Изкуственият интелект в областта на женското здраве: предизвикателствата, свързани с регулаторната рамка, данните и алгоритмите

Изкуственият интелект в областта на женското здраве е един от най-бързо развиващите се сегменти в инвестициите в цифровото здравеопазване. Той е и един от най-сложните от техническа и регулаторна гледна точка — като по-голямата част от тази сложност остава незабелязана в обществения дебат.

Секторът FemTech привлече около 1–1,5 млрд. долара в обявени инвестиции през 2024 г., в зависимост от това как се дефинира категорията. Основателите разработват диагностични инструменти, задвижвани от изкуствен интелект, за плодовитост, менструално здраве, хормонални състояния, бременност, здраве на шийката на матката и сексуално здраве. Регулаторните органи все още се опитват да наваксат. Стандартите за клинична валидация се развиват. А уникалните предизвикателства, свързани с данните за женската физиология – циклични колебания, хормонална сложност, историческото недопредставяне на жените в клиничните бази данни – създават алгоритмични рискове, които общите насоки за изкуствен интелект не разглеждат.

Тази статия е написана за основателите и техническите директори, които разработват в тази сфера. Не е за инвеститори, които оценяват сектора. За хората, които трябва да решават реалните проблеми.

Допълнение към останалата част от поредицата ни за изкуствен интелект в здравеопазването: класификацията SaMD, която помага да се определи дали даден продукт е регулирано медицинско изделие; инженерните аспекти на изкуствения интелект с клинично ниво какво всъщност изискват качеството на етикетирането, калибрирането и валидирането в няколко центъра; шестмесечен план за последователността на регулаторната програма; както и бизнес обосновката за клиничния изкуствен интелект, която предоставя стратегическа рамка за техническата работа. Много от принципите в тези статии се отнасят пряко към изкуствения интелект в областта на женското здраве; тази статия разглежда специфичните аспекти.

Проблемът с данните е по-сериозен, отколкото в повечето случаи при изкуствения интелект в здравеопазването

Всяко приложение за изкуствен интелект в здравеопазването се сблъсква с предизвикателства, свързани с данните. Приложенията за изкуствен интелект в областта на женското здраве се сблъскват с конкретен набор от такива предизвикателства, чиито взаимодействия е важно да се разберат ясно, преди да се проектира процеса на обучение.

Историческа недостатъчна представителност в клиничните данни. 

До 90-те години на миналия век жените редовно бяха изключвани от клиничните изпитвания в САЩ — като се аргументираше, че хормоналните колебания и евентуалната бременност затрудняват интерпретирането на резултатите от изпитванията. Законът за съживяване на NIH от 1993 г. наложи включването им в изследванията, финансирани от NIH. Насоките на ЕС относно съображенията, свързани с пола и пола в клиничните изследвания, се появиха значително по-късно (доклади за размисъл на EMA от 2005 г. нататък), а наследството и в двете юрисдикции е клинична литература, в която голяма част от фундаменталните изследвания са проведени върху мъже. Моделите на изкуствен интелект, обучени въз основа на тази литература или на извлечени от нея набори от данни, пренасят тези предубеждения напред.

За компания за ИИ в областта на женското здраве, която разработва диагностичен алгоритъм, това означава, че вашите данни за обучение може да не отразяват адекватно популацията, за която го създавате, дори ако използвате утвърдени клинични набори от данни. Разликата е най-изразена в сърдечно-съдовата диагностика (проявите на миокарден инфаркт при жените се различават значително от тези при мъжете, а историческите набори от данни за ЕКГ са изкривени в полза на мъжете), психиатричната диагностика (много диагностични критерии са разработени въз основа на мъжки популации) и оценката на болката (болката при жените систематично се лекува недостатъчно и се отразява недостатъчно в клиничните записки).

Цикличните колебания превръщат „базовото ниво“ в подвижна цел. Много физиологични показатели при жените варират значително през менструалния цикъл — нивата на хормоните, вариабилността на сърдечната честота, температурата, структурата на съня, чувствителността към болка, възпалителните маркери. Алгоритъм, който не отчита фазата на цикъла при интерпретирането на тези сигнали, ще дава резултати, които в най-добрия случай са неточни, а в най-лошия — систематично пристрастни.

