Os dispositivos médicos baseados em IA generativa estão entrando em uma nova fase regulatória. No seu documento de discussão de 2026, a FDA analisa como o risco, as evidências, o monitoramento pós-comercialização e as dependências de modelos de terceiros podem precisar ser avaliados ao longo do ciclo de vida do dispositivo.
O que acontece quando um dispositivo médico aceita entradas abertas, gera saídas variáveis, evolui por meio de mudanças nas instruções ou nas estratégias de recuperação de dados e depende de um modelo de base que o fabricante não controla totalmente?
Em agosto de 2026, o Centro de Dispositivos e Saúde Radiológica da FDA publicou um documento de discussão que aborda essas questões. Com base no amplo marco regulatório da FDA para dispositivos médicos com inteligência artificial, o documento explora possíveis abordagens para avaliação de riscos, avaliação pré-comercialização, monitoramento pós-comercialização e o uso de modelos de base de terceiros em dispositivos médicos com inteligência artificial generativa.
Embora o documento não estabeleça novos requisitos regulatórios, ele oferece uma visão importante sobre as questões que podem moldar a futura política da FDA.
Para os fabricantes, a mensagem principal é significativa: demonstrar o desempenho em um único momento pode não ser suficiente para um dispositivo cujo comportamento, dependências tecnológicas e parâmetros do mundo real podem continuar mudando.
Como a FDA está lidando com dispositivos médicos baseados em IA generativa
Antes de analisar o conteúdo técnico, é importante entender o status regulatório do documento.
O documento tem como objetivo apoiar a discussão e coletar comentários das partes interessadas. Ele não representa um rascunho nem uma orientação final, não implementa mudanças nas políticas e não define as expectativas da FDA quanto às evidências em futuros pedidos de registro.
Portanto, os conceitos apresentados não devem ser interpretados como requisitos que os fabricantes já precisam seguir.
Mesmo assim, o documento é estrategicamente relevante porque identifica as questões que a FDA considera importantes para a futura supervisão de dispositivos médicos habilitados por IA generativa.
A FDA está aceitando comentários sob o número de processo FDA-2026-N-7874 até 19 de outubro de 2026.
Por que os dispositivos médicos com IA generativa trazem desafios regulatórios diferentes
O software tradicional de dispositivos médicos costuma ser avaliado com base em entradas definidas, resultados esperados e critérios de desempenho pré-determinados. A IA preditiva pode trazer mais complexidade, mas seus resultados geralmente se limitam a uma tarefa específica, como classificação, detecção ou previsão de risco.
A IA generativa pode se comportar de maneira diferente.
De acordo com o documento de discussão da FDA, esses sistemas podem aceitar entradas abertas, realizar várias subtarefas e produzir resultados diferentes em resposta a entradas semelhantes. Além disso, o comportamento deles pode mudar quando o modelo subjacente, os prompts, as estratégias de recuperação, as barreiras de segurança, a lógica de orquestração ou a interface do usuário forem modificados.
Muitos dispositivos com tecnologia GenAI também podem depender de modelos de base de uso geral desenvolvidos por terceiros. Por causa disso, o fabricante do dispositivo médico pode ter pouca visibilidade sobre os dados de treinamento, a arquitetura, os métodos de avaliação e as atualizações futuras do modelo.
Essas características geram vários riscos em potencial, incluindo:
- resultados que parecem confiáveis, mas contêm informações imprecisas ou inventadas;
- incerteza sobre os limites do uso pretendido do dispositivo;
- dificuldade em atribuir um erro ao dispositivo ou ao modelo por trás dele;
- deterioração do desempenho em diferentes populações ou ambientes de implantação;
- mudanças de comportamento não planejadas após uma atualização de um modelo de terceiros.
É importante ressaltar que a FDA não regula a IA generativa como uma tecnologia isolada. Ela regula os dispositivos médicos, incluindo as funções de software dos dispositivos possibilitadas pela IA generativa, de acordo com o uso pretendido e o risco.
