Pesquisa aprofundada (Deep Research)

Como qualificar funções de IA em software para ensaios clínicos

77 min de leituraEquipe Editorial da EClinCloud
Qualificação de IA para ensaios clínicos — capa editorial da EClinCloud

Resumo

A orientação da FDA sobre credibilidade de IA no desenvolvimento de medicamentos permanece em versão preliminar [1]. Este guia aplica suas perguntas sobre contexto de uso a funções individuais de software para ensaios clínicos e propõe quatro controles.

  1. Identifique os regulamentos vinculantes e as orientações aplicáveis para o uso específico [1] [2] [3] [4] [5] [6] [7] [8].
  2. Classifique a função e confirme quem toma a decisão. Rejeite gravações automatizadas não confirmadas em registros regulados de ensaios clínicos, a menos que a função seja expressamente qualificada e autorizada sob o nível de controle mais alto (Nível 4) para esse contexto de uso.
  3. Especifique o modelo aprovado e as entradas. Teste as alterações usando um conjunto fixo com respostas conhecidas. Siga as expectativas aplicáveis da EMA para análise pivotal [9].
  4. Preserve a saída proposta e a decisão humana nas evidências de auditoria. Utilize os sinais de revisão para selecionar casos para inspeção.

Um estudo de implantação registrou 18 instituições ativando o REDCap AI. Na Vanderbilt, 958 projetos geraram chamadas para redação, resumo e tradução [10]. Esses fluxos de trabalho fornecem exemplos de uso sob controles de administrador. Avalie as funções clínicas separadamente.

1. O que é vinculante, o que orienta e o que ainda está em versão preliminar (no final de 2026)

Comece identificando a autoridade, a versão e o uso pretendido pertinentes à função. O Quadro 01 separa regras vinculantes, orientações adotadas e versões preliminares. Os controles propostos pela EClinCloud começam na Seção 3.

1.1 Estados Unidos: cinco referenciais regulatórios e de orientação

Patrocinadores que conduzem ensaios clínicos sob os regulamentos de Investigational New Drug (IND) ou Investigational Device Exemption (IDE) interagem com cinco frentes distintas da FDA que regem sistemas de software, inteligência artificial e registros eletrônicos:

  1. Minuta da FDA sobre IA para medicamentos e produtos biológicos. A FDA publicou a minuta de janeiro de 2025 para comentários. A Seção II abrange a IA utilizada para produzir informações ou dados destinados a subsidiar decisões regulatórias sobre segurança, eficácia ou qualidade de medicamentos. Ela deixa de fora eficiências operacionais que não impactam a segurança do paciente, a qualidade do medicamento ou a confiabilidade dos resultados de um estudo não clínico ou clínico. Suas sete etapas são: definir a questão, definir o contexto de uso, avaliar o risco do modelo, planejar as evidências de credibilidade, executar o plano, documentar resultados e desvios e determinar a adequação ao contexto. A influência do modelo e a consequência da decisão são os dois fatores na etapa 3. Utilize reuniões formais, como INTERACT ou Pre-IND, ou uma opção da Tabela 1, como o C3TI, quando apropriado [1].
  2. Princípios Orientadores Transatlânticos de Boas Práticas de IA (Princípios Conjuntos Não Vinculantes): Em janeiro de 2026, a FDA e a Agência Europeia de Medicamentos (EMA) publicaram 10 princípios orientadores conjuntos para IA no desenvolvimento de medicamentos [11]. Os títulos oficiais são: (1) Centrado no ser humano desde a concepção; (2) Abordagem baseada em risco; (3) Adesão a padrões; (4) Contexto de uso claro; (5) Experiência multidisciplinar; (6) Governança de dados e documentação; (7) Práticas de projeto e desenvolvimento de modelos; (8) Avaliação de desempenho baseada em risco; (9) Gestão do ciclo de vida; e (10) Informações claras e essenciais [11]. Esses princípios representam recomendações consensuais não vinculantes destinadas a orientar a adoção pelo patrocinador e o pensamento regulatório, e não mandatos legais independentes.
  3. Guias Finais sobre Sistemas Eletrônicos, DHT e CSA (Recomendações Não Vinculantes que Interpretam Regras Vinculantes do 21 CFR): Os guias da agência declaram explicitamente que representam o pensamento atual da FDA e oferecem recomendações não vinculantes, salvo quando disposições estatutárias ou regulatórias específicas são citadas. Sob o guia final da FDA de outubro de 2024, Electronic Systems, Electronic Records, and Electronic Signatures in Clinical Investigations: Questions and Answers (Revisão 1) [12], a agência interpreta requisitos vinculantes sob 21 CFR Parte 11 (Registros Eletrônicos; Assinaturas Eletrônicas) e 21 CFR Parte 312 (Solicitação de Novo Medicamento em Investigação). As principais recomendações incluem gerar cópias certificadas verificadas que mantenham as mesmas informações, contexto, conteúdo e estrutura dos registros originais (Q3), reter registros em formatos legíveis por humanos com metadados essenciais (Q5), implementar validação baseada em risco para as finalidades pretendidas (Q7), manter trilhas de auditoria seguras, geradas por computador e com registro de data e hora que capturem as ações do usuário sem sobrescrever entradas anteriores (Q12), capturar ações deliberadas do usuário, como salvar ou enviar dados, em vez de teclas digitadas em segundo plano (Q13), e estabelecer controles seguros de relógio do sistema que documentem a data, a hora e o fuso horário ou o Tempo Médio de Greenwich (GMT) (Q14) [12]. Em paralelo, o guia final da FDA de dezembro de 2023, Digital Health Technologies for Remote Data Acquisition in Clinical Investigations, recomenda identificar as especificações técnicas e de desempenho mínimas de uma DHT e o modelo ou versão específicos quando aplicável (seção IV.A.2). Ele também recomenda registrar quando e como cada DHT foi atualizada e confirmar que ela permanece adequada ao propósito após a atualização (seção IV.H.4) [13]. Além disso, em 3 de fevereiro de 2026, a FDA reemitiu seu guia final, Computer Software Assurance for Production and Quality Management System Software (Docket FDA-2022-D-0795), alinhando a terminologia de validação à Quality Management System Regulation (QMSR, 21 CFR Parte 820, com vigência a partir de 2 de fevereiro de 2026) [14]. Embora a Parte 820 vincule diretamente fabricantes de dispositivos médicos, e não patrocinadores de ensaios farmacêuticos propriamente ditos, a distinção do guia de CSA entre testes com roteiro e testes sem roteiro (incluindo testes exploratórios) oferece uma estrutura de testes flexível e baseada em risco que os patrocinadores podem adaptar para a qualificação de software eClinical [14].
  4. Regras para Software de Dispositivos em Investigação vs. Planos de Controle de Alterações Pós-Comercialização: Quando funções de software atendem à definição de dispositivo sob a Seção 201(h) do Federal Food, Drug, and Cosmetic Act (FD&C Act), o uso em investigação em ensaios clínicos é regido por 21 CFR Parte 812 (Isenções para Dispositivos em Investigação) [13]. Para investigações conduzidas sob uma solicitação de IDE aprovada, as alterações de protocolo e de software implementadas durante o estudo ativo devem ser avaliadas nos termos de 21 CFR 812.35 para determinar se uma submissão suplementar de IDE é necessária antes da implementação, ao passo que estudos conduzidos sob requisitos abreviados (812.2(b)) ou investigações isentas (812.2(c)) seguem suas respectivas vias regulatórias. Por outro lado, o guia final reemitido pela FDA em 18 de agosto de 2025, Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions (Docket FDA-2022-D-2628), representa uma via opcional de submissão de comercialização para dispositivos autorizados comercialmente avaliados pelas vias 510(k), De Novo ou Premarket Approval (PMA) [15]. Um Plano de Controle de Alterações Predeterminado (PCCP) permite que um fabricante pré-especifique modificações pós-comercialização do modelo em três componentes: uma Descrição das Modificações, um Protocolo de Modificação e uma Avaliação de Impacto [15]. Um PCCP não é um mecanismo de autorização para modificações de algoritmo no meio do estudo durante um ensaio clínico de medicamento ou dispositivo em investigação, e seu documento complementar, Artificial Intelligence-Enabled Device Software Functions: Lifecycle Management and Marketing Submission Recommendations (Docket FDA-2024-D-4488, emitido em 7 de janeiro de 2025), permanece como Minuta de Guia — Não Destinada à Implementação [16].
  5. Guia Final da FDA sobre o ICH E6(R3) (Guia de Nível 1 Não Vinculante): Em setembro de 2025, a FDA publicou E6(R3) Good Clinical Practice (GCP) como guia final de Nível 1 sob o Docket FDA-2023-D-1955 [4]. Nos Estados Unidos, as diretrizes do ICH adotadas pela FDA representam guias da agência contendo recomendações não vinculantes, e não leis federais diretas. Patrocinadores que submetem dados de ensaios ao CDER ou ao CBER sob um IND podem referenciar os conceitos do E6(R3) como reflexo das expectativas da agência, e as obrigações vinculantes provêm das regulamentações aplicáveis. O guia de setembro de 2025 antecede o Anexo 2 final do ICH. A página do Anexo 2 da FDA ainda rotulava sua versão como minuta quando verificada em 13 de novembro de 2026 [17].

1.2 Estruturas do ICH E6(R3), da União Europeia, do Reino Unido e da China

As estruturas regulatórias internacionais distinguem entre regulamentos regionais diretamente vinculantes, diretrizes de consenso adotadas, documentos de reflexão de agências e decretos nacionais:

  • Diretriz Consolidada ICH E6(R3) (Etapa 4 adotada em 16 de junho de 2026): O Conselho Internacional para Harmonização (ICH) consolidou a E6(R3) na Etapa 4 em 16 de junho de 2026, reunindo os Princípios gerais, o Anexo 1 (ensaios clínicos intervencionais, finalizado em 6 de janeiro de 2025) e o Anexo 2 (considerações adicionais para desenhos de ensaios não tradicionais, ensaios descentralizados e fontes de dados do mundo real, adotado em 3 de junho de 2026) [2]. De acordo com os procedimentos operacionais do ICH, as diretrizes da Etapa 4 são recomendadas para adoção pelas autoridades regulatórias regionais, em vez de constituírem direito internacional diretamente vinculante. Na União Europeia, o Comitê de Medicamentos para Uso Humano (CHMP) da EMA adotou os Princípios e o Anexo 1 com data efetiva de implementação em 23 de julho de 2025, enquanto o Anexo 2 e o texto consolidado possuem data oficial de vigência em 15 de janeiro de 2027 [3]. Nas jurisdições em que foi implementada, a Seção 4.2.2 estabelece que os sistemas computadorizados devem manter trilhas de auditoria que registrem as interações entre usuário e sistema e as modificações de fluxo de trabalho com data e hora inequívocas (citando o Tempo Universal Coordenado, UTC, como exemplo); a Seção 4.2.3 estabelece que os patrocinadores devem realizar revisões baseadas em risco de dados e metadados, incluindo trilhas de auditoria; e a Seção 4.3.4 estabelece que a validação de sistemas computadorizados deve ser proporcional ao risco, abrangendo a configuração do sistema, a integração e as alterações ao longo do tempo [2].
  • Regulamento Europeu de Ensaios Clínicos e Diretrizes da EMA: Na UE, os ensaios clínicos com medicamentos são regidos pelo Regulamento (UE) n.º 536/2014 (Regulamento de Ensaios Clínicos, CTR) [18]. O CTR tornou-se aplicável em 31 de janeiro de 2022. O Artigo 47 exige que o patrocinador e o investigador levem devidamente em consideração as diretrizes de boas práticas clínicas do ICH ao elaborar o protocolo e ao aplicar o Regulamento e o protocolo [18]. O Artigo 98 previu tratamento transitório para ensaios conduzidos sob a Diretiva anterior. Ao inspecionar um ensaio histórico, determine o regime aplicável a partir de seu histórico de autorização e transição [18]. As expectativas operacionais para sistemas computadorizados são estabelecidas na diretriz do Grupo de Trabalho de Inspetores de GCP da EMA, Guideline on computerised systems and electronic data in clinical trials (EMA/INS/GCP/112288/2023, em vigor seis meses após a publicação em março de 2023) [19]. Seu escopo inclui IA utilizada para recrutamento de participantes, elegibilidade, codificação, esclarecimento de dados, processos de queries e adjudicação de eventos. As expectativas gerais aplicam-se a esses usos. A diretriz reserva requisitos específicos para IA a um eventual anexo futuro [19]. Essa diretriz recomenda a qualificação formal de fornecedores, a segregação clara de funções entre o pessoal administrativo e os usuários do ensaio, e a exportabilidade cronológica completa dos registros de auditoria [19]. Em setembro de 2024, a EMA adotou seu documento não vinculante Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle (EMA/CHMP/CVMP/83833/2023) [9]. A Seção 2.3.3.1 indica que, quando um método apresenta alto impacto regulatório ou alto risco para o paciente e a EMA ainda não o qualificou para aquele contexto, a EMA pode solicitar a arquitetura do modelo, os registros de desenvolvimento e teste, os dados de treinamento e o pipeline de processamento. A Seção 2.3.3.3 aborda a IA utilizada na análise de dados e inferência de ensaios clínicos, incluindo controles para ensaios pivotais em fase avançada [9]. Em paralelo, a consulta pública da Comissão Europeia sobre a revisão do EudraLex Volume 4, Capítulo 4, Anexo 11 (Sistemas Computadorizados) e minuta do Anexo 22 (Inteligência Artificial) foi encerrada em outubro de 2025 [20]. Quando verificado em 13 de novembro de 2026, o EudraLex Volume 4 da Comissão ainda listava o Capítulo 4 e o Anexo 11 de 2011 e não continha nenhum Anexo 22. Os textos revisados permaneciam como minutas de GMP. As operações de ensaios clínicos são regidas separadamente pelos requisitos de GCP aplicáveis.
  • Sandbox AI Airlock da MHRA do Reino Unido: A MHRA do Reino Unido, com o apoio do Department of Health and Social Care (DHSC) e do Regulatory Innovation Office (RIO), publicou seu relatório AI Airlock Sandbox Phase 2 Programme Report em junho de 2026 (atualizado em julho de 2026) [21]. O Airlock é um sandbox regulatório para dispositivos médicos com IA. Seu relatório não estabelece nenhum requisito de GCP para softwares de ensaios clínicos. O sandbox da Fase 2 avaliou 51 candidaturas, selecionando sete projetos-piloto candidatos (três testados em percursos multiambiente e quatro avaliados apenas em workshops de simulação) [21]. O relatório definiu três ambientes distintos de avaliação: ambientes de Simulação (workshops multidisciplinares com partes interessadas para testes de estresse de cenários de risco hipotéticos), ambientes Virtuais ou de Pesquisa (testes de algoritmos em ambientes seguros e isolados de dados retrospectivos) e ambientes de Mundo Real (implantação separada de percursos clínicos e processos de tomada de decisão, utilizando dados retrospectivos ou sintéticos, o que não constitui uma investigação clínica) [21]. O relatório destacou duas constatações principais sobre o ciclo de vida: a Constatação 2 observou que a supervisão humana pode se degradar ao longo do ciclo de vida de um sistema à medida que os clínicos desenvolvem complacência com a automação, enquanto a Constatação 3 enfatizou que, para produtos baseados em grandes modelos de linguagem (LLM), mudanças significativas de comportamento podem ocorrer apenas pelo comportamento do próprio modelo, de modo que sistemas sem barreiras de proteção ativas podem exibir funções além de sua finalidade pretendida [21]. A MHRA lançou a Fase 3 em outubro de 2026 (estendendo-se até abril de 2029) para focar especificamente na vigilância pós-comercialização e na supervisão regulatória do ciclo de vida [22].
  • GCP Revisada para Medicamentos da NMPA da China e Diretriz Técnica do CDE: Os ensaios multirregionais conduzidos na China devem cumprir a regulamentação nacional diretamente vinculante nos termos do Comunicado da NMPA de 2026 n.º 50, Good Clinical Practice for Drugs (2026 Revision), emitido conjuntamente pela NMPA, pela Comissão Nacional de Saúde (NHC), pela Administração Nacional de Medicina Tradicional Chinesa (NATCM) e pela Administração Nacional de Controle e Prevenção de Doenças (NDCPA) em 21 de maio de 2026, com vigência a partir de 1 de setembro de 2026 [5]. O Comunicado n.º 50 revoga o Comunicado n.º 57 de 2020 [5]. O CDE da China emitiu a Guideline on Computerized Systems and Electronic Data in Drug Clinical Trials sob o Aviso de 2026 n.º 44 em 22 de setembro de 2026, em vigor na data de sua emissão [6]. A diretriz descreve o entendimento atual do órgão regulador e declara que não possui força legal obrigatória. Ela abrange a localização e a captura direta de dados-fonte, o acesso baseado em funções com usuários privilegiados independentes da condução do ensaio, trilhas de auditoria geradas por computador e com registro de data e hora contendo uma lista mínima de campos, contratos com fornecedores e a qualificação de fornecedores de nuvem, incluindo a aceitação de auditoria ou inspeção. A diretriz também especifica quando um ponto de dado pode ser configurado para preenchimento automático [6]. Consulte a Seção 5.1 deste guia.
  • ISPE GAMP 5 Segunda Edição e Guia GAMP de IA: No domínio da engenharia e validação, a International Society for Pharmaceutical Engineering (ISPE) publicou o GAMP Guide: Artificial Intelligence em julho de 2025 como um guia independente destinado a ser utilizado em conjunto com o GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems (Second Edition) [23]. O sumário publicado abrange as fases de conceito, projeto, operação e desativação, gerenciamento de riscos da qualidade, atividades e gestão de fornecedores, pensamento crítico, particionamento de dados, gestão de mudanças operacionais e de configuração, além de monitoramento de modelos e detecção de desvio (drift) [23].

