Pharma · Master Data und Identity Resolution: HCPs, Patienten und Produkte zusammenführen

Dr. Elena Marchetti verschreibt ihren Patienten in Mailand ein Antikoagulans. Im nationalen Verschreiberregister ist sie "MARCHETTI ELENA, Ospedale San Raffaele". In ihrem IQVIA-Datensatz zum Prescription Tracking (IQVIA ist ein führender Anbieter von Healthcare-Daten und -Analytics) erscheint sie als "E. Marchetti MD, Cardiology Dept.". Im CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen → des Herstellers (Customer Relationship Management System, das die Sales Reps nutzen) ist sie "Elena Marchetti, Key Account, Milan Territory 4". Drei Datensätze. Eine Ärztin.

Wenn das Commercial-Analytics-Team eines Pharmaunternehmens nicht weiß, dass es sich um dieselbe Person handelt, wird ihr Verschreibungsvolumen auf drei Datensätze verteilt. Sie sieht aus wie drei Ärzte mit geringem Wert statt wie eine Spezialistin mit hohem Wert. Sales Targeting, medizinische Fortbildungsmaßnahmen und Compliance-Monitoring liegen gleichzeitig falsch.

Das ist das Problem der Identity Resolution, und es zu lösen ist die Aufgabe von Master Data ManagementMaster Data ManagementMaster Data Management (MDM) ist die Disziplin, eine einzige, konsistente und verlässliche Version der zentralen Geschäftsobjekte eines Unternehmens zu erstellen und zu pflegen: Kunden, Produkte, Lieferanten.Vollständige Definition ansehen → (MDM): die Disziplin, für jede Entität der realen Welt (eine Ärztin, ein Krankenhaus, ein Medikament) über alle Systeme hinweg einen vertrauenswürdigen, eindeutigen Datensatz zu erzeugen.

Warum fragmentierte Identitäten Pharma-Analytics kaputt machen

Jedes Pharmaunternehmen arbeitet mit Daten aus mehreren, unabhängig voneinander aufgebauten Quellen:

• Internes CRM (Veeva, Salesforce): Besuchsprotokolle der Sales Reps, Musterabgaben, Call Notes.
• Claims- und Verschreibungsdaten: von Anbietern wie IQVIA, Symphony Health (Teil von ICON) oder, in den USA, Pharmacy-Claims-Switches wie Surescripts.
• Öffentliche Register: die NPI (National Provider Identifier, eine eindeutige zehnstellige ID, die die US-Regierung jedem zugelassenen Leistungserbringer im Gesundheitswesen zuweist) oder in Europa nationale Ärztekammerregister, die sich von Land zu Land unterscheiden und oft keinen gemeinsamen ID-Standard haben.
• Marketing- und Medical-Affairs-Plattformen: Kongressteilnahmen, Zahlungen an Speaker Bureaus, Protokolle medizinischer Anfragen.

Keines dieser Systeme wurde dafür gebaut, mit den anderen zu sprechen. Namen werden falsch geschrieben, Krankenhäuser fusionieren, Ärzte wechseln die Adresse, und Abkürzungen variieren ("St. Mary's Hosp." vs. "Saint Mary Hospital"). Ohne eine vereinheitlichende Schicht kann derselbe Verschreiber fünf bis zehn fragmentierte "Personas" im Datenbestand eines einzigen Unternehmens erzeugen. Das ist in den Commercial Operations der Pharmabranche gut dokumentiert; Branchen-Benchmarking von Firmen wie Reltio und Veeva (beide MDM/CRM-Anbieter für Life Sciences) nennt doppelte HCP-Datensätze (Healthcare Professional) regelmäßig als eine der wichtigsten Beschwerden von Commercial-Analytics-Teams zur Datenqualität.

Die Bausteine: HCP/HCO-Hierarchien

MDM in der Pharmabranche ist nicht nur Deduplizierung, es geht um den Aufbau strukturierter Hierarchien:

HCP (Health Care Professional): eine Einzelperson, wie Dr. Marchetti.

HCO (Health Care Organization): die Institution, für die sie arbeitet, Ospedale San Raffaele, die selbst wiederum zu einem größeren Klinikverbund gehören kann.