Quatro áreas regulatórias que os fabricantes devem entender
O documento de discussão pode ser organizado em torno de quatro áreas interligadas.
| Área regulatória | Questão central | Possíveis implicações para os fabricantes |
|---|---|---|
| 1. Avaliação de riscos | O que a função faz, com que grau de autonomia ela age e o que poderia acontecer se o resultado for errado? | A análise de risco pode precisar examinar não só a função pretendida, mas também o contexto, o usuário e as possíveis consequências de confiar em um resultado incorreto. |
| 2. Avaliação pré-comercialização | Como é possível comprovar o desempenho quando é difícil testar exaustivamente toda a variedade de entradas e saídas possíveis? | As estratégias de evidência podem precisar combinar análises comparativas estruturadas com confirmação clinicamente representativa. |
| 3. Monitoramento pós-comercialização | Como garantir que a segurança e o desempenho continuem sob controle à medida que o dispositivo e seu ambiente evoluem? | Os fabricantes podem precisar de métodos de monitoramento definidos, limites de desempenho e critérios para reavaliação. |
| 4. Dependências de terceiros | Como é possível detectar e controlar alterações em um modelo de base externo? | Contratos, monitoramento técnico, controle de alterações e acesso às informações do modelo podem fazer parte da estratégia regulatória. |
Juntas, essas áreas sugerem que a avaliação regulatória de dispositivos médicos que utilizam IA generativa pode depender cada vez mais das evidências geradas ao longo de todo o ciclo de vida do produto.
Uma nova maneira de pensar sobre o risco em dispositivos médicos com IA generativa segundo a FDA
Um dos conceitos mais relevantes do artigo é uma possível estrutura de dois eixos para avaliar o risco.
O primeiro eixo leva em conta a atividade realizada pelo dispositivo, incluindo o grau de autonomia com que a função orienta ou executa uma ação. O segundo eixo considera as consequências de confiar em um resultado incorreto.
Nessa abordagem, o risco aumenta à medida que o dispositivo se torna mais diretivo ou autônomo e à medida que o dano potencial associado a um resultado incorreto se torna mais grave.
| Consequência de confiar em um resultado incorreto | Menor grau de ação do dispositivo | Maior independência ou ação do dispositivo |
|---|---|---|
| Consequências mais graves | Mesmo uma informação pode representar um risco significativo quando os usuários não conseguem avaliar sozinhos se ela está correta | Pode haver uma preocupação ainda maior quando o sistema faz diagnósticos, prescreve tratamentos, emite ordens ou controla alguma outra ação clínica |
| Consequência menor | Informações não diretivas com dano potencial limitado podem ser motivo de menor preocupação | A autonomia continua sendo importante, embora a consequência de uma ação incorreta continue a definir o risco geral |
Essa tabela é uma representação editorial simplificada desenvolvida por Sobel com base no conceito da FDA. Não é uma ferramenta de classificação da FDA.
O grau de diretriz pode variar em um continuum
Uma função não precisa dar uma ordem explícita para influenciar uma decisão clínica.
Por exemplo, há uma diferença significativa entre fornecer informações gerais, relacionar essas informações a um paciente específico, recomendar uma ação e dar uma instrução direta. No entanto, os limites entre esses comportamentos nem sempre são claros.
Por isso, a FDA está questionando se a formulação, a especificidade, a personalização e o contexto devem modificar o risco associado a uma função informativa.
Adicionar uma frase como “converse com seu médico” pode não necessariamente tornar uma mensagem que, de outra forma, seria diretiva, menos influente.
O usuário-alvo pode afetar o risco
A mesma saída também pode ter implicações diferentes dependendo de quem a recebe.
Um profissional de saúde pode estar em melhor posição para reconhecer limitações, comparar uma saída com outras informações clínicas e evitar confiar em uma recomendação incorreta. Já um paciente pode ter menos capacidade de avaliar de forma independente a base da saída.
Mesmo assim, a FDA reconhece os possíveis benefícios de ampliar o acesso às informações clínicas e o envolvimento dos pacientes. Por isso, a discussão não se resume apenas a restringir as funções voltadas para os pacientes. Trata-se de identificar em que casos podem ser necessárias medidas de segurança adicionais.