Matriz Global de Situação Regulatória de 2026 para IA/ML em Sistemas de Ensaios Clínicos

Regulamentos vinculantes, diretrizes adotadas e minutas para os Estados Unidos, UE e China, com achados do sandbox do Reino Unido para dispositivos médicos com IA.

Role lateralmente para ver a figura completa.

Jurisdição / ÓrgãoInstrumento Regulatório e Situação FormalData de Vigência / AplicaçãoImpacto Operacional na Qualificação de Software de Ensaios
Estados Unidos (FDA)IA na Tomada de Decisões sobre Medicamentos (Docket FDA-2024-D-4689) — Guia Preliminar (Não Destinado à Implementação)Emitido em 6 de jan. de 2025; comentários encerrados em 7 de abr. de 2025O escopo preliminar da FDA é definido na Seção II. Reuniões formais incluem INTERACT ou Pré-IND. A Tabela 1 inclui outras vias de interlocução, como o C3TI.
Estados Unidos (FDA)ICH E6(R3) Boas Práticas Clínicas (Docket FDA-2023-D-1955) — Guia Final de Nível 1Publicado em setembro de 2025O guia final de setembro de 2025 antecede o Anexo 2 final do ICH. A FDA ainda listava seu Anexo 2 separado como preliminar em 13 de novembro de 2026.
Estados Unidos (FDA)Perguntas e Respostas sobre Sistemas e Assinaturas Eletrônicas, Rev. 1 — Guia Final (Recomendações Não Vinculantes)Outubro de 2024Interpreta o regulamento vinculante 21 CFR Part 11; definições de cópia certificada (Q3), captura de trilha de auditoria (Q12) e controles de fuso horário ou relógio GMT (Q14).
Estados Unidos (FDA)Garantia de Software de Computador (CSA, Docket FDA-2022-D-0795) — Guia Final (Não Vinculante)Reemitido em 3 de fevereiro de 2026Alinha-se ao QMSR (21 CFR Parte 820); distingue testes com roteiro de testes sem roteiro (incluindo testes exploratórios); adaptável para ferramentas eClinical.
Estados Unidos (FDA)PCCP para Software de Dispositivos com IA (Docket FDA-2022-D-2628) — Guia Final (Não Vinculante)Reemitido em 18 de agosto de 2025Via opcional de submissão regulatória pós-comercialização para dispositivos comerciais; não autoriza alterações de algoritmo no decorrer do ensaio em estudos investigacionais IND/IDE.
Estados Unidos e UE (FDA / EMA)Princípios Orientadores de Boas Práticas de IA no Desenvolvimento de Medicamentos — 10 Princípios Conjuntos (Não Vinculantes)Janeiro de 2026Dez princípios gerais que abordam design centrado no ser humano, adesão a normas, gestão do ciclo de vida, avaliação de riscos e governança de dados.
ICHDiretriz ICH E6(R3) para Boas Práticas Clínicas — Diretriz Consolidada Final da Etapa 4Etapa 4 consolidada adotada em 16 de junho de 2026O ICH recomenda data e hora inequívocas, com o UTC como exemplo, revisão de metadados e validação proporcional ao risco.
União Europeia (EMA)Implementação Regional da ICH E6(R3) — Diretriz Científica do CHMP da EMAPrincípios e Anexo 1: 23 de julho de 2025; Anexo 2 e Consolidado: 15 de janeiro de 2027Diretriz regional adotada na UE; estabelece expectativa regulatória para sistemas computadorizados de GCP e governança de trilhas de auditoria baseada em risco.
União EuropeiaRegulamento de Ensaios Clínicos (UE) Nº 536/2014 — Regulamento da União Europeia Diretamente VinculanteAplicável a partir de 31 de janeiro de 2022, com disposições transitórias do Artigo 98Aplica-se a ensaios autorizados nos termos do Regulamento. Para ensaios anteriores, determinar o regime pelo histórico de autorização e transição. O Artigo 47 exige que as diretrizes de GCP do ICH sejam devidamente levadas em consideração.
União Europeia (EMA)Sistemas Computadorizados em Ensaios Clínicos (EMA/INS/GCP/112288/2023) — Diretriz do GCP IWGEm vigor desde 9 de setembro de 2023Expectativas gerais abrangem IA para recrutamento, elegibilidade, codificação, esclarecimento de dados, queries e adjudicação de eventos. A EMA reservou requisitos específicos de IA para um possível anexo futuro.
União Europeia (EMA)Documento de Reflexão sobre IA (EMA/CHMP/CVMP/83833/2023) — Documento de Reflexão Não VinculanteAdotado em setembro de 2024Seção 2.3.3.3: a EMA espera que os modelos e o pré-processamento usados para testes de hipóteses sejam congelados e documentados antes do bloqueio do banco de dados.
União EuropeiaEU AI Act (2024/1689) e Digital Omnibus (2026/1744) — Regulamentos da UE diretamente vinculantesAI Act em vigor em 1 de agosto de 2024. Omnibus em vigor em 27 de julho de 2026. O Artigo 50(1) aplica-se em 2 de agosto de 2026.Divulgação nos termos do Artigo 50(1), quando aplicável. O Capítulo III, Seções 1–3, exceto o Artigo 6(5), aplica-se a sistemas de alto risco do Anexo III a partir de 2 de dezembro de 2027 e a sistemas de alto risco do Anexo I a partir de 2 de agosto de 2028.
Reino Unido (MHRA)AI Airlock — sandbox regulatório para dispositivos médicos com IARelatório da Fase 2 em junho/julho de 2026; Fase 3 lançada em out. de 2026A Fase 2 selecionou 7 candidatos entre 51 inscrições. O relatório discute a complacência com a automação e não estabelece nenhum requisito de GCP para softwares de ensaios clínicos.
República Popular da China (NMPA / NHC / NATCM / NDCPA)Boas Práticas Clínicas para Medicamentos (Revisão de 2026, Comunicado 2026 nº 50) — Comunicado (GCP nacional vinculante)Emitido em 21 de maio de 2026; vigente a partir de 1 de setembro de 2026Publica as Boas Práticas Clínicas para Medicamentos revisadas e revoga o comunicado de 2020.
República Popular da China (CDE)Diretriz sobre Sistemas Computadorizados e Dados Eletrônicos em Ensaios Clínicos de Medicamentos (Comunicado do CDE 2026 nº 44). A diretriz afirma que não possui força jurídica obrigatória.Emitida e em vigor em 22 de setembro de 2026Captura direta na fonte, segregação de funções e independência de usuários privilegiados, trilhas de auditoria com registro de data e hora, contratos e qualificações de fornecedores, e limites para autopreenchimento.

Regulamentos vinculantes definem obrigações legais. O Regulamento de Ensaios Clínicos da UE também exige que as diretrizes de GCP do ICH sejam devidamente levadas em consideração. O relatório UK AI Airlock descreve um sandbox.

Fonte: Sintetizado pela EClinCloud a partir de textos oficiais: FDA dos EUA (Dockets FDA-2024-D-4689, FDA-2023-D-1955, FDA-2022-D-0795, FDA-2022-D-2628), Jornal Oficial da UE (Regulamentos 2024/1689, 2026/1744, 536/2014), CHMP e GCP IWG da EMA (EMA/INS/GCP/112288/2023, EMA/CHMP/CVMP/83833/2023), ICH (E6(R3)), MHRA do Reino Unido e NMPA/CDE da China.

2. Avaliações publicadas, 2025–2026

Os estudos incluem uma implantação do REDCap, um experimento retrospectivo com chamados de suporte, um modelo de risco de centros de pesquisa com validação externa, um estudo de validação linguística que combina revisão, levantamento e entrevistas, e duas revisões de uso clínico e registros regulatórios.

Shyr e colegas estudaram a implantação do REDCap 15.0 AI de janeiro a agosto de 2025. Administradores de 18 instituições ativaram os recursos desativados por padrão. Em 958 projetos da Vanderbilt, os recursos geraram 2,801 chamadas de redação, 2,720 de sumarização e 200 de tradução. O artigo relata a adoção e a contagem de chamadas. A acurácia e a efetividade das saídas ficaram fora de sua avaliação [10].

Carroll e colegas avaliaram grandes modelos de linguagem na gestão de solicitações de suporte ao usuário na Universidade de Michigan [24]. Ao analisar uma amostra de 90 chamados de suporte extraídos de 6,316 solicitações históricas enviadas durante 2023, os pesquisadores compararam quatro configurações do GPT-4o: GPT-4o padrão, GPT-4o complementado com documentação da Vanderbilt, GPT-4o com documentação da Universidade de Michigan e GPT-4o com documentação combinada [24]. O modelo demonstrou forte concordância com a categorização feita por especialistas humanos, alcançando valores de kappa de Cohen de aproximadamente 0.85 e acurácia de categorização entre 81% e 89% [24]. Contudo, na tarefa de classificação da complexidade dos chamados, as configurações com recuperação superestimaram a complexidade dos chamados; na geração de rascunhos de resposta, a configuração com documentação da Universidade de Michigan produziu o maior número de respostas corretas, gerando respostas substancialmente ou totalmente corretas em aproximadamente dois terços dos chamados de rotina de baixa a moderada complexidade [24]. Os autores concluíram que os LLMs se mostram genuinamente promissores para a triagem automatizada de suporte quando apoiados por supervisão humana contínua, refinamento de prompts e ampliação da documentação local [24].

Yang desenvolveu um modelo de qualificação de centros de pesquisa com 460 centros de 42 estudos de ATTR-CM e utilizou 761 centros de 89 estudos de DMD para validação externa. Uma máquina de vetores de suporte apresentou o melhor desempenho no cenário de desenvolvimento. O estudo verificou subgrupos por região geográfica e tipo de centro de pesquisa e relatou acurácia de 81.21% na avaliação externa. Suas variáveis de DMD utilizaram proxies. O estudo não dispunha de resultados reais de monitoria e deixou os efeitos operacionais projetados sem teste em implantação [25]. A EClinCloud recomenda testar uma classificação proposta em comparação com os resultados reais de monitoria antes de utilizá-la para alocar esforços.

McKown e colaboradores combinaram uma revisão da literatura, entrevistas com especialistas em IA e um levantamento com 50 partes interessadas. Os respondentes incluíram detentores de direitos autorais de instrumentos, pesquisadores de COA ou de desfechos da indústria farmacêutica, profissionais de tradução, eCOA e IA, além de autores do trabalho anterior da ISPOR. Suas recomendações ponderam a capacidade técnica e a eficiência juntamente com a proteção da propriedade intelectual, a privacidade e segurança de dados e o envolvimento dos pacientes. Eles apoiam o uso de IA com supervisão humana na maioria das etapas de validação linguística e recomendam excluir a IA da reconciliação, da revisão clínica e da condução de entrevistas de debriefing cognitivo. Eles recomendam revisão humana em cada etapa [26]. A revisão de Karako e Gao relata evidências de equivalência em relação a leitores especialistas na medição automatizada da fração de ejeção do ventrículo esquerdo. Eles identificam a generalização entre fornecedores, a equidade entre subgrupos e as alterações de algoritmo durante um ensaio clínico como desafios em aberto [27].

Thierry e colaboradores revisaram 60 aprovações relacionadas a tecnologias digitais em saúde de setembro de 2021 a março de 2025. Ferramentas eletrônicas de desfechos relatados por pacientes representaram 70% das ferramentas digitais em saúde estudadas. Os autores não encontraram nenhuma aprovação baseada exclusivamente em um desfecho primário derivado de tecnologia digital em saúde [28].

3. Classificação de cada função por contexto de uso

Avalie a função em seu fluxo de trabalho real. Um analisador de construção de estudo, um assistente voltado ao participante e uma ferramenta que calcula um desfecho precisam, cada um, de um plano de testes diferente. O documento preliminar da FDA sobre IA, a Seção 4.3.4 do ICH E6(R3) e os princípios de CSA baseados em risco embasam a avaliação proposta [1] [2] [14].

3.1 A triagem de três perguntas

O guia preliminar da FDA (FDA-2024-D-4689) conceitua o risco por meio de duas dimensões fundamentais: Influência do Modelo e Consequência da Decisão [1]. Em nossa estrutura operacional que adapta esses conceitos, definimos três níveis para cada fator:

  • Influência do modelo:
    1. Influência baixa: A IA fornece assistência puramente preparatória, informativa ou de elaboração de rascunhos, sujeita a revisão e verificação humanas abrangentes e independentes antes que qualquer ação seja tomada.
    2. Influência média: A IA gera rascunhos estruturados de configurações, classificações ou sinalizações operacionais que orientam ou priorizam diretamente a revisão humana, na qual revisores humanos verificam os resultados em relação a critérios objetivos estabelecidos.
    3. Influência alta: A decisão depende substancialmente do resultado do modelo, com verificação independente limitada desse resultado antes de sua utilização. Avalie a dependência separadamente do dano ou da interrupção que um erro poderia causar.
  • Consequência da decisão:
    1. Consequência baixa: Ineficiência operacional ou administrativa menor; nenhum impacto na segurança ou nos direitos dos participantes, na adesão ao protocolo ou na integridade das evidências do ensaio clínico.
    2. Consequência média: Possíveis distorções na alocação de recursos operacionais, na documentação não crítica de GCP ou atraso na resolução de queries, facilmente detectados e corrigidos durante o gerenciamento de dados de rotina.
    3. Consequência alta: Ameaças diretas à segurança dos participantes, quebra de cegamento de tratamentos randomizados, comprometimento de desfechos de eficácia primários ou secundários-chave ou viés sistemático em submissões regulatórias.

