Teil 2 von 5 – Rückblick auf Trainingsdaten: Wie archivierte Daten klinischer Studien KI beibringen, die nächste Studie zu entwerfen

Archivierung klinischer Studiendaten – Teil 2/5

Teil 1 dieser Reihe behandelte die erste Dimension – Kostenstellen und strategische Vermögenswerte. Dieser Beitrag befasst sich mit der zweiten Dimension: Wie Daten aus der Rückspiegelanalyse zu Trainingsdaten für KI/ML-Modelle werden. Im Januar 2026 veröffentlichten die FDA und die EMA gemeinsam die „Leitlinien für gute KI-Praxis in der Arzneimittelentwicklung“, einen gemeinsamen Rahmen für die Entwicklung, Dokumentation und Validierung von KI-Modellen in der Arzneimittelentwicklung. Dieser Rahmen folgt dem Entwurf der KI-Leitlinie der FDA vom Januar 2025 und baut auf dem „KI-Rat“ des CDER von 2024 auf. Das CDER hat seit 2016 bereits über 500 Anträge im Zusammenhang mit KI geprüft.

Liest man jedoch zwischen den Zeilen, so geht es eigentlich nicht um das Modell selbst, sondern um die Daten, mit denen es trainiert wurde. Die Glaubwürdigkeit eines Modells hängt maßgeblich von seinen Trainingsdaten ab: Wie repräsentativ, wie konsistent beschriftet, wie nachvollziehbar sind sie? Regulierungsbehörden fragen nicht mehr nur: „Funktioniert es?“, sondern: „Woher stammen die Trainingsdaten, und lässt sich das belegen?“

Diese Frage hat bereits eine konkrete Antwort – dieselbe, mit der diese Blogreihe begann. Die FDA-Zulassung von Koselugo (Selumetinib) durch AstraZeneca und Merck im Jahr 2020 für pädiatrische Neurofibromatose Typ 1, die erstmals in Teil 1 behandelt wurde, basierte auf einer externen Kontrollgruppe, die aus einer Beobachtungsstudie zum natürlichen Krankheitsverlauf und dem archivierten Placeboarm einer früheren Phase-II-Studie erstellt wurde. Stattdessen wurde eine neue Placebo-Kohorte in einer extrem seltenen pädiatrischen Population rekrutiert. Es handelt sich um ein publiziertes, quantifiziertes regulatorisches Ergebnis – und es beruhte auf derselben Voraussetzung, die jedes KI-Training benötigt: archivierte Daten, die sauber und strukturiert genug sind, um damit trainiert zu werden, und ausreichend nachvollziehbar, um sie gegenüber den Aufsichtsbehörden zu verteidigen.

Nichts davon geschieht einfach dadurch, dass man dem Modell einen Ordner mit alten klinischen Studiendaten zuweist. Die Umwandlung eines Archivs in nutzbare Trainingsdaten folgt einem recht einheitlichen Prozess, den Koselugo damals bereits größtenteils durchlaufen hat, auch wenn er damals noch nicht so bezeichnet wurde.