Uma questão semelhante se aplica aos profissionais de saúde generalistas e especialistas. Um dispositivo que forneça informações de nível especializado pode melhorar o acesso ao conhecimento, mas também pode criar riscos se a interpretação segura depender de conhecimentos especializados que o usuário não possua.
O risco pode mudar durante uma conversa
Dispositivos conversacionais trazem outro desafio.
Um sistema pode começar fornecendo informações não diretivas e, gradualmente, avançar para uma recomendação que orienta uma ação durante uma interação com várias trocas de mensagens. Por isso, avaliar respostas isoladas pode não capturar o comportamento completo do dispositivo.
Na prática, os fabricantes podem precisar avaliar trajetórias realistas de conversação, incluindo situações em que o usuário minimiza os sintomas, pede informações fora do escopo pretendido ou tenta influenciar a resposta do sistema.
A FDA também destaca tanto a subescalação quanto a sobreescalação. Deixar de recomendar os cuidados necessários pode atrasar o tratamento. Por outro lado, encaminhar repetidamente os usuários para atendimento de emergência desnecessário pode gerar ansiedade, procedimentos desnecessários e sobrecarga adicional nos sistemas de saúde.
A avaliação baseada em competências poderia complementar os testes tradicionais?
A FDA reconhece que testar todas as entradas e saídas possíveis pode ser impraticável para certos dispositivos médicos generativos baseados em IA.
Por isso, o documento de discussão apresenta uma possível abordagem baseada em competências que consiste em dois componentes:
- análise comparativa de dispositivos não clínicos;
- confirmação clínica.
Essa abordagem avaliaria o dispositivo final voltado para o usuário na configuração pretendida, em vez de analisar o modelo base como um componente isolado.
Essa distinção é importante. O comportamento do dispositivo pode ser afetado pelo modelo, pelas solicitações, pela arquitetura de recuperação, pelos mecanismos de proteção, pela interface do usuário e pelo ambiente de implantação. Por isso, um bom desempenho do modelo subjacente não garante automaticamente a segurança ou a eficácia do dispositivo médico como um todo.
Avaliação comparativa do dispositivo
A FDA descreve a avaliação comparativa como uma maneira estruturada de avaliar se o dispositivo demonstra as capacidades necessárias para o uso pretendido.
As áreas em potencial incluem:
- reconhecimento e escalonamento de situações críticas para a segurança;
- manutenção dos limites de uso pretendido;
- comunicação de incertezas;
- conhecimento clínico e fidelidade à tarefa;
- coleta de informações e análise clínica;
- análise quantitativa e de medição;
- qualidade da comunicação e compreensão do usuário;
- robustez, confiabilidade e reprodutibilidade;
- desempenho em subgrupos relevantes;
- capacidades específicas de sistemas de IA autônomos.
No entanto, um padrão de referência precisaria ser mais do que só um conjunto de questões de teste.
O patrocinador talvez precise definir o escopo dos testes com base no uso pretendido e no perfil de risco, especificar antecipadamente os métodos de avaliação, justificar os critérios de pontuação e estabelecer limites de aceitação antes do início dos testes.
Além disso, os conjuntos de dados e as condições de teste devem representar as populações clínicas e os contextos de implantação em que se espera que o dispositivo funcione.
Benchmarks públicos também podem apresentar limitações. Contaminação de dados, otimização repetida em relação aos mesmos testes e representação limitada das condições do mundo real podem fazer com que resultados sólidos em benchmarks sejam menos preditivos do desempenho clínico real.
Confirmação clínica
Mesmo um benchmark abrangente pode não mostrar como o dispositivo vai interagir com usuários reais, fluxos de trabalho e populações de pacientes.
Por isso, a FDA está avaliando se a confirmação clínica deveria complementar os benchmarks não clínicos.
O artigo discute várias abordagens possíveis, incluindo:
- avaliação retrospectiva usando dados dos pacientes coletados anteriormente;
- implantação simulada, na qual o dispositivo funciona em um fluxo de trabalho real, mas seus resultados não afetam o atendimento ao paciente;
- interações padronizadas com participantes treinados ou representativos;
- outras abordagens clinicamente adequadas, com rigor proporcional ao uso pretendido e ao risco do dispositivo.
É importante ressaltar que a FDA não afirma que todo dispositivo com IA generativa precise passar por um estudo clínico prospectivo. Em vez disso, a discussão se concentra em escolher e justificar uma abordagem que seja adequada à função, ao contexto clínico, à população de pacientes e ao risco potencial.
Portanto, os fabricantes devem evitar presumir que um único conjunto de evidências sirva para todos os dispositivos com IA generativa.
Por que as evidências pós-comercialização podem se tornar mais importantes
Resultados abertos, a evolução dos modelos e mudanças no uso no mundo real podem dificultar que os testes pré-comercialização capturem todos os aspectos relevantes do desempenho.
Por isso, a FDA está avaliando se um maior grau de incerteza pré-comercialização seria aceitável em certas situações, desde que apoiado por um monitoramento pós-comercialização suficientemente robusto.
Essa não é uma política estabelecida. No entanto, isso aponta para uma conexão mais estreita entre as evidências pré-comercialização e a vigilância pós-comercialização.
O artigo identifica três possíveis abordagens de monitoramento.
Reavaliação periódica
O fabricante poderia reavaliar o dispositivo em relação a limites de desempenho previamente estabelecidos em intervalos definidos ou após eventos específicos que desencadeiem essa reavaliação.
Por exemplo, a reavaliação poderia ser desencadeada por uma mudança no modelo subjacente, na arquitetura de implantação ou em outro componente relevante para a segurança.
Avaliação clínica com base em amostras
Profissionais de saúde qualificados e independentes poderiam analisar amostras de dados de entrada e saída do mundo real, comparando-as com critérios definidos prospectivamente.
A estratégia de amostragem precisaria representar quadros clínicos, populações e padrões de interação clinicamente relevantes encontrados durante o uso real.
Monitoramento da degradação do desempenho
Os fabricantes poderiam monitorar desvios causados por mudanças na população de usuários, no ambiente de dados, nos componentes do modelo ou nas condições de implantação.
No entanto, o monitoramento só faria sentido se o fabricante já tivesse definido as análises aplicáveis, os limites de desempenho e os critérios de escalonamento.
Assim, o monitoramento pós-comercialização não deve ser tratado como uma atividade separada, planejada apenas após a autorização. A avaliação pré-comercialização pode precisar estabelecer a linha de base contra a qual mudanças futuras e o desempenho no mundo real serão avaliados.
Modelos de base de terceiros criam um novo desafio de controle de mudanças
Um dispositivo médico com IA generativa pode depender de um modelo base fornecido e atualizado por outra organização.
Esse modelo pode influenciar o comportamento de rejeição, as políticas de conteúdo, a formatação da saída, o controle de versão e as medidas de segurança essenciais. No entanto, o fabricante do dispositivo médico pode não ter controle sobre quando ou como o modelo de base é alterado.
Isso levanta uma questão regulatória importante: como o fabricante pode detectar, avaliar e responder a uma alteração iniciada externamente antes que ela afete a segurança ou a eficácia do dispositivo?
A FDA está buscando sugestões sobre mecanismos que poderiam incluir:
- obrigações contratuais de notificação de atualizações;
- métodos técnicos para detectar alterações nos modelos;
- acesso à documentação relevante dos modelos e às informações de auditoria;
- gatilhos para reavaliação e reajuste de referência;
- procedimentos de controle de mudanças dentro do sistema de gestão da qualidade;
- possível uso de um Plano de Controle de Mudanças Pré-determinado.
O artigo também aborda a possível criação de Arquivos Mestres de Dispositivos (DMFs) voluntários baseados em modelos fundamentais.