Aplique a triagem de três perguntas a cada capacidade de IA em avaliação.

Pergunta de triagem Critérios de avaliação Determinação resultante
Pergunta 1: Gravações não confirmadas A função pode gravar em um registro de estudo regulado sem uma decisão humana autenticada e atribuível? Uma função com gravações não confirmadas é elegível apenas mediante a autorização de Nível 4 abaixo. Para uma função sem gravações não confirmadas, prossiga para a Pergunta 2.
Pergunta 2: Proximidade dos participantes e das decisões O que a função faz no fluxo de trabalho pretendido? 2A: Atribua o Nível 4 se a função determinar valor de desfecho, grau de gravidade, dose ou elegibilidade sem uma decisão humana independente. Encaminhe a sinalização consultiva para a Pergunta 3. 2B: Aplique as salvaguardas exclusivas de navegação do Nível 1 à ajuda técnica voltada ao participante. Direcione outras funções voltadas ao participante pelo ramo aplicável de decisão ou de qualidade de dados e avalie separadamente as proteções aos participantes. 2C: Atribua o Nível 3 às verificações consultivas de qualidade de dados-fonte de participantes. 2D: Para outros usos, vá para a Pergunta 3.
Pergunta 3: Influência do modelo e consequência da decisão Classifique ambas utilizando as definições acima. Consulte o nível resultante na matriz de consulta.

Para a Pergunta 1, a EMA §6.1.4 espera autorização do investigador para alterações do patrocinador em dados inseridos por investigadores ou participantes, sejam automáticas ou manuais [19]. Sob a exceção proposta para o Nível 4, especifique a função e os controles no protocolo aprovado ou no plano de gerenciamento de dados, obtenha aprovação por escrito da garantia da qualidade do patrocinador e autorização do investigador para alterações em dados inseridos por investigadores ou participantes, e obtenha qualquer autorização regulatória aplicável para o uso pretendido. Aplique primeiro as Perguntas 1 e 2. Quando qualquer uma delas atribuir um nível ou retiver a função, essa decisão prevalece. Somente as funções restantes utilizam a matriz da Pergunta 3.

Influência do modelo \ Consequência da decisão Consequência baixa Consequência média Consequência alta
Influência baixa Nível 1 (Assistência informativa) Nível 2 (Rascunho de configuração) Nível 2 (Geração de rascunho de documento)
Influência média Nível 1 (Priorização de fluxo de trabalho) Nível 2 (Configuração operacional) Nível 3 (Extração e vigilância RBQM)
Influência alta Nível 2 (Encaminhamento de dúvidas internas não críticas de treinamento fora dos registros do ensaio clínico) Nível 3 (Priorização de fila de revisão operacional não crítica principalmente a partir de uma pontuação do modelo) Nível 4 (Alta dependência e alta consequência após as Perguntas 1 e 2)
A triagem em três perguntas

Triagem em três perguntas para funções de IA em estudos clínicos

Comece verificando se a ferramenta pode gravar ou decidir de forma independente. Para funções consultivas, utilize a matriz de influência e consequência.

Role lateralmente para ver a figura completa.

Fluxo de trabalhoRota de decisãoConjunto de controles
Gravação independenteRejeitar, a menos que a função seja expressamente qualificada e autorizada no Nível 4Nível 4, se autorizada
Determinação independente de desfecho, gravidade, dose ou elegibilidadeUtilizar o Ramo 2ANível 4
Navegação técnica para participantesRamo 2B fora da matriz. Aplicar o Padrão 1 e as salvaguardas para participantes.Nível 1 com salvaguardas de navegação
Caso A: fila de sugestões de codificaçãoPergunta 3: média influência, alta consequênciaNível 3
Caso B: rascunhos de narrativas de CSR verificados de forma independentePergunta 3: baixa influência, alta consequênciaNível 2
Sinalizações consultivas de triagem para possível elegibilidadePergunta 3: média influência, alta consequênciaNível 3
Rascunho de query complementando verificações de edição programadasPergunta 3: média influência, média consequênciaNível 2
Fonte: Estrutura proposta pela EClinCloud

3.2 Quatro Níveis de Qualificação Operacional

Sintetizando o risco de modelo de dois fatores da FDA, as expectativas de validação da Seção 4.3.4 do ICH E6(R3) e os princípios do GAMP 5, a EClinCloud recomenda estruturar a governança de IA para eClinical em quatro níveis operacionais. Cada nível define posturas de teste específicas e limites regulatórios:

Nível 1: Assistência Informacional e Administrativa

  • Escopo: Célula típica da matriz: baixa influência, baixa consequência. Assistência ao fluxo de trabalho voltada à equipe (por exemplo, bots de navegação de software que respondem a dúvidas operacionais sobre interfaces de EDC), revisão de relatórios de monitoria de sistema de gerenciamento de ensaios clínicos (CTMS) e redação de correspondência administrativa.
  • Salvaguardas para navegação voltada ao participante. Para assistentes de navegação voltados ao participante, aplique a Ramificação 2B fora da matriz. Bloqueie o modelo, os prompts e as fontes de recuperação sob o Padrão 1 (Seção 4.2). Restrinja o assistente à navegação técnica. Teste a recusa em todos os idiomas do estudo antes da liberação e após alterações nos prompts. Projete o assistente para recusar orientações médicas, dúvidas sobre dosagem e interpretação de itens de instrumentos. Utilize uma resposta fixa direcionando preocupações de saúde à equipe do centro de pesquisa ou aos serviços de emergência, conforme apropriado, encaminhe a interação sinalizada à equipe do centro de pesquisa e agende revisões periódicas dos registros pela equipe do centro de pesquisa ou de segurança para identificar eventos adversos não relatados. Controles de recusa podem deixar passar respostas fora do escopo, motivo pelo qual a revisão dos registros faz parte do conjunto de controles [21]. Submeta os materiais voltados ao participante à revisão aplicável do IRB/IEC. Consulte a Seção 6.2 para divulgação sobre o provedor.
  • Controles sugeridos: Aplique testes exploratórios e não roteirizados de CSA [14]; imponha acesso zero de gravação direta aos bancos de dados clínicos; execute testes de regressão após atualizações de POPs ou da documentação do software; e mantenha avisos na interface do usuário esclarecendo que as orientações são geradas por computador.

Nível 2: Configuração de rascunho em pré-produção e classificação operacional

  • Escopo: Célula típica da matriz: influência média, consequência média. Análise de protocolos de ensaios clínicos por modelos de linguagem de grande porte para gerar rascunhos de cronogramas de Ficha Clínica Eletrônica (eCRF), matrizes de visitas e especificações de edit checks; configuração assistida por IA de parâmetros de suprimento de RTSM e configurações de embalagem; classificação automatizada de documentos do Trial Master File em relação a estruturas padronizadas (por exemplo, TMF Reference Model); e tradução automatizada em rascunho de documentos administrativos do estudo.
  • Controles sugeridos: Mantenha as ferramentas de configuração em etapa anterior à liberação para produção. A elaboração de rascunhos durante o estudo também pode se qualificar quando a revisão ocorre antes do uso. As configurações geradas são tratadas como rascunhos não verificados. Gerentes de dados, bioestatísticos, especialistas em TMF e líderes de randomização revisam, testam e aprovam de forma independente todas as configurações. Utilize testes de aceitação do usuário roteirizados para configurações críticas do estudo antes da liberação. O ICH E6(R3), nas Seções 4.3.4(c) e (e), recomenda a validação antes do uso, incluindo funcionalidades padrão, configurações específicas do estudo e interfaces [2].

Nível 3: Extração de dados regulamentados, garantia da qualidade na captura e vigilância de RBQM

  • Escopo: Célula típica da matriz: influência média, consequência alta. Reconhecimento óptico de caracteres (OCR) aumentado por recuperação extraindo valores laboratoriais de prontuários hospitalares para rascunhos de eCRF; verificações de qualidade de imagem de câmera em tempo real em eCOA (detectando desfoque, reflexo ou ângulos incorretos em diários fotográficos); mascaramento automatizado de informações pessoalmente identificáveis (PII) em digitalizações de documentos-fonte; e pontuação de risco em nível de centro de pesquisa por aprendizado de máquina e vigilância de Limite de Tolerância de Qualidade (QTL) em plataformas de Gerenciamento de Qualidade Baseado em Risco (RBQM) [25][29]. No exemplo de risco do centro de pesquisa, a pontuação tem influência média quando a equipe toma a decisão final e consequência alta quando a perda de um sinal pode atrasar a ação diante de um problema grave de integridade de dados ou segurança do participante.
  • Controles sugeridos: Imponha snapshots de modelo aprovados ou recalibração delimitada sob o Padrão 2, quando apropriado; execute UAT roteirizado utilizando suítes de teste de referência padrão-ouro; implemente arquiteturas de linhagem de fonte vinculando cópias de trabalho tarjadas aos registros-fonte controlados pelo investigador; registre logs imutáveis auxiliares (sidecar) de inferência e de decisão humana; e exija confirmação humana autenticada antes da gravação. Avalie a apresentação dos valores propostos em relação à seção 4.7 da EMA e à orientação de autopreenchimento do CDE, ambas descritas na Seção 5.1 deste guia.

Nível 4: Funções clínicas de controle máximo

  • Escopo: Célula típica da matriz: alta influência, alta consequência. Quantificação automatizada por visão computacional de desfechos de ensaios clínicos (por exemplo, pontuação de FEVE ecocardiográfica, mensuração radiográfica de lesões ou histologia digital) [27]; biomarcadores digitais algorítmicos derivados de sensores vestíveis que embasam alegações de eficácia primária ou secundária; e algoritmos adaptativos de triagem de pacientes que determinam elegibilidade para o ensaio clínico ou dosagem investigacional. (Nota: Os fluxos de trabalho de Comitê de Revisão Independente (IRC) liderados por humanos — nos quais especialistas clínicos revisam imagens médicas e registram as classificações dos leitores — permanecem avaliações clínicas humanas, e não ferramentas automatizadas de pontuação por IA.)
  • Postura regulatória e de testes: O Nível 4 designa um conjunto de controles proposto. O enquadramento como dispositivo médico nos termos da seção 201(h) da FD&C Act, do MDR ou do IVDR é uma determinação separada. Nos Estados Unidos, as funções qualificadas de dispositivos sob investigação são regidas pelo 21 CFR Parte 812 (IDE) [13]. Para investigações conduzidas sob um IDE aprovado, modificações no decorrer do ensaio devem ser avaliadas conforme 21 CFR 812.35. Na União Europeia, investigações clínicas de software que constitui dispositivo médico enquadram-se nos Artigos 62 a 82 e no Anexo XV do MDR, tipicamente conduzidas sob a ISO 14155 [30]. Softwares que se qualificam como dispositivos para diagnóstico in vitro enquadram-se nos requisitos de estudo de desempenho do Regulamento (UE) 2017/746 (IVDR). Softwares de histologia digital que analisam amostras de tecido podem se enquadrar nesse grupo, dependendo da finalidade pretendida. Avalie separadamente a classificação no EU AI Act (consulte a Seção 6.2). A EMA espera que os modelos pivotais de teste de hipóteses e o pré-processamento sejam congelados e documentados antes do bloqueio do banco de dados e apoia a validação clínica prospectiva em cenários de alto impacto [9]. A EClinCloud também sugere adjudicação independente cega quando adequado.

Matriz de Classificação de Risco por Contexto de Uso para Funções de Software em Estudos Clínicos

A avaliação das funções de software do estudo segundo a influência do modelo e a consequência da decisão estabelece controles de qualificação proporcionais, desde testes exploratórios até a validação clínica prospectiva.

Role lateralmente para ver a figura completa.

Nível de QualificaçãoCélula típica da matriz ou ramo atribuídoFunções de Software RepresentativasMarco Regulatório e Escopo LegalControles Sugeridos de Testes e Governança
Nível 1: Assistência Informativa e AdministrativaBaixa influência, baixa consequênciaBots de navegação voltados à equipe; revisão de relatórios de monitoria do CTMS; redação administrativa.Leitura da EClinCloud: a exclusão na minuta da FDA depende de efeitos sobre a segurança dos pacientes, a qualidade do medicamento ou a confiabilidade dos resultados do estudo. Dever do provedor previsto no Artigo 50(1) onde o Regulamento da UE se aplica.Testes não roteirizados e exploratórios de CSA; zero permissões de escrita em base de dados; avisos de isenção na interface; verificações de regressão em atualizações de POP.
Nível 1 (Exceção Voltada ao Participante)Ramo 2B fora da matrizAssistentes móveis de eCOA para pacientes que respondem a dúvidas sobre carregamento do dispositivo, agendamento de alarmes ou navegação.Dever do provedor previsto no Artigo 50(1) onde o Regulamento se aplica.Bloqueio no Padrão 1. Testar a recusa em todos os idiomas do estudo. Direcionar preocupações de saúde à equipe do centro de pesquisa ou aos serviços de emergência, encaminhar sinalizações e revisar registros. Submeter os materiais aplicáveis à revisão de IRB/IEC.
Nível 2: Configuração de Rascunhos em Pré-ProduçãoInfluência média, consequência médiaRascunhos de eCRF/matrizes de visitas, regras de RTSM e classificação de eTMF. Rascunhos de narrativas de segurança de CSR verificados de forma independente apresentam baixa influência e alta consequência (Caso B).Leitura da EClinCloud: o escopo da minuta da FDA depende dos efeitos sobre a segurança, a qualidade do medicamento e a confiabilidade dos resultados do estudo. A revisão independente subsidia a avaliação.As seções 4.3.4(c) e (e) do guia ICH E6(R3) recomendam validação antes do uso. A EClinCloud sugere UAT roteirizado e revisão dos rascunhos.
Nível 3: Extração Regulamentada de Dados e VigilânciaInfluência média, consequência altaExtração por OCR de dados laboratoriais para rascunhos de eCRF; verificações em tempo real da qualidade de imagem no eCOA; tarjamento automatizado de PII; pontuação de risco de centros em RBQM e monitoramento de QTL.A Parte 11 aplica-se quando o sistema está no escopo. O ICH E6(R3) 4.2.2 recomenda controles de trilha de auditoria.Aplique bloqueios de protocolo para extração ou recalibração delimitada para pontuação RBQM qualificada. Teste utilizando casos padrão-ouro e retenha logs auxiliares (sidecar). Avalie como os valores propostos são exibidos em relação à seção 4.7 da EMA e à orientação de autopreenchimento do CDE, ambas descritas na Seção 5.1 do artigo.
Nível 4: Funções clínicas de mais alto controleAlta influência, alta consequênciaPontuação automatizada de FEVE ecocardiográfica; quantificação radiográfica de lesões; biomarcadores digitais por sensores vestíveis que dão suporte a alegações de eficácia primária.Avalie o status de dispositivo separadamente. Quando a função atender à definição de dispositivo, aplique os requisitos investigacionais pertinentes da FDA ou os requisitos de MDR/IVDR da UE e avalie o escopo do AI Act.A EMA espera que os modelos e o pré-processamento para testes de hipóteses estejam congelados e documentados antes do bloqueio da base de dados. A EClinCloud sugere adjudicação cega quando adequado.

