KI in der Pharmakovigilanz und die regulatorische Realität

# KI in der Pharmakovigilanz und die regulatorische Realität

Ein einzelnes Blockbuster-Medikament kann jährlich hunderttausende Meldungen unerwünschter Ereignisse erzeugen. Jede einzelne davon, von der auf einen Apothekenzettel gekritzelten „leichten Übelkeit" bis zur Klinikmeldung einer tödlichen Reaktion, muss erfasst, codiert, bewertet und (wo erforderlich) innerhalb enger gesetzlicher Fristen an die Behörden gemeldet werden. Kein menschliches Team kann sie alle schnell genug lesen. Genau für dieses Problem wurde KI gebaut, und genau hier beißt die regulatorische Realität der Pharmaindustrie am härtesten.

Was Pharmakovigilanz tatsächlich ist

Pharmakovigilanz (oft kurz PV) ist die Wissenschaft der Überwachung der Arzneimittelsicherheit, nachdem ein Produkt auf den Markt gekommen ist. An klinischen Studien nehmen einige tausend Patienten teil. Nach der Zulassung erreicht ein Medikament möglicherweise Millionen, darunter Menschen, die nie untersucht wurden: Ältere, Schwangere, Menschen, die fünf weitere Medikamente einnehmen. Seltene oder langsam auftretende Risiken zeigen sich erst in dieser Größenordnung.

Ein unerwünschtes Ereignis (adverse event, AE) ist jedes unerwünschte medizinische Vorkommnis bei einem Patienten, der ein Medikament einnimmt, unabhängig davon, ob es durch das Medikament verursacht wurde. Unternehmen sind gesetzlich verpflichtet, diese über viele Kanäle zu erfassen:

• Ärzte, Apotheker und Pflegekräfte
• Patienten direkt (Callcenter, Apps, Webformulare)
• Medizinische Fachliteratur
• Social Media und Patientenforen
• Nachbeobachtung klinischer Studien

Jede Meldung wird zu einem Individual Case Safety Report (ICSR), einem strukturierten Datensatz. Schwerwiegende Fälle müssen Behörden wie die US-FDA (Food and Drug Administration) oder die EMA (Europäische Arzneimittel-Agentur) häufig innerhalb von 15 Kalendertagen erreichen. Wer diese Fristen verpasst, riskiert behördliche Feststellungen, Warning Letters und Reputationsschäden.

Wo KI hilft: Triage im großen MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab

Der Engpass ist nicht die Entscheidung, was mit einem eindeutig schwerwiegenden Fall zu tun ist. Es ist das schiere Volumen bei Erfassung und Verarbeitung. KI setzt an spezifischen, wiederkehrenden Schritten dieser PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → an.

1. Fallerfassung und Datenextraktion

Meldungen kommen als unstrukturierter Text: E-Mails, PDFs, Gesprächsprotokolle, fremdsprachige Literatur. Natural Language Processing (NLP)-Modelle lesen diesen Text und ziehen die strukturierten Felder heraus, die ein Fall benötigt: Alter des Patienten, verdächtigtes Medikament, Reaktion, Ausgang.

Beispiel: In einer Meldung steht „77-jährige Frau unter Warfarin entwickelte schwere Blutergüsse und wurde hospitalisiert." Ein NLP-Modell extrahiert Alter, Medikament, Ereignis (Blutergüsse) und Schweregrad (Hospitalisierung), sodass ein Mensch das nicht erneut eintippen muss.

2. Triage nach Schweregrad und Eilmeldepflicht

Modelle 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 markieren, welche Fälle wahrscheinlich schwerwiegend sind (Tod, Hospitalisierung, Behinderung, Geburtsfehler, lebensbedrohlich) und welche nicht. Schwerwiegende Fälle überspringen die Warteschlange, weil für sie die 15-Tage-Uhr läuft. KI-Triage erlaubt es Safety-Teams, die knappen medizinischen Prüfer auf die wichtigsten Fälle zu konzentrieren.

3. Duplikaterkennung

Dasselbe Ereignis wird oft über mehrere Kanäle gemeldet. Ein Patient erzählt es seinem Arzt und ruft zusätzlich beim Hersteller an. Machine Learning gleicht wahrscheinliche Duplikate ab, damit derselbe Fall nicht doppelt gezählt wird, was die Sicherheitsstatistik verzerren würde.

