KI hat die Patientenrekrutierung ins Visier genommen.

Der Hype um KI in der Pharmazeutischen Industrie wird immer stärker und breitet sich immer weiter aus.

Der bisherige Kernfokus des Marktes lag auf der molekularen Ebene. Wer hat wieder mit KI hochpotente Kandidatenverbindungen gefunden, welches Unternehmen hat die Zeit für die Entdeckung von Leitverbindungen halbiert?

Als Ursprung innovativer Arzneimittel ist die Molekülentdeckung zweifellos das zentrale Schlachtfeld. Die Pharmazeutische Industrie beschränkt sich aber nicht nur auf das Filtern von Molekülen, sondern umfasst auch die klinische Validierung. Im klinischen Bereich hat KI ebenfalls großes Potenzial. In Bereichen wie Patientenrekrutierung und Optimierung des klinischen Versuchsdesigns sind bereits zahlreiche Akteure eingetreten.

Am 20. Oktober kündigten AstraZeneca und Oracle eine Zusammenarbeit an, die KI erneut auf den klinischen Bereich richtet: Wie findet man die richtigen Patienten, um klinische Studien effizienter voranzutreiben?

01

Die Tür zur klinischen Patientenrekrutierung öffnen

AstraZeneca fehlt es nicht an KI. Die Zusammenarbeit mit Oracle dient nicht dazu, fehlende Kenntnisse im Bereich KI-gestützter Pharmazeutik nachzuholen.

Aus öffentlich zugänglichen Informationen geht hervor, dass das Ziel darin besteht, „mit modernen Anwendungen und KI die Effizienz und Erfolgsrate klinischer Studien zu steigern“, wobei die Indikationen von Onkologie, seltenen Krankheiten bis hin zu kardiovaskulären, renalen und metabolischen Erkrankungen sowie Atemwegs- und Immunerkrankungen reichen.

Mit anderen Worten, das Unternehmen will KI durch die am schwierigsten zu öffnende Tür im klinischen Bereich bringen: die Patientenrekrutierung. Die Logik ist leicht verständlich: Die klinische Rekrutierung gehört zu den komplexesten Prozessen in der Entwicklung neuer Arzneimittel.

Zuerst gibt es das Effizienzproblem. Bei herkömmlichen klinischen Studien muss ein Koordinator möglicherweise 50 bis 100 Patientenakten durchsehen, um nur eine geeignete Person auszuwählen. Dahinter verbirgt sich das Problem der langen Zyklusdauer.

Zweitens gibt es das Problem der niedrigen Erfolgsrate. Es ist nicht ungewöhnlich, dass Patienten, die die Einverständniserklärung unterzeichnet haben, am Ende an den Einschluss- und Ausschlusskriterien scheitern. Bei einer Prüfung im Tata Memorial Center in Indien, die 7481 gescreente Patienten umfasste, lag die Scheiterrate beim Screening bei 51,0 %.

Das heißt, klinische Studien geraten nicht nur ins Stocken, weil nicht genügend Personen gefunden werden, sondern vor allem weil keine geeigneten Personen gefunden werden. Im Bericht der FDA über Real-World-Evidenz aus dem Jahr 2025 findet sich eine Zahl: Von rund 4000 klinischen Studien in den USA werden mehr als 70 % der potenziellen Patienten durch die Einschluss- und Ausschlusskriterien ausgeschlossen.

Aus diesem Grund erklärte Anne-Claire Gerbaldi, Chief Digital, Data and AI Officer von AstraZeneca, dass zu viele Patienten zu spät diagnostiziert werden oder einen langen Weg zurücklegen müssen, um die benötigte Versorgung zu erhalten.

02

Steigerung der Effizienz und Kostensenkung: Die Beweise werden immer zahlreicher

Natürlich sind Versuche, die Effizienz und Erfolgsrate der klinischen Rekrutierung durch KI zu verändern, nichts Neues. Weltweit gibt es nicht nur viele beteiligte Akteure, sondern auch zahlreiche Beweise für die Machbarkeit.

Beispielsweise erreicht TrialGPT des NIH-Teams, ein System für die Übereinstimmung von Patienten und Studien auf Basis großer Sprachmodelle, bei der Bewertung an 183 synthetischen Patienten und mehr als 75000 annotierten Studienpunkten eine Übereinstimmungsgenauigkeit von 87,3 %. In der 2024 in „Nature Communications“ veröffentlichten Arbeit von Jin et al. liegt die Genauigkeit menschlicher Experten zwischen 88,7 % und 90 %, also fast auf gleichem Niveau.

Noch entscheidender ist die Geschwindigkeit. In derselben Nutzerstudie verkürzte sich die Screening-Zeit von Ärzten, die TrialGPT verwendeten, um 42,6 % im Vergleich zum manuellen Screening, ohne dass die Genauigkeit abnahm.

