Regelgevende classificatie van AI-tools in de klinische zorg is geen papierwerk. Wanneer software bepaalt of een zorgverlener een bepaald medicijn voorschrijft, een patiënt naar een specialist verwijst of een ernstige diagnose uitsluit, zijn de gevolgen van een fout klinisch, niet administratief. In de hele Europese Unie vormt de Medical Device Regulation (MDR) het juridisch kader dat bepaalt hoe dergelijke tools moeten worden ontwikkeld, gevalideerd en gemonitord voordat ze in een klinische setting worden ingezet. Voor AI-klinische beslissingsondersteuning wijst dat kader doorgaans naar Klasse IIa-certificering, een aanduiding die specifieke, controleerbare verplichtingen met zich meebrengt.

Wat de MDR-classificatiehiërarchie werkelijk betekent

De EU MDR (Verordening 2017/745) organiseert medische hulpmiddelen in vier risicoklassen: Klasse I (laagste risico), Klasse IIa (middelmatig risico), Klasse IIb (middelhoog risico) en Klasse III (hoogste risico). Classificatie wordt niet bepaald door de technologie zelf, maar door het beoogde doel van het hulpmiddel en de potentiële schade die kan voortvloeien uit het falen of misbruik ervan.

Klasse I-hulpmiddelen, zoals niet-steriele verbanden of eenvoudige meetinstrumenten, kunnen op de markt worden gebracht via een conformiteitsverklaring van de fabrikant. Er is geen onafhankelijke beoordeling door een derde partij vereist. Klasse IIa bevindt zich op de eerste drempel waar die conformiteitsverklaring niet langer voldoende is: een onafhankelijke aangemelde instantie moet betrokken zijn bij het conformiteitsbeoordelingsproces. Zoals TrustedTrace Med uitlegt in hun Regel 11-gids, is het praktische verschil tussen Klasse I en Klasse IIa aanzienlijk. Het omvat niet alleen kosten en tijd, maar een volledig ander niveau van klinisch bewijs, kwaliteitsbeheer en verantwoordelijkheid na het op de markt brengen.

Voor software is de toepasselijke classificatieregel MDR Bijlage VIII Regel 11. Deze is specifiek van toepassing op software die als medisch hulpmiddel functioneert, in plaats van alleen een hardware-apparaat aan te sturen of te beïnvloeden. De verordening noemt dit Software as a Medical Device (SaMD).

Hoe de MDR een medisch hulpmiddel definieert en waarom AI-tools vaak in aanmerking komen

Volgens artikel 2, lid 1, van de MDR is een medisch hulpmiddel elk instrument, apparaat, toestel, software, implantaat, reagens, materiaal of ander artikel dat door de fabrikant bedoeld is om te worden gebruikt voor doeleinden zoals diagnose, preventie, monitoring, voorspelling, prognose, behandeling of verlichting van ziekte. De opname van software in die definitie is expliciet en geldt sinds de verordening van kracht werd.

Het cruciale woord is "bedoeld". Als een leverancier een AI-tool positioneert als ondersteuning van klinische beslissingen, het markeren van abnormale bevindingen, het suggereren van diagnoses, het aanbevelen van behandelingen of het stratificeren van patiëntrisico's, is dat aangegeven doel voldoende om de software binnen het toepassingsgebied van de MDR te brengen. Zoals Tandem Health's regelgevende uitleg over EU-gezondheidszorg AI-regelgeving opmerkt, is het onderscheid dat ertoe doet tussen tools die alleen informatie organiseren of weergeven en tools die bevindingen markeren, diagnoses suggereren of patiënten triëren. De laatste categorie is waarschijnlijk SaMD, ongeacht hoe de leverancier het product commercieel labelt.

Marketingtaal bepaalt niet de regelgevende status. Een tool die wordt omschreven als een "AI-assistent" of een "beslissingsondersteuningshulpmiddel" kan nog steeds voldoen aan de MDR-definitie van een medisch hulpmiddel als de output bedoeld is om klinische actie te informeren.