Това не е тривиален инженерен проблем. Повечето платформи за здравни устройства за носене не събират данни за менструалния цикъл като първостепенна променлива. Повечето клинични набори от данни изобщо не ги включват. Ако разработвате диагностика за непрекъснато наблюдение, трябва или да събирате тези данни, да ги моделирате като латентна променлива, или изрично да ограничите предвиденото им използване до контексти, в които фазата на цикъла е контролирана или е без значение.

Малки масиви от данни в условия на недостатъчно обслужване. Заболяванията с най-лоши клинични резултати при жените — ендометриоза, синдром на поликистозните яйчници (PCOS), нарушения на тазовото дъно, предменструално дисфорично разстройство — са и тези, за които има най-малко и най-фрагментирани клинични масиви от данни. Ендометриозата засяга около 10 % от жените в репродуктивна възраст по целия свят, води до средно 7–10-годишно забавяне на диагностицирането и разполага с много ограничени стандартизирани клинични масиви от данни за образна диагностика или биомаркери, подходящи за обучение на машини за машинно обучение. Изграждането на диагностична ИИ в този случай изисква креативна стратегия за данни: данни, генерирани от пациенти, носими сензори, споразумения за споделяне на данни между различни центрове или допълване със синтетични данни. Синтетичните данни се приемат все по-добре от регулаторните органи, когато са правилно характеризирани, но те не заместват реалните клинични доказателства във вашия валидационен набор.

Качеството на етикетите и проблемът с „измиването“ на отклоненията. Наблюдаемото обучение е ограничено от качеството на референтните данни. В областта на женското здраве това е особено остър проблем: когато етикетите за обучение произхождат от клинични записки, които систематично подценяват оплакванията на жените за болка или приписват симптомите на психологически причини, вместо да проучват органичната патология, вашите „референтни данни“ всъщност пренасят историческите предубеждения в модела ви. Консенсусът между множество оценители относно етикетите за обучение и проверените тестови набори, при които реалните данни са клинично потвърдени (последваща патология, данни за резултатите, потвърждение чрез биомаркери), са съществени мерки за смекчаване на риска специално за ИИ в областта на здравето на жените — и трябва да бъдат документирани в заявлението за регулаторно одобрение.

Пол, социален пол и инклузивен дизайн. „Женското здраве“ като регулаторна категория започва да изисква изрично уточнение за кого точно е валидиран даден продукт. Устройство, валидирано за цисгендерни жени, може да функционира по подходящ начин, а може и да не функционира по подходящ начин при транс мъже на терапия с тестостерон, небинарни лица, интерсексуални лица или жени в постменопауза. Декларацията за предназначението трябва да бъде точна по отношение на това дали валидирането е по пол, определен при раждането, по хормонален профил, по самоидентифициран пол или по някаква комбинация от тях — а клиничната оценка трябва да отразява съответното представяне. Неясните твърдения „за жени“ все по-често се срещат като констатации при одити, а не като маркетингова позиция.

Регулаторната обстановка: четири сблъскващи се регулаторни рамки

Изкуственият интелект в областта на женското здраве се намира на пресечната точка на множество регулаторни рамки, а взаимодействието между тях не винаги е ясно очертано.

Регламент на ЕС за медицинските изделия (MDR) / Регламент за изделията за ин витро диагностика (IVDR) Всеки алгоритъм, който служи за основа на клинично решение относно конкретен пациент — оценка на плодовитостта, прогнозиране на риска от HPV, интерпретация на резултати от скрининг на шийката на матката — потенциално подлежи на регулиране като медицинско изделие съгласно Регламента за медицинските изделия (MDR) на ЕС или като изделие за ин витро диагностика съгласно Регламента за изделията за ин витро диагностика (IVDR) на ЕС. По-специално IVDR е бил значителен източник на регулаторна несигурност за компаниите в областта на цифровото здравеопазване. Преходните периоди бяха удължени многократно след първоначалния краен срок през 2022 г.; за повечето класове IVD пълното съответствие с IVDR сега се въвежда поетапно през 2027–2028 г., като устройствата от клас D са изправени пред по-ранни крайни срокове. Устройствата, които навлизат на пазара, сега се нуждаят от ясен път към съответствие, въпреки променящите се крайни срокове. (За софтуера за маршрутизиране между MDR и IVDR — което изненадва много основатели на компании в областта на женското здраве — вижте нашата статия за класификацията на SaMD.)

Работата, която извършихме с Daye — създаването на алгоритъм за прогнозиране на самоизчистването на HPV въз основа на данни за вагиналния микробиом — се намира точно на това пресечно място. Алгоритъмът подпомага вземането на клинично решение (дали инфекцията с HPV при пациента има вероятност да отшуми без намеса) и работи с данни от ин витро диагностика (анализ на микробиома от комплект за самовземане на проби). Правилното определяне на регулаторната класификация означаваше да третираме продукта като подлежащ на IVDR от първия ден и да проектираме пакета с клинични доказателства в съответствие с изискванията за оценка на ефективността на IVDR, а не с изискванията за клинична оценка на MDR. Най-скъпият урок от тази програма: пътят за оценка на съответствието по IVDR има различна структура на доказателствата (аналитична ефективност, клинична ефективност, научна валидност) в сравнение с клиничната оценка по MDR, а преминаването от една към друга в средата на програмата е изключително трудно.

Законът на ЕС за изкуствения интелект, отнасящ се до системи с изкуствен интелект с висока степен на риск. Съгласно Закона за изкуствения интелект (AI Act) изкуственият интелект, свързан със здравето на жените, който се регулира като медицинско изделие от клас IIa или по-висок съгласно MDR/IVDR, автоматично се класифицира като високорисков (по процедурата от Приложение I). Това е действащият механизъм — а не отделните категории от Приложение III към Закона за изкуствения интелект, отнасящи се до биометрични или общи здравни приложения, които се използват за изкуствен интелект, който не е свързан с медицински изделия. Класификацията като високорискова предизвиква изисквания за оценка на съответствието, управление на данните за обучение, прозрачност към внедрителите, човешки надзор и специфично за ИИ наблюдение след пускане на пазара, прилагани успоредно с (а не вместо) изискванията на MDR/IVDR.

Интеграцията все още е в процес на разработване. MDCG, Европейската служба за изкуствен интелект и нотифицираните органи се съгласуват по отношение на практическата интеграция на оценката на съответствието. Практическото значение за основателите: изгответе техническата си документация така, че да отговаря на двете рамки от самото начало. Допълнителното привеждане в съответствие с AI Act на технически файл, който отговаря на MDR/IVDR, е възможно, но е трудно, а разпоредбите за висок риск от август 2026 г. вече са в сила.

NHS DTAC за пазара на Обединеното кралство. Критериите за оценка на цифровите технологии (DTAC) представляват рамката на Националната здравна служба (NHS) за оценка на цифровите технологии в областта на здравеопазването, преди те да бъдат внедрени в услугите на NHS. DTAC обхващат клиничната безопасност, защитата на данните, техническата сигурност, оперативната съвместимост и удобството на ползване. За компаниите, работещи в областта на женското здраве, които търсят партньорства с NHS — често най-бързият път към навлизане на пазара в Обединеното кралство и достъп до клинични данни — съответствието с DTAC е де факто изискване за достъп.

DTAC не представлява регулаторно одобрение, а е критерий за подбор при възлагане на обществени поръчки. Тръстовете на Националната здравна служба (NHS) го използват за подбор на доставчици. Стандартът за клинична безопасност, към който се позовава (DCB0129), изисква назначаването на отговорник по клиничната безопасност и изготвянето на документирана оценка на клиничната безопасност. При диагностиката с изкуствен интелект оценката на клиничната безопасност трябва да разглежда как се осигурява клиничният надзор, какво се случва, когато алгоритъмът даде неясен резултат, и как се докладват и разследват нежеланите събития.

