El Foro Internacional de Reguladores de Dispositivos Médicos (IMDRF) ha publicado Dispositivos médicos con aprendizaje automático: términos clave y definiciones (IMDRF/AIMD WG/N67, Edición 1). Esta guía fundamental establece un vocabulario común para la inteligencia artificial (IA) y el aprendizaje automático (AA) en el sector de los dispositivos médicos. Su propósito es crear expectativas y comprensión uniformes, mejorar la seguridad del paciente, inspirar la innovación y fomentar el acceso a los avances en la tecnología sanitaria.
La inteligencia artificial se define ampliamente como el uso de algoritmos o modelos para realizar tareas, tomar decisiones o generar predicciones. Dentro de la IA, el aprendizaje automático es un subconjunto en el que los modelos se entrenan con datos, lo que les permite aprender patrones sin una programación explícita basada en reglas. El documento de IMDRF sitúa estos conceptos dentro de un contexto regulatorio y clínico, garantizando la claridad cuando se aplican a los dispositivos médicos.
Uno de los objetivos clave de la guía es reducir la confusión entre las jurisdicciones. Los fabricantes, los reguladores y los médicos pueden utilizar diferentes términos para los mismos conceptos, como «modelo», «entrenamiento» o «reentrenamiento». Esta falta de alineación puede complicar las presentaciones y revisiones regulatorias. Las definiciones de IMDRF crean un conjunto estándar de términos que pueden ser referenciados consistentemente a través de los marcos regulatorios y los programas de desarrollo.
En febrero de 2025, IMDRF publicó Buenas prácticas de aprendizaje automático (GMLP), que se basa en las definiciones de N67 proporcionando diez principios rectores para el desarrollo, la validación y el seguimiento de los dispositivos con AA. El vínculo entre los dos documentos es crucial: N67 define el lenguaje, mientras que GMLP establece las expectativas para la práctica a lo largo del ciclo de vida del producto.
Términos clave y su impacto
La guía N67 define términos como «modelo», «conjunto de entrenamiento», «conjunto de prueba», «deriva», «sesgo», «reentrenamiento», «modelo bloqueado» y «aprendizaje continuo». Estas definiciones no son académicas, sino que influyen directamente en la forma en que se evalúan los riesgos de seguridad, en cómo se estructuran los estudios de validación y en cómo se aplica el control de cambios regulatorios. Por ejemplo, un modelo bloqueado es aquel que no evoluciona después de su implementación, mientras que un modelo de aprendizaje continuo se adapta con el tiempo, lo que requiere una supervisión y salvaguardias adicionales.
La comprensión de la deriva y el sesgo es particularmente importante. La deriva se refiere a la degradación del rendimiento cuando cambia la distribución de datos subyacente, mientras que el sesgo indica un error sistemático o un rendimiento desigual entre los subgrupos de pacientes. El documento de IMDRF aclara estos términos para ayudar a los fabricantes a identificar cuándo se requiere un reentrenamiento o una corrección para mantener la seguridad y el rendimiento.
¿Por qué son importantes las definiciones uniformes?
Un vocabulario armonizado mejora la previsibilidad regulatoria y la alineación transfronteriza. Con definiciones comunes, los fabricantes pueden preparar presentaciones más consistentes y los reguladores pueden aplicar procesos de revisión más transparentes y estandarizados. También ayuda a los organismos notificados, a los comités de normas y a las organizaciones de auditoría a mantener criterios de evaluación consistentes.
Las definiciones claras son igualmente importantes para los médicos y los pacientes. Cuando un dispositivo se describe como de «aprendizaje continuo», las partes interesadas deben comprender los límites precisos de su adaptación. Esta claridad reduce los riesgos de una mala interpretación que podría comprometer la seguridad del paciente o el cumplimiento normativo.
Integración con la práctica regulatoria
Las definiciones N67 de IMDRF se mencionan ahora en los principios GMLP adoptados por múltiples reguladores, incluidos los de EE. UU., Reino Unido, UE y Canadá. Esto refuerza la importancia de una terminología compartida como base de la política regulatoria. Juntos, N67 y GMLP crean una hoja de ruta para el desarrollo y la supervisión de los dispositivos con IA/AA, desde el diseño y las pruebas hasta el seguimiento y la gestión del ciclo de vida.
Implicaciones para los desarrolladores
Los fabricantes deben integrar las definiciones de IMDRF en sus prácticas de desarrollo desde el principio. Los planes de gestión de riesgos, las estrategias de validación y los procedimientos de control de cambios deben reflejar explícitamente términos como deriva, reentrenamiento y aprendizaje continuo. La evaluación del rendimiento clínico debe diseñarse utilizando conjuntos de entrenamiento y de prueba claramente definidos, mientras que las estrategias de seguimiento deben rastrear los cambios de rendimiento alineados con las definiciones de N67.
No alinearse con este vocabulario común puede conducir a una mala interpretación, retrasos regulatorios o lagunas en la supervisión de la seguridad. Al integrar estos términos en el desarrollo y la documentación, las empresas pueden demostrar el cumplimiento y fortalecer la credibilidad de sus dispositivos.
Conclusión
La guía Dispositivos médicos con aprendizaje automático: términos clave y definiciones de IMDRF representa un hito en la armonización de la comprensión global de la IA/AA en la atención sanitaria. Al definir términos clave como modelo, deriva y reentrenamiento, sienta las bases para la innovación segura y la claridad regulatoria. Junto con el marco GMLP, proporciona una hoja de ruta para los desarrolladores y los reguladores a medida que las tecnologías sanitarias con IA siguen evolucionando.
Si su equipo está desarrollando un dispositivo con AA y necesita apoyo para alinearse con las definiciones de IMDRF y las expectativas regulatorias, póngase en contacto con MDx CRO para discutir cómo podemos guiar su estrategia desde el concepto hasta la aprobación.
