Machine Learning, Deep Learning, NLP e Computer Vision em ambientes regulados — GAMP 5 Categoria 5
Sistemas de Inteligência Artificial (IA) e Machine Learning (ML) estão sendo cada vez mais utilizados em ambientes regulados para diagnóstico, controle de processos, análise de dados e tomada de decisões críticas. Quando esses sistemas impactam a qualidade do produto, a segurança do paciente ou a integridade dos dados, eles devem ser validados.
Segundo o GAMP 5 (2ª Edição, 2022), sistemas de IA com algoritmos customizados são classificados como Categoria 5 — Aplicações Customizadas, exigindo ciclo de vida completo de validação, incluindo especificações detalhadas, testes extensivos e gestão de risco baseada em evidências.
O 21 CFR Part 11 (FDA), as normas da ANVISA e as diretrizes do PIC/S exigem que sistemas de IA utilizados em processos GxP sejam validados, documentados e controlados ao longo de todo o seu ciclo de vida.
| Norma / Referência | Área / Setor | Relevância para Sistemas de IA | Status |
|---|---|---|---|
| GAMP 5 (2ª Ed., 2022) ISPE — Categorias 1, 3, 4 e 5 | 🔵 Todos os setores regulados | Sistemas de IA customizados = Categoria 5; define ciclo de vida, gestão de risco e documentação completa | ✅ Vigente |
| 21 CFR Part 11 FDA — Electronic Records and Signatures | 🔵 Farmacêutico, médico, exportação EUA | Registros eletrônicos gerados por IA devem ter trilha de auditoria, controle de acesso e integridade de dados | ✅ Vigente |
| PIC/S PI 011-3 Good Practices for Computerised Systems | 🔵 Farmacêutico, inspeções internacionais | Boas práticas para sistemas computadorizados incluindo sistemas de IA em processos GxP | ✅ Vigente |
| RDC 658/2022 — ANVISA Boas Práticas de Fabricação de Medicamentos | 🔵 Medicamentos (uso humano) | Sistemas de IA usados na fabricação, controle de qualidade e liberação de medicamentos devem ser validados | ✅ Vigente |
| RDC 430/2020 — ANVISA Boas Práticas de Distribuição, Armazenagem e Transporte | 🔵 Distribuição de Medicamentos | Sistemas de IA para gestão de temperatura, rastreabilidade e logística devem ser validados | ✅ Vigente |
| RDC 665/2022 — ANVISA Boas Práticas de Fabricação de Produtos Médicos | 🟢 Produtos Médicos / Dispositivos | Algoritmos de IA integrados a dispositivos médicos ou usados em seu controle de qualidade devem ser validados | ✅ Vigente |
| RDC 48/2013 — ANVISA Boas Práticas de Fabricação de Cosméticos | 🟣 Cosméticos / Higiene Pessoal | Sistemas informatizados incluindo IA usados na fabricação de cosméticos devem ser validados | ✅ Vigente |
| GGPAF/ANVISA Portos, Aeroportos, Fronteiras e Recintos Alfandegados | 🟠 Portos, Aeroportos e Fronteiras | Sistemas de IA para vigilância sanitária e controle em pontos de entrada devem seguir requisitos de integridade de dados | ✅ Vigente |
| ICH Q9 (R1) — Gestão de Risco | 🔵 Farmacêutico / Médico | Avaliação de risco para sistemas de IA críticos — probabilidade de falha e impacto no paciente | ✅ Vigente |
| ICH Q10 — Sistema de Qualidade Farmacêutico | 🔵 Farmacêutico | Gestão do ciclo de vida de sistemas de IA como parte do sistema de qualidade farmacêutico | ✅ Vigente |
| ISO 13485:2016 Sistemas de Gestão da Qualidade — Dispositivos Médicos | 🟢 Produtos Médicos | Requisitos de qualidade para IA integrada a dispositivos médicos | ✅ Vigente |
Algoritmos que aprendem padrões a partir de dados históricos para fazer previsões ou classificações.
Redes neurais profundas para análise de imagens, sinais e dados complexos.
Sistemas que processam e interpretam texto e linguagem humana.
Sistemas de visão computacional para inspeção e controle de qualidade visual.
Definir claramente o problema que a IA resolverá, avaliar o impacto regulatório e classificar o sistema conforme GAMP 5 e ICH Q9.
Documentar os requisitos funcionais, de desempenho, de segurança e de explicabilidade do sistema de IA.
Desenvolver, treinar e otimizar o modelo de IA com dados representativos e controlados.
Executar testes documentados para verificar que o sistema atende aos requisitos especificados.
Monitorar continuamente o desempenho do modelo em produção para detectar degradação (model drift).
Gerenciar qualquer alteração no modelo, dados ou infraestrutura, avaliando impacto e revalidando quando necessário.