Процедура на FDA за достъп до пазара в САЩ. Повечето компании, занимаващи се с изкуствен интелект в областта на женското здраве, които се стремят към мащабно развитие, се нуждаят от стратегия за САЩ, успоредно с тази за Европа. Процедурата на FDA за SaMD обикновено е 510(k) (ако съществува съществено еквивалентно референтно устройство) или De Novo (ако няма такова — пътят, по който Natural Cycles пое за своя алгоритъм за контрацепция през 2018 г.). Изискванията на FDA за доказателства се различават от тези на IVDR/MDR на ЕС, но основните клинични данни често подкрепят и двете заявления, ако са планирани заедно от самото начало. Рамката на Предварително определен план за контрол на промените (PCCP), формализирана от FDA през декември 2024 г., е особено подходяща за ИИ в областта на женското здраве, където моделите често се подобряват значително с натрупването на данни след пускането на пазара. (Шестмесечният план обхваща последователността на регулаторните програми в двете юрисдикции.)

Алгоритмична пристрастност в областта на здравето на жените: въпросите, които ще зададат регулаторните органи

Алгоритмичната пристрастност в изкуствения интелект в здравеопазването е обширна тема. В областта на женското здраве съществуват конкретни модели на пристрастност, за които регулаторните органи все по-често задават въпроси и които трябва да бъдат разгледани във вашата техническа документация.

Разлики в резултатите между различните демографски групи. Алгоритъмът ви работи ли еднакво добре при различните възрастови групи? При различните етнически групи? При различните диапазони на ИТМ? При различния хормонален статус (преди менопауза, в перименопауза, след менопауза)? Здравословните състояния при жените често се проявяват по различен начин в различните демографски групи — например, симптомите на ендометриозата се описват по различен начин в различните расови групи, отчасти поради тенденцията към подценяване на болката в клиничните досиета. Ако вашите обучителни данни отразяват тези тенденции, същото ще важи и за вашия алгоритъм.

Регламентът за медицинските изделия (MDR) на ЕС, Регламентът за изделията за ин витро диагностика (IVDR) и Законът за изкуствения интелект (AI Act) изискват известните пристрастия в обучителните данни да бъдат идентифицирани и смекчени. Смекчаването може да бъде свързано със събирането на данни (придобиване на по-представителни обучителни данни), техническо (техники за коригиране на пристрастията по време на обучението) или оперативно (ограничаване на предназначението на алгоритъма до популации, при които ефективността е била валидирана). MDCG 2020-1 относно клиничната оценка на софтуера за медицински изделия е съответното ръководство за документиране на анализа на подгрупи в досието за клинична оценка.

Отклонение от реалността в етикетираните данни. Това е по-дълбокият проблем, свързан с пристрастността. В областта на женското здраве „основата“ често се състои от анотациите на клинични експерти — а тези анотации наследяват пристрастностите на клиничната практика, включително документираната тенденция да се подценяват оплакванията на жените за болка и да се приписват симптомите на психологически причини, вместо да се изследва органичната патология.

Ако вашите обучителни етикети са създадени от клиницисти въз основа на клинични записки, а тези записки отразяват системно недостатъчно лечение на симптомите при жените, вашата референтна истина е пристрастна. Алгоритъмът ще се научи да възпроизвежда тази пристрастност. Проверката на процеса на етикетиране и на лицата, които извършват етикетирането — включително отчитането на надеждността между оценителите и демографския профил на оценителите — все повече се превръща в задължителен, а не в незадължителен компонент на регулаторните заявления.

Качество на данните за пола и социалния пол. За да се намали пристрастността, е необходимо вашият набор от данни действително да прави разграничение между пола, определен при раждането, настоящия хормонален профил и самоопределения пол, когато те се различават. Много клинични набори от данни обединяват тези елементи в едно-единствено поле „пол“, което може да се окаже ненадеждно за приложенията на изкуствения интелект в областта на женското здраве. Документирането на начина, по който вашият набор от данни третира това разграничение — и как моделът обработва входните данни, при които това разграничение е от значение — се превръща в конкретен въпрос, задаван от нотифицираните органи.

