产品类别二级分类_NMPA I 《医疗器械分类目录动态调整工作程序(征求意见稿)》...

8800a013249ad203f2962a52b81e8d73.png


医疗器械分类目录动态调整工作程序

(征求意见稿)

第一条【制定目的】为加强医疗器械分类管理,规范《医疗器械分类目录》(以下简称《分类目录》)动态调整工作,根据《医疗器械监督管理条例》《医疗器械分类规则》,制定本工作程序。

第二条【调整原则】《分类目录》动态调整工作应当根据医疗器械风险变化情况,参考国际经验,遵循符合最新科学认知、立足监管实际和推动产业高质量发展的原则。

第三条【调整种类】《分类目录》动态调整包括以下情形:

(一)调整目录框架;

(二)调整一级产品类别、二级产品类别和管理类别;

(三)增补典型医疗器械;

(四)删除不再作为医疗器械管理的产品;

(五)修订产品描述、预期用途和品名举例等内容。

第四条【调整建议提出方式】境内医疗器械注册人和备案人、生产经营企业、使用单位可以向所在省(区、市)药品监督管理部门提出《分类目录》调整建议。省(区、市)药品监督管理部门负责对行政区域内《分类目录》调整建议进行初审,认为确需调整的,将调整建议报送国家药监局医疗器械标准管理中心(以下简称标管中心)。

境外医疗器械注册人和备案人可以向标管中心提出《分类目录》调整建议。

第五条【其他相关方建议提出方式】 国家药监局相关部门、省(区、市)药品监督管理部门、相关社会团体以及国家药监局医疗器械分类技术委员会(以下简称分类技术委员会)委员,可以向标管中心提出《分类目录》调整建议。

第六条【建议材料要求】 《分类目录》调整建议和相关材料通过标管中心分类界定信息系统提交,相关材料包括但不限于以下内容:

(一)拟调整的内容和理由;

(二)产品国内外管理属性、类别和产业现状;

(三)产品主要风险点及风险变化等情况;

(四)产品技术特点、与已上市类似产品的比较和临床使用等情况;

(五)产品不良事件和上市后监管有关情况(如适用)。

第七条【建议审查】 标管中心对收到的《分类目录》调整建议进行研究,分析、评估产品的风险变化情况,形成初步调整意见。

第八条【公开征求意见】标管中心将《分类目录》初步调整意见在其网站向社会公开征求意见1个月。根据征集意见情况修改完善形成《分类目录》拟调整意见。

第九条【目录框架调整】针对《分类目录》目录框架的拟调整意见,标管中心将拟调整意见报送国家药监局,按程序在国家药监局网站公示7日后,国家药监局组织分类技术委员会执委会审议《分类目录》拟调整意见,审议通过后按程序发布调整公告。

第十条【其他内容调整】针对其他情形的《分类目录》拟调整意见,由标管中心报送国家药监局,按程序在国家药监局网站公示7日后,由标管中心组织分类技术委员会专业组审议,审议通过后,由标管中心将调整意见报送国家药监局,按程序发布调整公告。

第十一条【调整意见发布】标管中心按照国家药监局公布的《分类目录》调整公告,及时调整《分类目录》数据库。

第十二条【调整频次】 《分类目录》应当及时进行调整,调整工作原则上每年不少于一次。

第十三条【类别调整后注册要求】已注册/备案医疗器械类别调整后的注册/备案事项,按照《医疗器械注册管理办法》有关要求执行。

第十四条【体外诊断试剂适用性】 体外诊断试剂分类子目录动态调整工作参照本程序执行。

第十五条【实施日期】 本程序自公布之日起实施。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值