Digitalisierung, Künstliche Intelligenz (KI), Daten-Interoperabilität, elektronische Patientenakte (ePa), elektronisches Rezept (eRezept) – das sind nur einige Begriffe, die täglich in den Medien zu finden sind. Während diese in Deutschland noch als visionär klingende Schlagwörter wahrgenommen werden mögen, werden sie international längst routinemäßig angewendet. Deutschland muss hier aufholen und genau jetzt ist der Zeitpunkt dafür.
Gesundheits- und Versorgungsforschungsdaten, global als Real World Data (RWD) bezeichnet, werden während der Routineversorgung erhoben, z. B. zur Dokumentation der Krankheitsgeschichte oder zu Abrechnungszwecken. Unter Anwendung von wissenschaftlich validen Studiendesigns und Analysemethoden kann aus RWD dann Evidenz generiert werden, die sog. Real World Evidence (RWE).
Viele Krankheiten und ihre Verläufe sind noch immer nicht erforscht; es kann Jahre dauern, bis die richtige Diagnose gestellt, die richtige Therapie gefunden ist – eine immense Belastung für Patienten und das Gesundheitssystem. Die Analyse von RWD ist eine wertvolle, einzigartige, effiziente Quelle, Krankheiten besser zu verstehen. Die Bundesbeauftragte für den Datenschutz und die Informationsfreiheit, Louisa Specht-Riemenschneider, betont: „Nur mit mehr Daten können wir Krankheiten besser verstehen und schneller behandeln.“
Neben den etablierten epidemiologischen Methoden beschleunigt KI Erkenntnisgewinne. Large Language Models, also Modelle, die natürliche Sprache verstehen, verarbeiten und generieren, können genutzt werden, um neben den kodierten Diagnosen von Abrechnungsdaten auch die Notizen des Arztes aus den Patientenakten zu extrahieren. Machine Learning (ML)-Modelle ordnen diese Zusatzinformationen dann potenziellen Diagnosen zu, klassifizieren Krankheitsverläufe und entwickeln Vorhersagemodelle.
Real World Evidence beschleunigt und vergünstigt Therapieentwicklung
Um neue Therapieansätze zu erforschen, entwickeln und verfügbar zu machen, müssen Studien in kontrolliertem Rahmen durchgeführt werden. Die Entwicklung eines neuen Medikamentes dauert ca. zehn Jahre und kostet durchschnittlich 172,7 Millionen Dollar (Zeitraum 2000–2018). Und 515,8 Millionen Dollar, schließt man die gescheiterten Entwicklungsprogramme ein.
Nicht nur wegen der enormen Kosten und des zeitlich begrenzten Patentschutzes, sondern insbesondere um Patienten mit begrenzten Therapiemöglichkeiten schneller zu helfen, besteht ein hohes Interesse, die klinische Entwicklung zu verkürzen und Ressourcenanforderungen zu reduzieren. Eine besondere Herausforderung ist, die richtigen Patienten zu identifizieren. Die mit RWD geschaffenen Erkenntnisse zu Krankheit und Krankheitsverlauf können das beschleunigen.
Zusätzlich werden KI-basierte Vorhersagemodelle entwickelt, um Patienten-Subgruppen mit einem möglichst positiven Nutzen-Risiko-Profil zu identifizieren. Die wachsenden Möglichkeiten, (Zulassungs-)Studien durch zusätzliche RWD-Informationen zielgerechter zu planen und durchzuführen, können das Risiko eines erfolglosen Entwicklungsprogrammes, das 2023 auf fast 90 % geschätzt wurde, signifikant reduzieren.
Die Bereitschaft an klinischen Studien teilzunehmen variiert, was deren Repräsentativität reduziert. Zudem verhalten sich Ärzte und Patienten anders, wenn sie wissen, dass sie in einer Studie unter Beobachtung stehen. Nach der Marktzulassung ermöglichen RWD, Wirksamkeit, Sicherheit und Verschreibungsverhalten im klinischen Alltag in einer breiten Population und mit einer längeren Nachbeobachtungszeit zu evaluieren. So können auch Arzneimittelsicherheitsstudien, die von Zulassungsbehörden zunehmend gefordert werden, sowie Analysen für Kostenerstattungs- und Preisverhandlungen effizient umgesetzt werden.