Комуникация при несигурност. Диагностиката в областта на женското здраве често се занимава с области, характеризиращи се с истинска клинична несигурност — прогнозиране на хода на HPV инфекция, оценка на вероятността за забременяване, прогнозиране на риска от преждевременно раждане. Алгоритмите, които дават резултати, звучащи убедително в области с висока степен на несигурност, са опасни. Регулаторните органи очакват да видят как вашият алгоритъм съобщава несигурността на лекарите и пациентите (когато алгоритъмът има компонент, насочен към пациента), какво се случва, когато увереността е под прага, и как вашите инструкции за употреба (IFU) насочват потребителите как да се справят с несигурни резултати. Анализът на калибрирането на увереността върху вашия валидационен набор трябва да бъде част от досието за клинична оценка.

Проблемът с клиничното партньорство в областта на женското здраве

За да се съберат клинични данни за изкуствения интелект в областта на женското здраве, са необходими партньорства с клинични институции. За да се установят такива партньорства, трябва да се ориентираме в институционалната динамика, която се различава от тази в другите категории на изкуствения интелект в здравеопазването.

Член 9 от Общия регламент за защита на данните (GDPR) и данните за репродуктивното здраве. Данните за репродуктивното здраве са сред най-чувствителните категории лични данни съгласно Общия регламент за защита на данните (GDPR). Данните за менструалния цикъл, репродуктивния статус, бременността, сексуалната активност или хормоналния статус попадат в обхвата на разпоредбите на член 9 относно „специалните категории“ данни, което налага изискването за изрично съгласие (а не само за избор за включване), оценки на въздействието върху защитата на данните, внимателно ограничаване на данните до минимум, както и конкретни правни основания, които надхвърлят легитимния интерес. Трансграничните преноси (които са често срещани при обучителни процеси, хоствани в облака) създават допълнителна сложност.

По-конкретно, споразуменията за обмен на данни в рамките на NHS съдържат специфични изисквания по отношение на данните за репродуктивното здраве, които могат значително да удължат срока за сключване на договора — реалистичен срок е от шест до дванадесет месеца, а не трите месеца, които основателят би могъл да предвиди в бюджета си за едно обикновено партньорство за обмен на данни.

HIPAA, САЩ след делото „Добс“ и ограниченията за данните на щатско равнище. Защитата на данните в САЩ в областта на изкуствения интелект за женското здраве е по-фрагментирана, отколкото очакват основателите. HIPAA обхваща здравните данни, съхранявани от субектите, попадащи в обхвата на закона (доставчици, застрахователи, бизнес партньори), но не обхваща пряко повечето FemTech приложения, насочени към потребителите. След делото „Добс“ множество щати в САЩ въведоха ограничения върху използването, споделянето и трансфера извън щата на данни за репродуктивното здраве (законът „My Health My Data“ във Вашингтон, поправките към CMIA в Калифорния и др.). За ИИ в областта на женското здраве, предназначен за САЩ, тежестта на управлението на данните често надвишава тежестта на документацията за медицинските изделия — и само спазването на HIPAA не е достатъчно.

Компания за изкуствен интелект в областта на женското здраве, която развива дейност в цялата територия на САЩ, се нуждае от интегриран проект за управление на данните, който да отговаря едновременно на изискванията на HIPAA (където това е приложимо), на приложимите щатски закони за данните в областта на репродуктивното здраве и на всички изисквания, наложени от FDA. Това не е проблем от етап „Серия Б“; то определя архитектурата на данните още от самото начало.

