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

Resumo Técnico: Med-SAFE – Triagem de Ação de Segurança Pós-Mercado para Dispositivos Médicos Robóticos

Declaração do Problema
A vigilância pós-mercado de dispositivos médicos robóticos enfrenta uma lacuna metodológica crítica: os dados regulatórios públicos (especificamente os relatórios FDA MAUDE) são frequentemente analisados como contagens de eventos adversos brutos e não estratificados. Essa abordagem falha ao não considerar a recorrência desigual de identificadores de dispositivos e carece de denominadores de exposição, tornando impossível derivar taxas de incidência ou conclusões de segurança causal apenas por meio de relatórios passivos. Além disso, estudos existentes sobre a segurança da cirurgia robótica baseiam-se amplamente em análise descritiva de eventos ou focam em vias de aprovação de IA, carecendo de um arcabouço matematicamente estruturado e compacto para transformar registros amplos do lado do dispositivo em um núcleo de vigilância estrito e consciente da recorrência. O desafio é organizar relatórios heterogêneos de pós-mercado em estratos interpretáveis sem extrapolar riscos clínicos, prevalência ou segurança comparativa.

Metodologia: O Framework Med-SAFE
O artigo apresenta o Med-SAFE, um framework de triagem do lado do dispositivo, determinístico e consciente da recorrência. Ele opera como uma transformação matemática do fluxo amplo de relatórios MAUDE ($\mathcal{R}$) em um núcleo estrito de dispositivos robóticos ($\mathcal{M}$). A metodologia consiste em quatro componentes primários:

1. Inclusão Determinística e Atribuição de Grupo:

   • O framework aplica um operador de inclusão determinística $\Phi$ para filtrar o fluxo amplo, retendo apenas registros que correspondam a dicionários predefinidos para: (1) Cirurgia assistida por robô, (2) Robótica de navegação ortopédica/coluna, (3) Sistemas robóticos endoluminais e (4) Suporte procedimental habilitado por IA.
   • Uma regra de precedência atribui cada relatório retido a exatamente um grupo de dispositivo robótico mutuamente exclusivo ($G_1$ a $G_4$), evitando a dupla participação.

2. Harmonização e Representação de Dados:

   • Os nomes dos fabricantes são harmonizados ($H$) para fundir variantes (subsidiárias, pontuação, capitalização) em grupos unificados.
   • Cada relatório retido é representado como uma tupla estruturada $z_i$ contendo: grupo de dispositivo robótico, código de produto FDA, fabricante harmonizado, um vetor de completude de campos estruturados, coordenadas de recorrência e um escore de triagem.

3. Análise de Recorrência e Concentração:

   • O framework calcula massas de recorrência ($\pi_p, \mu_m$) para códigos de produto e fabricantes, representando a parcela empírica de relatórios dentro do núcleo.
   • Funcionais de concentração cumulativa ($C_P, C_M$) são definidas para quantificar como a acumulação de relatórios é distribuída entre os estratos, distinguindo entre estruturas de vigilância difusas e concentradas.

4. Funcional de Triagem Limitado:

   • Um escore de triagem $s_i$ é computado como um funcional aditivo de três componentes: especificidade do dispositivo robótico (pesando mais sistemas cirúrgicos diretos), completude do campo de recorrência (presença de código de produto e fabricante) e evidência de triagem de segurança do lado do dispositivo (presença de termos de segurança específicos como "malfunction" ou "error").
   • O escore é limitado ($1 \le s_i \le 5$) e normalizado ($0 \le \bar{s}_i \le 1$).
   • Uma ordem parcial consciente da recorrência classifica os relatórios com base no escore de triagem e em suas coordenadas de recorrência, priorizando relatórios que são simultaneamente estruturalmente fortes e parte de estratos altamente recorrentes.

Principais Contribuições
O artigo apresenta quatro contribuições específicas:

1. Representação Matemática: Introduz uma representação ao nível do relatório combinando grupos de dispositivos, códigos de produto, fabricantes harmonizados e coordenadas de recorrência, indo além das simples contagens de eventos.
2. Operadores Explícitos: Define operadores de inclusão determinística e atribuição de grupo que separam os registros robóticos específicos dos fluxos gerais de dispositivos médicos sem utilizar desfechos de pacientes ou atribuição causal.
3. Modelagem de Concentração: Formaliza as massas de recorrência de códigos de produto e fabricantes e os funcionais de concentração cumulativa, permitindo que a acumulação pós-mercado seja analisada como uma concentração de vigilância estruturada.
4. Validação Empírica: Valida o framework nos dados FDA MAUDE de 2025, demonstrando a extração de um núcleo estrito de dispositivos robóticos com campos estruturados quase completos e fortes padrões de concentração.

Resultos Empíricos
Utilizando os registros do lado do dispositivo FDA MAUDE de 2025, o Med-SAFE processou 1.064.648 registros amplos e reteve 58.487 relatórios de dispositivos médicos robóticos (5,49% do input).

• Qualidade dos Dados: A coorte retida exibiu campos estruturados quase completos: 100% de disponibilidade de código de produto, 99,998% de disponibilidade de fabricante e >99,95% de disponibilidade de nome de marca/genérico.
• Distribuição de Grupos: O núcleo foi dominado por dois grupos: Cirurgia assistida por robô (86,56%) e Robótica de navegação ortopédica/coluna (13,26%). Juntos, estes representaram 99,82% da coorte.
• Concentração de Recorrência:
  • Códigos de Produto: Os 10 principais códigos de produto representaram 99,40% dos relatórios. Um único código (NAY) representou 84,30% do núcleo.
  • Fabricantes: Após a harmonização, a Intuitive Surgical foi responsável por 86,37% dos relatórios, seguida pela Medtronic Navigation (7,12%).
• Scores de Triagem: O escore mediano de triagem foi 5,00 (média de 4,86), com 99,52% dos relatórios sinalizados como relevantes para risco do lado do dispositivo, indicando um forte enriquecimento para registros relevantes à segurança dentro do núcleo filtrado.

Significância e Alegações
O artigo posiciona o Med-SAFE como uma camada computacional interpretável e transparente para revisão pós-mercado, situada explicitamente entre a análise descritiva de MAUDE e a modelagem de risco clínico total.

• Escopo de Validade: O autor enfatiza que o Med-SAFE opera estritamente dentro dos limites dos dados de vigilância passiva. Ele não estima incidência de eventos adversos, prevalência, segurança comparativa de dispositivos ou probabilidades de falha causal, pois os denominadores de exposição não são observados.
• Valor Primário: A significância do framework reside em sua capacidade de transformar fluxos de relatórios não estruturados em um espaço de vigilância estruturado e consciente da recorrência. Ele identifica estratos concentrados (códigos de produto e fabricantes específicos) e fornece um sistema de pontuação reproduzível e limitado para priorizar a revisão estruturada.
• Conclusão: O estudo demonstra que os relatórios pós-mercado de dispositivos médicos robóticos não são listas planas de eventos, mas formam uma estrutura altamente recorrente e agrupada. O Med-SAFE fornece as ferramentas matemáticas e computacionais para organizar essa estrutura para triagem de ação de segurança sem fazer alegações que excedam os limites de evidência dos dados de relatórios públicos.