4. Medizinische Codierung

Reaktionen müssen auf ein standardisiertes Wörterbuch namens MedDRA (Medical Dictionary for Regulatory Activities) abgebildet werden, damit „Herzinfarkt", „MI" und „Myokardinfarkt" alle zu einem Code werden. Das ist repetitive, regellastige Arbeit, die KI vorschlägt und ein Mensch bestätigt.

5. Signalerkennung

Ein Safety Signal ist ein neues Muster, das darauf hindeutet, dass ein Medikament einen Schaden verursachen 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, der noch nicht in der Fachinformation steht. Statistische und Machine-Learning-Methoden durchsuchen große Datenbanken, um unerwartete Zusammenhänge zwischen Medikament und Ereignis aufzudecken, die eine Untersuchung rechtfertigen. Behörden betreiben eigene Systeme auf öffentlichen Daten; das FAERS der FDA (FDA Adverse Event Reporting System) ist über ein öffentliches Dashboard frei erkundbar.

Das Muster über alle fünf hinweg: KI ersetzt nicht den Safety Physician. Sie räumt das Rauschen weg, damit der Arzt seine Zeit mit Urteilsbildung statt mit Tippen verbringt.

Die regulatorische Realität: Leistungsfähigkeit allein genügt nicht

Hier kommt die Wendung, die Leute aus der Consumer-Tech überrascht. In der Pharma kann ein Modell, das genauer aber nicht erklärbar ist, *weniger* wert sein als ein einfacheres Modell, das Sie verteidigen 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.

Warum? Weil Behörden nicht nur fragen „funktioniert es?". Sie fragen „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 Sie beweisen, dass es funktioniert, uns zeigen wie, und belegen, dass Sie es unter Kontrolle haben?".

Validierung

In einem regulierten Umfeld bedeutet Validierung dokumentierte Evidenz, dass ein System konsistent tut, was es tun soll. Sie 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 ein Modell nicht einfach ausrollen und dem Benchmark des Anbieters vertrauen. Sie müssen definieren, was „gut" bedeutet, das Modell dagegen testen, die Ergebnisse festhalten und den Vorgang wiederholen, wenn sich das Modell ändert.

Für ein Duplikaterkennungsmodell kann das bedeuten, auf einem fixierten Testset nachzuweisen, dass es Duplikate mit einer vereinbarten Rate findet und selten Fälle zusammenführt, die tatsächlich unterschiedlich sind. Und Sie müssen diese Evidenz für Audits aufbewahren.

Erklärbarkeit

Wenn ein Modell einen Fall depriorisiert, der sich später als schwerwiegend erweist, müssen Sie erklären 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, warum. „Das neuronale Netz hat so entschieden" ist für einen FDA-Inspektor keine akzeptable Antwort. Deshalb bevorzugen viele PV-Teams Modelle, deren Entscheidungen nachvollziehbar sind, oder sie umgeben komplexe Modelle mit einem Human-in-the-Loop-Design, bei dem ein Mensch jede folgenreiche Entscheidung bestätigt.

Human-in-the-Loop bedeutet: KI schlägt vor, ein qualifizierter Mensch entscheidet. Für die Bewertung des Schweregrads und endgültige Fallentscheidungen ist das derzeit die Norm, kein optionales Extra.

Governance und GxP

Die Pharma arbeitet unter GxP, einem Dachbegriff für „Good x Practice"-Regelwerke (Good Manufacturing Practice, Good Clinical Practice und für die Sicherheit Good Pharmacovigilance Practice, in Europa GVP). Jedes computergestützte System, das regulierte Arbeit berührt, muss den Prinzipien der Computer System Validation (CSV) und zunehmend der Computer Software Assurance (CSA) folgen, dem stärker risikobasierten Nachfolgeansatz der FDA.

Praktisch bedeutet Governance für ein PV-KI-System:

• Versionskontrolle und Change Management: Sie wissen genau, welche Modellversion auf welchem Fall gelaufen ist, und jede Änderung wird vor der Freigabe geprüft.
• Audit Trails: jede automatisierte Aktion wird protokolliert und ist rekonstruierbar.
• Datenintegrität: oft zusammengefasst im Akronym ALCOA+ (Attributable, Legible, Contemporaneous, Original, Accurate, plus complete, consistent, enduring, available).
• Bias- und Drift-Monitoring: ein Modell, das auf den Meldungen des Vorjahres trainiert wurde, kann sich still verschlechtern, wenn sich Produkte, Populationen und Meldemuster ändern.