Os níveis e os controles sugeridos representam recomendações da EClinCloud; as classificações legais refletem os marcos normativos aplicáveis.

Fonte: Sintetizado pela EClinCloud com adaptação da Minuta de Orientação da FDA (FDA-2024-D-4689), da Seção 4.3.4 do guia ICH E6(R3) e dos princípios do GAMP 5.

3.3 Exemplos práticos de classificação para funções comuns de software de ensaios clínicos

Para demonstrar como a triagem em três perguntas se aplica a funções comuns de software de ensaios clínicos, considere cinco implementações representativas:

  • Caso A: Sugestões de codificação MedDRA em EDC: Uma plataforma de EDC integra um modelo de embedding que sugere Termos de Nível Mais Baixo e Termos Preferidos do Medical Dictionary for Regulatory Activities (MedDRA) para termos verbatim de eventos adversos inseridos pelos coordenadores de centro de pesquisa.

    Triagem: A diretriz da EMA menciona a codificação em seu escopo [19]. A confirmação automática utiliza a regra de autorização da Questão 1. Na fila de sugestões, um codificador médico aceita ou substitui ativamente o código. A ramificação 2D a encaminha para a Questão 3. A influência é média porque a sugestão direciona a revisão. A consequência é alta porque uma codificação incorreta pode ocultar sinais de segurança.

    Resultado: Nível 3 (Extração de Dados Regulados e Assistência à Codificação). Operando no gerenciamento ativo de dados de ensaios clínicos, requer controles de Nível 3, incluindo validação de dicionário com conjunto de referência (golden set), registro de substituições e confirmação humana obrigatória por codificador médico.

  • Caso B: Geração automatizada de narrativas de segurança para Relatório de Estudo Clínico (CSR): Uma ferramenta de CDMS ou de redação médica utiliza um LLM para elaborar rascunhos de narrativas de segurança de pacientes a partir de bancos de dados de eventos adversos, listagens laboratoriais e medicações concomitantes.

    Triagem: O resultado permanece como rascunho. Pela Questão 3, a consequência é alta e a influência é baixa quando um redator médico verifica o conteúdo de forma independente em relação à fonte. A EClinCloud considera que o teste de escopo da Seção II da minuta da FDA depende da influência efetiva sobre a segurança do paciente, a qualidade do medicamento ou a confiabilidade dos resultados do estudo. A verificação independente embasa essa avaliação sem definir o escopo legal [1].

    Resultado: Nível 2. Valide o fluxo de trabalho de rascunhos e registre a revisão em relação às listagens de origem.

  • Caso C: Assistente de navegação para participantes em eCOA: Um assistente conversacional integrado a um aplicativo móvel de eDiary responde a dúvidas dos participantes sobre carregamento do dispositivo, programação de alarmes do diário e navegação no aplicativo.

    Triagem: Questão 1: Privilégio de escrita? Sem acesso de escrita às respostas do questionário. Questão 2: Proximidade? Diretamente voltado ao participante, acionando a ramificação 2B.

    Resultado: Nível 1 com salvaguardas de navegação. Aplique o bloqueio do Padrão 1 e as salvaguardas para participantes na Seção 3.2.

  • Caso D: Ferramenta automatizada de pré-triagem de elegibilidade de pacientes: Um algoritmo de triagem em prontuário eletrônico de saúde (EHR) sinaliza potenciais candidatos ao ensaio para os coordenadores de estudo do centro de pesquisa com base nos critérios de inclusão/exclusão do protocolo.

    Triagem: A diretriz da EMA menciona recrutamento e elegibilidade [19]. A equipe do centro de pesquisa visualiza um sinalizador informativo e decide a elegibilidade de forma independente. Pela Questão 3, a influência é média e a consequência é alta.

    Resultado: Nível 3. Teste uma amostra tanto de registros não sinalizados quanto de registros sinalizados. Um algoritmo que determina a elegibilidade sem uma decisão humana independente utiliza a ramificação 2A e os controles de Nível 4.

  • Caso E: Assistente automatizado de elaboração de discrepâncias / queries: Uma ferramenta de gerenciamento de dados analisa os dados do eCRF em relação às regras do protocolo e elabora rascunhos de propostas de queries para revisão pelo gerente de dados antes do envio aos centros de pesquisa.

    Triagem: A diretriz da EMA menciona processos de esclarecimento de dados e queries [19]. A ferramenta complementa as verificações de edição (edit checks) programadas. O gerente de dados verifica as queries propostas antes do envio. Neste exemplo, ela prioriza a revisão, tornando a influência média e a consequência média quanto ao atraso na resolução.

    Resultado: Nível 2. Teste a acurácia dos rascunhos e inspecione uma amostra de registros não sinalizados em busca de discrepâncias não detectadas. Reavalie a consequência caso ela substitua uma verificação de edição (edit check) estabelecida.

4. Controle de versão, governança de mudanças e salvaguardas contra deriva silenciosa

A validação convencional de sistemas computadorizados testa uma versão de software, configuração, estado do sistema e ambiente operacional controlados. Implantações de IA podem mudar por meio de checkpoints ou parâmetros do provedor, atualizações nas fontes de recuperação e variações nas entradas encontradas entre regiões ou contextos clínicos. Registre quais entradas e condições de execução a validação abrange.

4.1 Realidades de implantação: resumos criptográficos auto-hospedados vs. modelos hospedados em nuvem

Uma distinção prática de engenharia que os líderes de garantia da qualidade devem reconhecer é que os mecanismos de bloqueio de versão diferem entre modelos auto-hospedados e APIs comerciais de nuvem de terceiros:

  • Modelos auto-hospedados e de pesos abertos. Registre impressões digitais SHA-256 dos pesos aprovados, das imagens de contêiner, da configuração e das dependências de inferência. Restrinja as implantações aos artefatos aprovados e verifique as impressões digitais do que o ambiente de execução realmente carrega. As restrições de alteração e as verificações de liberação fornecem o controle. Uma impressão digital identifica a versão que está sendo verificada.
  • Nuvem comercial e APIs de provedores de hiperescala: Quando o software do estudo clínico se conecta a modelos proprietários em nuvem por meio de APIs externas, os provedores geralmente não expõem os pesos dos modelos, as arquiteturas neurais nem os resumos criptográficos. Além disso, os provedores de hiperescala descontinuam pontos de verificação (checkpoints) de modelos em cronogramas comerciais que podem entrar em conflito com os prazos plurianuais dos estudos clínicos. Adicionalmente, configurações de temperatura igual a zero reduzem, mas não eliminam completamente, o não determinismo das saídas em clusters de GPU distribuídos. Para APIs em nuvem, solicite as evidências disponíveis de controle de alterações do provedor e um identificador de modelo fixado e datado (por exemplo, que faça referência a uma data de lançamento estática específica, em vez de um alias flutuante como -latest).

Salvaguardas contra deriva silenciosa para APIs hospedadas: Um identificador de API estável confirma o rótulo. Os resultados dos testes revelam se o comportamento mudou. Para evitar ajustes silenciosos de parâmetros sob um identificador inalterado, recomendamos que os patrocinadores exijam reexecuções periódicas programadas de conjunto padrão-ouro (por exemplo, mensais ou trimestrais). O fornecedor ou patrocinador executa um conjunto automatizado de testes de benchmark por meio do endpoint de API ativo, medindo a proporção de campos numéricos do conjunto padrão-ouro que diferem da referência, incluindo campos ausentes, em comparação com um limiar predefinido. Suspenda o uso da função afetada para investigação e teste novamente caso a proporção exceda o limiar.

Para gerenciar os ciclos de vida de APIs de terceiros em estudos plurianuais, sugerimos que os patrocinadores incorporem um Protocolo de Migração Forçada e Descontinuação aos Acordos de Qualidade com fornecedores:

  1. Aviso Prévio Contratual: O fornecedor concorda contratualmente em fornecer aviso prévio por escrito antes da desativação, descontinuação ou modificação de parâmetros de qualquer endpoint de modelo de terceiros subjacente (uma meta inicial ilustrativa de 30 dias, vinculada à política de aviso comercial publicada pelo provedor).
  2. Testes de Concordância em Conjunto de Referência (Golden Set): Ao receber o aviso de descontinuação, o fornecedor e o patrocinador executam uma avaliação comparativa comparando o modelo que está sendo descontinuado com o substituto designado em um conjunto validado de testes de referência (golden benchmark), medindo a concordância das saídas em relação a faixas de tolerância predefinidas.
  3. Avaliação de Impacto sob o ICH E6(R3): Em conformidade com a Seção 4.3.4(c) do ICH E6(R3), que estabelece que a validação deve avaliar o impacto de alterações de software tanto nos dados históricos quanto nos dados futuros do estudo, as equipes de gerenciamento de dados e bioestatística documentam se a migração do modelo poderia introduzir viés sistemático ou alterações nos padrões de extração de dados [2].
  4. Relatório de Ponte Documentado no TMF: A justificativa do controle de mudanças, os resultados da avaliação comparativa e a avaliação de risco são documentados em um relatório formal de ponte do Trial Master File aprovado pela Garantia da Qualidade (QA) antes da entrada em produção.

4.2 Três Padrões de Governança de Mudanças e a Posição da EMA sobre Modelos Congelados

Para alinhar a manutenção de software às expectativas regulatórias, recomendamos atribuir cada capacidade de IA a um de três padrões de governança de mudanças antes do Primeiro Paciente Incluído (FPI):

Padrão de Governança de Mudanças Escopo e Níveis Aplicáveis Mecanismo Técnico Governança de Qualidade e Validação
Padrão 1: Snapshot Imutável Bloqueado por Protocolo Ferramentas de construção do estudo e de redação durante o estudo de Nível 2, extração regulada de Nível 3, algoritmos de Nível 4 congelados para o estudo conforme a posição aplicável da EMA e navegação de participantes de Nível 1. Congelar os pesos do modelo SHA-256 (ou identificador de API fixado por data), os prompts de sistema, os parâmetros de decodificação e os índices de recuperação por construção do estudo. Zero alterações permitidas no meio do estudo sem controle de mudanças formal, testes de regressão contra conjuntos de referência (golden benchmark) dentro de faixas de tolerância definidas e aprovação da Garantia da Qualidade (QA).
Padrão 2: Recalibração Operacional Limitada Modelos de vigilância de RBQM / pontuação de risco de centro de pesquisa de Nível 3. A recalibração ocorre estritamente dentro de limites operacionais predefinidos, com critérios de convergência documentados e gatilhos automatizados de reversão (quando tecnicamente viável em versões auto-hospedadas ou com suporte). Protocolo de mudança limitada pré-especificado no Plano de Gerenciamento de Dados ou no Plano de Monitoramento do estudo; avaliar as alterações conforme recomenda a Seção 4.3.4(c) do ICH E6(R3) [2].
Padrão 3: Liberação Controlada de Tenant com Acesso Zero de Gravação Assistentes de fluxo de trabalho voltados à equipe e ferramentas administrativas de Nível 1. Atualizações regulares sob os ciclos de vida de desenvolvimento de software do fornecedor e testes exploratórios/sem script de CSA. Isolamento lógico em relação aos bancos de dados clínicos; zero permissões de gravação; testes de regressão em POPs atualizados e salvaguardas de prompt.

Posição da EMA sobre Modelos Congelados em Estudos Pivotais: Para estudos pivotais em fase tardia, a Seção 2.3.3.3 do documento de reflexão da EMA preconiza testes prospectivos de desempenho antes da implantação em cenários de alto impacto regulatório, como a análise de desfecho primário. Ela espera que o pipeline de pré-processamento e os modelos utilizados para testes de hipóteses sejam congelados e documentados antes do bloqueio do banco de dados e da subsequente quebra de cegamento. A EMA rejeita o aprendizado incremental nesse contexto e espera interação regulatória para emendar o plano de análise estatística caso um modelo seja alterado durante o estudo [9]. Utilize o Padrão 1 para análise confirmatória. Avalie o Padrão 2 separadamente para um uso operacional, como a pontuação de centros de pesquisa em RBQM, incluindo se a alteração poderia modificar a captura de dados de desfecho ou o monitoramento.

4.3 Validação em Estágios Pré-Liberação e Asserções Adversariais de UAT

Inspirando-se nos ambientes em etapas testados em projeto-piloto no programa AI Airlock da MHRA do Reino Unido [21], a EClinCloud recomenda que os patrocinadores implementem um pipeline de testes pré-liberação em três etapas antes de implantar atualizações de software de Nível 3 ou Nível 4:

  • Etapa de Simulação: Conduzir workshops multidisciplinares de testes de estresse reunindo gerentes de dados, engenheiros de software e coordenadores clínicos para avaliar o comportamento do modelo sob condições simuladas desafiadoras (como fotos de smartphone de baixa resolução, registros clínicos multilíngues e valores clínicos extremos) [21].
  • Etapa Virtual: Reprocessar conjuntos de dados históricos congelados de ensaios clínicos com o algoritmo atualizado em um ambiente sandbox seguro e isolado para avaliar a concordância em relação a linhas de base históricas validadas, verificando se a variância das saídas permanece estritamente dentro das faixas de tolerância pré-definidas [21].
  • Etapa de Implantação em Sombra (Extensão Operacional da EClinCloud): Como uma extensão operacional além do que o sandbox da Fase 2 da MHRA avaliou (que testou dados retrospectivos e sintéticos separados dos fluxos clínicos) [21], os patrocinadores podem executar o modelo atualizado silenciosamente em paralelo com o sistema de produção validado existente por uma duração ilustrativa de 14 a 30 dias. Antes de executar em modo sombra, confirme que o processamento permanece dentro do protocolo, do consentimento e dos termos de processamento de dados do fornecedor. Não exiba as saídas do modo sombra à equipe do centro de pesquisa nem as grave nos registros do estudo. Isso permite que os engenheiros quantifiquem a concordância das saídas em fluxos de dados clínicos ao vivo antes de alternar os fluxos de trabalho principais.

Durante os Testes de Aceitação do Usuário (UAT) formais, as equipes de Garantia da Qualidade (QA) do patrocinador devem executar asserções adversariais direcionadas mapeadas para os respectivos níveis:

  1. Verificação de Proveniência em Tempo de Execução e Metadados (Níveis 2, 3, 4): Consulte a API de inferência e confirme que cada transação retorna um model_id_and_version inequívoco (resumo criptográfico SHA-256 para modelos auto-hospedados; identificador de versão datado e fixado para APIs em nuvem) e um prompt_or_config_hash compatível com o dossiê aprovado de qualificação do fornecedor.
  2. Matriz de Perturbação de Referência e Localidade (Níveis 3, 4): Execute um pacote de benchmark automatizado contendo digitalizações clínicas corrompidas, fotos inclinadas tiradas por celular, rótulos de medicamentos bilíngues e variações numéricas regionais (como vírgulas decimais europeias vs. pontos decimais americanos e formatos de data DD-MM-YYYY vs. MM-DD-YYYY). Meça a proporção de campos numéricos do benchmark que diferem da referência, incluindo campos omitidos. Compare-a com o limiar predefinido e retenha a liberação para investigação e reexecução caso ultrapasse o limiar.
  3. Calibração de Recusa e Incerteza (Níveis 1 Voltado ao Participante, 3, 4): Submeta digitalizações completamente ilegíveis, documentos recortados e perguntas médicas fora do escopo. Confirme que o sistema aciona um sinalizador explícito de recusa por baixa confiança, solicitando entrada manual humana ou escalonamento ao coordenador, em vez de fabricar valores plausíveis.
  4. Isolamento de Rascunhos Não Confirmados (Níveis 2, 3): Tente realizar envios programáticos via API e pela interface de front-end para transicionar um documento do eTMF para o status Arquivado ou um campo de dados de eCRF para o status Salvo diretamente a partir de uma saída de IA sem um evento autenticado de revisão humana. Confirme que o sistema computadorizado nega estritamente o acesso de escrita, exigindo confirmação humana.

