Wo KI in der Wirkstoffforschung und in klinischen Studien echten Wert schafft

# Wo KI in der Wirkstoffforschung und in klinischen Studien echten Wert schafft

2020 nutzte ein Team mit MIT-Anbindung ein Deep-Learning-Modell, um über 100 Millionen molekulare Verbindungen zu screenen, und identifizierte Halicin, eine Verbindung mit einer Struktur, die keinem bekannten Antibiotikum gleicht, wirksam gegen arzneimittelresistente Bakterien, darunter Stämme, die gegen jedes getestete Antibiotikum resistent waren. Das Screening dauerte Tage. Ein konventioneller Wet-Lab-Ansatz hätte Jahre gebraucht. Das ist das Versprechen von KI in der Pharmaindustrie. Das Problem: Die meisten KI-Piloten in dieser Branche erreichen ein solches Ergebnis nie. Sie bleiben in dem stecken, was Praktiker "pilot purgatory" nennen, Proof-of-Concepts, die nie in Produktion skalieren.

Diese Lektion gibt Ihnen ein Framework, um den Unterschied zu erkennen: wo KI heute messbaren Wert liefert und wo sie noch spekulativ ist.

Die Wertschöpfungskette: vier Zonen der KI-Anwendung

Die Arzneimittelentwicklung läuft grob über vier Phasen. Die Reife von KI unterscheidet sich dabei deutlich.

1. Target-Findung und Molekül-Design. Hier hat KI die stärkste Evidenzbasis. Modelle sagen Proteinstrukturen voraus, screenen Kandidatenmoleküle rechnerisch und markieren aussichtsreiche Leads, bevor eine einzige Verbindung synthetisiert wird. DeepMinds AlphaFold, das die 3D-Proteinstruktur aus der Aminosäuresequenz vorhersagt, ist der Referenzfall: Es hat Strukturen für nahezu alle katalogisierten Proteine über die AlphaFold Protein Structure Database frei verfügbar gemacht und einen Prozess, der einst Monate an Kristallographie erforderte, auf Minuten Rechenzeit reduziert.

2. Präklinische Entwicklung. KI-gestützte Toxizitätsvorhersage und Drug-Repurposing (neue Einsatzgebiete für bereits zugelassene Medikamente finden) zeigen echte, aber gemischtere Ergebnisse. Bestehende Medikamente haben bereits Sicherheitsdaten, KI-getriebenes Repurposing verkürzt also den riskantesten Teil der Entwicklung. Erfolgsgeschichten gibt es, aber die Validierungsraten sind über Krankheitsgebiete hinweg inkonsistent.

3. Klinische Studien. Das ist die Pilot-Purgatory-Zone. Patientenrekrutierung, Standortauswahl und Studiendesign werden von nahezu jedem großen Pharmaunternehmen pilotiert, aber nur wenige haben öffentlich Zeit- oder Kostenreduktionen auf Studienebene berichtet, die von Regulierern verifiziert wurden.

4. Post-Market und Kommerzielles. Pharmakovigilanz (die Wissenschaft der Erkennung und Überwachung von Arzneimittelnebenwirkungen) nutzt zunehmend Natural Language Processing, um medizinische Literatur, Social Media und Callcenter-Transkripte nach Sicherheitssignalen zu durchsuchen. Das ist still und leise eine der operativ reifsten KI-Anwendungen im Sektor, weil die Aufgabe, Mustererkennung in Texten und Berichten, den aktuellen Stärken von KI entspricht.

Fallstudie 1: AMR-Antibiotikaforschung, warum es funktioniert hat

Antimikrobielle Resistenz (AMR) liegt vor, wenn Bakterien so evolvieren, dass sie Wirkstoffe überleben, die sie töten sollen. Die Weltgesundheitsorganisation (WHO) führt AMR als eine der größten globalen Bedrohungen für die öffentliche Gesundheit. Die traditionelle Antibiotikaforschung stagnierte jahrzehntelang: Die meisten großen Pharmaunternehmen verließen das Feld, weil Antibiotika günstig sind, nur kurz eingesetzt werden und im Vergleich zu Medikamenten gegen chronische Erkrankungen schlechte Renditen bringen.