De specifieke risicocriteria die AI-beslissingsondersteuning in Klasse IIa plaatsen

Volgens MDR Regel 11 wordt software geclassificeerd op basis van waarvoor de output wordt gebruikt en de ernst van de schade die kan voortvloeien uit een fout. De classificatielogica, zoals gedetailleerd beschreven door IntuitionLabs in hun 2026-compliancegids, werkt als volgt:

• Software die bedoeld is om informatie te verstrekken die wordt gebruikt voor beslissingen met ernstige gevolgen voor individuele patiënten, zoals diagnose van levensbedreigende aandoeningen of selectie van behandeling, wordt minimaal geclassificeerd als Klasse IIa.

• Software die bedoeld is om informatie te verstrekken die wordt gebruikt voor beslissingen met kritieke gevolgen, waarbij onjuiste output de dood of onomkeerbare verslechtering kan veroorzaken, wordt geclassificeerd als Klasse IIb of Klasse III.

• Software die geen diagnostische of therapeutische functie uitvoert, maar alleen gegevens opslaat, archiveert, communiceert of doorzoekt zonder klinische beslissingen te beïnvloeden, kan volledig buiten de definitie van medisch hulpmiddel vallen.

Het gezaghebbende interpretatieve kader voor deze onderscheidingen is MDCG 2019-11, de richtlijn van de Medical Device Coordination Group (MDCG) over kwalificatie en classificatie van software onder MDR en de In Vitro Diagnostic Regulation (IVDR). Het stelt vast dat de sleutelvraag niet is wat de software technisch doet, maar welke klinische actie de output bedoeld is te ondersteunen en welke schade kan voortvloeien uit een fout.

Voor de meeste AI-klinische beslissingsondersteuningstools, die patiëntgegevens analyseren en outputs retourneren die bedoeld zijn om diagnose, behandelingsselectie of risicostratificatie te begeleiden, plaatst de combinatie van klinische invloed en potentieel voor patiëntschade ze vierkant in Klasse IIa-gebied. MDCG 2025-6, gepubliceerd begin 2025, introduceerde de specifieke term "Medical Device AI" (MDAI) om AI-systemen te beschrijven die voldoen aan de MDR-definitie van medisch hulpmiddel. Het bevestigt dat er geen AI-specifieke uitzonderingen zijn op deze classificatieregels, zoals IntuitionLabs bevestigt.

De patiëntveiligheidsargumentatie voor gereguleerde AI-beslissingsondersteuning

De conformiteitsbeoordelingsvereisten van de MDR bestaan omdat de faalmodi van AI-klinische beslissingsondersteuning niet theoretisch zijn. Een peer-reviewed commentaar gepubliceerd in PubMed Central over regelgevende kaders voor klinische beslissingsondersteuningssoftware merkt op dat zelfs MDR-hulpmiddelen met een middelmatig risico ernstige schade kunnen veroorzaken door fouten die zorgverleners niet herkennen of niet tijdig kunnen overrulen.

De specifieke risico's die regelgeving bedoeld is aan te pakken omvatten:

• Algoritmische bias: AI-modellen getraind op niet-representatieve datasets kunnen systematisch slechter presteren voor bepaalde patiëntenpopulaties, met fouten die onzichtbaar zijn voor de zorgverlener die de tool gebruikt.

• Ondoorzichtige redenering: Zonder vereisten voor uitlegbaarheid kunnen zorgverleners niet beoordelen of een AI-aanbeveling gebaseerd is op klinisch gezonde redenering of een schijnbare statistische correlatie.

• Automatiseringsbias: Zorgverleners kunnen te veel vertrouwen op AI-outputs, vooral wanneer ze onder tijdsdruk staan, waardoor de kans afneemt dat onafhankelijk klinisch oordeel een onjuiste aanbeveling overrulet.

• Ondoorzichtigheid van faalmodus: In tegenstelling tot een kapotte thermometer kan een defect AI-model blijven plausibel ogende outputs produceren terwijl het systematisch een subgroep van patiënten verkeerd classificeert.

