturado, mas não consultável/descarregável.
   • 3: Estruturado, consultável ou descarregável.
3. Tipologia de Lacunas: Os requisitos não atendidos foram classificados em cinco tipos distintos de lacunas para determinar os instrumentos de reforma apropriados: Esquema (não existe o campo), Publicação–Acesso (dados mantidos, mas não publicados), Estruturação (públicos, mas não estruturados), Vinculação (não há identificadores estáveis) e População (campos existem, mas estão vazios/inconsistentes).
4. Testes de Estresse: Três sondagens empíricas foram conduzidas para validar as descobertas arquitetônicas:
   • Identificabilidade de IA da FDA: Testar se dispositivos de IA conhecidos podem ser recuperados dos registros primários 510(k)/PMA sem a lista curada de IA.
   • Localizabilidade de UDI da NMPA: Testar se a infraestrutura de UDI em massa da China expõe o status de IA como campos estruturados.
   • Linhagem de Família de Produtos da FDA: Testar se existem links estruturados de predecessor/sucessor para famílias de produtos de múltiplas submissões no openFDA.
5. Confiabilidade: A concordância inter-anotador foi avaliada (κ de Cohen pré-adjudicação = 0,724 para disponibilidade), com discrepâncias resolvidas via adjudicação documentada. Análises de sensibilidade foram executadas usando uma especificação de "núcleo conservador" de 12 itens e subconjuntos de alta confiança.

Principais Resultados
A auditoria revela um descompasso estrutural entre a filosofia regulatória e a infraestrutura de dados públicos.

• Déficit Geral: Apenas 6% (6 de 100) das células atingiram o limiar de disponibilidade estruturada e consultável (Pontuação 3). 94% das células ficaram abaixo deste limiar.
• Concentração Funcional: Os déficits não estão distribuídos uniformemente, mas concentram-se fortemente em F2 (Versão e Mudança), F3 (Legibilidade de Evidência) e, mais severamente, F5 (Especificidade de IA).
  • F5 (Especificidade de IA): Nenhuma jurisdição expôs classe de modelo/método, modalidade de dados de treinamento ou proveniência de dados como campos estruturados nos registros públicos primários. Todas as células F5b–d pontuaram 0 ou 1.
  • F2 (Mudança): Mesmo os EUA, que possuem o framework de PCCP mais avançado, expõem o histórico de versão e mudança apenas em formas narrativas ou inferenciais, não como campos estruturados.
• Nuance Jurisdicional: Os EUA (FDA) estão mais próximos da exposição estruturada, particularmente em F1 (Identidade) e F5a (categoria de tarefa de IA via lista suplementar), mas ainda falham em expor versões atuais de software ou linhagem estruturada de família de produtos. A UE (EUDAMED) e a China (NMPA) apresentam lacunas significativas em evidência estruturada e metadados de IA.
• Resultados da Tipologia de Lacunas: Dos 94 campos não atendidos, 41 eram lacunas de estruturação (os dados existem, mas não são estruturados), 28 eram lacunas de esquema (o campo não existe) e apenas 17 eram lacunas de publicação–acesso (os dados são mantidos, mas não publicados). Isso indica que simplesmente "publicar mais" é insuficiente; os reguladores devem também estruturar as divulgações narrativas existentes e criar novos campos de dados.
• Resultados dos Testes de Estresse:
  • FDA: Apenas 2,5% dos dispositivos de IA conhecidos na lista da FDA puderam ser identificados via termos de IA restritos nos campos primários 510(k); 50,4% não apresentavam nenhum sinal de IA.
  • China: O conjunto de dados UDI em massa é descarregável, mas é "cego para IA"; o status de IA deve ser inferido via correspondência de palavras-chave em texto livre, o que é pouco confiável.
  • Linhagem: Zero dos 70 registros de família de produtos de IA amostrados no openFDA expuseram um campo estruturado de predecessor/predicado; a linhagem é visível apenas via PDFs narrativos ou agrupamento de solicitantes.

Principais Contribuições

1. Framework de Governabilidade Pública: O artigo desloca o alvo do design de "transparência" (tornar a informação visível) para "governabilidade pública" (tornar a informação utilizável para tarefas específicas de governança, como aquisição, monitoramento e prestação de contas).
2. Especificação Auditável: Fornece uma especificação de requisitos estruturais de 20 itens (com um núcleo conservador de 12 itens) que define o que um ambiente de registro regulatório público deve conter para suportar a supervisão do ciclo de vida.
3. Tipologia de Lacunas de Cinco Vias: Refina a compreensão das deficiências de dados ao distinguir entre lacunas de esquema, publicação–acesso, estruturação, vinculação e população. Esta distinção é crítica porque cada tipo de lacuna requer um instrumento de política diferente (ex: novos dados coletados vs. reestruturação de PDFs existentes vs. mandatos de transparência).
4. Extensão Candidata de Dados Públicos Mínimos: Os autores propõem um conjunto concreto de 20 campos estruturados (Tabela 7) que poderiam ser adicionados aos registros de registro existentes. Esses campos focam em metadados de resumo categórico (ex: classe do modelo, status de atualização, população de validação) em vez de dados brutos ou segredos comerciais, tornando-os implementáveis sem comprometer a confidencialidade.

Significância e Alegações
O artigo alega que sua principal contribuição não é a observação de que os registros atuais são incompletos (um problema reconhecido), mas a conversão desse problema em uma especificação de dados públicos reprodutível e auditável.

• Alegações Modestas: Os autores declaram explicitamente que não alegam que a especificação representa um consenso de especialistas ou que foi validada externamente. Em vez disso, afirmam que a derivação é transparente (via matriz de rastreabilidade) e que os achados são estáveis sob restrições de sensibilidade conservadoras.
• Descompasso Estrutural: A descoberta central é que os registros públicos são organizados em torno da "visibilidade de autorização de mercado" e não da "governabilidade do ciclo de vida". Eles podem confirmar que um dispositivo entrou no mercado, mas não podem apoiar sua governança uma vez lá.
• Implicações de Política: O estudo argumenta que a reforma não pode ser um mandato de transparência de tamanho único. Como a maioria das lacunas são de "estruturação" ou "esquema" e não de "publicação–acesso", uma reforma eficaz exige a criação de novos campos estruturados e a conversão de divulgações narrativas em dados consultáveis, em vez de simplesmente liberar documentos existentes.
• Especificidade de IA: O artigo destaca que a falta de metadados específicos de IA (F5) é um déficit de tipo, não apenas de grau. Sem campos estruturados para classe de modelo e proveniência de dados de treinamento, os registros públicos não podem apoiar tarefas essenciais como avaliar o desvio de distribuição, portabilidade ou equidade.

Em resumo, o artigo fornece um framework de diagnóstico e um roteiro concreto para transformar os registros regulatórios públicos de listas de aprovação estáticas em infraestruturas dinâmicas capazes de apoiar a governança do ciclo de vida de dispositivos médicos de IA.