Ein gutes MDM-System verknüpft HCP mit HCO mit Netzwerk, sodass ein Unternehmen beantworten kann: "Welchen Gesamtwert repräsentiert das San-Raffaele-Netzwerk?" und nicht nur "Wie viel hat diese eine Ärztin verschrieben?". Das ist kommerziell relevant (präzise Account-Planung) und rechtlich: Viele Transparenz- und Antikorruptionsvorschriften (wie der US Sunshine Act, Teil des Physician Payments Sunshine Act unter dem Affordable Care Act, oder Frankreichs Loi Bertrand / Sunshine française) verlangen, dass Unternehmen Zahlungen an namentlich und korrekt identifizierte Leistungserbringer melden. Falsche Identifikation birgt Compliance-Risiken, nicht nur schlechte Analytics.

Gängige Identifier als Anker für das Matching

Beachten Sie: Es gibt keinen einzigen globalen HCP-Identifier. Deshalb existieren kommerzielle MDM-Anbieter (IQVIA OneKey, Veeva Network, Dun & Bradstreet für Organisationen): Sie erstellen und lizenzieren querverwiesene "Golden Records", die lokale IDs auf eine Master-ID abbilden.

Produktidentität: NDC- und ATC-Codes

Dasselbe Fragmentierungsproblem gilt für Medikamente, und dort steht wohl mehr auf dem Spiel, weil es die Erkennung von Sicherheitssignalen betrifft, nicht nur Sales Analytics.

NDC (National Drug Code): ein elfstelliger Identifier der US-FDA, eindeutig für ein bestimmtes Produkt, eine Wirkstärke und eine Packungsgröße. Dasselbe Molekül desselben Herstellers kann mehrere NDCs haben (verschiedene Packungsgrößen, Formulierungen).

ATC-Klassifikation (Anatomical Therapeutic Chemical): ein System der Weltgesundheitsorganisation, das Medikamente nach dem Organsystem, auf das sie wirken, und nach ihren therapeutischen/chemischen Eigenschaften gruppiert (gepflegt vom WHO Collaborating Centre for Drug Statistics Methodology). Weltweit genutzt, besonders in Europa, für epidemiologische und Verbrauchsstudien.

Ein durchgerechnetes Beispiel, warum das zählt: Wenn ein Pharmakovigilanz-Team (Arzneimittelsicherheit) Meldungen zu unerwünschten Ereignissen durchsucht und eine Datenbank ein Produkt über den Markennamen erfasst, eine andere über den NDC und eine dritte über den generischen Molekülnamen, kann ein echtes Sicherheitssignal über drei "verschiedene" Produktdatensätze verwässert werden, statt als ein klares Muster sichtbar zu werden.

Example: is this the "same" product across systems?

System A (claims):   NDC 00069-0420-30 -> "Zithromax 250mg, 30-count"
System B (EHR):       "Azithromycin 250 MG Oral Tablet"
System C (WHO ATC):   J01FA10 (Azithromycin, anti-infective class)

MDM/product master must resolve all three to one product entity,
while preserving the ability to roll up to molecule (azithromycin)
or therapeutic class (J01FA, macrolides) for epidemiological analysis.

Kostenloses Nachschlagewerk: Der WHO ATC/DDD Index erlaubt es, jeden ATC-Code nachzusehen und die Klassifikationslogik gegenzuprüfen, nützlich für alle, die Pharma-Marktanalysen machen.

Wie Matching tatsächlich funktioniert: deterministisch vs. probabilistisch

Zwei Kerntechniken, oft kombiniert eingesetzt:

Deterministisches Matching: Exact-Match-Regeln auf einem vertrauenswürdigen Identifier. Wenn zwei Datensätze denselben NPI haben, sind sie dieselbe Entität. Schnell, präzise, scheitert aber, wenn der Identifier fehlt oder inkonsistent ist (außerhalb der USA häufig).

Probabilistisches Matching: Bewertung der Ähnlichkeit über mehrere schwächere Signale (Namensähnlichkeit, räumliche Nähe der Adresse, Fachrichtung, Telefonnummer), wenn keine einzelne verlässliche ID existiert. Hier kommen Fuzzy-Matching-Algorithmen und zunehmend Machine-Learning-Klassifikatoren ins Spiel, trainiert darauf, einen Confidence Score auszugeben ("87 % Wahrscheinlichkeit, dass es derselbe HCP ist") statt eines binären Ja/Nein.