Een narratieve review over AI in gepersonaliseerde voorschrijving gepubliceerd in Therapie identificeert hallucinaties, gebrek aan uitlegbaarheid en klinische de-skilling als significante risico's bij AI-ondersteund voorschrijven. De auteurs bevelen aan dat elke generatieve AI die in klinische settings wordt gebruikt standaard als medisch hulpmiddel moet worden behandeld. Algemene large language models zouden alleen toegestaan moeten zijn via gecertificeerde klinische wrappers die wat zij de "MDR-inconsistente kloof" noemen, dichten.

Onderzoek gepubliceerd in Clinical Orthopaedics and Related Research vond dat slechts 38 procent van de door de FDA goedgekeurde AI/ML-orthopedische hulpmiddelen EU MDR-equivalenten had. Onafhankelijk peer-reviewed bewijs bestond voor slechts 30 procent van die hulpmiddelen. Dit roept substantiële vragen op over de bewijsbasis waarop veel AI-tools in klinisch gebruik zijn gekomen. De vereisten van de EU MDR zijn ontworpen om te voorkomen dat die kloof blijft bestaan.

Eén beperking is het vermelden waard: de bewijsbasis over schade in de echte wereld die direct toe te schrijven is aan ongereguleerde AI-beslissingsondersteuningstools blijft beperkt. Een groot deel van de veiligheidsargumentatie berust op aangetoonde faalmodi in gecontroleerde studies en op de voorzorgslogica van het regelgevende kader zelf, in plaats van op grootschalige gegevens over schade na het op de markt brengen. Dat komt deels omdat rigoureus toezicht na het op de markt brengen van AI-tools, een van de vereisten van de MDR, nog steeds volwassen wordt in de hele industrie.

Wat MDR Klasse IIa-compliance van leveranciers vereist

Het behalen van Klasse IIa-certificering is geen eenmalige gebeurtenis, maar een voortdurende regelgevende verplichting. De kernverplichtingen voor leveranciers omvatten:

• Kwaliteitsmanagementsysteem (QMS): Certificering volgens ISO 13485, de internationale norm voor kwaliteitsmanagementsystemen voor medische hulpmiddelen, is vereist. Dit omvat ontwerpcontroles, risicobeheer en wijzigingsbeheerprocessen.

• Klinische evaluatie: Een systematische review van klinisch bewijs dat aantoont dat het hulpmiddel zijn beoogde doel veilig bereikt en presteert zoals geclaimd. Voor AI-tools omvat dit validatiedatasets en prestatiegegevens uit de echte wereld.

• Technische documentatie: Een compleet technisch dossier met hulpmiddelbeschrijving, ontwerp- en fabricage-informatie, risicobeheer (doorgaans volgens ISO 14971) en softwarelevenscyclusdocumentatie volgens IEC 62304.

• Betrokkenheid van aangemelde instantie: In tegenstelling tot Klasse I vereist Klasse IIa-certificering dat een onafhankelijke aangemelde instantie het kwaliteitsmanagementsysteem en, in de meeste gevallen, de technische documentatie of een representatief monster daarvan beoordeelt.

• CE-markering: Na succesvolle conformiteitsbeoordeling mag het hulpmiddel de CE-markering dragen, wat naleving van MDR-vereisten aangeeft.

• Bewaking na het op de markt brengen (PMS): Voortdurende verzameling en analyse van prestatiegegevens uit de echte wereld, met een bewakingsplan na het op de markt brengen en periodieke veiligheidsupdaterapporten.

TrustedTrace Med's 2026 Regel 11-gids merkt op dat het voorstel van de Europese Commissie van december 2025 om Regel 11 te wijzigen van invloed kan zijn op hoe sommige AI-tools in de toekomst worden geclassificeerd. De kernvereiste van de aangemelde instantie voor software die klinische beslissingen beïnvloedt, zal naar verwachting niet worden verwijderd.

