FDA

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено критическому анализу качества клинических доказательств, на которых основывается одобрение цифровой терапии (DTx) регулятором FDA. Авторы проводят сравнительный анализ доказательной базы, доступной на этапе подачи заявки на авторизацию, и данных, которые накапливаются в процессе использования продукта на рынке. В работе исследуется методология сбора данных и то, насколько клинические испытания соответствуют реальным потребностям пациентов и врачей. Ключевой акцент сделан на выявлении разрыва между контролируемыми исследованиями и эффективностью цифровых продуктов в реальной клинической практике. Результаты подчеркивают необходимость совершенствования стандартов доказательности для цифровых медицинских вмешательств. Исследование имеет высокую значимость для регуляторов, разработчиков DTx и специалистов, внедряющих цифровые решения в клиническую работу.

В статье представлено первое интервью из серии материалов, посвященное изменениям в регуляторной политике США в области цифровой медицины и искусственного интеллекта. Основное внимание уделено новому пилотному проекту FDA под названием TEMPO, в интервью с доктором Шантану Нунди, советником по вопросам ИИ в офисе комиссара FDA. Целью проекта TEMPO является создание инновационных путей для развития цифрового здравоохранения, особенно в сфере управления хроническими заболеваниями. Методология проекта предполагает интеграцию трех ключевых аспектов: регуляторного надзора, генерации доказательной базы и механизмов возмещения расходов (reimbursement). Это позволит технологиям ИИ, выходящим за рамки традиционных медицинских устройств, быстрее внедряться в клиническую практику. Реализация данной инициативы критически важна для создания устойчивой экосистемы цифровой медицины, где технологические инновации подкреплены юридической и финансовой поддержкой.

Данный материал представляет собой обзор из рассылки STAT AI Prognosis, посвященный регуляторным аспектам внедрения искусственного интеллекта в медицину. Основное внимание уделяется специфическим особенностям и «подводным камням» наиболее распространенного пути одобрения медицинских устройств в FDA. В статье анализируются механизмы сертификации алгоритмов, которые могут содержать скрытые недостатки или пробелы в прозрачности. Кроме того, рассматриваются вопросы работы алгоритмов прогнозирования сепсиса и другие актуальные проблемы применения машинного обучения в клинической практике. Материал важен для специалистов, занимающихся внедрением ИИ-решений, так как подсвечивает регуляторные риски и сложности процесса сертификации программного обеспечения как медицинского изделия (SaMD).

FDA тестирует формат кратких целевых проверок для повышения эффективности надзора за медицинскими продуктами и клиническими исследованиями. Данная инициатива направлена на использование риск-ориентированных моделей и сбор данных для более точного распределения ресурсов агентства.

В данной статье проводится критический анализ стратегий разработки и сертификации медицинских устройств на базе искусственного интеллекта. Исследование фокусируется на устройствах, получивших статус «прорывного» (breakthrough device designation) от FDA, и выявляет определенную рыночную тенденцию. Анализ показывает, что разработчики ИИ-решений всё чаще отдают предпочтение комплексным платформам, способным решать сразу несколько задач, вместо узкоспециализированных инструментов для одной функции. Это свидетельствует о сдвиге парадигмы от простых систем обнаружения патологий к многофункциональным клиническим помощникам. Статья подчеркивает важность понимания критериев регулятора для компаний, стремящихся внедрить инновационные ИИ-технологии в реальную клиническую практику. Данный тренд имеет решающее значение для понимания будущего рынка медицинского ИИ и стратегий его интеграции в здравоохранение.

Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) выпустило обновленное руководство по кибербезопасности медицинских устройств, которое вводит значительно более строгие стандарты для производителей. Изменения, закрепленные в законодательстве Section 524B, обязывают компании внедрять механизмы защиты на протяжении всего жизненного цикла продукта, а не только на этапе разработки. Новые требования включают обязательную документацию всех программных компонентов, управление уязвимостями и поддержание процессов безопасной разработки ПО. Для многих существующих систем и программного обеспечения текущие стандарты окажутся недостаточными, что потребует от производителей значительного редизайна архитектуры. Данная инициатива направлена на минимизацию рисков взлома критически важного медицинского оборудования и обеспечение безопасности пациентов в условиях растущих киберугроз. Регулирование затрагивает как новые, так и эксплуатируемые устройства, устанавливая новые правила игры в индустрии медицинских технологий.

Статья обсуждает новые рекомендации FDA, ослабляющие надзор за медицинскими ИИ-продуктами, и проблему недостаточной представленности женщин в данных для обучения медицинских моделей. Автор подчеркивает, что ИИ может помочь исправить гендерные предвзятости в диагностике, но только при использовании инклюзивных данных.

Компания MiniMed получила одобрение FDA на новый инсулиновый насос MiniMed Flex — самый компактный в линейке производителя. Устройство размером примерно с две сложенные друг на друга инсулиновые ампулы работает без встроенного экрана, управляясь преимущественно через смартфон пользователя. Насос оснащен алгоритмами SmartGuard для дозирования инсулина и функциями обнаружения приёма пищи — технологии машинного обучения, автоматически рассчитывающие потребность в инсулине на основе данных непрерывного мониторинга глюкозы. FDA одобрило использование устройства для пациентов с диабетом 1 типа в возрасте от 7 лет и с диабетом 2 типа от 18 лет. MiniMed Flex совместим с непрерывным монитором глюкозы Simplera Sync компании и новым сенсором Instinct от Abbott с 15-дневным сроком работы. Компания MiniMed отделилась от Medtronic в начале марта 2026 года, провела IPO 9 марта, собрав около 538 миллионов долларов, при этом Medtronic сохраняет 90% акций. Европейское одобрение для комбинации насоса 780G и сенсора Instinct также получено в этом месяце. Автоматизированные системы доставки инсулина с алгоритмами машинного обучения представляют собой важный шаг в персонализированном лечении диабета, позволяя пациентам меньше времени уделять управлению заболеванием.

Статья о применении машинного обучения для анализа реальных данных (RWE) в фармацевтической отрасли и регуляторных процессах FDA. ML-модели позволяют создавать синтетические контрольные группы, идентифицировать подгруппы пациентов, предсказывать ответ на терапию и обнаруживать нежелательные события. FDA выпустило руководство по использованию ИИ/ML в жизненном цикле разработки лекарств.

Статья освещает панельное обсуждение на фестивале SXSW о применении искусственного интеллекта во FDA после массовых сокращений, связанных с инициативой DOGE, которые привели к потере 20% сотрудников агентства. В условиях дефицита экспертизы FDA внедряет ИИ-инструменты для ускорения обзоров медицинских устройств и препаратов. По словам экспертов, подразделение CDER (оценка и исследования лекарств) постепенно стабилизируется через 6-12 месяцев после пика сокращений, тогда как CBER (оценка биологических препаратов) находится в серьёзных трудностях. Центр CDRH (устройства и радиологическое здоровье) показал относительную устойчивость, включая оценку заявок Neuralink Илона Маска. FDA назначило первого главного ИИ-офицера — Джереми Уолша, и 70% сотрудников агентства получили доступ к генеративному ИИ-инструменту. Эксперты подчёркивают, что прозрачность взаимодействия между индустрией и регулятором критична для установления доверия к ИИ-системам. Статья иллюстрирует организационные вызовы внедрения ИИ в медицинское регулирование.

FDA представила единую платформу AEMS для анализа отчетов о нежелательных явлениях, объединяющую данные по лекарствам, вакцинам, косметике и другим продуктам. Система обеспечивает публикацию отчетов в реальном времени и обещает сэкономить $120 млн за 5 лет. В проекте участвует Chief AI Officer, упоминаются инструменты аналитики данных.