Ползватели в юношеска възраст и родителско съгласие. Изкуственият интелект в областта на менструалното здраве и плодовитостта често се ползва с голяма популярност сред тийнейджърите. Съгласно GDPR, възрастта за даване на съгласие от деца за услугите на информационното общество по подразбиране е 16 години, като в някои държави-членки тя може да бъде намалена до 13 години. Съгласно американското законодателство, COPPA (за лица под 13 години) се прилага за общи потребителски приложения, като има допълнителни различия между отделните щати. Проектирането на процеса на даване на съгласие, минимизирането на данните и разпоредбите за родителски достъп за тийнейджъри трябва да бъдат изрично посочени във вашия проект за управление на данните — а не да се добавят впоследствие, когато това бъде поискано при одит.

Срокове за одобрение от Етичната комисия. Изследванията в областта на женското здраве често изискват особено внимателна етична оценка — предвид историческата експлоатация на жените в клиничните изследвания и деликатността на съответните данни. Одобрението от етична комисия (IRB в САЩ, Research Ethics Committee във Великобритания, съответните национални органи в държавите-членки на ЕС) за проучване за събиране на клинични данни в тази област трябва да се планира за период от шест до дванадесет месеца, а не за три. Изготвянето на протокол за проучването, който отговаря на етичните изисквания от самото начало — вместо да го променяте след първоначалния преглед — си заслужава предварителната инвестиция.

Защитата на правата на пациентите като предимство за партньорството. Общността, занимаваща се със здравето на жените, се отличава с висока степен на ангажираност и застъпничество от страна на пациентите. Заболявания като ендометриозата и СПКЯ имат активни пациентски общности, които могат да бъдат ценни партньори при проектирането на набори от данни и набирането на участници. Компаниите, които ангажират тези общности на ранен етап, включват пациентите в определянето на важните резултати и се ангажират да споделят резултатите с общността, обикновено набират участници по-бързо и създават по-значими от клинична гледна точка набори от данни. Формализирането на този процес чрез консултативни съвети на пациенти и интегрирането на показатели за резултати, докладвани от пациенти (PROM), в клиничната оценка укрепва както регулаторното подаване, така и самия продукт.

Как всъщност изглежда една готова за внедряване система за изкуствен интелект в областта на женското здраве

Разликата между изследователски прототип и система за изкуствен интелект за женско здраве, предназначена за клинично приложение, не е предимно алгоритмична. Алгоритмите обикновено са най-малко сложната част от техническа гледна точка. Разликата се състои в съпътстващата инфраструктура.

Разработване на характеристики с отчитане на цикъла. Ако вашето устройство е предназначено за употреба през целия менструален цикъл, фазата на цикъла трябва да бъде ключова функция — тя трябва да се събира директно (чрез данни, предоставени от пациентката, или чрез валидиран метод за проследяване на цикъла) или да се моделира като латентна променлива с подходящо отчитане на неточността. Устройствата, които без предупреждение изчисляват средни стойности за различните фази на цикъла, или приемат по-ниска ефективност, или допускат отклонения в зависимост от състава на популацията.

Валидиране на няколко обекта. Наборите от данни за валидиране, събрани само в един център, все по-често се приемат като неприемливи от нотифицираните органи за изделия от клас IIa и по-висок. Вашият алгоритъм трябва да докаже ефективността си при различни групи пациенти от поне два до три независими клинични центъра, с различни демографски характеристики и клинични работни процеси. Предвидете това в стратегията си за събиране на данни, а не като проверка след приключване на процеса.

Човешкият фактор и проектирането на комуникацията при несигурност. Регулаторните органи изискват клиничните системи за изкуствен интелект, попадащи в категориите с висок риск, да подлежат на ефективен човешки надзор. За диагностиката на женското здраве това означава проектиране на потребителския интерфейс и клиничния работен процес така, че лекарите (или пациентите, когато устройството е предназначено за пациенти) да интерпретират резултатите от алгоритъма, а не просто да действат въз основа на тях. Алгоритъмът трябва да показва своето разсъждение — ключовите характеристики или точките от данните, които определят резултата — във форма, която потребителят може да оцени. Това е и мястото, където разпоредбите за човешки надзор в Закона за изкуствения интелект се пресичат с изискванията за използваемост на MDR/IVDR.