De rol van de aangemelde instantie en vereisten voor klinisch bewijs

Een aangemelde instantie is een onafhankelijke conformiteitsbeoordelingsorganisatie die door een EU-lidstaat is aangewezen om te evalueren of medische hulpmiddelen voldoen aan MDR-vereisten. Voor Klasse IIa AI-klinische beslissingsondersteuningstools beoordeelt de aangemelde instantie het kwaliteitsmanagementsysteem en controleert de technische documentatie.

Voor AI-tools specifiek zijn de vereisten voor klinisch bewijs complexer dan voor traditionele software. Decomplix's regelgevende analyse van oktober 2025 benadrukt de uitdaging om hoogwaardige trainingsgegevens aan te tonen aan beoordelaars van aangemelde instanties. Het merkt op dat Team-NB (de Europese vereniging van aangemelde instanties) standpuntdocumenten heeft gepubliceerd over de specifieke datagovernancevereisten voor MDAI onder MDCG 2025-6.

Voldoende klinisch bewijs voor een AI-beslissingsondersteuningstoolvomvat doorgaans:

• Validatiedatasets die representatief zijn voor de beoogde patiëntenpopulatie, inclusief demografische diversiteit.

• Prestatiegegevens uit de echte wereld uit klinische settings die vergelijkbaar zijn met de beoogde implementatieomgeving.

• Transparantiedocumentatie over modelarchitectuur, herkomst van trainingsgegevens en bekende beperkingen.

• Bewijs dat de tool presteert zoals bedoeld in klinisch relevante subgroepen, niet alleen in het totaal.

De Clinical Evaluation Navigator's analyse van MDCG 2025-6 benadrukt ook een specifieke uitdaging voor adaptieve AI-systemen: tools waarvan de modellen in de loop van de tijd worden bijgewerkt, moeten vooraf gedefinieerde wijzigingscontroleplannen (PCCP's) hebben. Deze plannen beschrijven hoe wijzigingen worden gevalideerd en gedocumenteerd zonder dat voor elke update een volledige hercertificering nodig is.

Wat inkoopteams moeten verifiëren voordat ze AI-beslissingsondersteuning implementeren

Voor zorgorganisaties die AI-klinische beslissingsondersteuningstools evalueren, vereisen claims van leveranciers over naleving van regelgeving actieve verificatie, geen passieve acceptatie. Een gestructureerd due diligence-proces moet het volgende omvatten:

• CE-markering onder MDR, niet MDD: De oude Medical Devices Directive (MDD) werd vervangen door MDR in mei 2021 (met een overgangsperiode). CE-markeringen uitgegeven onder de MDD zijn niet langer geldig voor nieuwe hulpmiddelen die op de markt worden gebracht. Overgangsbepalingen voor legacy-hulpmiddelen verlopen volgens een gefaseerd schema tot 2027-2028. Verifieer dat de CE-markering verwijst naar Verordening (EU) 2017/745.

• Hulpmiddelclassificatie en GMDN-code: De leverancier moet de MDR-classificatie (Klasse I, IIa, IIb of III) en de toepasselijke Global Medical Device Nomenclature-code kunnen aangeven.

• Certificaat van aangemelde instantie: Voor Klasse IIa en hoger moet een certificaatnummer van een aangemelde instantie verifieerbaar zijn. Het certificaat moet actueel zijn en uitgegeven door een aangemelde instantie die onder MDR is aangewezen (vermeld in de NANDO-database).

• Klinisch evaluatierapport: Vraag een samenvatting van de klinische evaluatie, inclusief de gebruikte validatiedatasets en eventuele bekende prestatiebeperkingen.

• Bewakingsplan na het op de markt brengen: Bevestig dat de leverancier een actief bewakingsproces na het op de markt brengen heeft en prestatiegegevens uit de echte wereld verzamelt.

• EUDAMED-registratie: De European Database on Medical Devices (EUDAMED) wordt geleidelijk gevuld. Leveranciers moeten hun registratiestatus kunnen bevestigen.