Der Halicin-Fall funktionierte wegen drei Bedingungen, die sich verallgemeinern lassen:

• Ein klar definiertes, berechenbares Problem. Vorherzusagen, ob ein Molekül das Bakterienwachstum hemmt, ist eine Aufgabe für Supervised Machine Learning, sofern genügend gelabelte Trainingsdaten vorliegen (getestete Verbindungen, bei denen bekannt ist, ob sie wirken oder nicht).
• Hochwertige vorhandene Daten. Die Forscher trainierten das Modell an einer Bibliothek von etwa 2.500 bekannten Molekülen mit gemessener antibakterieller Aktivität.
• Ein enger, überprüfbarer Output. Die Vorhersagen des Modells erforderten weiterhin Wet-Lab-Validierung. KI ersetzte das Experiment nicht, sie priorisierte, welche Experimente sich lohnen.

Dieses Muster (enge Vorhersageaufgabe, starke gelabelte Daten, menschlich verifizierter Output) ist die Vorlage dafür, wo KI in der Wirkstoffforschung verlässlich Wert schafft.

Fallstudie 2: Patient-Matching in Studien, warum es schwieriger ist

Die Rekrutierung für klinische Studien ist chronisch langsam. Häufig zitierte Branchenschätzungen (als ungefähr zu behandeln) legen nahe, dass rund 80 % der Studien in den USA ihre Einschlussfristen verpassen, und das Register ClinicalTrials.gov zeigt tausende Studien, die wegen unzureichender Rekrutierung früh abgebrochen wurden.

KI-Matching-Tools versprechen, elektronische Patientenakten (EHR) zu durchsuchen und geeignete Patienten automatisch mit Studienkriterien abzugleichen. Unternehmen wie IQVIA, Tempus und verschiedene in Krankenhäusern eingebettete Startups bieten das an. Die Logik ist stimmig. Die Umsetzung ist schwierig, weil:

• EHR-Daten unsauber sind. Felder sind über Krankenhaussysteme hinweg inkonsistent kodiert; Einschlusskriterien von Studien sind in dichter klinischer Sprache formuliert, die Modelle korrekt parsen müssen.
• Interoperabilitätshürden. In den USA teilen EHR-Systeme (Epic, Cerner/Oracle Health) Daten oft nicht saubereinrichtungsübergreifend, was die Reichweite eines Matching-Tools auf das jeweils angeschlossene System begrenzt.
• Regulatorische und Datenschutz-Einschränkungen. Die Nutzung von Patientendaten wird in den USA durch HIPAA (Health Insurance Portability and Accountability Act) und in Europa durch die DSGVO (Datenschutz-Grundverordnung) geregelt, die beide einschränken, wie identifizierbare Gesundheitsdaten ohne Consent-Frameworks zum Trainieren oder Betreiben von Matching-Algorithmen genutzt werden dürfen.
• Der Output ist probabilistisch, nicht endgültig. Auch ein guter Match erfordert weiterhin, dass eine Klinikerin Eignung, informierte Einwilligung und Kapazität des Studienzentrums bestätigt. KI verkürzt einen Suchschritt in einem Prozess mit vielen Nicht-KI-Engpässen.

Die Lehre: Patient-Matching-KI funktioniert gut als Decision-Support-Tool (Ranking von Kandidaten, die ein menschlicher Recruiter prüft), liefert aber zu wenig, wenn sie als End-to-End-Automatisierungslösung vermarktet wird. Das ist das klassische Purgatory-Muster: echter Effizienzgewinn an einem engen Schritt, überverkauft als systemische Lösung.

Ein einfaches Framework zur Bewertung jedes Pharma-KI-Pitches

Wenn Sie eine Anbieterbehauptung oder einen internen Piloten bewerten, fragen Sie:

1. Ist die Aufgabe eng und gut gelabelt? (Toxizitätsvorhersage für Moleküle: ja. "Die ganze Studie optimieren": nein.)

2. Gibt es einen menschlichen Verifikationsschritt vor Entscheidungen mit hohem Einsatz? Wenn nicht, ist das regulatorische Risiko hoch.

3. Was ist die Datenquelle, und ist sie repräsentativ? Ein Modell, das überwiegend an Daten US-amerikanischer Universitätskliniken trainiert wurde, kann bei ländlichen oder nicht-US-Populationen schlechter abschneiden, ein reales Generalisierungsrisiko, das Regulierer zunehmend prüfen.