Eine pragmatische Pharma-MDM-PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → kombiniert beides: zuerst deterministisches Matching versuchen (günstig, hohe Confidence), für den Rest auf probabilistisches Matching zurückfallen und Matches mit niedriger Confidence an menschliche Data Stewards zur manuellen Prüfung weiterleiten.

Datenqualitätsmetriken, die hier zählen

Generische "Datenqualität" ist zu vage, um sie zu steuern. Pharma-MDM-Teams verfolgen konkrete, prüfbare Metriken:

• Match Rate: Anteil der Datensätze, die erfolgreich mit einem Golden Record verknüpft wurden. Ein von MDM-Anbietern häufig genanntes Branchenziel liegt über 90 bis 95 Prozent Match Rate für zentrale HCP-Daten, das ist allerdings ein von Anbietern genannter Benchmark, kein regulatorischer Standard, und die tatsächlichen Raten schwanken je nach Marktreife stark.
• Duplicate Rate: Anteil der "neuen" Datensätze, die tatsächlich Duplikate bestehender Entitäten sind. Niedriger ist besser; das ist die direkte Kehrseite des Dr.-Marchetti-Problems.
• Survivorship-Genauigkeit: Beim Zusammenführen doppelter Datensätze, welche Feldwerte "gewinnen" (die aktuellste Adresse? das vollständigste Fachrichtungs-Tag?). Schlecht gesteuerte Survivorship-Regeln beschädigen den Golden Record unbemerkt.
• Data Freshness / Decay Rate: HCP-Daten verfallen schnell. Leistungserbringer wechseln Adressen, Zugehörigkeiten und Fachrichtungen. Branchenkommentare von MDM-Anbietern nennen häufig, dass ein erheblicher Anteil der HCP-Kontaktdaten innerhalb eines Jahres veraltet, eine nützliche Richtungsangabe, wobei die exakten Zahlen je nach Quelle und Markt variieren.
• Vollständigkeit des Golden Record: Anteil der Pflichtfelder (Fachrichtung, primäre Zugehörigkeit, Zulassungsstatus), die gefüllt und validiert sind.

Diese Metriken sollten auf einem Data-Governance-Dashboard erscheinen, das regelmäßig von einer Data-Governance-Funktion geprüft wird, oft mit Berichtslinie an einen Chief Data Officer oder Äquivalent, getrennt von der IT und getrennt von den Commercial Operations, genau damit die Incentives keiner einzelnen Business Unit den Golden Record verzerren.

🎬 [VIDEO: "What is Master Data Management?" - youtube.com - suchen Sie diesen Titel im Kanal von IBM Technology für eine anbieterneutrale, verständliche Darstellung von MDM-Konzepten, die über die Pharmabranche hinaus gilt]

Key Takeaways

• Master Data Management führt fragmentierte Identifier (NPI, IQVIA OneKey ID, interne CRM-IDs) zu einem "Golden Record" pro HCP, HCO oder Produkt zusammen und verhindert so gesplittete oder doppelte kommerzielle und sicherheitsbezogene Analysen.
• HCP/HCO-Hierarchien sind sowohl für die kommerzielle Account-Planung als auch für das Compliance-Reporting relevant (z. B. Offenlegung von Zahlungen nach dem US Sunshine Act), das die korrekte Zuordnung von Zahlungen zu namentlich genannten Personen und Institutionen verlangt.
• NDC-Codes identifizieren bestimmte US-Arzneimittelprodukte und -Packungen; ATC-Codes klassifizieren Medikamente weltweit therapeutisch (gepflegt von der WHO). Fragmentierte Produktidentität kann die Signalerkennung in der Pharmakovigilanz verwässern, nicht nur das Sales-Reporting verzerren.
• Matching kombiniert deterministische Verfahren (exakter ID-Match) mit probabilistischen Verfahren (Fuzzy-Matching mit Confidence Score) plus Prüfung durch menschliche Data Stewards bei Fällen mit niedriger Confidence.
• Verfolgen Sie konkrete Datenqualitätsmetriken (Match Rate, Duplicate Rate, Survivorship-Genauigkeit, Data Freshness) unter unabhängiger Data GovernanceData GovernanceData Governance umfasst die Regeln, Rollen und Prozesse, die sicherstellen, dass Daten in einer Organisation korrekt, sicher, klar definiert und verantwortungsvoll genutzt werden.Vollständige Definition ansehen →, nicht überlassen an Commercial-Teams, deren Incentives Volumen vor Genauigkeit stellen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.