Zunehmend werden RWD/E zur Indikationserweiterung genutzt, d.h., um eine breitere oder neue Zulassung für den gleichen Wirkstoff zu erreichen, was den Patentschutz verlängert. Künstliche Intelligenz ist hier von enormem Wert, Muster zu erkennen und Hypothesen zu generieren, die dann mit zusätzlichen Methoden auf Kausalität geprüft werden können.
Datenverfügbarkeit erlaubt schnellere und bessere Forschungsergebnisse
Digitale Gesundheitsdaten sind in vielen Ländern verfügbar und können für Forschungszwecke gekauft, lizensiert oder über Drittanbieter ausgewertet werden. Speicher- und Cloud-Technologien erlauben die Bereitstellung immenser Datenmengen. Es existieren Kodierungssysteme (z. B. International Classification of Diseases, ICD) und standardisierte Datenmodelle, die die Datenzusammenführung und -auswertung unterschiedlicher Quellen vereinfachen.
In Deutschland war die Datenverfügbarkeit bisher sehr limitiert; große, repräsentative, über lange Zeiträume erhobene Datensätze fehlten. Dies soll sich im nächsten Jahr mit der Bereitstellung der pseudonymisierten Abrechnungsdaten von über 73 Millionen gesetzlich Krankenversicherten (ermöglicht durch ePA, eRezept und neue Gesetze) ändern.
Die Daten erlauben auch das Trainieren von ML-Modellen. Der Präsident des Verbandes der forschenden Arzneimittelindustrie (VfA), Han Steutel, betont, dass Pharmaunternehmen zwar mit KI vertraut seien, aber häufig „bislang ausländische Datenquellen auswerten“, um ihre KI-Modelle zu trainieren. Das wird sich mit der Verfügbarkeit der Versicherungsdaten, die das Trainieren von ML-Modellen nun auch mit deutschen Daten ermöglichen, ändern.
Datenanalysen in anderen Dimensionen und Qualitäten
Während randomisierte klinische Studien, in denen Therapieoptionen zufällig zugewiesen werden, in der Regel vergleichbare Gruppen analysieren und qualitativ hochwertige, standardisierte Daten nutzen, ist dies bei RWD nicht gegeben. Hier entscheiden Arzt und Patient, basierend auf individuellen Charakteristika der Patienten, welches die beste Therapie darstellt. Somit können in verschiedenen Behandlungsgruppen Patienten mit sehr unterschiedlichen Eigenschaften sein. Die vergleichenden Auswertungen sind dadurch komplex und anfällig für Verzerrungen. Studiendesigns und Analysemethoden haben sich jedoch enorm entwickelt und erlauben inzwischen kausale Schlussfolgerungen.
Die Programmierung der Auswertungen ist aufwendig und erfordert eine Doppelprogrammierung zur Qualitätssicherung. Analyse-Software wird zunehmend entwickelt, um Ressourcen zu reduzieren, Transparenz und Reproduzierbarkeit zu erhöhen. Das deutsche Forschungsdatenzentrum plant, die Abrechnungsdaten der gesetzlich Versicherten in virtuellen Analyseräumen für Forscher bereitzustellen. Ob in Deutschland die entsprechende Fachexpertise ausreichend vorhanden ist, bleibt offen.
Die virtuellen Analyseräume dienen auch dazu, KI-Modelle geschützt zu trainieren. Künstliche Intelligenz ist unerlässlich bei großen multimodalen Datensätzen, also Daten unterschiedlichster Herkunft und Struktur, wie klinische Charakteristika oder genetische Information. Gesundheitsminister Karl Lauterbach bezeichnet diese multimodalen Daten als „unterschiedliche Sprachen im menschlichen Körper“, die es gelte, ganzheitlich zu betrachten.
RWD, RWE und KI können in Deutschland erhebliche Potenziale heben
Die Akzeptanz von RWD/E zur Entscheidungsfindung variiert, wächst aber kontinuierlich, insbesondere die amerikanische Zulassungsbehörde für Medikamente (Federal Drug Administration, FDA) hat in den letzten drei Jahren zahlreiche Richtlinien hierzu veröffentlicht. Auch die Europäische Zulassungsbehörde (European Medicine Agency, EMA integriert RWD/E zunehmend in Entscheidungsprozesse. In Deutschland spielen RWD/E noch vorwiegend eine lediglich unterstützende Rolle nach der Marktzulassung.
