Tracking the Presence of Software as a Medical Device in US Food and Drug Administration Databases: Retrospective Data Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Software as a medical device (SaMD) has gained the attention of medical device regulatory bodies as the prospects of standalone software for use in diagnositic and therapeutic settings have increased. However, to date, figures related to SaMD have not been made available by regulators, which limits the understanding of how prevalent these devices are and what actions should be taken to regulate them. OBJECTIVE: The aim of this study is to empirically evaluate the market approvals and clearances related to SaMD and identify adverse incidents related to these devices. METHODS: Using databases managed by the US medical device regulator, the US Food and Drug Administration (FDA), we identified the counts of SaMD registered with the FDA since 2016 through the use of product codes, mapped the path SaMD takes toward classification, and recorded adverse events. RESULTS: SaMD does not seem to be registered at a rate dissimilar to that of other medical devices; thus, adverse events for SaMD only comprise a small portion of the total reported number. CONCLUSIONS: Although SaMD has been identified in the literature as an area of development, our analysis suggests that this growth has been modest. These devices are overwhelmingly classified as moderate to high risk, and they take a very particular path to that classification. The digital revolution in health care is less pronounced when evidence related to SaMD is considered. In general, the addition of SaMD to the medical device market seems to mimic that of other medical devices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle