Regulatorisk klassificering af AI-værktøjer i klinisk pleje er ikke en papirøvelse. Når software påvirker, om en kliniker ordinerer et bestemt lægemiddel, henviser en patient til en specialist eller udelukker en alvorlig diagnose, er konsekvenserne af en fejl kliniske, ikke administrative. I hele Den Europæiske Union fastlægger forordningen om medicinsk udstyr (MDR) den juridiske ramme, der bestemmer, hvordan sådanne værktøjer skal udvikles, valideres og overvåges, før de når et klinisk miljø. For AI-beslutningsstøtte peger denne ramme typisk på klasse IIa-certificering, en betegnelse der medfører specifikke, reviderbare forpligtelser.

Hvad MDR-klassificeringshierarkiet faktisk betyder

EU MDR (forordning 2017/745) organiserer medicinsk udstyr i fire risikoklasser: klasse I (laveste risiko), klasse IIa (mellemrisiko), klasse IIb (mellem-høj risiko) og klasse III (højeste risiko). Klassificeringen bestemmes ikke af selve teknologien. Den bestemmes af udstyrets tilsigtede formål og den potentielle skade, der kan opstå ved fejl eller misbrug.

Klasse I-udstyr, såsom ikke-sterile bandager eller simple måleinstrumenter, kan bringes på markedet gennem en producents egenerklæring om overensstemmelse. Ingen uafhængig tredjeparts gennemgang er påkrævet. Klasse IIa befinder sig ved den første tærskel, hvor denne egenerklæring ikke længere er tilstrækkelig: et uafhængigt bemyndiget organ skal være involveret i overensstemmelsesvurderingen.

Som TrustedTrace Med forklarer i deres regel 11-guide, er den praktiske forskel mellem klasse I og klasse IIa betydelig. Den involverer ikke kun omkostninger og tid, men et helt andet niveau af klinisk evidens, kvalitetsstyring og ansvar efter markedsføring.

For software er den gældende klassificeringsregel MDR bilag VIII regel 11. Den gælder specifikt for software, der fungerer som medicinsk udstyr i sig selv, snarere end blot at drive eller påvirke et hardwareudstyr. Forordningen betegner dette som Software as a Medical Device (SaMD).

Hvordan MDR definerer medicinsk udstyr, og hvorfor AI-værktøjer ofte kvalificerer

I henhold til artikel 2(1) i MDR er medicinsk udstyr ethvert instrument, apparat, anordning, software, implantat, reagens, materiale eller anden genstand, som producenten har til hensigt skal bruges til formål, herunder diagnose, forebyggelse, overvågning, forudsigelse, prognose, behandling eller lindring af sygdom. Inkluderingen af software i denne definition er eksplicit og har været det, siden forordningen trådte i kraft.

Det kritiske ord er "til hensigt". Hvis en leverandør positionerer et AI-værktøj som understøttende kliniske beslutninger, markering af abnorme fund, forslag til diagnoser, anbefaling af behandlinger eller stratificering af patientrisiko, er dette angivne formål tilstrækkeligt til at bringe softwaren inden for MDR's anvendelsesområde.

Som Tandem Healths regulatoriske forklaring om EU-sundhedsregler for AI bemærker, er den distinktion, der betyder noget, mellem værktøjer, der blot organiserer eller viser information, og dem, der markerer fund, foreslår diagnoser eller triagerer patienter. Sidstnævnte kategori er sandsynligvis SaMD, uanset hvordan leverandøren kommercielt mærker produktet. Markedsføringssprog bestemmer ikke regulatorisk status.

De specifikke risikokriterier, der skubber AI-beslutningsstøtte ind i klasse IIa

I henhold til MDR regel 11 klassificeres software efter, hvad dens output bruges til, og sværhedsgraden af skade, der kan opstå ved en fejl. Klassificeringslogikken, som detaljeret beskrevet af IntuitionLabs i deres 2026-compliance-guide, fungerer som følger:

• Software beregnet til at levere information, der bruges til at træffe beslutninger med alvorlige konsekvenser for individuelle patienter, såsom diagnose af livstruende tilstande eller valg af behandling, klassificeres som klasse IIa som minimum.

• Software beregnet til at levere information, der bruges til at træffe beslutninger med kritiske konsekvenser, hvor forkert output kan forårsage død eller irreversibel forværring, klassificeres som klasse IIb eller klasse III.

• Software, der ikke udfører nogen diagnostisk eller terapeutisk funktion, men blot gemmer, arkiverer, kommunikerer eller søger data uden at påvirke kliniske beslutninger, kan falde helt uden for definitionen af medicinsk udstyr.

Den autoritative fortolkningsramme for disse distinktioner er MDCG 2019-11, Medical Device Coordination Group (MDCG) vejledning om kvalificering og klassificering af software under MDR og In Vitro Diagnostic Regulation (IVDR). Den fastslår, at nøglespørgsmålet ikke er, hvad softwaren gør teknisk, men hvilken klinisk handling dens output er beregnet til at understøtte, og hvilken skade der kan følge af en fejl.

For de fleste AI-beslutningsstøtteværktøjer, dem der analyserer patientdata og returnerer output beregnet til at guide diagnose, behandlingsvalg eller risikostratificering, placerer kombinationen af klinisk indflydelse og potentiale for patientskade dem direkte i klasse IIa-territorium.

MDCG 2025-6, offentliggjort i begyndelsen af 2025, introducerede det specifikke udtryk "Medical Device AI" (MDAI) til at beskrive AI-systemer, der opfylder MDR's definition af medicinsk udstyr. Dette forstærker, at der ikke er AI-specifikke undtagelser fra disse klassificeringsregler, som IntuitionLabs bekræfter.

Patientsikkerhedsargumentet for reguleret AI-beslutningsstøtte

MDR's krav til overensstemmelsesvurdering eksisterer, fordi fejltilstandene for AI-beslutningsstøtte ikke er teoretiske. En peer-reviewed kommentar offentliggjort i PubMed Central om regulatoriske rammer for beslutningsstøttesoftware bemærker, at selv mellemrisiko MDR-udstyr kan generere alvorlig skade gennem fejl, som klinikere ikke genkender eller ikke er i stand til at tilsidesætte i tide.

De specifikke risici, som reguleringen er designet til at adressere, omfatter:

• Algoritmisk bias: AI-modeller trænet på ikke-repræsentative datasæt kan præstere systematisk dårligere for visse patientpopulationer, med fejl, der er usynlige for den kliniker, der bruger værktøjet.

• Uigennemsigtig ræsonnement: Uden krav om forklarlighed kan klinikere ikke vurdere, om en AI-anbefaling er baseret på sund klinisk ræsonnering eller en falsk statistisk korrelation.

• Automatiseringsbias: Klinikere kan stole for meget på AI-output, især når de er tidspressede, hvilket reducerer sandsynligheden for, at uafhængig klinisk vurdering tilsidesætter en forkert anbefaling.

• Uigennemsigtighed i fejltilstand: I modsætning til et ødelagt termometer kan en fejlfungerende AI-model fortsætte med at producere plausibelt udseende output, mens den systematisk fejlklassificerer en undergruppe af patienter.

En narrativ gennemgang om AI i personaliseret receptudskrivning offentliggjort i Therapie identificerer hallucinationer, mangel på forklarlighed og klinisk afskilling som betydelige risici ved AI-assisteret receptudskrivning. Forfatterne anbefaler, at enhver generativ AI, der bruges i kliniske omgivelser, som standard behandles som medicinsk udstyr, med generelle store sprogmodeller kun tilladt via certificerede kliniske wrappere, der lukker det, de beskriver som "MDR-inkonsistent gap".

Forskning offentliggjort i Clinical Orthopaedics and Related Research fandt, at kun 38 procent af FDA-godkendte AI/ML ortopædiske enheder havde EU MDR-ækvivalenter, og at uafhængig peer-reviewed evidens eksisterede for kun 30 procent af disse enheder. Dette rejser substantielle spørgsmål om det evidensgrundlag, hvorpå mange AI-værktøjer er kommet i klinisk brug. EU MDR's krav er designet til at forhindre, at dette gap fortsætter.

En begrænsning er værd at anerkende: evidensgrundlaget for virkelig skade direkte henførbar til uregulerede AI-beslutningsstøtteværktøjer forbliver begrænset. Meget af sikkerhedsargumentet hviler på påviste fejltilstande i kontrollerede studier og på den forsigtighedsmæssige logik i selve den regulatoriske ramme, snarere end på store data om skade efter markedsføring. Det skyldes delvist, at stringent overvågning efter markedsføring af AI-værktøjer, et af MDR's krav, stadig modnes på tværs af industrien.

Hvad MDR klasse IIa-compliance kræver af leverandører

At opnå klasse IIa-certificering er ikke en enkelt begivenhed, men en løbende regulatorisk forpligtelse. Kernepligterne for leverandører omfatter:

• Kvalitetsstyringssystem (QMS): Certificering til ISO 13485, den internationale standard for kvalitetsstyringssystemer for medicinsk udstyr, er påkrævet. Dette dækker designkontroller, risikostyring og ændringsstyringsprocesser.

• Klinisk evaluering: En systematisk gennemgang af klinisk evidens, der demonstrerer, at udstyret opnår sit tilsigtede formål sikkert og præsterer som hævdet. For AI-værktøjer omfatter dette valideringsdatasæt og data om virkelige præstationer.

• Teknisk dokumentation: En komplet teknisk fil, der dækker udstyrsbeskrivelse, design- og produktionsinformation, risikostyring (typisk i henhold til ISO 14971) og software-livscyklusdokumentation i henhold til IEC 62304.

• Involvering af bemyndiget organ: I modsætning til klasse I kræver klasse IIa-certificering, at et uafhængigt bemyndiget organ gennemgår kvalitetsstyringssystemet og i de fleste tilfælde den tekniske dokumentation eller en repræsentativ prøve heraf.

• CE-mærkning: Efter vellykket overensstemmelsesvurdering kan udstyret bære CE-mærket, hvilket indikerer overholdelse af MDR-krav.

• Overvågning efter markedsføring (PMS): Løbende indsamling og analyse af data om virkelige præstationer med en plan for overvågning efter markedsføring og periodiske sikkerhedsopdateringsrapporter.

TrustedTrace Meds 2026 regel 11-guide bemærker, at Europa-Kommissionens forslag fra december 2025 om at ændre regel 11 kan påvirke, hvordan nogle AI-værktøjer klassificeres fremadrettet, men kernekravet om bemyndiget organ for software, der påvirker kliniske beslutninger, forventes ikke at blive fjernet.

Det bemyndigede organs rolle og krav til klinisk evidens

Et bemyndiget organ er en uafhængig overensstemmelsesvurderingsorganisation udpeget af en EU-medlemsstat til at evaluere, om medicinsk udstyr opfylder MDR-krav. For klasse IIa AI-beslutningsstøtteværktøjer gennemgår det bemyndigede organ kvalitetsstyringssystemet og reviderer den tekniske dokumentation.

For AI-værktøjer specifikt er kravene til klinisk evidens mere komplekse end for traditionel software. Decomplix's oktober 2025 regulatoriske analyse fremhæver udfordringen ved at demonstrere træningsdata af høj kvalitet til bemyndigede organ-reviewere. Den bemærker, at Team-NB (den europæiske sammenslutning af bemyndigede organer) har offentliggjort positionspapirer om de specifikke datastyrings-krav for MDAI under MDCG 2025-6.

Tilstrækkelig klinisk evidens for et AI-beslutningsstøtteværktøj omfatter typisk:

• Valideringsdatasæt, der er repræsentative for den tilsigtede patientpopulation, herunder demografisk diversitet.

• Data om virkelige præstationer fra kliniske omgivelser, der kan sammenlignes med det tilsigtede implementeringsmiljø.

• Gennemsigtighedsdokumentation, der dækker modelarkitektur, træningsdataproveniens og kendte begrænsninger.

• Evidens for, at værktøjet præsterer som tilsigtet på tværs af klinisk relevante undergrupper, ikke kun samlet.

Clinical Evaluation Navigators analyse af MDCG 2025-6 fremhæver også en specifik udfordring for adaptive AI-systemer: værktøjer, hvis modeller opdateres over tid, skal have foruddefinerede ændringskontrolplaner (PCCP'er), der beskriver, hvordan ændringer vil blive valideret og dokumenteret uden at kræve en fuld recertificering for hver opdatering.

Hvad indkøbsteams skal verificere før implementering af AI-beslutningsstøtte

For sundhedsorganisationer, der evaluerer AI-beslutningsstøtteværktøjer, kræver leverandørpåstande om regulatorisk compliance aktiv verifikation, ikke passiv accept. En struktureret due diligence-proces bør dække følgende:

• CE-mærkning under MDR, ikke MDD: Det tidligere Medical Devices Directive (MDD) blev afløst af MDR i maj 2021 (med en overgangsperiode). CE-mærker udstedt under MDD er ikke længere gyldige for nyt udstyr bragt på markedet, og overgangsbestemmelser for legacy-udstyr udløber på en faseopdelt tidsplan gennem 2027–2028. Verificer, at CE-mærket refererer til forordning (EU) 2017/745.

• Udstyrsklassificering og GMDN-kode: Leverandøren skal kunne angive MDR-klassificeringen (klasse I, IIa, IIb eller III) og den gældende Global Medical Device Nomenclature-kode.

• Certifikat fra bemyndiget organ: For klasse IIa og derover skal et certifikatnummer fra et bemyndiget organ kunne verificeres. Certifikatet skal være aktuelt og udstedt af et bemyndiget organ udpeget under MDR (opført i NANDO-databasen).

• Klinisk evalueringsrapport: Anmod om et resumé af den kliniske evaluering, herunder de anvendte valideringsdatasæt og eventuelle kendte præstationsbegrænsninger.

• Plan for overvågning efter markedsføring: Bekræft, at leverandøren har en aktiv overvågningsproces efter markedsføring og indsamler data om virkelige præstationer.

• EUDAMED-registrering: Den europæiske database for medicinsk udstyr (EUDAMED) bliver progressivt udfyldt. Leverandører skal kunne bekræfte deres registreringsstatus.

En tjekliste-baseret metodologi til implementering af AI-politik offentliggjort i Journal of Anaesthesia, Analgesia and Critical Care i september 2025 anbefaler systematisk vurdering, der dækker evidensbaseret præstation, validering i den virkelige verden, MDR-compliance, overholdelse af databeskyttelsesforordningen (GDPR) i sundhedsvæsenet og overvågning efter implementering. Dette bekræfter, at indkøbsansvar ikke slutter ved købstidspunktet.

EU AI-loven forklaret introducerer et parallelt compliance-lag. Som Reed Smiths juridiske analyse fra juni 2025 bekræfter, klassificeres ethvert MDR klasse IIa-udstyr, der inkorporerer AI, automatisk som et højrisiko-AI-system under AI-loven, hvilket pålægger yderligere forpligtelser omkring gennemsigtighed, menneskeligt tilsyn og overensstemmelsesvurdering.

MedDeviceGuide 2026 compliance-guiden bekræfter, at AI-lovens håndhævelse for CE-mærkede MDR-enheder gælder fra august 2026, med den bredere august 2027-deadline, der dækker visse andre højrisiko-AI-kategorier under dual-compliance-modellen.

Konsekvenserne af fejlklassificering

Når leverandører fejlklassificerer AI-beslutningsstøtteværktøjer, enten ved at hævde, at de falder uden for MDR's definition af medicinsk udstyr, eller ved at selvdeklarere klasse I-compliance, når klasse IIa gælder, strækker konsekvenserne sig over flere dimensioner.

Regulatorisk håndhævelse: Nationale kompetente myndigheder, såsom Agence nationale de sécurité du médicament et des produits de santé (ANSM) i Frankrig eller Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM) i Tyskland, har beføjelse til at kræve markedstilbagetrækning, pålægge økonomiske sanktioner og henvise sager til strafferetlig forfølgelse i alvorlige tilfælde. MDR's håndhævelsesbestemmelser er væsentligt stærkere end dem i MDD, som den erstattede.

Institutionelt ansvar: Sundhedsorganisationer, der indkøber og implementerer et fejlklassificeret AI-værktøj, bærer deres egen regulatoriske eksponering. Indkøbsteams, der undlader at verificere MDR-compliance, kan ikke stole på leverandørforsikringer som et komplet forsvar. En risikostyringsstudie offentliggjort i Studies in Health Technology and Informatics i oktober 2025, der undersøger MDR artikel 82-compliance for beslutningsstøttesystemer, illustrerer, hvordan selv akademiske feasibility-studier af beslutningsstøttesystemer nu kræver systematisk risikostyring under MDR, et signal om forordningens brede rækkevidde.

Erosion af klinisk tillid: Ud over juridiske konsekvenser skader implementering af uvaliderede AI-værktøjer, der efterfølgende fejler i klinisk brug, troværdigheden af AI-assisteret pleje mere bredt. Den peer-reviewed litteratur om AI som medicinsk udstyr i radiologi, offentliggjort i European Radiology i marts 2026, identificerer gennemsigtighed, forklarlighed og menneskeligt tilsyn som konvergenspunkter på tværs af EU-, US- og kinesiske regulatoriske rammer, hvilket afspejler en global konsensus om, at AI kræver påviselig ansvarlighed.

MDR klasse IIa-certificering som grundlag for ansvarlig AI-adoption

Indramningen af MDR klasse IIa-certificering som en barriere for innovation misrepræsenterer dens funktion. For AI-beslutningsstøtte er certificering den mekanisme, hvorigennem et værktøj tjener retten til at påvirke kliniske beslutninger. Det skaber revisionssporet, evidensgrundlaget og den løbende overvågningsinfrastruktur, der gør det muligt for sundhedsorganisationer at implementere AI med et forsvarligt grundlag for tillid.

Leverandører, der forfølger stringent klassificering, signalerer noget specifikt til indkøbsteams: at de har underkastet deres værktøjer uafhængig granskning, at deres kliniske evidens er blevet gennemgået af et bemyndiget organ, og at de er forpligtet til løbende præstationsovervågning. Dette signal betyder noget på et marked, hvor selvdeklareret compliance er let at hævde og svær at verificere udefra.

MDx CRO regulatoriske guide bemærker, at AI-lovens krav om menneskeligt tilsyn, obligatorisk for højrisiko-AI-systemer, herunder klasse IIa MDR-enheder, forstærker snarere end duplikerer MDR's sikkerhedsramme. Tilsammen skaber disse regulatoriske lag de betingelser, hvorunder klinikere kan bruge AI-beslutningsstøtteværktøjer med passende tillid: vel vidende at værktøjet er blevet valideret, at dets begrænsninger er dokumenteret, og at dets præstation i virkelig brug bliver sporet.

For sundhedsbeslutningstagere er den praktiske implikation ligetil. Når man evaluerer AI-beslutningsstøtteværktøjer, er MDR klasse IIa-certificering med et verificerbart certifikat fra et bemyndiget organ, et aktuelt CE-mærke under forordning (EU) 2017/745 og et aktivt overvågningsprogram efter markedsføring den minimale troværdige evidens for, at en leverandør har opfyldt den regulatoriske standard, som EU har etableret for software, der påvirker klinisk pleje.

Ofte stillede spørgsmål

▶ Hvad er MDR klasse IIa-certificering, og hvorfor gælder den for AI-beslutningsstøtteværktøjer

EU's forordning om medicinsk udstyr (forordning 2017/745) organiserer medicinsk udstyr i fire risikoklasser. Klasse IIa dækker mellemrisiko-udstyr, herunder software, der leverer information, der bruges til at træffe beslutninger med alvorlige konsekvenser for individuelle patienter, såsom diagnose eller behandlingsvalg. AI-beslutningsstøtteværktøjer, der analyserer patientdata og returnerer output beregnet til at guide diagnose, behandling eller risikostratificering, falder typisk ind under klasse IIa, fordi deres fejl kan forårsage patientskade. I modsætning til klasse I-udstyr kræver klasse IIa-certificering uafhængig gennemgang af et bemyndiget organ, en udpeget overensstemmelsesvurderingsorganisation, snarere end kun en producents egenerklæring.

▶ Hvad gør et AI-værktøj til Software as a Medical Device under MDR

I henhold til artikel 2(1) i MDR kvalificerer software som medicinsk udstyr, hvis dens producent har til hensigt, at den skal bruges til diagnose, forebyggelse, overvågning, forudsigelse, prognose, behandling eller lindring af sygdom. Klassificeringsreglen, der gælder specifikt for selvstændig software, er MDR bilag VIII regel 11. Hvis et AI-værktøj markerer abnorme fund, foreslår diagnoser, anbefaler behandlinger eller stratificerer patientrisiko, er det sandsynligvis Software as a Medical Device uanset, hvordan leverandøren kommercielt mærker det. Markedsføringssprog såsom "AI-assistent" eller "beslutningsstøtteværktøj" bestemmer ikke regulatorisk status.

▶ Hvad er de vigtigste patientsikkerhedsrisici, som MDR-regulering af AI-beslutningsstøtte er designet til at adressere

MDR's krav til overensstemmelsesvurdering adresserer flere specifikke fejltilstande. Algoritmisk bias kan få AI-modeller trænet på ikke-repræsentative datasæt til at præstere dårligere for visse patientpopulationer på måder, der er usynlige for klinikeren. Uigennemsigtig ræsonnement betyder, at klinikere ikke kan vurdere, om en anbefaling er baseret på sund klinisk logik eller en falsk statistisk korrelation. Automatiseringsbias beskriver tendensen til, at klinikere stoler for meget på AI-output, især under tidspres, hvilket reducerer uafhængig klinisk vurdering. En fejlfungerende AI-model kan også fortsætte med at producere plausibelt udseende output, mens den systematisk fejlklassificerer en undergruppe af patienter, i modsætning til et ødelagt termometer, hvis fejl er umiddelbart tydelig.

▶ Hvad kræver det faktisk af en leverandør at opnå MDR klasse IIa-certificering

Klasse IIa-certificering er en løbende regulatorisk forpligtelse, ikke en engangsbegivenhed. Leverandører skal have et kvalitetsstyringssystem certificeret til ISO 13485, den internationale standard for kvalitetsstyring af medicinsk udstyr. De skal producere en klinisk evaluering, der demonstrerer, at udstyret opnår sit tilsigtede formål sikkert, herunder valideringsdatasæt og data om virkelige præstationer. En komplet teknisk fil, der dækker udstyrsbeskrivelse, risikostyring i henhold til ISO 14971 og software-livscyklusdokumentation i henhold til IEC 62304, er påkrævet. Et bemyndiget organ skal gennemgå kvalitetsstyringssystemet og den tekniske dokumentation. Efter vellykket vurdering kan udstyret bære CE-mærket under forordning (EU) 2017/745. Leverandører skal også opretholde et aktivt overvågningsprogram efter markedsføring, der løbende indsamler data om virkelige præstationer.

▶ Hvad skal indkøbsteams verificere før implementering af et AI-beslutningsstøtteværktøj

Indkøbsteams skal verificere, at CE-mærket refererer til forordning (EU) 2017/745, ikke det tidligere Medical Devices Directive, som ikke længere er gyldigt for nyt udstyr. Leverandøren skal kunne angive MDR-klassificeringen og levere et aktuelt certifikatnummer fra et bemyndiget organ, der kan verificeres i NANDO-databasen. Indkøbsteams skal anmode om et resumé af den kliniske evaluering, herunder de anvendte valideringsdatasæt og kendte præstationsbegrænsninger. Bekræftelse af, at leverandøren har en aktiv plan for overvågning efter markedsføring og kan bekræfte registreringsstatus hos den europæiske database for medicinsk udstyr (EUDAMED), er også en del af en struktureret due diligence-proces. Indkøbsansvar slutter ikke ved købstidspunktet.

▶ Hvad er MDCG 2025-6, og hvad betyder det for AI medicinsk udstyr

MDCG 2025-6 er vejledning offentliggjort af Medical Device Coordination Group i begyndelsen af 2025. Den introducerede det specifikke udtryk "Medical Device AI" (MDAI) til at beskrive AI-systemer, der opfylder MDR's definition af medicinsk udstyr. Vejledningen bekræfter, at der ikke er AI-specifikke undtagelser fra MDR-klassificeringsregler. Den introducerede også krav omkring datastyring for MDAI og fremhævede en specifik udfordring for adaptive AI-systemer: værktøjer, hvis modeller opdateres over tid, skal have foruddefinerede ændringskontrolplaner, der beskriver, hvordan ændringer vil blive valideret og dokumenteret uden at kræve fuld recertificering for hver opdatering.

▶ Hvordan interagerer EU AI-loven med MDR klasse IIa-certificering for AI-beslutningsstøtte

Ethvert MDR klasse IIa-udstyr, der inkorporerer AI, klassificeres automatisk som et højrisiko-AI-system under EU AI-loven. Dette skaber en dual-compliance-model, hvor AI-loven pålægger yderligere forpligtelser omkring gennemsigtighed, menneskeligt tilsyn og overensstemmelsesvurdering ved siden af MDR's eksisterende krav. AI-lovens håndhævelse for CE-mærkede MDR-enheder gælder fra august 2026. AI-lovens krav om menneskeligt tilsyn forstærker snarere end duplikerer MDR's sikkerhedsramme, og tilsammen skaber disse regulatoriske lag de betingelser, hvorunder klinikere kan bruge AI-beslutningsstøtteværktøjer med passende tillid.

▶ Hvad er konsekvenserne af at fejlklassificere et AI-beslutningsstøtteværktøj under MDR

Fejlklassificering medfører konsekvenser på tværs af flere dimensioner. Nationale kompetente myndigheder, såsom ANSM i Frankrig eller BfArM i Tyskland, kan kræve markedstilbagetrækning, pålægge økonomiske sanktioner og henvise alvorlige sager til strafferetlig forfølgelse. Sundhedsorganisationer, der indkøber og implementerer et fejlklassificeret AI-værktøj, bærer deres egen regulatoriske eksponering og kan ikke udelukkende stole på leverandørforsikringer som et forsvar. Ud over juridiske konsekvenser skader implementering af uvaliderede AI-værktøjer, der efterfølgende fejler i klinisk brug, troværdigheden af AI-assisteret pleje mere bredt, en bekymring, der afspejles i peer-reviewed litteratur på tværs af flere kliniske specialer.

▶ Hvilken klinisk evidens kræver et bemyndiget organ ved vurdering af et AI-beslutningsstøtteværktøj

Tilstrækkelig klinisk evidens for et AI-beslutningsstøtteværktøj omfatter typisk valideringsdatasæt, der er repræsentative for den tilsigtede patientpopulation, herunder demografisk diversitet. Data om virkelige præstationer fra kliniske omgivelser, der kan sammenlignes med det tilsigtede implementeringsmiljø, er påkrævet. Gennemsigtighedsdokumentation, der dækker modelarkitektur, træningsdataproveniens og kendte begrænsninger, skal leveres. Evidens for, at værktøjet præsterer som tilsigtet på tværs af klinisk relevante undergrupper, ikke kun samlet, forventes også. Den europæiske sammenslutning af bemyndigede organer har offentliggjort positionspapirer om de specifikke datastyrings-krav for Medical Device AI under MDCG 2025-6.

▶ Er MDR klasse IIa-certificering en barriere for AI-innovation i sundhedsvæsenet

At indramme MDR klasse IIa-certificering som en barriere for innovation misrepræsenterer dens funktion. For AI-beslutningsstøtte er certificering den mekanisme, hvorigennem et værktøj tjener retten til at påvirke kliniske beslutninger. Det skaber revisionssporet, evidensgrundlaget og den løbende overvågningsinfrastruktur, der gør det muligt for sundhedsorganisationer at implementere AI med et forsvarligt grundlag for tillid. Leverandører, der forfølger stringent klassificering, signalerer til indkøbsteams, at deres værktøjer er blevet underkastet uafhængig granskning, at deres kliniske evidens er blevet gennemgået af et bemyndiget organ, og at de er forpligtet til løbende præstationsovervågning. Denne distinktion betyder noget på et marked, hvor selvdeklareret compliance er let at hævde og svær at verificere udefra.