Een checklistgebaseerde methodologie voor AI-beleidsimplementatie gepubliceerd in het Journal of Anaesthesia, Analgesia and Critical Care in september 2025 beveelt systematische beoordeling aan die evidence-based prestaties, validatie in de echte wereld, MDR-compliance, naleving van de Algemene Verordening Gegevensbescherming (AVG) in de gezondheidszorg en monitoring na implementatie omvat. Dit bevestigt dat inkoopverantwoordelijkheid niet eindigt op het moment van aankoop.

De EU AI Act uitgelegd introduceert een parallelle compliancelaag. Zoals Reed Smith's juridische analyse van juni 2025 bevestigt, wordt elk MDR Klasse IIa-hulpmiddel dat AI bevat automatisch geclassificeerd als een hoogrisico-AI-systeem onder de AI Act. Dit legt aanvullende verplichtingen op met betrekking tot transparantie, menselijk toezicht en conformiteitsbeoordeling. De MedDeviceGuide 2026-compliancegids bevestigt dat handhaving van de AI Act voor CE-gemarkeerde MDR-hulpmiddelen van toepassing is vanaf augustus 2026, waarbij de bredere deadline van augustus 2027 bepaalde andere hoogrisico-AI-categorieën onder het dubbele compliancemodel dekt.

De gevolgen van verkeerde classificatie

Wanneer leveranciers AI-klinische beslissingsondersteuningstools verkeerd classificeren, hetzij door te beweren dat ze buiten de MDR-definitie van medisch hulpmiddel vallen, hetzij door Klasse I-compliance te verklaren wanneer Klasse IIa van toepassing is, strekken de gevolgen zich uit over meerdere dimensies.

Regelgevende handhaving: Nationale bevoegde autoriteiten, zoals de Agence nationale de sécurité du médicament et des produits de santé (ANSM) in Frankrijk of het Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM) in Duitsland, hebben de bevoegdheid om terugtrekking van de markt te eisen, financiële boetes op te leggen en in ernstige gevallen zaken door te verwijzen voor strafrechtelijke vervolging. De handhavingsbepalingen van de MDR zijn aanzienlijk sterker dan die van de MDD die het verving.

Institutionele aansprakelijkheid: Zorgorganisaties die een verkeerd geclassificeerde AI-tool aanschaffen en implementeren, dragen hun eigen regelgevende blootstelling. Inkoopteams die nalaten MDR-compliance te verifiëren, kunnen niet volledig vertrouwen op leveranciersgaranties als verdediging. Een risicomanagementonderzoek gepubliceerd in Studies in Health Technology and Informatics in oktober 2025, dat MDR Artikel 82-compliance voor klinische beslissingsondersteuningssystemen onderzoekt, illustreert hoe zelfs academische haalbaarheidsstudies van klinische beslissingsondersteuningssystemen nu systematisch risicobeheer onder MDR vereisen, een signaal van het brede bereik van de verordening.

Erosie van klinisch vertrouwen: Naast juridische gevolgen schaadt het implementeren van niet-gevalideerde AI-tools die vervolgens falen in klinisch gebruik de credibiliteit van AI-ondersteunde zorg in bredere zin. De peer-reviewed literatuur over AI als medisch hulpmiddel in radiologie, gepubliceerd in European Radiology in maart 2026, identificeert transparantie, uitlegbaarheid en menselijk toezicht als convergentiepunten in EU-, VS- en Chinese regelgevende kaders, wat een wereldwijde consensus weerspiegelt dat klinische AI aantoonbare verantwoordelijkheid vereist.

MDR Klasse IIa-certificering als basis voor verantwoorde AI-adoptie

Het framen van MDR Klasse IIa-certificering als een barrière voor innovatie geeft een verkeerde voorstelling van de functie ervan. Voor AI-klinische beslissingsondersteuning is certificering het mechanisme waarmee een tool het recht verdient om klinische beslissingen te beïnvloeden. Het creëert het auditspoor, de bewijsbasis en de voortdurende bewakingsinfrastructuur die zorgorganisaties in staat stellen AI te implementeren met een verdedigbare basis voor vertrouwen.