Ebenso variiert die Akzeptanz bei den Kostenerstattern. In den USA sind RWD/E für Erstattungsbeträge relevant, die an klinische Resultate oder an Kostenersparnisse geknüpft sind, was die Verträge komplex macht und Implementierungen limitiert. In Europa werden neue Therapien in einem systematischen, evidenzbasierten Prozess vergleichend zu bestehenden Therapieoptionen beurteilt, dem sog. Health Technology Assessment (HTA), ein Bindeglied zwischen Wissenschaft und Politik.
In Deutschland sind an diesem Prozess der Gemeinsame Bundesausschuss, das Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG) und das Bundesinstitut für Arzneimittel und Medizinprodukte beteiligt. Das IQWiG plädiert noch stark für randomisierte klinische Studien, bei denen die Probanden nach dem Zufallsprinzip ausgewählt werden, weniger für RWD/E, was im internationalen Vergleich etwas obsolet erscheint.
Unabhängig davon, mit welchem Entscheidungsträger man interagiert, sollte man grundsätzlich immer im Voraus klären, unter welchen Voraussetzungen RWD/E für Entscheidungsprozesse genutzt werden können, ob sie entscheidungsrelevant oder nur ergänzend sind. Eine Akzeptanz kausaler Rückschlüsse basierend auf KI ist bei Behörden und Kostenerstattern noch nicht gegeben, wird aber progressiv entwickelt. Richtlinien und Empfehlungen haben ähnliche Schwerpunkte wie die RWD/E-Themen vor einigen Jahren, d. h. Datenqualität, Zuverlässigkeit, Transparenz, Reproduzierbarkeit etc.
Neue rechtliche Grundlagen erlauben den Durchbruch
Mehrere Gesetze im Gesundheitssektor wurden in den letzten Jahren erlassen, darunter das Gesetz zur Beschleunigung der Digitalisierung im Gesundheitswesen, das Gesundheitsdatennutzungsgesetz und das Medizinforschungsgesetz.
- Im Mittelpunkt des Gesetzes zur Beschleunigung der Digitalisierung im Gesundheitswesen stehen die elektronische Patientenakte, kurz ePa, die ab 1. Januar 2025 allen gesetzlich Versicherten zur Verfügung steht, und das e-Rezept, das dann verbindlicher Standard wird.
- Das Gesundheitsdatennutzungsgesetz erlaubt die Nutzung der pseudonymisierten Gesundheitsdaten für Forschung und Innovation. Der Datenzugang soll unbürokratisch erfolgen und internationale Forschung in Deutschland erlauben, „ohne Differenzierung zwischen akademischen und industriegeförderten Studien“, so Gesundheitsminister Karl Lauterbach. Auch Louisa Specht-Riemenschneider betont: „Erfolg moderner medizinischer Forschung hängt entscheidend davon ab, dass Datenschutz und Datennutzbarkeit zusammen gedacht werden.“
- Das Medizinforschungsgesetz beschleunigt und entbürokratisiert Genehmigungsverfahren für klinische Prüfungen und Zulassungsverfahren u. a. von Arzneimitteln und Medizinprodukten.
Ein Vergleich der prozentualen Nutzung verschiedener Länder zur Studiendurchführung von großen Pharmafirmen zeigt, dass Deutschland, England und Frankreich 2021–23 ca. 29% weniger genutzt wurden als noch 2014–2016. Das Medizinforschungsgesetz soll diesen Trend umkehren. Han Steutel vom Verband der forschenden Pharma-Unternehmen erwartet, dass der „Datenzugang Deutschland in der Grundlagenforschung und in der Arzneimittelentwicklung Schub gibt.“
Packen wir es an!
Es besteht ein immenser Forschungsbedarf, sei es beim Verständnis von Erkrankungen, Diagnosestellungen und Krankheitsverläufen, sei es bei der Entwicklung neuer Therapien. Während (RW-)Datenzugang und innovative Datenanalysemethoden sowie die rechtlichen Grundlagen in Deutschland nun geschaffen sind, ist es entscheidend, die Fachexpertise aufzubauen, die RWD und KI sowie insbesondere deren Kombination benötigen.
„Wir brauchen weitere Initiativen in Politik und Wissenschaft, wenn wir international an die Spitze wollen“, betont Steutel. Themen, die vor Jahren im RWD/E-Bereich diskutiert wurden, wie z.B. Datenqualität, Transparenz, Reproduzierbarkeit, sind auf den KI-Bereich in vielerlei Hinsicht übertragbar; aus der Vergangenheit und von anderen Ländern lernen, ist essenziell für den Sprint an die Spitze, damit es kein Marathon wird.
Artikel aus dem Handelsblatt Journal How to future Health vom 05.11.2024