• Harmonisierung auf ein gemeinsames Datenmodell. Koselugos externe Kontrollgruppe umfasste etwa 50 Patienten aus einer Verlaufsstudie mit etwa 50 Patienten aus dem Placeboarm der früheren Phase-II-Studie SPRINT. Da beide Studiengruppen kein gemeinsames Datenmodell verwendeten, mussten Tumorvolumen, Untersuchungszeiträume und Endpunktdefinitionen in eine einheitliche Struktur überführt werden, bevor Patienten aus verschiedenen Studiengruppen verglichen werden konnten.
• Terminologie vereinheitlichen und Bezeichnungen neu ableiten. „Ansprechen“ und Krankheitsverlauf wurden in beiden Studien anhand einer einheitlichen Definition neu berechnet – und nicht anhand der Definition, die die Statistiker der jeweiligen Originalstudie zum damaligen Zeitpunkt verwendet hatten.
• Anonymisierung und Verknüpfung auf Patientenebene. Jeder Datensatz aus beiden Quellen wird auf die gleiche Weise tokenisiert, sodass Patientendaten zusammengeführt werden können, ohne dass die Identität preisgegeben wird oder sie doppelt gezählt werden, wenn sie in mehr als einer Quelle erscheinen.
• Entwickeln Sie einen standardisierten Basisfunktionsumfang. Alter, Ausgangstumorvolumen, Genotyp und Schweregrad der Erkrankung werden alle zu einem einheitlichen Merkmalsvektor extrahiert – die gleichen Felder, auf die gleiche Weise gemessen, für jeden Patienten unabhängig von der Quelle.
• Filtern Sie nach einer geeigneten Kohorte und ordnen Sie dann Eingabe und Ergebnis einander zu. Wenden Sie die Eignungskriterien der neuen Studie auf beide Archive an, um den Pool auf die etwa 50 Patienten pro Quelle einzugrenzen, die tatsächlich die Kriterien erfüllen. Ordnen Sie dann die Ausgangsmerkmale (Input) jedes Patienten seinem aufgezeichneten Ergebnis (Ziel) zu.
• Den Ergebnisverlauf abbilden oder modellieren. Koselugo wählte den einfacheren Ansatz: Ähnlichkeitsbasiertes Matching, bei dem die tatsächlichen Behandlungsergebnisse vergleichbarer historischer Patienten als Vergleichsgrundlage dienen. Die komplexere Alternative, ein generatives Modell, das synthetische Verläufe erzeugt, stellt das neuere, weniger erprobte Ende desselben Spektrums dar.
• Ganze Studien im Miniaturformat durchführen. Koselugo fasste lediglich zwei Quellstudien zusammen, aber das gleiche Prinzip galt: Die Gutachter benötigten die Gewissheit, dass die Vergleichspatienten nicht durch Daten aus dem Behandlungsarm beeinflusst wurden – die gleiche Isolation, die durch die Durchführung einer vollständigen Studie in größerem Umfang gewährleistet wird.
• Anhand realer Ergebnisse kalibrieren. Die Prüfer der FDA mussten sich vergewissern, dass die Ausgangsmerkmale und Verläufe der zugeordneten Patienten tatsächlich mit denen der behandelten Kohorte übereinstimmten, bevor sie den Vergleich akzeptierten – die gleiche Überprüfung, die jede Version dieser Pipeline benötigt, bevor man ihren Ergebnissen vertrauen kann.
• Die Ergebnisse werden wieder im Archiv gespeichert. Koselugos Vergleichsmodell wurde einmalig für eine einzige Einreichung erstellt. Eine wiederverwendbare Pipeline wandelt es in ein kontinuierlich aktualisiertes Archiv um – die von den FDA/EMA-Prinzipien geforderte „Lebenszyklusüberwachung“, die auch das Pilotprojekt „Klinische Echtzeitstudien“ aus Teil 1 des Blogs anstrebt.

Die FDA/EMA-Prinzipien fordern ein „robustes Management der Informationsqualität und -herkunft“ – lassen aber offen, wie dies konkret umgesetzt werden soll, da der Rahmen flexibel auf Studiendesign, Pharmakovigilanz und Herstellung abgestimmt sein muss. Hier schließt ISO/IEC 42001:2023 diese Lücke. Die im Dezember 2023 veröffentlichte Norm ist der erste internationale Standard für KI-Management und verpflichtet zertifizierte Organisationen zur Durchführung dokumentierter Risiko- und Verzerrungsanalysen, zur Rückverfolgbarkeit von Daten über den gesamten KI-Lebenszyklus hinweg und zur Führung eines Prüfprotokolls, das von den Aufsichtsbehörden eingesehen werden kann. Daher wird ISO/IEC 42001:2023 in den Life Sciences bereits als praktischer Weg positioniert, um Vertrauen bei FDA, EMA und MHRA aufzubauen, noch bevor diese Vorgaben verpflichtend werden.

