Technologischer Fortschritt in der klinischen Forschung: KI, maschinelles Lernen und digitale Gesundheit

Der rasche technologische Fortschritt verändert die klinische Forschung und kann sie effizienter, präziser und stärker an den Bedürfnissen der Teilnehmenden ausrichten. Dieser Beitrag erläutert die vielfältigen Einsatzmöglichkeiten künstlicher Intelligenz (KI), des maschinellen Lernens, digitaler Gesundheitsanwendungen und elektronischer Datenerfassungssysteme (EDC). Außerdem geht es um die Nutzung von Versorgungsdaten, sogenannten Real-World Data (RWD), in der klinischen Forschung und um deren qualitative und quantitative Bedeutung.

---

KI und maschinelles Lernen in der klinischen Forschung: Diese Verfahren verändern die Auswertung großer Datensätze. Sie können komplexe Muster erkennen und Prognosen unterstützen; ihre Aussagekraft hängt jedoch von Datenqualität, Validierung und Einsatzgebiet ab. In klinischen Studien helfen sie beispielsweise bei der Einteilung von Patientengruppen, der Planung der Rekrutierung und der Entwicklung personalisierter Behandlungsansätze. Algorithmen können große Datenbestände nach subtilen Zusammenhängen durchsuchen, die Forschenden möglicherweise entgehen. Das kann die Gewinnung von Erkenntnissen beschleunigen, ersetzt aber keine wissenschaftliche Überprüfung. So können Prognosemodelle auf Grundlage genetischer, demografischer und klinischer Daten untersuchen, welche Personen möglicherweise auf eine Behandlung ansprechen. Geeignete Modelle können Studien effizienter machen und Kosten verringern; ein solcher Nutzen ist nicht automatisch gegeben.

---

Digitale Gesundheitsanwendungen und Fernüberwachung: Tragbare Geräte, mobile Anwendungen und telemedizinische Plattformen sind wichtige Werkzeuge der modernen klinischen Forschung. Sie ermöglichen wiederholte oder kontinuierliche Messungen und können zeitnahe Daten liefern, die zum Verständnis von Behandlungseffekten beitragen. Je nach Studienplan lassen sich Vitalwerte, Angaben zur Medikamenteneinnahme und von Teilnehmenden berichtete Ergebnisse auch aus der Ferne erfassen. Die Auswertung kann die Überwachung von Sicherheit und Wirksamkeit unterstützen. Fernüberwachung kann zudem die Zahl notwendiger Vor-Ort-Termine reduzieren und Menschen die Teilnahme erleichtern, die sonst nur schwer ein Studienzentrum erreichen. Damit kann sie zu vielfältigeren Studienpopulationen beitragen. Ob dies tatsächlich gelingt, hängt auch von Zugang zu Geräten, digitaler Kompetenz, Datenschutz und der Eignung der Messverfahren ab. Die Integration in klinische Abläufe muss deshalb sorgfältig geplant werden.

---

Elektronische Datenerfassungssysteme und Patientenregister: EDC-Systeme unterstützen die Verarbeitung der großen Datenmengen klinischer Studien. Sie strukturieren Erhebung, Speicherung und Auswertung und können Vollständigkeit, Plausibilität und Nachvollziehbarkeit verbessern. Die Einhaltung regulatorischer Anforderungen erfordert zusätzlich geeignete Prozesse, validierte Systeme und qualifiziertes Personal. Ein zeitnaher Datenzugriff kann Forschenden helfen, begründete Entscheidungen schneller zu treffen. Patientenregister ergänzen diese Systeme, indem sie langfristige Verläufe dokumentieren und Einblicke in die Anwendung von Behandlungen im Versorgungsalltag ermöglichen. Gemeinsam können EDC und Register die Datenintegrität unterstützen und den geregelten Austausch zwischen Studienzentren erleichtern. Klare Zugriffsrechte und konsistente Dokumentation bleiben dabei wesentlich für die Zusammenarbeit.

---

Real-World Data und ihre Anwendung: RWD sind gesundheitsbezogene Daten, die außerhalb klassischer klinischer Studien entstehen, etwa elektronische Patientenakten, Abrechnungsdaten oder Registerdaten. Sie zeigen, wie Behandlungen unter Alltagsbedingungen eingesetzt werden und welche Ergebnisse dabei beobachtet werden. Als Ergänzung zu Studiendaten können sie ein umfassenderes Bild unterschiedlicher Patientengruppen liefern. Für die Überwachung nach der Markteinführung sind sie besonders relevant, weil seltene Nebenwirkungen oder langfristige Sicherheitsprobleme in begrenzten Studien möglicherweise noch nicht sichtbar werden. Aus geeigneten RWD kann durch wissenschaftliche Auswertung Real-World Evidence entstehen. Solche Erkenntnisse können regulatorische Entscheidungen und Entscheidungen von Kostenträgern unterstützen. Beobachtungsdaten enthalten jedoch mögliche Verzerrungen und fehlende Angaben; ihre Herkunft, Qualität und Auswertungsmethode müssen deshalb immer berücksichtigt werden. Sie ersetzen kontrollierte Studien nicht pauschal.