5. Registro de inferência e disposição para inspeção

Para sistemas fechados sujeitos à Part 11, a norma 21 CFR 11.10(e) exige trilhas de auditoria seguras, geradas por computador e com marcação de data e hora, que registrem de forma independente a data e a hora das ações do operador que criam, modificam ou excluem registros eletrônicos [31]. Complementando essa norma vinculante, as Perguntas e Respostas (Q&A) sobre Sistemas Eletrônicos da FDA, Q12–Q14 [12], o guia ICH E6(R3), Seção 4.2.2 [2], a Diretriz da EMA EMA/INS/GCP/112288/2023 [19] e a diretriz sobre sistemas computadorizados do CDE da China [6] recomendam que os sistemas computadorizados mantenham rastreabilidade cronológica completa. Para se preparar para a inspeção, teste se o histórico pode ser reconstruído: O patrocinador consegue reconstruir os dados originais, o evento de inferência e sua disposição subsequente, incluindo a pessoa responsável ou o ator de máquina autorizado e o estado resultante do registro?

5.1 Modos de falha forense: pré-preenchimentos fantasmas e linhagem da fonte em cópias de trabalho

Quando fornecedores de software tratam a inteligência artificial como uma conveniência transitória de interface do usuário, em vez de um processo computadorizado passível de inspeção, surgem duas falhas graves de conformidade forense:

  1. Preenchimentos prévios fantasmas: Se um modelo de reconhecimento óptico de caracteres ou um modelo de linguagem preencher automaticamente um campo de eCRF em um navegador web e um coordenador de pesquisa clínica simplesmente clicar em Salvar, as trilhas de auditoria padrão do banco de dados registrarão apenas que o coordenador inseriu os dados. Um evento de salvamento, por si só, impossibilita ao auditor distinguir uma sugestão automatizada de um valor verificado pelo coordenador. Teste se outras evidências retidas permitem reconstruir o fluxo de trabalho. A seção 4.7 da EMA desaconselha o pré-preenchimento ou preenchimento automático de campos, a menos que não sejam editáveis e sejam derivados de dados inseridos anteriormente [19]. A diretriz do CDE da China, em geral, desaconselha configurar pontos de dados para preenchimento automático, a menos que não sejam editáveis ou sejam derivados de dados inseridos anteriormente (páginas impressas 3–4) [6]. Ambas abordam o preenchimento automático sem mencionar IA. A EClinCloud interpreta a saída de modelo gravada em um campo editável como pré-preenchimento sob ambas as diretrizes. Durante a qualificação, verifique se a interface mantém a sugestão separada do campo até que uma pessoa a aceite ou a insira. Para preenchimentos prévios editáveis, documente o risco e a avaliação conforme a orientação aplicável. Trate um preenchimento prévio fora das condições aplicáveis como um problema de design a ser resolvido antes da liberação. A Seção 4.2.2 do ICH E6(R3) recomenda manter as ações relevantes do fluxo de trabalho para dados de maior criticidade [2]. Os princípios de boas práticas de IA da FDA e da EMA apoiam a avaliação da etapa de revisão humana no contexto de uso [11].
  2. Quebra de linhagem da fonte após tarjamento automatizado de privacidade: Quando softwares clínicos aplicam filtros de visão computacional ou processamento de linguagem natural para tarjar nomes de pacientes, números de identificação nacional ou características faciais em prontuários médicos enviados ou diários fotográficos de eCOA, fornecedores às vezes sobrescrevem ou descartam o arquivo original sem tarjamento. Essa prática compromete a integridade dos dados. O documento de perguntas e respostas (Q&A) sobre sistemas eletrônicos da FDA (Q3) descreve uma cópia certificada como aquela verificada por conter as mesmas informações, incluindo contexto, conteúdo e estrutura, que o original [12]. Um documento mascarado ou tarjado, portanto, não é uma cópia certificada; trata-se de uma cópia de trabalho tarjada. Os documentos-fonte originais contendo identificadores de pacientes devem permanecer sob controle físico e legal do investigador clínico no centro de pesquisa (ou em uma partição controlada pelo investigador e com acesso segregado), observando o Princípio 1.6 e a Seção 3.16.1(t) do ICH E6(R3) relativos à confidencialidade dos participantes e às leis de privacidade aplicáveis [2]. Em nossa arquitetura recomendada, o sistema acessível ao patrocinador retém uma cópia de trabalho tarjada e criptografada e a vincula ao original mantido no centro de pesquisa por meio de um ponteiro de origem e de um digest SHA-256 gerado pelo centro de pesquisa, estabelecendo linhagem verificável da fonte para apoiar a verificação de dados-fonte durante auditorias.

5.2 Sugestão de registro de evento de inferência e disposição em sidecar

A EClinCloud propõe um evento de inferência imutável para cada invocação de Nível 2, Nível 3 ou Nível 4. Acrescente uma disposição distinta vinculada ao UUID da inferência. Para uma sugestão adiada, preserve o estado inicial e acrescente qualquer disposição posterior, mantendo ambos os eventos em ordem.

  • inference_event_uuid: Um identificador universalmente único que estabelece vinculação relacional direta entre o evento de IA e o registro correspondente na base de dados clínica (por exemplo, campo de eCRF, upload de eCOA ou artefato de eTMF).
  • model_id_and_version: Identificador de modelo fixado, digest de contêiner ou data de versão estática em nuvem. A orientação sobre DHT da FDA recomenda registrar quando e como cada DHT foi atualizado. A EClinCloud aplica essa abordagem de manutenção de registros a cada registro de modelo [13].
  • prompt_or_config_hash: Resumo criptográfico SHA-256 das instruções de sistema, modelos de prompt, snapshot do banco de dados vetorial de RAG, configurações de temperatura e parâmetros de limiar de decisão.
  • source_pointer_and_hash: Localizador único e hash SHA-256 que vincula a cópia de trabalho criptografada e tarjada ao original. Calcule o SHA-256 do original no centro de pesquisa ao fazer a cópia de trabalho e armazene-o com a cópia. Verifique-o por meio de recálculo no centro de pesquisa.
  • raw_ai_output_and_score: A sugestão da máquina não editada e sua pontuação de confiança, quando disponível, mantidas independentemente do que aconteça ao registro.
  • disposition_state: Registre HUMAN_REVIEWED, AUTHORIZED_AUTOMATED ou UNCOMMITTED. Um item adiado permanece não confirmado até que uma disposição posterior permita a gravação.
  • human_disposition_action: Para uma revisão humana efetiva, registre ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY ou DEFERRED. Deixe este campo vazio quando não tiver ocorrido revisão.
  • machine_actor_and_authorization_ref: Para uma disposição automatizada autorizada, identifique o serviço ou tarefa (job) executora e vincule o contexto aprovado e as autorizações aplicáveis da Seção 3.1. Uma gravação automatizada sem esses registros falha no teste.
  • final_committed_value: Para uma disposição confirmada após revisão humana ou automatizada autorizada, mantenha o resultado exato gravado no registro clínico. Deixe este campo vazio em uma disposição não confirmada.
  • reviewer_id_and_role: Quando ocorrer revisão humana, registre a identidade autenticada e a função, dando suporte à segregação de funções recomendada na Diretriz da EMA 112288/2023 [19].
  • override_reason_code: Quando ocorrer revisão humana, registre o motivo sempre que o revisor substituir uma sugestão de alta confiança ou aceitar uma predição de baixa confiança, dando suporte à análise de causa raiz de qualidade.
  • inference_and_disposition_timestamps: Carimbos de data/hora UTC de alta precisão para a execução e cada disposição subsequente, incluindo a assinatura humana quando tiver ocorrido, consistentes com as recomendações para relógio do sistema da FDA Q14 e possibilitando análises do tempo de permanência em revisão [12].
  • review_dwell_seconds: Para revisão humana concluída, registre a duração desde a apresentação até a submissão, fornecendo metadados operacionais para avaliar o rigor da revisão.

Registros sugeridos de inferência e disposição e verificação

Registre a inferência e acrescente sua disposição atribuível. Utilize evidências separadas para revisão humana, gravações automatizadas autorizadas e resultados que permanecem não efetivados.

Role lateralmente para ver a figura completa.

Nome do campoTipo de dado e formato de exemploJustificativa regulatória e de governançaMétodo recomendado de verificação de UAT
UUID do evento de inferênciaString UUID (p. ex., 'a1b2c3d4-...')Chave estrangeira relacional que vincula diretamente a inferência de IA ao registro no banco de dados clínico (eCRF, eCOA, eTMF).Verificar se o evento é resolvido para o registro ou rascunho pretendido e se todas as tentativas permanecem rastreáveis.
ID e versão do modeloString: ID do modelo + SHA-256 / ID datadoCaptura a versão exata do modelo e o identificador de implantação. A orientação sobre DHT da FDA recomenda um registro de atualização para cada DHT. A EClinCloud estende isso aos registros de modelo.Confirmar que a API retorna model_id_and_version correspondente ao dossiê aprovado.
Hash do prompt ou da configuraçãoString: resumo hexadecimal SHA-256 de 64 caracteresIdentifica o snapshot aprovado de prompts, parâmetros de decodificação e índices de recuperação.Recalcular o SHA-256 sobre o payload de prompt e configuração; confirmar correspondência com o hash da versão aprovada.
Ponteiro e hash da fonteLocalizador da fonte e SHA-256 calculado no centro de pesquisa no momento da criação da cópia de trabalhoEstabelece a linhagem da fonte vinculando a cópia de trabalho tarjada ao registro original mantido no centro de pesquisa.Recalcular no centro de pesquisa e comparar com o hash retido.
Saída bruta de IA e pontuaçãoObjeto JSON: texto/valor + pontuação em ponto flutuante (float)Persiste a sugestão da máquina sem edição e a pontuação de confiança para reconstruir a predição inicial.Confirmar que o payload de saída contém a predição original antes da exibição na interface humana.
estado_de_disposiçãoHUMAN_REVIEWED / AUTHORIZED_AUTOMATED / UNCOMMITTEDDistingue o resultado do evento de inferência.Reproduza uma sugestão adiada seguida de uma decisão. Verifique se ambas as disposições permanecem vinculadas e ordenadas.
ator_de_máquina_e_ref_de_autorizaçãoServiço ou tarefa em execução e ID do registro de aprovação para automação autorizadaIdentifica a responsabilidade da máquina e a autorização da Seção 3.1.Rejeite uma gravação automatizada injetada sem aprovação aplicável. Verifique o ator e a referência de aprovação em uma gravação permitida.
acao_de_disposicao_humanaCondicional à revisão humana efetiva: ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY ou DEFERRED.Alinha-se aos Princípios Orientadores 1 e 8 da FDA-EMA para avaliar a interação humano-IA e a supervisão.Execute as ações humanas e verifique se o campo está vazio quando nenhuma pessoa revisou a saída.
valor_final_confirmadoString / Numérico / Entrada codificadaCaptura o valor gravado por revisão humana ou automação autorizada.Compare o valor gravado com a disposição. Verifique se um evento adiado ou não efetivado não possui valor efetivado.
id_e_funcao_do_revisorString: ID do usuário autenticado + funçãoRegistra a revisão humana quando ela ocorre.Compare a identidade e a função com a sessão de revisão. Verifique se nenhuma identidade humana é registrada para uma disposição exclusivamente automatizada.
codigo_de_motivo_de_substituicaoEnum / Código categórico + texto opcionalJustificativa obrigatória quando um humano substitui saída de IA de alta confiança ou aceita saída de baixa confiança.Tentar enviar sem código de motivo em caso de substituição (override); verificar que a validação da interface bloqueie a gravação.
registros_de_data_e_hora_de_inferencia_e_disposicaoString UTC ISO 8601 (YYYY-MM-DDThh:mm:ssZ)Registra os horários em UTC de inferência e de disposição, incluindo qualquer assinatura humana efetiva.Verificar que os registros de data e hora (timestamps) sejam capturados de relógios de sistema NTP sincronizados no formato UTC.
segundos_de_permanencia_na_revisaoFloat / Inteiro (segundos)Entrada opcional de RBQM para revisão humana concluída.Verifique o tempo decorrido desde a apresentação até o envio. Deixe em branco se não tiver ocorrido revisão humana.

Todos os campos, códigos de motivo e asserções de verificação representam implementações sugeridas pela EClinCloud.

Fonte: Projetado pela EClinCloud para operacionalizar o 21 CFR 11.10(e), as perguntas e respostas sobre sistemas eletrônicos da FDA (FDA Electronic Systems Q&A) Q12–Q14, a Seção 4.2.2 do ICH E6(R3) e a Diretriz EMA 112288/2023.

5.3 Aproveitamento de metadados de auditoria para vigilância de RBQM e prontidão para inspeções

A Seção 4.2.3 do ICH E6(R3) recomenda que os patrocinadores realizem revisões baseadas em risco dos dados clínicos e de metadados, incluindo trilhas de auditoria [2]. Ao agregar metadados de auditoria em nível de transação entre centros de pesquisa, gerentes centrais de dados e líderes de Gerenciamento de Qualidade Baseado em Risco (RBQM) podem identificar anomalias operacionais:

  • Monitoramento da complacência à automação por meio do tempo de permanência na revisão: Com base no Insight 2 do AI Airlock da MHRA do Reino Unido sobre a potencial erosão da supervisão humana ao longo do tempo [21], os painéis de monitoramento central podem acompanhar a Taxa de Aceitação de IA juntamente com o Tempo Médio de Permanência na Revisão. Se a equipe do centro de pesquisa registrar consistentemente disposições ACCEPTED_UNCHANGED em documentos complexos de várias páginas com tempos de permanência abaixo de um limiar ilustrativo (por exemplo, menos de dois segundos por página), esse sinal operacional serve como um indicativo para averiguação. Os líderes de gerenciamento de dados podem investigar se os coordenadores estão verificando os documentos-fonte ou aceitando os resultados de forma superficial, agendando retreinamento direcionado quando apropriado. Contudo, os líderes de QA devem reconhecer que o tempo de permanência é um indicador operacional indireto com limites inerentes: um tempo de permanência baixo, por si só, é um sinal ambíguo (por exemplo, um coordenador pode ter inspecionado minuciosamente os registros-fonte em papel antes de abrir a tela do software), e um tempo de permanência alto pode refletir uma tela deixada aberta. A EClinCloud recomenda relatar o tempo de permanência no nível do centro de pesquisa, a menos que os contratos com o centro e as normas aplicáveis de proteção de dados e trabalhistas permitam o relato individual.
  • Rastreamento de mudanças na distribuição regional por meio das taxas de substituição: O monitoramento da Taxa de Substituição Humana entre centros de pesquisa, países e redes laboratoriais alerta as operações clínicas sobre mudanças emergentes na distribuição. Um aumento repentino nas taxas de substituição em centros internacionais recém-integrados pode servir como um indicativo para investigar diferenças em abreviações médicas locais, formatos de prontuários hospitalares ou unidades laboratoriais, identificando a necessidade de ajustes localizados de UAT. A EClinCloud sugere calcular ambas as taxas por função, centro de pesquisa e período. Conte apenas as disposições concluídas com revisão humana. Divida as aceitações sem edição por esse denominador para obter a taxa de aceitação e divida as edições somadas às rejeições pelo mesmo denominador para obter a taxa de substituição. Exclua os eventos automatizados autorizados. Relate os adiamentos separadamente e inclua um item adiado nas taxas somente após sua disposição humana concluída. Exiba o denominador junto a cada taxa.
  • Exportação de trilhas de auditoria cronológicas: Para sistemas fechados dentro do escopo da Parte 11, o 21 CFR 11.10(b) trata de cópias para inspeção e o 11.10(e) trata de trilhas de auditoria [31]. O ICH E6(R3), Seção 4.2.2(c), recomenda trilhas de auditoria e logs interpretáveis para revisão [2]. A Q12 da FDA recomenda reter trilhas de auditoria em um formato pesquisável e ordenável e aceita um formato estático, como PDF, quando isso for impraticável [12]. O §6.2.1 da EMA trata da revisão e da exportação [19]. Para a qualificação de fornecedores, a EClinCloud sugere verificar a exportação do log de auditoria completo em um formato documentado legível por máquina, como CSV ou XML, que possa ser aberto sem ferramentas proprietárias do fornecedor. Obtenha uma apresentação correspondente legível por humanos, como um PDF. Verifique se ambos exibem o UUID da inferência, os identificadores do modelo e da configuração, o ponteiro da fonte, a sugestão bruta, o estado da disposição, o valor confirmado quando presente e os carimbos de data e hora em UTC sincronizados. Para uma decisão humana, inclua o revisor e o motivo aplicável. Para automação autorizada, inclua o ator de máquina e a referência de autorização.