Dieses „Wie“ lässt sich in konkrete Anforderungen unterteilen, die direkt der ISO 42001 entsprechen, und die FDA/EMA-Grundsätze machen sie nahezu verbindlich:

• Repräsentative, auf Verzerrungen geprüfte Kohorten (Anforderung an die Verzerrungsbewertung gemäß ISO 42001). Sponsoren müssen vor der Schulung überprüfen, wer an den archivierten Studien teilgenommen hat und wer nicht, sonst lernt ein „digitaler Zwilling“ einfach alte blinde Flecken als klinische Wahrheit wieder.
• Strukturierte Bezeichnungen, kein Freitext (Anforderung an die Datenintegrität gemäß ISO 42001). Ältere Studien erfassten die Ergebnisse häufig in unstrukturierten Fallberichtsformularen. Diese sollten zunächst in einheitliche, strukturierte Bezeichnungen umgewandelt werden und nicht einfach das wiedergegeben werden, was ein Kodierer vor Jahren zufällig eingegeben hat.
• Herkunftsnachweis auf Studienebene (Rückverfolgbarkeitsanforderung nach ISO 42001). Sponsoren müssen genau wissen, welche Patienten und Studien zum Trainingsdatensatz und welche zum Validierungsdatensatz gehören, sonst kann ein Modell zwar validiert erscheinen, besteht aber lediglich aus auswendig gelernten Daten, die es bereits gesehen hat.
• Versionierte „Datenkarten“ (Audit-Trail-Anforderung der ISO 42001). Die FDA/EMA-Grundsätze drängen Sponsoren dazu, die Trainingsdaten selbst – Herkunft, Version, bekannte Einschränkungen – mit der gleichen Strenge zu dokumentieren wie das Modell.
• Datenschutzkonforme Berechnung für die Zusammenlegung von Sponsorengeldern. Kein einzelnes Archiv verfügt über genügend Patientendaten. Föderiertes Lernen und synthetische Daten ermöglichen es mehreren Organisationen, ein gemeinsames Modell zu trainieren, ohne dass die Rohdaten der Patienten jemals ihr Quellsystem verlassen.
• Drift-Erkennung (Lebenszyklus-Überwachungsprinzip der FDA/EMA). Ein Modell, das mit Daten aus den Jahren 2015–2020 trainiert wurde, benötigt eine eingebaute Überprüfung, um festzustellen, wann die Population einer neuen Studie nicht mehr derjenigen ähnelt, von der es gelernt hat, oder ob „validiert“ einfach „an einer Population validiert wurde, die nicht mehr existiert“.
• Ein dokumentierter menschlicher Prüfprozess (Erwartung der FDA/EMA an die menschliche Aufsicht). Klinische Experten benötigen weiterhin eine nachvollziehbare Möglichkeit, die Ergebnisse des Modells anzufechten oder zu überschreiben, bevor diese in eine regulatorische Entscheidung einfließen, damit das Modell nicht das letzte Wort hat.

Lässt man auch nur einen dieser Punkte aus, sind die „Trainingsdaten“ nichts anderes als alte Daten, denen einfach ein neues Etikett verpasst wurde – genau die Art von KI-Nutzung, die Regulierungsbehörden heutzutage ablehnen wollen.

Die Vorbereitung des Archivs auf KI-Anwendungen ist jedoch nur die halbe Miete. Der neueste Artikel meines Kollegen knüpft genau dort an, wo dieser aufhört – er beschreibt, was passiert, wenn diese verwalteten Daten direkt, in einfacher Sprache und mit Quellenangaben befragt werden: Von KI-Bereit zu KI-Aktiviert: Datenverständnis und Datenanalyse sind da.

Wenn Sie in den Bereichen Biostatistik, Datenwissenschaft oder Zulassungsangelegenheiten arbeiten: Wenn in Ihrer Organisation von der „Anwendung von KI auf unsere historischen Studiendaten“ die Rede ist, wurden die Trainingsdaten selbst dann genauso sorgfältig dokumentiert wie das Modell – Herkunft, Repräsentativität und alles Weitere?

Nächster Teil dieser Reihe: Dimension drei – wie der Archivierungsaufwand aus unterschiedlichen Systemen und Fusionen und Übernahmen zu einem einheitlichen Vorteil für die therapieübergreifende Forschung wird.