Leveranciers die rigoureuze classificatie nastreven, signaleren iets specifieks aan inkoopteams: dat ze hun tools aan onafhankelijke controle hebben onderworpen, dat hun klinisch bewijs is beoordeeld door een aangemelde instantie, en dat ze zich inzetten voor voortdurende prestatiemonitoring. Dat signaal is belangrijk in een markt waar zelfverklaarde compliance gemakkelijk te beweren en van buitenaf moeilijk te verifiëren is.

De MDx CRO-regelgevingsgids merkt op dat de vereisten voor menselijk toezicht van de AI Act, verplicht voor hoogrisico-AI-systemen inclusief Klasse IIa MDR-hulpmiddelen, het veiligheidskader van de MDR versterken in plaats van dupliceren. Samen creëren deze regelgevende lagen de voorwaarden waaronder zorgverleners AI-beslissingsondersteuningstools met passend vertrouwen kunnen gebruiken: wetende dat de tool is gevalideerd, dat de beperkingen zijn gedocumenteerd en dat de prestaties in gebruik in de echte wereld worden gevolgd.

Voor besluitvormers in de gezondheidszorg is de praktische implicatie eenvoudig. Bij het evalueren van AI-klinische beslissingsondersteuningstools is MDR Klasse IIa-certificering, met een verifieerbaar certificaat van een aangemelde instantie, een actuele CE-markering onder Verordening (EU) 2017/745 en een actief bewakingsprogramma na het op de markt brengen, het minimale geloofwaardige bewijs dat een leverancier voldoet aan de regelgevende norm die de EU heeft vastgesteld voor software die klinische zorg beïnvloedt.

Veelgestelde vragen

Wat is MDR Klasse IIa-certificering en waarom is het van toepassing op AI-klinische beslissingsondersteuningstools?

De EU Medical Device Regulation (Verordening 2017/745) organiseert medische hulpmiddelen in vier risicoklassen. Klasse IIa omvat hulpmiddelen met een middelmatig risico, inclusief software die informatie verstrekt die wordt gebruikt voor beslissingen met ernstige gevolgen voor individuele patiënten, zoals diagnose of behandelingsselectie. AI-klinische beslissingsondersteuningstools die patiëntgegevens analyseren en outputs retourneren die bedoeld zijn om diagnose, behandeling of risicostratificatie te begeleiden, vallen doorgaans in Klasse IIa omdat hun falen patiëntschade kan veroorzaken. In tegenstelling tot Klasse I-hulpmiddelen vereist Klasse IIa-certificering onafhankelijke beoordeling door een aangemelde instantie, een aangewezen conformiteitsbeoordelingsorganisatie, in plaats van alleen een conformiteitsverklaring van de fabrikant.

Wat maakt een AI-tool een Software as a Medical Device onder de MDR?

Volgens artikel 2, lid 1, van de MDR kwalificeert software als medisch hulpmiddel als de fabrikant het bedoeld heeft om te worden gebruikt voor diagnose, preventie, monitoring, voorspelling, prognose, behandeling of verlichting van ziekte. De classificatieregel die specifiek van toepassing is op standalone software is MDR Bijlage VIII Regel 11. Als een AI-tool abnormale bevindingen markeert, diagnoses suggereert, behandelingen aanbeveelt of patiëntrisico's stratificeert, is het waarschijnlijk Software as a Medical Device, ongeacht hoe de leverancier het commercieel labelt. Marketingtaal zoals "AI-assistent" of "beslissingsondersteuningshulpmiddel" bepaalt niet de regelgevende status.

Wat zijn de belangrijkste patiëntveiligheidsrisico's die MDR-regulering van AI-beslissingsondersteuning bedoeld is aan te pakken?