Die Regulierer schreiben die Regeln gerade jetzt

Das ist ein bewegtes Feld. Die FDA hat Guidance und Diskussionspapiere zu KI in der Arzneimittelentwicklung veröffentlicht und entwickelt ein risikobasiertes Credibility Assessment Framework für KI, die in regulatorischen Entscheidungen eingesetzt wird. Die EMA und der internationale ICH (International Council for Harmonisation) richten die Erwartungen über Regionen hinweg aneinander aus. Ein praktischer, gut lesbarer Einstiegspunkt ist das Reflection Paper der EMA zum Einsatz von KI im Lebenszyklus von Arzneimitteln.

Die Richtung ist konsistent: je höher das Risiko der Entscheidung, die die KI berührt, desto mehr Validierung, Dokumentation und menschliche Aufsicht erwarten die Behörden.

Eine konkrete Denkweise für Risikostufen

Nicht jede KI-Aufgabe in der PV hat dasselbe regulatorische Gewicht. Ein nützliches Denkmodell ist, Aufgaben danach zu sortieren, wie direkt sie eine Sicherheitsentscheidung beeinflussen.

| Aufgabe | Konsequenz bei Fehler | Typische Aufsicht |

|---|---|---|

| Alter eines Patienten aus Text extrahieren | Gering, leicht zu entdecken | Automatisiert, stichprobenartig geprüft |

| Einen MedDRA-Code vorschlagen | Mittel | KI schlägt vor, Mensch bestätigt |

| Einen Fall als schwerwiegend markieren | Hoch, betrifft Meldefristen | Human-in-the-Loop verpflichtend |

| Schlussfolgern, dass ein Medikament einen Schaden verursacht | Sehr hoch, betrifft die Fachinformation | Entscheidung durch menschlichen Experten, KI nur als Input |

Die Lehre für jeden, der hier KI einsetzt: Richten Sie das Maß an Validierung und menschlicher Kontrolle nach der Konsequenz eines Fehlers aus, nicht nach der Raffinesse des Modells.

Eine kurze Art, diese Logik zu codieren:

def route_case(ai_seriousness_score, threshold=0.5):
    # KI schlägt vor; Menschen bestätigen schwerwiegende Fälle immer
    if ai_seriousness_score >= threshold:
        return "PRIORITY QUEUE: mandatory human medical review"
    else:
        return "STANDARD QUEUE: human review, lower urgency"
# Die KI reicht niemals eigenständig eine regulatorische Meldung ein.

Der Sinn des Snippets ist nicht der Code. Es ist, dass der Schritt der menschlichen Prüfung nicht entfernbar ist, egal wie zuversichtlich das Modell ist.

Warum das kommerziell zählt

Starke PV ist nicht nur Compliance. Ein gut geführter, KI-gestützter Safety-Betrieb erlaubt einem Unternehmen, auf mehr Produkte und Märkte zu skalieren, ohne den Headcount linear mitwachsen zu lassen, schneller auf neu auftretende Risiken zu reagieren und mit saubereren Audit Trails in behördliche Inspektionen zu gehen. Schwache PV erzeugt das Gegenteil: verpasste Fristen, Inspektionsfeststellungen und Vertrauensverlust bei Behörden wie bei verordnenden Ärzten. In einer regulierten Branche ist Vertrauen das Asset.

Key Takeaways

• Pharmakovigilanz ist Sicherheitsüberwachung im großen Maßstab. Nach der Zulassung erreichen Medikamente weit mehr und weit unterschiedlichere Patienten als jede Studie, also müssen Unternehmen unerwünschte Ereignisse laufend unter strengen gesetzlichen Fristen erfassen und bewerten.
• Die Rolle der KI ist Triage, nicht Urteilsbildung. NLP und Machine Learning beschleunigen Erfassung, Extraktion, Duplikaterkennung, Codierung und Signalerkennung und schaffen Safety Physicians Freiraum für die Entscheidungen, die Expertise erfordern.
• In regulierten Umfeldern schlägt validiert und erklärbar das bloß Leistungsfähige. Ein Modell, das Sie belegen, nachvollziehen und gegenüber einem Inspektor verteidigen 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, ist mehr wert als eine Black Box mit besserem Benchmark-Ergebnis.
• Governance ist das Produkt. Versionskontrolle, Audit Trails, Datenintegrität (ALCOA+) und Human-in-the-Loop-Design sind das, was KI unter GxP und GVP arbeiten lässt.
• Passen Sie die Aufsicht an die Konsequenz an. Je näher eine KI-Aufgabe an einer Sicherheitsentscheidung liegt, die Patienten oder die Fachinformation eines Medikaments betrifft, desto mehr menschliche Kontrolle und Dokumentation erwarten die Behörden.