Häufig gestellte Fragen

Wie können archivierte Daten aus klinischen Studien zum Trainieren von KI-Modellen genutzt werden?

Archivierte Daten aus klinischen Studien können bereinigt, harmonisiert, anonymisiert, beschriftet und zu Trainingsdatensätzen strukturiert werden, die KI-Modellen helfen, aus historischen Patientenpopulationen, Studienergebnissen und klinischen Mustern zu lernen.

Warum sind Daten aus klinischen Studien für KI in der Arzneimittelentwicklung wichtig?

Daten aus klinischen Studien liefern historische Erkenntnisse über Patientenpopulationen, Behandlungen, Ergebnisse, Sicherheit und Krankheitsverlauf, die KI-Modellen bei der Unterstützung der klinischen Entwicklung und der Studiengestaltung helfen können.

Was macht Daten aus klinischen Studien für das KI-Training geeignet?

KI-fähige klinische Studiendaten sollten repräsentativ, einheitlich gekennzeichnet, harmonisiert, nachvollziehbar, anonymisiert sein und durch klare Herkunft und Governance abgesichert werden.

Wie sollten historische Daten aus klinischen Studien für die KI aufbereitet werden?

Historische Daten sollten standardisiert, auf gemeinsame Datenmodelle harmonisiert, einer einheitlichen Terminologie zugeordnet, anonymisiert, validiert und mit Provenienznachweisen auf Studienebene dokumentiert werden, bevor sie für das KI-Training verwendet werden.

Warum ist die Datenherkunft für KI-Modelle in der klinischen Forschung wichtig?

Die Datenprovenienz ermöglicht es Forschern und Regulierungsbehörden, zu verstehen, woher die Trainingsdaten stammen, wie sie transformiert wurden und welche Studien und Patienten einbezogen wurden.

Wie können Organisationen Verzerrungen in KI-Trainingsdaten aus klinischen Studien reduzieren?

Organisationen können beurteilen, ob historische Datensätze relevante Patientenpopulationen angemessen repräsentieren, fehlende oder unterrepräsentierte Gruppen identifizieren und potenzielle Verzerrungsquellen dokumentieren, bevor sie Modelle trainieren.

Was sind KI-fähige klinische Studiendaten?

KI-fähige klinische Studiendaten sind strukturierte, standardisierte, nachvollziehbare, kontrollierte und maschinenlesbare Daten, die sicher für die Entwicklung, Validierung und Analyse von KI verwendet werden können.

Wie können archivierte Daten aus klinischen Studien bei der Planung zukünftiger klinischer Studien helfen?

Historische Studiendaten können dazu beitragen, Patientenmerkmale, Behandlungsmuster, Ergebnisse und andere historische Signale zu identifizieren, die die Konzeption und Planung zukünftiger Studien beeinflussen.

Wie sollten KI-Modelle, die Daten aus klinischen Studien verwenden, validiert werden?

Modelle sollten anhand geeigneter Validierungsdatensätze, repräsentativer Populationen, Trennung auf Studienebene, Ergebniskalibrierung und dokumentierter Belege, die ihren beabsichtigten Einsatz unterstützen, evaluiert werden.

Warum ist die menschliche Aufsicht bei der Verwendung von KI in der Arzneimittelentwicklung wichtig?

Die menschliche Aufsicht ermöglicht es klinischen und regulatorischen Experten, KI-Ergebnisse zu überprüfen, in Frage zu stellen oder außer Kraft zu setzen, bevor diese wichtige klinische oder regulatorische Entscheidungen beeinflussen.