De conformiteitsbeoordelingsvereisten van de MDR pakken verschillende specifieke faalmodi aan. Algoritmische bias kan ertoe leiden dat AI-modellen getraind op niet-representatieve datasets slechter presteren voor bepaalde patiëntenpopulaties op manieren die onzichtbaar zijn voor de zorgverlener. Ondoorzichtige redenering betekent dat zorgverleners niet kunnen beoordelen of een aanbeveling gebaseerd is op gezonde klinische logica of een schijnbare statistische correlatie. Automatiseringsbias beschrijft de neiging van zorgverleners om te veel te vertrouwen op AI-outputs, vooral onder tijdsdruk, waardoor onafhankelijk klinisch oordeel afneemt. Een defect AI-model kan ook blijven plausibel ogende outputs produceren terwijl het systematisch een subgroep van patiënten verkeerd classificeert, in tegenstelling tot een kapotte thermometer waarvan het falen onmiddellijk duidelijk is.

Wat vereist het behalen van MDR Klasse IIa-certificering werkelijk van een leverancier?

Klasse IIa-certificering is een voortdurende regelgevende verplichting, geen eenmalige gebeurtenis. Leveranciers moeten een kwaliteitsmanagementsysteem hebben dat is gecertificeerd volgens ISO 13485, de internationale norm voor kwaliteitsbeheer van medische hulpmiddelen. Ze moeten een klinische evaluatie produceren die aantoont dat het hulpmiddel zijn beoogde doel veilig bereikt, inclusief validatiedatasets en prestatiegegevens uit de echte wereld. Een compleet technisch dossier met hulpmiddelbeschrijving, risicobeheer volgens ISO 14971 en softwarelevenscyclusdocumentatie volgens IEC 62304 is vereist. Een aangemelde instantie moet het kwaliteitsmanagementsysteem en de technische documentatie beoordelen. Na succesvolle beoordeling mag het hulpmiddel de CE-markering dragen onder Verordening (EU) 2017/745. Leveranciers moeten ook een actief bewakingsprogramma na het op de markt brengen onderhouden dat voortdurend prestatiegegevens uit de echte wereld verzamelt.

Wat moeten inkoopteams verifiëren voordat ze een AI-klinische beslissingsondersteuningstoolvimplementeren?

Inkoopteams moeten verifiëren dat de CE-markering verwijst naar Verordening (EU) 2017/745, niet naar de oude Medical Devices Directive, die niet langer geldig is voor nieuwe hulpmiddelen. De leverancier moet de MDR-classificatie kunnen aangeven en een actueel certificaatnummer van een aangemelde instantie kunnen verstrekken dat verifieerbaar is in de NANDO-database. Inkoopteams moeten een samenvatting van de klinische evaluatie aanvragen, inclusief de gebruikte validatiedatasets en bekende prestatiebeperkingen. Het bevestigen dat de leverancier een actief bewakingsplan na het op de markt brengen heeft en de registratiestatus bij de European Database on Medical Devices (EUDAMED) kan bevestigen, maken ook deel uit van een gestructureerd due diligence-proces. Inkoopverantwoordelijkheid eindigt niet op het moment van aankoop.

Wat is MDCG 2025-6 en wat betekent het voor AI-medische hulpmiddelen?

MDCG 2025-6 is een richtlijn gepubliceerd door de Medical Device Coordination Group begin 2025. Het introduceerde de specifieke term "Medical Device AI" (MDAI) om AI-systemen te beschrijven die voldoen aan de MDR-definitie van medisch hulpmiddel. De richtlijn bevestigt dat er geen AI-specifieke uitzonderingen zijn op MDR-classificatieregels. Het introduceerde ook vereisten rond datagovernance voor MDAI. Het benadrukte een specifieke uitdaging voor adaptieve AI-systemen: tools waarvan de modellen in de loop van de tijd worden bijgewerkt, moeten vooraf gedefinieerde wijzigingscontroleplannen hebben die beschrijven hoe wijzigingen worden gevalideerd en gedocumenteerd zonder dat voor elke update volledige hercertificering nodig is.

