1 Ausgangslage und Methodik
2 Überblick zur Künstlichen Intelligenz in der Medizin
2.1 Künstliche Intelligenz im medizinischen Alltag
2.2 Rechtslage in der EU und der Schweiz
3 Schweizer Medizinprodukteverordnung und Medical Device Regulation
4 Studie zum Einsatz von Künstlicher Intelligenz in allgemeinen Schweizer Spitälern
5 Phasenmodell als Orientierung für ML-basierte Medizinprodukte
-
Phase 1 – Generelle Anforderungen: Diese beginnt mit der Klärung, welche KI-Ansätze und Methoden zum Einsatz kommen. Abhängig davon kann der Prüfungsprozess variieren und die notwendigen Rollen und Kompetenzen sollten im zu definierenden Dokumentationssystem beschrieben werden.
-
Phase 2 – Produktentwicklungsphase: Die Kernphase des eigentlichen Entwurfs und der Entwicklung eines Medizinproduktes hat die Schwerpunkte auf der klaren Darstellung der Zweckbestimmung und damit der MDR-Klassifikation, dem Risikomanagement und dem Softwareentwicklungslebenszyklus. Hierbei soll ein Punkt speziell betrachtet werden: „SOUP & OTS Spezifizierung & Validierung“ (Reinsch 2023a). Dabei geht es um sogenannte Software of Unknown Provenance (SOUP) und Off-the-Shelf Software (OTS). Dies sind grob gesagt Softwarekomponenten, welche meist von Dritten stammen und nicht spezifisch für die Verwendung im entsprechenden Medizinprodukt entwickelt wurden. Hervorgehoben ist hier der ML-Teil (2a & 2b), welcher nachfolgend noch etwas genauer betrachtet wird.
-
Phase 3 – Post-Entwicklungsphase: Nach der Entwicklung und technischen Freigabe des Produktes erfolgt die Inverkehrbringung, welche Produktmanagement, Benutzungsanleitungen, Definition der Verbreitung und technische Installation beinhaltet. Zusätzlich schreiben die Regulatorien hier vor, regelmäßig eine Post-Market Surveillance durchzuführen, um die Lösung immer auf den letzten Stand der Vorschriften zu halten und notwendige Korrektur- und Vorbeugemaßnahmen zu gewährleisten (Seeck 2022).
-
Phase 2a ML-Datenmanagement: Ein wesentlicher Teil der Dokumentation und der Notwendigkeit für Transparenz und Nachvollziehbarkeit sind die verwendeten Nutzdaten. Generell wird auch immer klar unterschieden zwischen Training‑, Test- und Validierungsdaten, welche verschiedene Anforderungen erfüllen müssen. Der Prozess, die Art und die Anzahl, die Selektion und die Abgrenzung der Daten müssen aufgezeigt und auf ihre Korrektheit, Konsistenz und Integrität hin beschrieben werden. Beim überwachten Lernen (engl. supervised learning) kommt noch das notwendige Labeling der Daten hinzu, inkl. der Argumentation, ob dieses sich auf den medizinischen Zweck ausrichtet und die Korrektheit des Labelings gewährleistet werden kann. Ein weiterer wesentlicher Punkt ist das (Pre‑) Processing der Daten und nachvollziehbare und beschriebene Prozessschritte für deren Beschaffung und Aufbereitung.
-
Phase 2b ML-Modellentwicklung: Die Modellentwicklung beginnt mit Vorbereitungsarbeiten wie Festlegung von Trainingsfeatures und der Aufteilung der Trainings‑, Test- und Validierungsdaten. Beim Training selbst geht es um Qualitätsmetriken bezgl. Zweckbestimmung und Optimierung des Modells, aber auch um den Nachweis, dass einfachere und eventuell nicht ML-basierte Vorgehensweisen für die konkreten Qualitätskriterien und medizinischen Zweck schlechter geeignet sind. Bei den Aspekten Evaluierung und Modellverbesserung soll nachgewiesen werden, dass die notwendige Sorgfaltspflicht bei der Prüfung und Optimierung des Modells getätigt wurde. Unter dem Aspekt Modelldokumentation soll dargelegt werden, wie die Kontrolle der Datenhaltung, die Reproduzierbarkeit der Test- und Validierungsergebnisse, die Versionskontrolle der Software- und Modellarchitektur, etc. garantiert werden.