Referenzen

• US-amerikanische Arzneimittelbehörde FDA, „Künstliche Intelligenz für die Arzneimittelentwicklung“; FDA/EMA, „Leitprinzipien für gute KI-Praxis in der Arzneimittelentwicklung“ (Januar 2026); Jones Day, „EMA und FDA einigen sich auf gute KI-Praxis in der Arzneimittelentwicklung“ fda.gov/about-fda/center-drug-evaluation-and-research-cder/artificial-intelligence-drug-development | ema.europa.eu/en/documents/other/guiding-principles-good-ai-practice-drug-development_en.pdf | jonesday.com/en/insights/2026/01/ema-and-fda-align-on-good-ai-practice-in-drug-development
• ISO/IEC 42001:2023-Norm; Axendia, „Der KI-Standard, den die Life Sciences nicht ignorieren können“ — iso.org/standard/42001 | axendia.com/blog/2025/08/11/iso-iec-420012023-the-ai-standard-life-sciences-cant-afford-to-ignore
• Wiley Journal of Chemistry, kritische Rezension des FDA-Entwurfs der KI-Leitlinie — onlinelibrary.wiley.com/doi/10.1155/joch/5202999
• Clinical Trials Arena, „Externe Kontrollarme“ (Koselugo) — clinicaltrialsarena.com/features/external-control-arms

HAFTUNGSAUSSCHLUSS: DIE IN DIESEM BLOG AUSGEDRÜCKTEN INHALTE, ANSICHTEN UND MEINUNGEN STELLEN AUSSCHLIESSLICH DIE DES/DER AUTORS/AUTOREN DAR UND SPIEGELN NICHT DIE OFFIZIELLE RICHTLINIE ODER POSITION VON SOLIX TECHNOLOGIES, INC., SEINEN VERBUNDENEN UNTERNEHMEN ODER PARTNERN WIDER. DIESER BLOG WIRD UNABHÄNGIG BETRIEBEN UND VON SOLIX TECHNOLOGIES, INC. NICHT OFFIZIELL ÜBERPRÜFT ODER UNTERSTÜTZT. ALLE HIER VERWEISTEN MARKEN, LOGOS UND URHEBERRECHTLICH GESCHÜTZTEN MATERIALIEN DRITTER SIND EIGENTUM IHRER JEWEILIGEN EIGENTÜMER. JEGLICHE VERWENDUNG ERFOLGT AUSSCHLIESSLICH ZU IDENTIFIZIERUNGS-, KOMMENTAR- ODER BILDUNGSZWECKEN GEMÄSS DER DOKTRIN DES FAIR USE (US COPYRIGHT ACT § 107 UND INTERNATIONALE ENTSPRECHENDE BESTIMMUNGEN). KEINE STILLSCHWEIGENDE SPONSORING, UNTERSTÜTZUNG ODER VERBINDUNG MIT SOLIX TECHNOLOGIES, INC. IST VORLIEGEND. INHALTE WERDEN „WIE BESEHEN“ BEREITGESTELLT, OHNE GEWÄHRLEISTUNG DER GENAUIGKEIT, VOLLSTÄNDIGKEIT ODER EIGNUNG FÜR EINEN BESTIMMTEN ZWECK. SOLIX TECHNOLOGIES, INC. LEHNT JEGLICHE HAFTUNG FÜR MASSNAHMEN AB, DIE AUF GRUNDLAGE DIESES MATERIALS GETROFFEN WERDEN. DIE LESER ÜBERNEHMEN DIE VOLLE VERANTWORTUNG FÜR IHRE VERWENDUNG DIESER INFORMATIONEN. SOLIX RESPEKTIERT GEISTIGE EIGENTUMSRECHTE. UM EINEN ANTRAG AUF LÖSUNG GEMÄSS DMCA ZU STELLEN, SENDEN SIE EINE E-MAIL AN INFO@SOLIX.COM MIT: (1) DER IDENTIFIZIERUNG DES WERKES, (2) DER URL DES VERLETZENDEN MATERIALS, (3) IHREN KONTAKTDATEN UND (4) EINER ERKLÄRUNG IN GUTEN GLAUBEN. GÜLTIGE ANSPRÜCHE WERDEN UMGEHEND BEARBEITET. DURCH DEN ZUGRIFF AUF DIESEN BLOG ERKLÄREN SIE SICH MIT DIESEM HAFTUNGSAUSSCHLUSS UND UNSEREN NUTZUNGSBEDINGUNGEN EINVERSTANDEN. DIESE VEREINBARUNG UNTERLIEGT DEN GESETZEN KALIFORNIENS.