Hoe interageert de EU AI Act met MDR Klasse IIa-certificering voor AI-klinische beslissingsondersteuning?

Elk MDR Klasse IIa-hulpmiddel dat AI bevat, wordt automatisch geclassificeerd als een hoogrisico-AI-systeem onder de EU AI Act. Dit creëert een dubbel compliancemodel, waarbij de AI Act aanvullende verplichtingen oplegt met betrekking tot transparantie, menselijk toezicht en conformiteitsbeoordeling naast de bestaande vereisten van de MDR. Handhaving van de AI Act voor CE-gemarkeerde MDR-hulpmiddelen is van toepassing vanaf augustus 2026. De vereisten voor menselijk toezicht van de AI Act versterken het veiligheidskader van de MDR in plaats van het te dupliceren. Samen creëren deze regelgevende lagen de voorwaarden waaronder zorgverleners AI-beslissingsondersteuningstools met passend vertrouwen kunnen gebruiken.

Wat zijn de gevolgen van het verkeerd classificeren van een AI-klinische beslissingsondersteuningstoolvonder de MDR?

Verkeerde classificatie heeft gevolgen over verschillende dimensies. Nationale bevoegde autoriteiten, zoals ANSM in Frankrijk of BfArM in Duitsland, kunnen terugtrekking van de markt eisen, financiële boetes opleggen en ernstige gevallen doorverwijzen voor strafrechtelijke vervolging. Zorgorganisaties die een verkeerd geclassificeerde AI-tool aanschaffen en implementeren, dragen hun eigen regelgevende blootstelling en kunnen niet alleen vertrouwen op leveranciersgaranties als verdediging. Naast juridische gevolgen schaadt het implementeren van niet-gevalideerde AI-tools die vervolgens falen in klinisch gebruik de credibiliteit van AI-ondersteunde zorg in bredere zin, een zorg die wordt weerspiegeld in peer-reviewed literatuur over meerdere klinische specialismen.

Welk klinisch bewijs vereist een aangemelde instantie bij het beoordelen van een AI-beslissingsondersteuningstoolvoor?

Voldoende klinisch bewijs voor een AI-beslissingsondersteuningstoolvomvat doorgaans validatiedatasets die representatief zijn voor de beoogde patiëntenpopulatie, inclusief demografische diversiteit. Prestatiegegevens uit de echte wereld uit klinische settings die vergelijkbaar zijn met de beoogde implementatieomgeving zijn vereist. Transparantiedocumentatie over modelarchitectuur, herkomst van trainingsgegevens en bekende beperkingen moet worden verstrekt. Bewijs dat de tool presteert zoals bedoeld in klinisch relevante subgroepen, niet alleen in het totaal, wordt ook verwacht. De Europese vereniging van aangemelde instanties heeft standpuntdocumenten gepubliceerd over de specifieke datagovernancevereisten voor Medical Device AI onder MDCG 2025-6.

Is MDR Klasse IIa-certificering een barrière voor AI-innovatie in de gezondheidszorg?

Het framen van MDR Klasse IIa-certificering als een barrière voor innovatie geeft een verkeerde voorstelling van de functie ervan. Voor AI-klinische beslissingsondersteuning is certificering het mechanisme waarmee een tool het recht verdient om klinische beslissingen te beïnvloeden. Het creëert het auditspoor, de bewijsbasis en de voortdurende bewakingsinfrastructuur die zorgorganisaties in staat stellen AI te implementeren met een verdedigbare basis voor vertrouwen. Leveranciers die rigoureuze classificatie nastreven, signaleren aan inkoopteams dat hun tools aan onafhankelijke controle zijn onderworpen, dat hun klinisch bewijs is beoordeeld door een aangemelde instantie, en dat ze zich inzetten voor voortdurende prestatiemonitoring. Dat onderscheid is belangrijk in een markt waar zelfverklaarde compliance gemakkelijk te beweren en van buitenaf moeilijk te verifiëren is.