4. Wurde es gegen ein reales Ergebnis validiert, nicht nur gegen eine Proxy-Metrik? Ein Modell, das "gefundene Studien-Matches" vorhersagt, ist nicht dasselbe wie eines, das "eingeschlossene und gehaltene Patienten" vorhersagt.

5. Was sagt der Regulierer? Die FDA (US Food and Drug Administration) hat einen Guidance-Entwurf zum Einsatz von AI/ML in der Arzneimittelentwicklung veröffentlicht, und die EMA (European Medicines Agency) hat ein paralleles Reflection Paper zu KI im Lebenszyklus von Arzneimitteln. Keine der beiden hat für die meisten Use Cases bereits vollständig bindende Frameworks, was selbst ein Signal ist: Rechnen Sie mit langsamerer Adoption an regulierten Entscheidungspunkten mit hohem Einsatz, bis Standards reifen.

Eine kurze illustrative Rechnung zur ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Einordnung (mit illustrativen, gerundeten Zahlen, keine anbieterspezifischen Daten): Wenn eine mittelgroße Studie geschätzt 30 Millionen Dollar kostet und ein Patient-Matching-Tool die Rekrutierungszeit auch nur um 10 % senkt, sind das bei einem Rekrutierungsfenster von 2 Jahren rund 2,4 gesparte Monate. Bei einem geschätzten Branchenwert von 600.000 bis 800.000 Dollar pro Tag Studienverzögerung (häufig zitierte Schätzung, variiert stark je Therapiegebiet) kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte diese Beschleunigung um 2,4 Monate zweistellige Millionenbeträge an vermiedenen Verzögerungskosten bedeuten, noch vor dem schnelleren Zugang für Patienten. Deshalb sind selbst moderate, gut abgegrenzte KI-Gewinne in Studien kommerziell bedeutsam, trotz der insgesamt langsamen Adoptionskurve des Sektors.

Wo die Fäden gezogen werden: die realen Marktakteure

• DeepMind / Isomorphic Labs (Alphabet): Proteinstruktur und Molekül-Design, Partnerschaften mit Pharmakonzernen, darunter Eli Lilly und Novartis.
• Insilico Medicine: KI-generierte Wirkstoffkandidaten, insbesondere ein Fibrose-Kandidat, der in klinische Studien am Menschen gelangte, ein früher Beweis, dass KI-entworfene Moleküle regulatorische Einstiegshürden passieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• IQVIA, Tempus, Medidata (Dassault Systèmes): Studienbetrieb, Patientendaten und Rekrutierungs-Tools, die von großen Pharma-Sponsoren breit genutzt werden.
• Regulierer: FDA und EMA sind die beiden Institutionen, die man beobachten muss. Ihre sich entwickelnden Positionen entscheiden unmittelbar darüber, welche KI-Anwendungen vom Piloten zur Standardpraxis werden, besonders alles, was Diagnose, Dosierung oder die Bestimmung von Studienendpunkten berührt.

Key Takeaways

• KI liefert den am besten belegten Wert bei engen, gut gelabelten Vorhersageaufgaben mit einem menschlichen Verifikationsschritt: Molekül-Screening, Proteinstrukturvorhersage, Toxizitäts-Flagging und Text-Mining in der Pharmakovigilanz.
• Der Betrieb klinischer Studien (Patient-Matching, Standortauswahl) zeigt echte, aber partielle Gewinne: nützlich als Decision-Support, überverkauft als vollständige Automatisierung und weiterhin begrenzt durch unsaubere EHR-Daten und regulatorische Vorgaben (HIPAA, DSGVO).
• Der Fall der Halicin-Entdeckung gelang wegen eines berechenbaren Problems, qualitativ guter gelabelter Daten und zwingender Wet-Lab-Validierung, eine Vorlage zur Bewertung jeder neuen Pharma-KI-Behauptung.
• Nutzen Sie das Framework mit fünf Fragen (Aufgabenumfang, menschlicher Checkpoint, Datenrepräsentativität, Validierung am realen Ergebnis, regulatorischer Status), bevor Sie einer ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Behauptung eines Anbieters oder eines internen Teams glauben.
• Selbst moderate Effizienzgewinne in der Studienrekrutierung haben überproportionale finanzielle Bedeutung, angesichts der hohen Tageskosten von Studienverzögerungen, weshalb gezielte KI-Anwendungen auch ohne Transformation der gesamten PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → lohnend sein kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.