Nesse conceito, os desenvolvedores de modelos-base poderiam enviar informações confidenciais à FDA, como a arquitetura do modelo, a proveniência dos dados de treinamento, limitações conhecidas, resultados de avaliação, restrições de segurança e compromissos de atualização. Os patrocinadores dos dispositivos poderiam então citar o arquivo, com autorização do seu detentor, em um pedido de aprovação pré-comercialização.
No entanto, um Arquivo Mestre de Dispositivo com Modelo de Base não constituiria autorização do modelo subjacente para o uso em um dispositivo médico.
O patrocinador continuaria responsável por comprovar a segurança e a eficácia do dispositivo final.
O que os fabricantes devem começar a avaliar agora
Embora o documento da FDA não crie novos requisitos, as empresas que desenvolvem dispositivos médicos com IA generativa já podem verificar se suas estratégias regulatórias e de evidências respondem às questões levantadas.
Uma análise prática deve incluir:
- Defina claramente o uso pretendido, os usuários-alvo, o ambiente clínico e os limites do funcionamento do dispositivo.
- Mapeie cada função de acordo com seu grau de direcionamento, autonomia e consequências possíveis caso o resultado esteja incorreto.
- Identifique todos os componentes que possam afetar o comportamento final do dispositivo, incluindo prompts, sistemas de recuperação, proteções, interfaces e modelos externos.
- Estabeleça critérios de desempenho pré-definidos e determine se os parâmetros de referência propostos representam a população-alvo e o ambiente de implantação.
- Avalie qual forma de confirmação clínica seria proporcional ao uso pretendido e ao risco.
- Defina indicadores pós-comercialização, gatilhos para reavaliação e procedimentos para investigar a degradação do desempenho.
- Determina como as mudanças nos modelos de terceiros serão detectadas, comunicadas, avaliadas e documentadas.
- Integre esses controles ao sistema de gestão da qualidade e à estratégia geral de gestão de mudanças.
Abordar esses pontos logo no início pode ajudar os fabricantes a identificar lacunas nas evidências antes que elas se transformem em problemas na hora de apresentar o pedido ou depois da comercialização.
Opinião Regulatória da Sobel
O sinal mais importante no documento de discussão da FDA não é um único teste proposto ou caminho regulatório.
É a possibilidade de que as evidências para dispositivos médicos habilitados por IA generativa precisem funcionar como um sistema conectado ao longo de todo o ciclo de vida do produto.
A avaliação de risco influenciaria a análise comparativa. A análise comparativa estabeleceria uma linha de base pré-comercialização. A confirmação clínica examinaria se o dispositivo funciona em condições representativas. O monitoramento pós-comercialização avaliaria então se esse desempenho permanece sob controle à medida que o produto, seus usuários e suas dependências tecnológicas evoluem.
Em outras palavras, a submissão pode se tornar um ponto dentro de uma estratégia contínua de evidências, em vez de ser o destino final do desenvolvimento do produto.
Para os fabricantes, isso reforça a importância de envolver as equipes regulatórias, clínicas, de qualidade, de software e de gestão de riscos antes que o pacote de evidências seja montado.
O que vem a seguir
A FDA ainda está coletando contribuições das partes interessadas, e os conceitos discutidos podem mudar antes de aparecerem em futuras políticas ou diretrizes.
Mesmo assim, o documento oferece uma estrutura valiosa para empresas que estão desenvolvendo ou integrando IA generativa às funções de dispositivos médicos.
Organizações que tratam a IA generativa como uma atualização de software comum podem subestimar as implicações para o uso pretendido, a geração de evidências, o monitoramento pós-comercialização e o controle de alterações por terceiros.
Por outro lado, as empresas que começarem a conectar esses elementos desde o início estarão mais bem preparadas para se adaptar à medida que a abordagem regulatória da FDA for evoluindo.
Está desenvolvendo um dispositivo médico com IA generativa?
A Sobel ajuda empresas de dispositivos médicos a traçar os caminhos regulatórios, avaliar os requisitos de evidências e conciliar as considerações clínicas, de risco e de ciclo de vida antes da apresentação do pedido.
Entre em contato com nossa equipe regulatória para discutir o próximo passo para o seu produto.