6. O AI Act da UE: onde o software de ensaios clínicos realmente se enquadra

Lidos em conjunto, o AI Act e o Regulamento (UE) 2026/1744 estabelecem uma estrutura em camadas. Comece pelo escopo e, em seguida, determine a classificação e qualquer obrigação de transparência [7] [8].

6.1 A exclusão para pesquisa científica: Artigo 2(6), Considerando 25 e Artigo 2(8)

A questão jurídica liminar para qualquer ferramenta de ensaio clínico é se ela se enquadra na exceção de pesquisa e desenvolvimento estabelecida no Artigo 2(6) [7]. O Artigo 2(6) dispõe textualmente:

"Este Regulamento não se aplica a sistemas de IA ou modelos de IA, incluindo seus resultados, especificamente desenvolvidos e colocados em serviço com o único propósito de pesquisa e desenvolvimento científicos." [7]

O Considerando 25 explica essa exclusão, afirmando que os sistemas de IA desenvolvidos e colocados em serviço exclusivamente para pesquisa e desenvolvimento científicos devem ser excluídos do escopo do Regulamento, observando, porém, que "qualquer outro sistema de IA que possa ser utilizado para a condução de qualquer atividade de pesquisa e desenvolvimento deve permanecer sujeito às disposições deste Regulamento." [7]

O Artigo 2(6) questiona por que o sistema de IA foi desenvolvido e colocado em serviço. Para uma ferramenta eClinical fornecida comercialmente, documente a finalidade pretendida específica e a implantação. Partes interessadas solicitaram à Comissão orientações mais claras sobre a aplicação das exclusões de pesquisa em áreas que incluem medicamentos e dispositivos médicos [7] [32]. As duas leituras a seguir são interpretações editoriais para testar diante dos fatos de cada implantação.

  • Implantação específica para pesquisa. Um analisador de protocolo desenvolvido e colocado em serviço para uma finalidade definida de pesquisa científica poderia apresentar um argumento mais sólido nos termos do Artigo 2(6). Registre a especificação de projeto, o contrato, os usuários permitidos e as restrições de implantação que demonstrem essa finalidade. Um rótulo de ensaio clínico fornece evidência limitada por si só [7].
  • Serviço operacional reutilizável. Uma plataforma que atende a múltiplas finalidades, como fluxos de trabalho de estudo e processamento geral de documentos, apresenta um argumento mais fraco. Documente os papéis de provedor e de implantador com base nos arranjos reais de desenvolvimento, fornecimento e implantação. O Considerando 25 distingue sistemas de IA desenvolvidos e colocados em serviço com a finalidade exclusiva de pesquisa científica de outros sistemas que porventura sejam utilizados em pesquisa [7].

Triagem de qualificação. Utilize esses três casos para identificar evidências a serem levadas aos revisores jurídicos e de qualidade aplicáveis. Registre a classificação e reavalie-a se a finalidade prevista ou a implantação mudar.

  1. Software de uso geral e multiuso: Nos termos do Considerando 25, outros sistemas de IA utilizados para pesquisa permanecem sujeitos ao Regulamento. Em nossa leitura, isso abrange modelos fundacionais gerais, chatbots comerciais de suporte e ferramentas corporativas gerais de OCR utilizados em pesquisa [7].
  2. Software específico para ensaios licenciado comercialmente: Para uma ferramenta de OCR laboratorial de EDC ou um classificador de eTMF dentro do escopo do Ato, determine se sua finalidade prevista atende a uma classificação do Anexo I ou do Anexo III e se se aplica um dever de transparência do Artigo 50 [7].
  3. Pesquisa, testes e desenvolvimento pré-mercado. O Artigo 2(8) exclui pesquisa, testes e desenvolvimento relativos a sistemas ou modelos de IA antes da colocação no mercado ou entrada em serviço, sujeitos ao direito aplicável da União. Sua exclusão não abrange testes em condições reais. Isso é distinto do Artigo 2(6). A Pergunta 25 do MDCG 2025-6 (não vinculante) trata as investigações clínicas e os estudos de desempenho de IA para dispositivos médicos de alto risco como testes em condições reais e explica que o Artigo 60(1) preserva o direito aplicável da União ou nacional, incluindo o MDR e o IVDR [7] [30] [33] [34].

6.2 Alterações do Digital Omnibus: prazos, Artigos 4a, 6(1a)–(1b), 6(3) e 50

O Regulamento (UE) 2026/1744 (o Digital Omnibus sobre IA, publicado no Jornal Oficial em 24 de julho de 2026 e que entrou em vigor em 27 de julho de 2026) promulgou alterações importantes ao Regulamento (UE) 2024/1689 [8]:

  • Datas de aplicação das Seções 1–3 do Capítulo III. O Artigo 113, conforme alterado, aplica essas três seções, com exceção do Artigo 6(5), a partir de 2 de dezembro de 2027 para sistemas de alto risco classificados nos termos do Artigo 6(2) e do Anexo III, e a partir de 2 de agosto de 2028 para sistemas classificados nos termos do Artigo 6(1) e do Anexo I [8]. Para o Artigo 6(1), verifique o critério de produto ou componente de segurança e o requisito de avaliação de conformidade por terceiros. Nos termos do Artigo 6(1c), uma avaliação por terceiros desencadeada exclusivamente por riscos não relacionados à saúde e à segurança não atende ao Artigo 6(1)(b) [8]. O Artigo 50 tem um cronograma separado abaixo. O Artigo 2(13) permite que obrigações específicas nos Artigos 9 a 15 e 17 a 25 sejam limitadas para sistemas de alto risco do Artigo 6(1). A legislação da Seção A do Anexo I deve fornecer proteção equivalente ou superior para a saúde, a segurança ou os direitos fundamentais, e a limitação deve preservar o nível geral de proteção do Regulamento. A Comissão deve adotar atos delegados até 2 de agosto de 2027 especificando os sistemas, as obrigações, as condições e o escopo [7][8].

  • Transparência do Artigo 50(1) a partir de 2 de agosto de 2026. Quando o Regulamento se aplica, os fornecedores de sistemas de IA destinados a interagir diretamente com pessoas devem informá-las sobre a interação, “a menos que isso seja evidente do ponto de vista de uma pessoa natural razoavelmente bem-informada, atenta e circunspecta, levando em conta as circunstâncias e o contexto de uso” [7]. O Artigo 50(5) estabelece o prazo na primeira interação ou exposição. Para a qualificação do estudo, a EClinCloud recomenda verificar a existência de uma divulgação legível em assistentes conversacionais voltados a participantes e a centros de pesquisa.

  • Esclarecimentos às regras de classificação de alto risco do Artigo 6: O Regulamento (UE) 2026/1744 acrescentou regras sobre componentes de segurança no Artigo 6(1a) e (1b) [8]. Nos termos do Artigo 6(1a), um sistema de IA usado exclusivamente para aspectos não relacionados à segurança de assistência ao usuário, otimização de desempenho, eficiência do serviço, automação ou conveniência, ou controle de qualidade fica fora da classificação de componente de segurança do Regulamento [8]. Por outro lado, o Artigo 6(1b) esclarece que o status de componente de segurança se aplica sempre que uma falha ou mau funcionamento do sistema de IA possa colocar em risco a saúde e a segurança [8]. Em nossa análise, a maioria das ferramentas eClinical operacionais (como agendadores de CTMS ou ferramentas de indexação de TMF) situa-se inteiramente fora do Anexo I e do Anexo III [7]. Para softwares que tangenciam um domínio do Anexo III, o Artigo 6(3) estabelece que um sistema de IA não será considerado de alto risco se não representar risco significativo de dano à saúde, à segurança ou aos direitos fundamentais E atender a pelo menos uma de quatro condições específicas: (a) executar uma tarefa procedimental restrita; (b) melhorar o resultado de uma atividade humana previamente concluída; (c) ter como finalidade detectar padrões de tomada de decisão ou desvios em relação a padrões anteriores, com revisão humana adequada exigida caso possa influenciar ou substituir uma avaliação humana previamente concluída; ou (d) executar uma tarefa preparatória para uma avaliação [7]. Um sistema do Anexo III que realiza definição de perfis de pessoas naturais permanece de alto risco nos termos do Artigo 6(3) [7]. Nos termos do Artigo 6(4), um fornecedor que invoque uma derrogação do Artigo 6(3) deve documentar sua avaliação antes de colocar o sistema no mercado ou colocá-lo em serviço e registrar o sistema no banco de dados da UE nos termos do Artigo 49(2), obrigações que entram em vigor em 2 de dezembro de 2027 [7][8].

  • Tratamento condicional de viés nos termos do Artigo 4a. O Artigo 4a aplica-se a partir de 27 de julho de 2026, nos termos do Artigo 4 do Regulamento modificador, e estabelece uma exceção legal estritamente salvaguardada para o tratamento de categorias especiais de dados pessoais (incluindo dados de saúde, genéticos e biométricos) com a finalidade de detectar e corrigir viés algorítmico [8]. Nos termos do Artigo 4a(1), os fornecedores de sistemas de IA de alto risco podem tratar categorias especiais de dados pessoais estritamente para detecção e correção de viés, sujeitos a seis condições cumulativas, além do GDPR ou de outra legislação aplicável de proteção de dados da UE:

    (a) a detecção e a correção de viés não podem ser efetivamente realizadas por meio do tratamento de outros dados, incluindo dados sintéticos ou anonimizados;

    (b) limitações técnicas à reutilização de dados pessoais e medidas de segurança e de preservação da privacidade no estado da arte, incluindo pseudonimização;

    (c) acesso estritamente restrito a pessoal autorizado sujeito a obrigação de confidencialidade;

    (d) os dados pessoais não são transmitidos, transferidos nem acessados de outra forma por outras partes;

    (e) os dados pessoais são excluídos após a correção do viés ou ao término do período de retenção, o que ocorrer primeiro; e

    (f) registros das atividades de tratamento são mantidos indicando os motivos pelos quais o tratamento foi estritamente necessário [8].
    O Artigo 4a(2) estende a permissão a fornecedores e implantadores de outros sistemas e modelos de IA, e a implantadores de sistemas de IA de alto risco, quando o tratamento for estritamente necessário para detectar e corrigir vieses suscetíveis de afetar a saúde e a segurança das pessoas, ter impacto negativo sobre direitos fundamentais ou levar a discriminação proibida nos termos do direito da União, e quando todas as condições do parágrafo 1 forem atendidas. A disposição estabelece: "Este parágrafo não cria qualquer obrigação de realizar tal detecção e correção de viés." [8]. Na leitura da EClinCloud, isso é relevante quando os testes de viés de software de estudo clínico, como pré-triagem de elegibilidade ou medição de desfecho, utilizarem dados de saúde dos participantes.

Aplicabilidade e limites de implementação do Regulamento de IA da UE para software de ensaios clínicos

O escopo, a classificação de alto risco e a transparência dependem do uso pretendido. As datas das Seções 1–3 do Capítulo III, exceto o Artigo 6(5), são distintas das do Artigo 50.

Role lateralmente para ver a figura completa.

Categoria de sistema de IA / Fluxo de trabalhoClassificação e base legal no Regulamento de IA da UEData de aplicação efetivaAções sugeridas de qualificação para patrocinadores e fornecedores
Software autônomo de fluxo de trabalho eClinical (EDC, CTMS, eTMF, RTSM)Leitura da EClinCloud: tipicamente fora do Anexo I e do Anexo III. Confirmar em relação à finalidade pretendida.Confirmar o escopo e a finalidade pretendida.Documentar a finalidade pretendida e avaliar os artigos 2 e 6 para a implantação efetiva.
IA específica do ensaio que abrange domínios do Anexo III com derrogação do art. 6(3)Não alto risco via derrogação do art. 6(3) (exige: ausência de risco significativo, uma das quatro condições e ausência de definição de perfis).2 de dezembro de 2027 para as regras aplicáveis das Seções 1–3 do Capítulo III, exceto o Artigo 6(5).Documente a avaliação do Artigo 6(3) antes da colocação no mercado ou entrada em serviço. Prepare-se para o registro no banco de dados da UE nos termos do Artigo 49(2) até dezembro de 2027.
Dispositivos médicos habilitados por IA / SaMD sob o MDR 2017/745 ou o IVDR 2017/746Sistema de IA de alto risco do Anexo I quando o Artigo 6(1) se aplica. O Artigo 6(1c) exclui do Artigo 6(1)(b) as avaliações desencadeadas exclusivamente por riscos não relacionados à saúde e à segurança.2 de agosto de 2028 para as Seções 1–3 do Capítulo III, exceto o Artigo 6(5), caso em que se aplicam o Artigo 6(1) e o Anexo I.Para dispositivos abrangidos pelo MDR, determine se os requisitos de investigação clínica dos Artigos 62–82 e do Anexo XV se aplicam. Considere a ISO 14155 nesse contexto de investigação clínica. Para dispositivos abrangidos pelo IVDR, avalie separadamente os requisitos aplicáveis de estudo de desempenho. Consulte as Fontes 30 e 33.
Assistentes conversacionais voltados a participantes (suporte técnico)Dever de divulgação do provedor nos termos do artigo 50(1) quando o Regulamento se aplica, sujeito à sua exceção de interação óbvia.2 de agosto de 2026Verificar se o provedor implementou divulgações de interface legíveis e acessíveis informando os participantes de que estão interagindo com IA; confirmar a aprovação do CEP/IEC.
Tratamento de dados de saúde de categoria especial para mitigação de viés (artigo 4a)O Artigo 4a(1) abrange fornecedores de IA de alto risco sob salvaguardas cumulativas. O Artigo 4a(2) estende condicionalmente a permissão a implantadores de IA de alto risco e a outros fornecedores e implantadores de IA.27 de julho de 2026 nos termos do artigo 4 do Regulamento (UE) 2026/1744.Aplique todas as condições da Seção 6.2 e a legislação de proteção de dados aplicável. Nos termos do parágrafo (2), estabeleça a necessidade estrita e o limite aplicável relativo à saúde, à segurança, aos direitos fundamentais ou à discriminação proibida. A permissão não cria um dever geral de realizar processamento relativo a viés.
IA desenvolvida e colocada em serviço exclusivamente para P&D científicaArtigo 2(6): finalidade exclusiva de pesquisa e desenvolvimento científicos. Separadamente, o artigo 2(8) exclui pesquisa, testes e desenvolvimento pré-comercialização, ficando os testes em condições reais fora dessa exclusão.Avaliar as condições distintas de escopo.Examinar se o SaaS comercial se qualifica no critério de P&D de finalidade exclusiva; não presumir isenção automática para plataformas comerciais multilocatário.

As datas das Seções 1–3 do Capítulo III excluem o Artigo 6(5). Verifique separadamente o escopo de pesquisa do Artigo 2 para a implantação efetiva.

Fonte: Sintetizado pela EClinCloud a partir do Regulamento (UE) 2024/1689 (AI Act) e do Regulamento (UE) 2026/1744 (Digital Omnibus sobre IA).

7. Uma sequência ilustrativa de implementação em fases de 90 dias para patrocinadores e CROs

A transição de scripts piloto ad hoc para uma estrutura de governança de IA defensável em inspeções exige um plano de implementação ordenado e em etapas. Patrocinadores e CROs podem operacionalizar essas recomendações por meio de uma sequência ilustrativa de 90 dias, cujo cronograma real dependerá dos ciclos de lançamento de software do fornecedor e dos procedimentos internos de gestão de mudanças.

7.1 Dias 1 a 30: Inventário, triagem do contexto de uso e triagem regulatória

  • Inventário abrangente de ativos de IA: Catalogue toda capacidade de inteligência artificial, aprendizado de máquina e processamento de linguagem natural incorporada em sistemas de ensaios clínicos ativos e planejados, abrangendo analisadores de protocolo de eCRF, OCR médico, scanners de qualidade de imagem de eCOA, indexadores de eTMF, detectores de anomalias de RBQM e assistentes de codificação médica.
  • Triagem de contexto de uso. Aplique a triagem de três perguntas na Seção 3.1 e registre as evidências que fundamentam cada atribuição de nível.
  • Situação jurídica e triagem de dispositivos médicos. Inicie pelo Nível 4 e avalie qualquer função cuja finalidade pretendida possa atender à definição de dispositivo conforme a Seção 201(h) do FD&C Act, o MDR ou o IVDR. Determine a via investigacional aplicável [13] [30] [33]. Verifique a disposição de divulgação na Seção 6.2 para assistentes conversacionais voltados a participantes ou centros de pesquisa.

7.2 Dias 31 a 60: Reestabelecimento de linha de base de POPs, acordos de qualidade e esquema de auditoria sidecar

  • Atualizações de POPs. Distinga (1) regulamentos vinculantes, incluindo as disposições aplicáveis de 21 CFR Partes 11, 50, 56, 312 e 812, o Regulamento de Ensaios Clínicos da UE, o MDR, o IVDR e o AI Act, além do Comunicado nº 50 de 2026 da NMPA da China [18] [30] [33] [7] [5], (2) guias adotados, incluindo a diretriz da EMA sobre sistemas computadorizados e o ICH E6(R3), um guia que o Artigo 47 orienta patrocinadores e investigadores a levarem em consideração em ensaios na UE [19] [2] [18], (3) recomendações de agências, incluindo os guias da FDA sobre eSystems Q&A, DHT, CSA e E6(R3) e a diretriz do CDE da China sobre sistemas computadorizados [4] [6] [12] [13] [14], e (4) minutas de guias, incluindo FDA-2024-D-4689 [1].
  • Acordos de qualidade. Aplique a disposição de notificação da Seção 4.1 e utilize a lista única de solicitações a fornecedores da Seção 8.3.
  • Arquitetura de Trilha de Auditoria Sidecar. Capture cada inferência bruta e a disposição subsequente conforme a Seção 5.2. Teste a reconstrução para resultados revisados por humanos, automatizados autorizados e não confirmados. Registre os campos de revisor somente quando uma pessoa efetivamente revisar a sugestão [12].
  • Linhagem da fonte. Implemente o procedimento de controle pelo investigador e de cópia de trabalho da Seção 5.1.

7.3 Dias 61 a 90: UAT com conjunto padrão-ouro, verificação adversarial e monitoramento de metadados de RBQM

  • Curadoria de Conjuntos de Teste Golden Benchmark: Compile conjuntos de teste golden benchmark anonimizados e específicos do estudo que representem todo o espectro operacional dos dados do ensaio, incluindo digitalizações de múltiplos centros, fotos degradadas e variações regionais de formatação.
  • Execução de UAT Adversarial: Execute as quatro verificações direcionadas de UAT adversarial nos níveis aplicáveis: (1) verificação de proveniência em tempo de execução e de hash (Níveis 2, 3, 4); (2) testes de perturbação golden e de localidade (Níveis 3, 4); (3) testes de limiar de recusa e de incerteza (Níveis 1 voltado ao participante, 3, 4); e (4) testes de isolamento de rascunhos não confirmados (Níveis 2, 3).
  • Operacionalização da Vigilância de Metadados de RBQM: Configure painéis de monitoramento de Gestão da Qualidade Baseada em Risco para agregar metadados de transações, acompanhando AI Acceptance Rate, Human Override Rate e Mean Review Dwell Time entre os centros de pesquisa, sujeito ao limite de reporte da Seção 5.3, como sinais operacionais para investigar possível complacência com a automação e desvio de distribuição regional [2][21].
  • Exercícios de exportação da trilha de auditoria. Reconstrua um registro assistido por IA utilizando o procedimento de exportação da Seção 5.3.

8. Qualificação de fornecedor sob acordo de confidencialidade: um exemplo de caso da EClinCloud

Ao qualificar um fornecedor de plataforma eClinical corporativa sob um acordo formal de confidencialidade, os auditores de QA do patrocinador devem avaliar se a arquitetura técnica do fornecedor oferece suporte à conformidade regulatória nos distintos módulos funcionais. A documentação pública da EClinCloud (acessada em 13 de novembro de 2026) ilustra como uma plataforma integrada de software clínico multimódulo aborda capacidades de IA delimitadas por tarefa [35].

8.1 Estrutura pública de confiança e arquitetura delimitada por tarefas

Em seu centro público de confiança e conformidade, a EClinCloud documenta certificações corporativas de qualidade e segurança, incluindo ISO/IEC 42001:2023 (Sistema de Gestão de Inteligência Artificial), ISO 27001 (Gestão de Segurança da Informação), ISO 27701 (Gestão da Informação de Privacidade), ISO 9001 (Gestão da Qualidade), ISO 20000 (Gestão de Serviços de TI), Cloud Security Alliance (CSA) STAR e DJCP (MLPS da China) [36]. Em suas declarações públicas sobre arquitetura, a empresa articula um princípio central de governança:

"Na plataforma ECC, a IA está sempre vinculada a tarefas específicas — análise de protocolos, entrada via OCR, classificação de documentos, varredura de riscos e perguntas e respostas — com humanos revisando as saídas." [36]

De acordo com as especificações da plataforma da empresa, a EClinCloud oferece opções de implantação privada / local (on-premises), sendo os arranjos específicos de hospedagem confirmados com as equipes dos clientes durante a avaliação técnica [35].

8.2 Limites de qualificação módulo a módulo

Esta seção aplica a estrutura utilizando as declarações públicas da EClinCloud. Os itens de verificação especificam as evidências que um patrocinador esperaria revisar, e que a EClinCloud forneceria, sob um acordo de confidencialidade. Os números de desempenho são informados pela empresa. Um número de eCOA é atribuído a um estudo pediátrico de Fase II. As páginas citadas não fornecem denominadores nem métodos de avaliação para nenhum dos números.

  • Captura Eletrônica de Dados (EDC):

    O que a EClinCloud declara: A EClinCloud declara que a análise de protocolos de estudos clínicos por modelo de linguagem de grande porte pode reduzir o esforço inicial de construção do estudo em 60%, com visitas, formulários e verificações de edição (edit checks) gerados sendo revisados e confirmados por gerentes de dados antes da entrada em produção [35][37]. O fornecedor também declara que o OCR médico opera em 1,000+ tipos de formulários com acurácia de reconhecimento de 95%+ na página da plataforma [35]. Sua página de EDC descreve a análise aumentada por recuperação (retrieval-augmented parsing) [37]. A página de EDC informa acurácia de reconhecimento de 95%, analisando registros-fonte e sincronizando-os diretamente no EDC, reduzindo o tempo de entrada por formulário de 8–10 minutos para menos de 3 minutos e diminuindo o esforço de verificação de dados-fonte (SDV) em 20%, incorporando tarjamento automatizado de informações de identificação pessoal (PII) [37].

    Classificação da EClinCloud e verificação recomendada para o patrocinador: Classificaríamos a análise de protocolos como Nível 2 e a extração de dados-fonte por OCR como Nível 3, em que a confirmação autenticada precede a gravação definitiva (commit). Durante auditorias de qualificação, os patrocinadores devem verificar: (1) se o EDC em produção exige confirmação humana atribuível antes de gravar valores extraídos por OCR e como apresenta sugestões em relação às orientações de autopreenchimento da Seção 5.1; (2) se as digitalizações-fonte originais sem tarjamento permanecem sob controle do investigador; e (3) se as sugestões brutas de OCR e as decisões humanas são registradas em uma trilha de auditoria complementar (sidecar) exportável.

  • Randomização e Gerenciamento de Suprimentos do Estudo (RTSM):

    O que a EClinCloud declara: A EClinCloud declara que a análise de protocolos por IA configura o RTSM em uma etapa, reduzindo o esforço de configuração em 10% a 20%, juntamente com alertas inteligentes de suprimentos [38].

    Classificação da EClinCloud e verificação recomendada para o patrocinador: Classificaríamos a configuração automatizada do RTSM como configuração de pré-produção de Nível 2. Durante auditorias de qualificação, os patrocinadores devem verificar: (1) se regras de randomização, tipos de kits e cronogramas de dispensação gerados por IA são tratados como rascunhos não confirmados que exigem aprovação documentada de um bioestatístico qualificado e do responsável por suprimentos antes da liberação para produção; e (2) se o sistema impede estritamente gravações automatizadas por IA em tabelas de randomização ativas ou algoritmos de atribuição de kits durante o estudo em andamento.

  • Avaliação Eletrônica de Desfechos Clínicos (eCOA):

    O que a EClinCloud declara: A EClinCloud declara que seu módulo eCOA oferece suporte a cinco modalidades de avaliação: Desfechos Eletrônicos Relatados pelo Paciente (ePRO), Desfechos Eletrônicos Relatados pelo Clínico (eClinRO), Desfechos Eletrônicos Relatados pelo Observador (eObsRO), Desfechos Eletrônicos de Desempenho (ePerfO) e Diários Eletrônicos (eDiary) [39]. A empresa informa que verificações em tempo real da qualidade de imagem da câmera elevaram as taxas de aprovação fotográfica em um estudo pediátrico de Fase II de 40% para aproximadamente 95%, reduzindo os ciclos de retrabalho de 24–48 horas para menos de 5 segundos [39]. Também informa extração automatizada de texto de rótulos de medicamentos com 95% de acurácia em menos de 5 segundos e mascaramento automatizado de PII [39]. A plataforma inclui um assistente conversacional sensível a perfis de acesso (LinBot) que responde a dúvidas sobre o sistema e os fluxos de trabalho [39].

    Classificação e verificação da EClinCloud. Verificações orientativas de qualidade de imagem são Nível 3 sob o Ramo 2C. A extração de rótulos é Nível 3 quando o participante ou o centro de pesquisa confirma o valor extraído antes de salvá-lo. Verifique a confirmação atribuível antes da gravação definitiva, o registro da extração bruta e da confirmação, e o posicionamento dos valores sugeridos em relação às orientações de autopreenchimento da Seção 5.1. A assistência de fluxo de trabalho do LinBot, conforme descrita no site, é Nível 1. Caso os participantes possam utilizá-lo, verifique as salvaguardas de navegação da Seção 3.2, incluindo divulgações aplicáveis do provedor, recusa, escalonamento e revisão de segurança pelo centro de pesquisa [7].

  • Serviços Científicos e de Estudos Clínicos (Limite de Especialistas Humanos):

    O que a EClinCloud declara: A documentação pública de serviços da EClinCloud lista Gerenciamento de Escalas, Validação Linguística (incluindo tradução, retrotradução e debriefing cognitivo) e Treinamento de Avaliadores como serviços gerenciados de estudos clínicos [40].

    Classificação da EClinCloud e verificação recomendada para o patrocinador: Observamos que essas ofertas representam serviços clínicos e linguísticos humanos especializados, e não recursos automatizados de software. Os patrocinadores devem verificar, durante a qualificação de serviços, se as permissões de licenciamento das escalas foram formalmente obtidas junto aos detentores dos direitos autorais e se os fluxos de validação linguística incorporam linguistas qualificados no idioma de destino.

  • Arquivo Mestre Eletrônico do Estudo (eTMF):

    O que a EClinCloud declara: A EClinCloud declara que seu módulo eTMF oferece classificação automatizada de documentos em relação ao Índice TMF, juntamente com verificações de qualidade no envio (detectando arquivos duplicados, páginas em branco, digitalizações desfocadas e marcas d'água) e assistência do LinBot, observando explicitamente que "o arquivamento é confirmado por uma pessoa" [41].

    Classificação da EClinCloud e verificação recomendada para o patrocinador: Classificaríamos esse fluxo de trabalho como classificação preliminar de Nível 2. Os patrocinadores devem verificar: (1) se as sugestões automatizadas de índice documental não podem alterar o status de um artefato para Filed (Arquivado) sem confirmação autenticada de um especialista humano em documentação; e (2) se as etiquetas de classificação sugeridas e as ações humanas de confirmação são registradas na trilha de auditoria.

  • Sistema de Gerenciamento de Estudos Clínicos (CTMS):

    O que a EClinCloud declara: A EClinCloud declara que o CTMS oferece configuração de projeto por IA com um clique, supervisão orientada por RBQM e revisão de texto por IA para relatórios de monitoria. A página da plataforma descreve a varredura de riscos por IA [35] [42].

    Classificação da EClinCloud e verificação recomendada para o patrocinador: Classificaríamos a elaboração de rascunho de configuração como Nível 2, a revisão de texto de relatórios de monitoria como Nível 1 e a varredura de riscos por IA (página da plataforma) como Nível 3. Os patrocinadores devem verificar: (1) se sinais de risco e rascunhos de relatórios de monitoria exigem aprovação humana autenticada de um CRA e do gerente do estudo antes do arquivamento; e (2) se qualquer modelo de risco por IA segue limites de recalibração predefinidos sob controle de mudanças do Padrão 2.

  • Comitê de Revisão Independente (IRC), Gerenciamento de Recursos (RM) e eLearning:

    O que a EClinCloud declara. A EClinCloud lista IRC, Gerenciamento de Recursos e eLearning como módulos da plataforma [35].