Derselbe Ansatz wurde bereits in Produkte umgesetzt. myTrialsConnect verwendet generative KI, um Patientenakten automatisch zu prüfen, sie mit den Einschluss- und Ausschlusskriterien abzugleichen und für Patienten ein „virtuelles Wartezimmer“ einzurichten. NLP-Tools können Hunderte von Kandidaten in wenigen Minuten vorab screenen, was eine Aufgabe, die normalerweise eine Woche dauert, auf wenige Stunden reduziert.

In Krankenhäusern sind die Zahlen noch konkreter. Eine 2026 in „Nature Reviews Clinical Oncology“ veröffentlichte Studie zeigt, dass Tools wie MatchMiner die Screening-Zeit pro einzelnem Patienten von 110 Minuten auf 24 Minuten senken, wobei die Effizienz einiger Tools um mehr als 90 % gesteigert wird.

In dem Benchmark von MediSearch aus dem Jahr 2026 beträgt die Rekrutierungsgeschwindigkeit über digitale Rekrutierungskanäle das Zwei- bis Dreifache der herkömmlichen Methoden.

Der Einstiegspunkt von Celvion, einer Plattform für Real-World-Daten (RWD) aus Boston, ist die Verwendung von NLP, um unstrukturierte Texte zu verarbeiten, mit denen herkömmliche RWD-Plattformen nicht umgehen können. Beispielsweise Freitexte in pathologischen Berichten, handschriftliche Nachsorgeaufzeichnungen von Ärzten und sogar selbst berichtete Symptome in Patientenforen.

Laut den veröffentlichten Benchmark-Tests identifiziert das Modell bei derselben Aufgabe der Klassifizierung von Patienten mit soliden Tumoren mehr als dreimal so viele Subpopulationen wie herkömmliche statistische Methoden, und die Trennung dieser Subpopulationen in den Überlebenskurven ist statistisch signifikant.

Die Veränderung findet statt. Unter diesen Umständen werden natürlich weitere Pharmaunternehmen in dieses Schlachtfeld eintreten.

03

Schnelligkeit, Genauigkeit und Optimierung zugleich

Zurück zur Logik der realen Welt: Bei der Patientenrekrutierung ist Effizienz nicht der einzige zu berücksichtigende Faktor.

Die benachrichtigende Intervention von MatchMiner hat im realen Einsatz die Gesamtrekrutierungsrate nicht signifikant gesteigert. Nach der Einführung von OncoLLM-CW an der Medizinischen Universität Wisconsin war die Arbeitszeit der Koordinatoren zwar kürzer, aber die von der KI abgeglichenen Kandidaten wurden nach manueller Prüfung in großer Zahl ausgeschlossen.

Die Logik liegt darin, dass Mobilitätshürden, begrenzte Plätze, der Wille der Patienten und die Beurteilung der Ärzte vorerst nicht von Algorithmen übernommen werden können.

Dies wird zwangsläufig die direkten klinischen Kosten in die Höhe treiben. Denn der Preis für ein gescheitertes Screening ist hoch: Die Untersuchungen, Laboruntersuchungen und Bildgebungen der Patienten wurden bereits durchgeführt, die Zeit der Koordinatoren und Forscher wurde bereits investiert, am Ende lassen sich daraus aber keine für die Rekrutierung nutzbaren Daten gewinnen. Die übliche Schätzung in der Branche lautet, dass die Kosten für jedes gescheiterte Screening etwa 1200 US-Dollar betragen.

Die vollständigen Zahlen stammen von Tufts CSDD: Die Rekrutierung eines Probanden kostet durchschnittlich 6533 US-Dollar, die Ersetzung eines Probanden, der die Studie vorzeitig verlässt, kostet 19533 US-Dollar.

Natürlich ist es im Vergleich zum gescheiterten Screening noch wichtiger, ob die klinische Erfolgsrate gesteigert werden kann?

Die Identifizierung von Patienten für die klinische Rekrutierung ist sehr wichtig, und einige KI-Unternehmen wollen hier Veränderungen herbeiführen. Einige praktische Ergebnisse beispielsweise bei fortgeschrittenem nicht-kleinzelligem Lungenkrebs und rezidiviertem/refraktärem multiplem Myelom zeigen jedoch, dass sich durch KI-Tools die Effizienz der Patientenrekrutierung erhöht und die Patienten besser den Rekrutierungskriterien entsprechen, sich das Risikoverhältnis für das Überlebensergebnis aber nicht signifikant verändert.

Technologie dient letztlich dem Ergebnis. Wie die Effizienz und Erfolgsrate im klinischen Bereich mithilfe von KI gesteigert werden kann, ist offensichtlich ein Problem, über das alle Beteiligten ständig nachdenken müssen.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „An Guancha“ (ID: anjiguancha), Autor ist Zheng Xiao, und die Veröffentlichung erfolgt mit Genehmigung von 36Kr.