Оценка на използваемостта (IEC 62366-1). По-конкретно по отношение на изкуствения интелект в областта на женското здраве, тестовете за използваемост трябва да обхващат както лекарите (за диагностични средства, предназначени за медицински специалисти), така и пациентите (за приложения, предназначени за пациенти), като се обръща специално внимание на начина, по който се интерпретира информацията за несигурността и риска. Когато е приложимо, подрастващите потребители изискват собствена оценка на използваемостта. Установените факти относно комуникацията на несигурността и доверието все по-често се проучват от нотифицираните органи.

Киберсигурност (IEC 81001-5-1). Изкуственият интелект в областта на женското здраве, свързан в мрежа, крие специфични рискове за киберсигурността поради чувствителния характер на данните — данните за репродуктивното здраве представляват целеви обект с висока стойност, а нарушаването на сигурността им има тежки последствия. Моделирането на заплахите трябва изрично да отчита сценарии, специфични за изтичането на данни за репродуктивното здраве (правни последствия след делото „Добс“, случаи на насилие от страна на партньора, дискриминация при наемане на работа и при сключване на застраховки). Документацията трябва да съответства на стандартите IEC 81001-5-1 и MDCG 2019-16.

Надзор след пускане на пазара и проектиране на PCCP. Здравословното състояние на жените е динамично — променят се хормоналният статус и леченията, с течение на времето се променя и групата пациенти, които използват вашето устройство, а самата клинична практика също се развива (помислете как се промениха препоръките за скрининг на рака на шийката на матката през последното десетилетие). Вашият план за наблюдение след пускане на пазара трябва да опише как ще откривате влошаване на ефективността при реалното използване, как ще събирате обратна връзка от лекарите и пациентите и как ще използвате тези данни за преобучение на модела и актуализиране на клиничната оценка.

С цел непрекъснато усъвършенстване на модела, рамката на Плана за контрол на предварително определените промени (PCCP) ви позволява да одобрявате предварително конкретни видове актуализации на модела — преобучение въз основа на нови данни, коригиране на праговите стойности в рамките на определени диапазони, разширяване към допълнителни условия — без да се налага извършването на изцяло нова оценка на съответствието за всяка промяна. Това е особено важно за изкуствения интелект в областта на женското здраве, където натрупването на данни след пускането на модела често значително подобрява неговата ефективност за недостатъчно представените подгрупи.

Къде се вписва Vector Labs

Ние сътрудничим с основатели на компании за изкуствен интелект в здравеопазването и с фирми за медицински технологии при изпълнението на регулаторни програми в три основни направления: определяне на обхвата на програмата (последователност, реалистичен график, решения за разработване или закупуване на регулаторна инфраструктура), техническа и клинична документация (създаване на техническо досие, клинична оценка, съответствие със Закона за изкуствения интелект) и взаимодействие с нотифицираните органи (подготовка преди подаване на заявление, отговори на запитвания, подготовка за одит). AI в областта на женското здраве е специфична област на фокус — ние сме работили по IVDR + AI Act + DTAC с компании, включително Daye, и знаем къде са конкретните „мини“.

Комбинацията от високи инвестиции, истинска неудовлетворена клинична нужда и слабо развита конкуренция в тази AI ниша създава значителна възможност за компании, които решават реалните проблеми, а не лесните. Основателите, които ще успеят в областта на изкуствения интелект за здравето на жените, не са тези, които създават най-технически усъвършенствания алгоритъм. Те са тези, които се справят с предизвикателствата, свързани с данните, проектират с оглед на нормативната съвместимост от самото начало, събират реални клинични доказателства и разбират, че най-трудните части от тази работа не са алгоритмични — те са институционални, етични и организационни.

Изкуственият интелект е сравнително лесната част. Останалото е това, което отличава прототипите от крайните продукти. Ако планирате програма за изкуствен интелект в областта на женското здраве — вътрешно или като част от решението дали да я разработите сами или да я закупите — и искате да подложите плана на сериозен тест в сравнение с натрупания от нас опит, свържете се с нас на vector-labs.ai.