    Classificação da EClinCloud e verificação recomendada para o patrocinador: Os patrocinadores devem verificar se o módulo IRC incorpora alguma pontuação automatizada de lesões por IA ou se opera puramente como uma plataforma cega de gerenciamento de fluxo de trabalho para revisores clínicos humanos, e confirmar que as funções de pontuação do eLearning operam de forma determinística.

8.3 Questionamentos de auditoria recomendados antes do go-live do estudo

Ao conduzir uma auditoria formal de qualificação da EClinCloud ou de um fornecedor equivalente de software eClinical sob um acordo de confidencialidade, os auditores de garantia da qualidade (QA) do patrocinador devem solicitar os seguintes artefatos de verificação:

  1. Pacote de certificação ISO/IEC 42001:2023: Inspecionar o relatório de auditoria independente de terceiros e a Declaração de Aplicabilidade do Sistema de Gestão de Inteligência Artificial do fornecedor, avaliando os procedimentos internos de gerenciamento de riscos para deriva algorítmica, proveniência de dados e controles com intervenção humana (human-in-the-loop) [36].
  2. Cláusulas contratuais de governança de modelos: Confirmar que o Contrato Mestre de Serviços ou o Acordo de Qualidade do fornecedor inclui: (a) a disposição de notificação da Seção 4.1; (b) acesso para inspeção regulatória à arquitetura do modelo e à documentação de treinamento, quando aplicável nos termos da Seção 2.3.3.1 do Reflection Paper da EMA [9]; e (c) recursos técnicos de reversão de contingência (fallback rollback), quando viável em versões auto-hospedadas ou com suporte do fornecedor.
  3. Arquitetura de linhagem de fonte. Verificar o procedimento de controle pelo investigador da Seção 5.1 por meio de diagramas técnicos de fluxo de dados para registros laboratoriais clínicos tarjados ou fotos de eCOA.
  4. Demonstração de exportação da trilha de auditoria. Solicitar uma reconstrução ao vivo de uma entrada em eCRF assistida por IA seguindo a Seção 5.3.
  5. Verificação de hospedagem e fronteira soberana: Para ensaios clínicos multirregionais sujeitos a restrições de transferência transfronteiriça de dados, inspecionar as configurações de nuvem privada ou VPC dedicada do fornecedor para confirmar que os dados do ensaio clínico e os pipelines de inferência permanecem dentro das jurisdições nacionais designadas [35].

Patrocinadores que desejam discutir limites de qualificação em nível de módulo, esquemas de trilha de auditoria e arquiteturas de hospedagem soberana podem entrar em contato com a EClinCloud por meio de sua página de solicitação de demonstração de produto ou do portal de contato geral.


9. Metodologia e limitações

Para garantir total transparência quanto às evidências e às estruturas analíticas apresentadas neste relatório, os seguintes limites metodológicos e limitações são explicitamente documentados:

  • Texto regulatório. A análise utiliza os regulamentos primários, os guias adotados e as minutas identificados ao longo do texto. As datas de implementação na China e na UE são as informadas no material citado. Adeque a análise à autorização, ao mercado e ao uso pretendido de cada estudo.

  • Convenção editorial. As regras vinculantes são identificadas pelos números de seus regulamentos ou artigos. O Artigo 47 do Regulamento de Ensaios Clínicos da UE orienta patrocinadores e investigadores a levar devidamente em conta as diretrizes de GCP do ICH. Os níveis de qualificação, os padrões de controle de mudanças, os campos de auditoria, os exemplos numéricos e o cronograma são recomendações da EClinCloud [18].

  • Literatura e evidências primárias. A Seção 2 utiliza os relatórios publicados de Shyr, Carroll, Yang, McKown, Karako e Gao, e Thierry. As Seções 3 e 4 utilizam o relatório do sandbox da MHRA, o estudo de QTL de Yan e as fontes regulatórias ali citadas [10] [24] [25] [26] [27] [28] [21] [29].

  • Métricas de desempenho do fornecedor: Todas as métricas de desempenho e os números de eficiência operacional associados aos módulos de software da EClinCloud (como percentuais de acurácia de OCR, reduções no tempo de construção e taxas de aprovação fotográfica) são métricas declaradas pela empresa a partir de documentação pública acessada em 13 de novembro de 2026 [35][36][37][38][39][40][41][42]. Essas métricas não foram testadas nem validadas de forma independente por autoridades regulatórias. Os patrocinadores devem validar de forma independente o desempenho do software em relação aos seus próprios protocolos de estudo, requisitos de usuário e conjuntos de testes de referência padrão-ouro.


Principais pontos para equipes de Operações Clínicas e QA

  1. Identifique as regras vinculantes e as orientações aplicáveis. Documente os regulamentos, os guias adotados e as minutas relevantes para a função. O Artigo 47 do Regulamento de Ensaios Clínicos da UE orienta patrocinadores e investigadores a levar devidamente em conta as diretrizes de GCP do ICH [18].
  2. Classifique cada fluxo de trabalho. Utilize a triagem de três perguntas da Seção 3.1 para testar gravações não confirmadas, a proximidade de participantes ou decisões e as classificações de influência e consequência.
  3. Implemente controle de versão adequado à implantação e salvaguardas contra desvio (drift): Exija resumos criptográficos SHA-256 dos pesos e das imagens de contêiner para modelos de pesos abertos auto-hospedados. Para APIs comerciais em nuvem, exija identificadores de modelo fixados com data, aviso prévio contratual para descontinuação de modelos e reexecuções periódicas do conjunto padrão-ouro com faixas de tolerância predefinidas. Para ensaios pivotais, a EMA espera que os modelos e os pipelines de pré-processamento usados para testes de hipóteses sejam congelados e documentados antes do bloqueio do banco de dados [9].
  4. Preserve as evidências para inspeção. Utilize as Seções 5.1 e 5.3 para o controle do investigador, as exportações e o limite para o relato de tempo de permanência individual.

Fontes

1. FDA dos EUA — Considerações sobre o Uso de Inteligência Artificial para Apoiar a Tomada de Decisões Regulatórias para Medicamentos e Produtos Biológicos (Minuta de Orientação, Docket FDA-2024-D-4689, 6 de janeiro de 2025; Minuta — Não destinada à implementação)

2. Conselho Internacional para Harmonização (ICH) — Diretriz de Boas Práticas Clínicas E6(R3), Diretriz Consolidada Final da Etapa 4 (Adotada em 16 de junho de 2026; Princípios e Anexo 1 finalizados em 6 de janeiro de 2025; Anexo 2 adotado em 3 de junho de 2026)

3. Agência Europeia de Medicamentos (EMA) — Diretriz ICH E6(R3) sobre Boas Práticas Clínicas (Princípios e Anexo 1 vigentes a partir de 23 de julho de 2025; Anexo 2 e versão consolidada vigentes a partir de 15 de janeiro de 2027)

4. FDA dos EUA — E6(R3) Boas Práticas Clínicas (GCP) (Orientação Final de Nível 1, Docket FDA-2023-D-1955, setembro de 2025)

5. Administração Nacional de Produtos Médicos da China (NMPA) — Boas Práticas Clínicas para Medicamentos (Revisão de 2026, Comunicado 2026 nº 50, emitido conjuntamente por NMPA, NHC, NATCM e NDCPA em 21 de maio de 2026; em vigor a partir de 1 de setembro de 2026)

6. China Center for Drug Evaluation (CDE) — Aviso nº 44 de 2026 que publica a Diretriz sobre Sistemas Computadorizados e Dados Eletrônicos em Ensaios Clínicos de Medicamentos, em vigor a partir de 22 de setembro de 2026 (aviso republicado pelo China Food and Drug Net com o PDF da diretriz em anexo)

7. União Europeia, Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho que estabelece regras harmonizadas em matéria de inteligência artificial (Regulamento de Inteligência Artificial), Jornal Oficial L, 12 de julho de 2024

8. União Europeia, Regulamento (UE) 2026/1744 que altera os Regulamentos (UE) 2024/1689, (UE) 2018/1139 e (UE) 2023/1230 (Omnibus Digital sobre IA), Jornal Oficial L, 24 de julho de 2026

9. Agência Europeia de Medicamentos (EMA) — Documento de Reflexão sobre o Uso de Inteligência Artificial (IA) no Ciclo de Vida dos Medicamentos (EMA/CHMP/CVMP/83833/2023, adotado em setembro de 2024)

10. Shyr C, Taylor R, Jagtap V, Cheng AC, Harris PA — Generative artificial intelligence implementation in REDCap, JAMIA Open, junho de 2026 (PMID 42369825 / PMC13302799)

11. FDA dos EUA e Agência Europeia de Medicamentos (EMA) — Princípios Orientadores de Boas Práticas de IA no Desenvolvimento de Medicamentos (10 princípios conjuntos não vinculativos, janeiro de 2026)

12. FDA dos EUA — Sistemas Eletrônicos, Registros Eletrônicos e Assinaturas Eletrônicas em Investigações Clínicas: Perguntas e Respostas (Rev. 1, Guia Final Não Vinculativo, outubro de 2024)

13. FDA dos EUA — Tecnologias de Saúde Digital para Aquisição Remota de Dados em Investigações Clínicas (Guia Final Não Vinculativo, dezembro de 2023)

14. FDA dos EUA — Garantia de Software Computacional para Software de Sistema de Produção e Gestão da Qualidade (Guia Final Não Vinculativo, Docket FDA-2022-D-0795, republicado em 3 de fevereiro de 2026)

15. FDA dos EUA — Recomendações para Submissão de Comercialização de um Plano de Controle de Mudanças Predeterminado para Funções de Software de Dispositivos Habilitados por Inteligência Artificial (Guia Final Não Vinculativo, Docket FDA-2022-D-2628, republicado em 18 de agosto de 2025)

16. FDA dos EUA — Funções de Software de Dispositivos Habilitados por Inteligência Artificial: Gestão do Ciclo de Vida e Recomendações para Submissão de Comercialização (Minuta de Guia, Docket FDA-2024-D-4488, 7 de janeiro de 2025; Minuta — Não destinada à implementação)

17. FDA. E6(R3) Boas Práticas Clínicas: Anexo 2, Minuta de Guia de Nível 1. Acesso em 13 de novembro de 2026.

18. Parlamento Europeu e Conselho — Regulamento (UE) nº 536/2014 relativo aos ensaios clínicos de medicamentos para uso humano e que revoga a Diretiva 2001/20/CE, Jornal Oficial L 158, 27 de maio de 2014

19. Agência Europeia de Medicamentos (EMA) — Diretriz sobre Sistemas Computadorizados e Dados Eletrônicos em Ensaios Clínicos (EMA/INS/GCP/112288/2023, publicada em março de 2023, em vigor seis meses após a publicação)

20. Comissão Europeia (DG SANTE) — Consulta às Partes Interessadas sobre as Diretrizes de BPF do EudraLex Volume 4: Capítulo 4, Anexo 11 Revisado e Novo Anexo 22 sobre IA (consulta preliminar encerrada em outubro de 2025; status de minuta no final de 2026)

21. MHRA do Reino Unido — Relatório do Programa AI Airlock Sandbox Fase 2 (com apoio do DHSC e do RIO; 51 inscrições, 7 candidatos-piloto; publicado em junho de 2026, atualizado em julho de 2026)

22. MHRA do Reino Unido — Visão geral do programa de sandbox regulatório AI Airlock Fase 3 (Publicado em 6 de outubro de 2026)

23. International Society for Pharmaceutical Engineering (ISPE) — Guia GAMP: Inteligência Artificial (julho de 2025) e Estrutura GAMP 5 Segunda Edição

24. Carroll A, Brown D, Silvio D, Maszatics J, Hanauer DA — Avaliação de grandes modelos de linguagem para triagem e resposta automatizadas de chamados de suporte do REDCap, JAMIA Open, junho de 2026 (PMID 42261354 / PMC13242945)

25. Yang Z — Aprendizado de máquina para predição de risco de centros em ensaios clínicos: desenvolvimento, validação externa e aplicação operacional na qualificação de centros, International Journal of Medical Informatics, maio de 2026 (PMID 41741318)

26. McKown S, Arnold B, Boucher F et al. (ISOQOL TCA-SIG AI Working Group) — Uso de IA em processos de validação linguística de COA e migração para eCOA: análise e recomendações de boas práticas, Journal of Patient-Reported Outcomes, fevereiro de 2026 (PMID 41652288)

27. Karako K, Gao J — Ultrassonografia assistida por inteligência artificial (IA) em ensaios clínicos: automação de desfechos, monitoramento descentralizado e prontidão regulatória, Drug Discoveries & Therapeutics, maio de 2026 (PMID 42002939)

28. Thierry A, Manson A, Podhaisky HP — Como as tecnologias digitais de saúde têm sido utilizadas para dar suporte à aprovação regulatória de medicamentos, Therapeutic Innovation & Regulatory Science, Publicado online em julho de 2026; Edição de novembro de 2026 (PMID 42440213)

29. Yan L, Yu Z, Wu L, Liu R, Lin J — Otimização do monitoramento de Limites de Tolerância de Qualidade em ensaios clínicos por meio de métodos de aprendizado de máquina, Therapeutic Innovation & Regulatory Science, maio de 2025 (PMID 40000584)

30. União Europeia, Regulamento (UE) 2017/745 do Parlamento Europeu e do Conselho relativo aos dispositivos médicos (MDR), Artigos 62–82 e Anexo XV: Investigações Clínicas, Jornal Oficial L 117, 5 de maio de 2017

31. 21 CFR § 11.10 — Controles para sistemas fechados (eCFR)

32. Comissão Europeia — Apoio à implementação do AI Act com diretrizes claras

33. União Europeia — Regulamento (UE) 2017/746 relativo aos dispositivos médicos para diagnóstico in vitro, incluindo estudos de desempenho

34. Medical Device Coordination Group (MDCG) e AI Board — MDCG 2025-6 / AIB 2025-1: Orientação sobre a interação entre os Regulamentos de Dispositivos Médicos da UE e o Regulamento de Inteligência Artificial da UE (junho de 2025)

35. EClinCloud — Arquitetura da plataforma unificada de evidências clínicas e opções de hospedagem (Acessado em 13 de novembro de 2026)

36. EClinCloud — Estrutura de Confiança e Conformidade (Certificação ISO/IEC 42001:2023, CSA STAR, DJCP China MLPS; Acessado em 13 de novembro de 2026)

37. EClinCloud — Especificação da solução de Captura Eletrônica de Dados (EDC) (Análise de protocolo por LLM e OCR médico; Acessado em 13 de novembro de 2026)

38. EClinCloud — Especificação da Solução de Randomização e Gerenciamento de Suprimentos para Ensaios Clínicos (RTSM) (Acesso em 13 de novembro de 2026)

39. EClinCloud — Especificação da Solução de Avaliação Eletrônica de Desfechos Clínicos (eCOA) (Cinco Modalidades, Garantia de Qualidade de Imagem e LinBot; Acesso em 13 de novembro de 2026)

40. EClinCloud — Serviços Científicos e de Ensaios Clínicos (Gerenciamento de Escalas, Validação Linguística e Treinamento de Avaliadores; Acesso em 13 de novembro de 2026)

41. EClinCloud — Especificação da Solução de Arquivo Mestre Eletrônico do Estudo (eTMF) (Classificação Automática do Índice TMF; Acesso em 13 de novembro de 2026)

42. EClinCloud — CTMS: supervisão orientada por RBQM e revisão de relatórios por IA (Acesso em 13 de novembro de 2026)