KI verändert klinisches Studiendesign und dezentrale Studien – doch Rekrutierung bleibt schwierig

Künstliche Intelligenz (KI) ist laut einer neuen Analyse von BCC Research dazu bereit, die Landschaft der dezentralen klinischen Studien (DCT) grundlegend zu verändern und kritische Ineffizienzen zu beheben, die die Branche seit Jahrzehnten plagen. Die Analyse untersucht, wie KI-Technologien die Patientenrekrutierung, -bindung und das Datenqualitätsmanagement revolutionieren und gleichzeitig erhebliche Risikokapitalinvestitionen in den Sektor anziehen.

Führende DCT-Plattformen haben in jüngsten Finanzierungsrunden über 650 Millionen US-Dollar eingesammelt. Medable sicherte sich insgesamt 506,6 Millionen US-Dollar, darunter eine Series-D-Finanzierung in Höhe von 304 Millionen US-Dollar im Jahr 2021, während Lindus Health im Jahr 2025 55 Millionen US-Dollar in einer Serie-B-Finanzierung einwarb. Die 20 größten Pharmaunternehmen berichten von einer dreifachen Beschleunigung der Patientenrekrutierung und einer 40-prozentigen Verringerung der Screen-Failure-Raten mithilfe KI-gestützter Patientenidentifikations- und Abgleichsysteme. Damit wird das kritische Problem angegangen, dass 80 % der Studien mit herkömmlichen Methoden ihre Rekrutierungsfristen nicht einhalten. KI-gestützte risikobasierte Qualitätsmanagement-Frameworks (RBQM) reduzieren den Aufwand für die Quellendatenverifizierung, indem sie sich auf kritische Datenpunkte konzentrieren, und automatisierte Anomalieerkennungssysteme verbessern die Datenintegrität über mehrere verteilte Standorte und Geräte hinweg. Predictive Analytics und Engagement-Scoring-Systeme reduzieren die Abbrecherquoten in dezentralen Fernstudien erheblich. Die aufkommende Technologiekonvergenz umfasst Computer Vision für die Fernüberwachung der Protokolltreue, natürliche Sprachverarbeitung für das Abgleichen von Studien und Föderiertes Lernen für datenschutzerhaltende KI-Modelle. Zu den wichtigsten Akteuren, die sich dominierende Positionen aufbauen, gehören Medable, Science 37, Lindus Health, Curebase, Castor, Deep 6 AI, Veeva Systems, IQVIA und Medidata. Herkömmliche manuelle Rekrutierungsprozesse verursachen in Studien Verzögerungen von 1 Million US-Dollar pro Monat, was überzeugende wirtschaftliche Anreize für KI-gestützte Alternativen schafft.

Laut dem CEO von Trialynx, einer KI-gestützten Plattform für klinische Studien, hat das Design klinischer Studien eine neue Ära erreicht. Bis 2024 verließ sich die Branche darauf, Protokolle manuell aus früheren Studien zu kopieren und einzufügen, was zu einer extrem hohen Fehlerquote führte, einschließlich verfehlter Endpunkte, Zeitplanüberschreitungen und unzureichender Patientenrekrutierung. KI kann nun riesige Datensätze durchforsten und nach Endpunkten in anderen klinischen Studien desselben Fachgebiets suchen oder danach, welche anderen Tests durchgeführt wurden, und so vorausschauende Qualität in Protokolle und Planung einbringen. Der CEO betonte, dass Fehlerquoten reduziert werden können, indem man sich im Vorfeld mehr Gedanken macht, dezentrale Elemente einsetzt, um Studien für Patienten und Prüfzentren einfacher zu gestalten, und die Datenlast verringert. Er wies darauf hin, dass die Branche bisher zu viele Daten gesammelt hat, die oft nicht die Endpunkte und Ziele unterstützen.

Ein schlankes Studiendesign wurde als entscheidend hervorgehoben: Patienten sollten niemals Tests, Besuchen oder Fragebögen ausgesetzt werden, die nicht direkt die Ziele der Studie unterstützen. Als Beispiel wurde ein klinisches Team genannt, das den Patienten acht psychologische Fragebögen – etwa zwei Stunden Fragebögen – verabreichen wollte, wobei die Validität der Erhebungen fragwürdig war. Der CEO betonte, wie wichtig es ist, die Patientenreise zu berücksichtigen, einschließlich Anfahrtsweg, der Möglichkeiten dezentraler Optionen, Hausbesuchen oder Online-Fragebögen, und sicherzustellen, dass Patienten für ihre Zeit angemessen entschädigt werden. Prüfzentren tragen oft die Hauptlast schlechter Planung und schlechten Studiendesigns; die Entscheidung, welche Studien sie übernehmen, hängt von betrieblichen Auswirkungen wie Arbeitsbelastung der Koordinatoren und Besuchsintensität ab.

Es besteht jedoch die Gefahr, anzunehmen, dass eine KI-optimierte Studie automatisch eine rekrutierbare Studie ist. Ein Protokoll kann wissenschaftlich fundiert, statistisch robust und operativ gut modelliert sein und dennoch Schwierigkeiten haben, sobald es beginnt, echte Patienten, echte Prüfzentren und echte Koordinatoren zu suchen. Rekrutierungsprobleme sind oft lange vor dem Start einer Studie eingebaut – durch Ein- und Ausschlusskriterien, Besuchspläne, Endpunktstrategie, Geografie, Standortwahl und die Belastung der Patienten. Optimierung hängt immer von der gestellten Frage ab: Ein Design, das auf statistische Aussagekraft oder regulatorische Sicherheit optimiert ist, ist möglicherweise nicht für die Teilnahme von Patienten optimiert. Eine engere Patientensubgruppe kann die wissenschaftliche Präzision verbessern, aber den Rekrutierungspool verkleinern; zusätzliche Bewertungen können die Belastung der Teilnehmer erhöhen; häufigere Besuche können die Studie für Patienten unrealistisch machen, die arbeiten, reisen, sich um andere kümmern oder weit vom Prüfzentrum entfernt leben. Patienten erleben eine Studie als Zeitaufwand, Reisen, Unsicherheit, Prozeduren, Störungen und mögliche Nebenwirkungen, während Prüfzentren sie durch Machbarkeitsfragebögen, konkurrierende Arbeitslasten, Personalkapazität und Besuchskomplexität erleben.

Adaptive Studiendesigns und simulationsbasierte Planung werden ebenfalls immer wichtiger, da sie es Sponsoren ermöglichen, Flexibilität in Protokolle einzubauen und auf reale Variabilität zu reagieren. Indem sie Unsicherheiten frühzeitig antizipieren und Designs anpassen, sobald Daten vorliegen, können Sponsoren die statistische Integrität schützen und die Wahrscheinlichkeit erhöhen, die primären Endpunkte zu erreichen. Darüber hinaus reduzieren EHR-zu-EDC-Integrationen die manuelle Dateneingabe und verbessern die Datengenauigkeit, wobei KI zunehmend dazu eingesetzt wird, Qualitätsprüfungen und Monitoring unter menschlicher Aufsicht zu unterstützen. Die langfristige Skalierbarkeit wird von Validierungsrahmen, regulatorischer Angleichung und der Zusammenarbeit zwischen Sponsoren, Prüfzentren und Anbietern abhängen. Das Modell des Functional-Service-Providers wird zunehmend übernommen, sodass Sponsoren die strategische Aufsicht behalten und gleichzeitig die Expertise von CROs nutzen können, um Effizienz und Ressourcenallokation zu verbessern.