Die Daten, die Pharma antreiben: von Studien zu Real-World Evidence

# Die Daten, die Pharma antreiben: von Studien zu Real-World Evidence

Eine einzige Phase-3-Studie für ein neues Krebsmedikament kann Millionen einzelner Datenpunkte erzeugen: jede Blutdruckmessung, jeder gemeldete Kopfschmerz, jede Tumormessung, jede versäumte Dosis, alles mit präzisen Zeitstempeln erfasst, für tausende Patienten in dutzenden Ländern. Regulierungsbehörden prüfen diesen Datensatz monatelang, bevor sie entscheiden, ob das Medikament einen einzigen Patienten außerhalb der Studie erreicht.

Dieses MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ß an Rigorosität ist ungewöhnlich. Die meisten Branchen entscheiden auf Basis unordentlicher, unvollständiger Daten. Pharma kann das nicht. Die Daten sind die Existenzberechtigung des Produkts.

Diese Lektion erklärt die beiden großen Datenströme der Pharmabranche (Daten aus klinischen Studien und Real-World Evidence), warum Regulierungsbehörden so viel verlangen und wie beide über den Lebenszyklus eines Medikaments zusammenwirken.

Daten aus klinischen Studien: Evidenz unter Laborbedingungen

Eine klinische Studie ist ein kontrolliertes Experiment am Menschen, das eine Frage beantworten soll: Verursacht diese Intervention das Ergebnis, das uns interessiert? „Verursacht“ ist das Schlüsselwort. Um Kausalität nachzuweisen, eliminieren Studien Störfaktoren.

Der Goldstandard ist die randomisierte kontrollierte Studie (RCT). Patienten werden zufällig der Gruppe mit dem neuen Medikament oder einer Vergleichsgruppe zugewiesen (Placebo oder die aktuelle Standardbehandlung). Randomisierung bedeutet, dass die beiden Gruppen im Durchschnitt identisch sind, abgesehen vom Medikament. Unterscheiden sich die Ergebnisse, ist das Medikament die wahrscheinliche Ursache.

Warum es Phasen gibt

Die Medikamentenentwicklung läuft in aufeinanderfolgenden Phasen, jede erzeugt eine eigene Art von Daten:

• Phase 1: kleine Gruppe (oft einige Dutzend gesunde Freiwillige). Datenfokus: Sicherheit und wie der 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 →örper das Medikament verarbeitet (Dosierung, Absorption).
• Phase 2: hunderte Patienten mit der Erkrankung. Datenfokus: Zeigt sich ein biologischer Effekt, und bei welcher Dosis?
• Phase 3: hunderte bis tausende Patienten, oft in mehreren Ländern. Datenfokus: Wirkt es besser als die Alternative, und ist es in der Breite sicher? Das ist die zulassungsentscheidende Evidenz.

Jede Phase ist ein Gate. Die meisten Wirkstoffe scheitern. Branchenschätzungen gehen üblicherweise davon aus, dass nur ein kleiner Teil der Medikamente, die Phase 1 erreichen, jemals zugelassen wird, wobei die genaue Rate je nach Therapiegebiet variiert.

Was Studiendaten besonders macht

Studiendaten sind prospektiv (vor der Erhebung geplant) und strukturiert. Bevor ein einziger Patient eingeschlossen wird, schreibt der Sponsor ein Protokoll und einen statistischen Analyseplan, die den primären Endpunkt definieren (das Hauptergebnis, zum Beispiel „Gesamtüberleben nach 12 Monaten“) und genau festlegen, wie ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → gemessen und analysiert wird. Man kann im Nachhinein nicht nach einem guten Ergebnis fischen.

Diese Disziplin wird von Regulierungsbehörden erzwungen. In den USA ist das die FDA (Food and Drug Administration), in der EU die EMA (European Medicines Agency). Studien müssen der Good Clinical Practice (GCP) folgen, einem internationalen Qualitätsstandard. Jeder Datenpunkt muss auf ein Quelldokument zurückführbar sein, ein Prinzip, das im Akronym ALCOA zusammengefasst ist: Daten sollen Attributable, Legible, Contemporaneous, Original und Accurate sein (zuordenbar, lesbar, zeitnah, original und korrekt).

Die öffentliche Studienregistrierung schafft zusätzliche Transparenz. Jeder kann laufende und abgeschlossene Studien auf ClinicalTrials.gov einsehen, einem kostenlosen Register mit Protokolldetails und immer häufiger auch Ergebnissen.

Die Grenzen der Studie

RCTs sind gerade deshalb stark, weil sie 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 →ünstlich sind. Und diese 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 →ünstlichkeit ist auch ihre Schwäche.

Studien schließen sorgfältig ausgewählte Patienten ein: bestimmte Altersbereiche, wenige Begleiterkrankungen, gute Adhärenz. Echte Patienten sind unordentlicher. Sie sind älter, nehmen fünf andere Medikamente, überspringen Dosen und haben Erkrankungen, die die Studie ausgeschlossen hat.

Studien sind außerdem kurz und eng gefasst. Eine zweijährige Studie kann keine Nebenwirkung erkennen, die nach fünf Jahren auftritt, oder eine, die bei einem von hunderttausend Patienten vorkommt. Und Studien beantworten selten praktische Fragen wie „wirkt das genauso gut wie die drei günstigeren Medikamente, die es schon auf dem Markt gibt?“

In diese Lücke tritt der zweite Datenstrom.

Real-World Data und Real-World Evidence

Real-World Data (RWD) sind Gesundheitsdaten, die in der Routineversorgung erhoben werden, nicht in einem Experiment. Die wichtigsten Quellen:

• Elektronische Patientenakten (EHRs): klinische Notizen, Diagnosen, Laborergebnisse, Verordnungen aus Kliniken und Praxen.
• Claims-Daten: Abrechnungsdaten von Versicherern und Kostenträgern. Hervorragend, um über große Populationen hinweg nachzuvollziehen, was verordnet, abgegeben und bezahlt wurde.
• Register: Datenbanken, die alle Patienten mit einer bestimmten Erkrankung oder einem bestimmten Medizinprodukt erfassen.
• Apotheken- und zunehmend Wearable- oder App-Daten.

Real-World Evidence (RWE) ist die klinische Schlussfolgerung, die Sie aus der Analyse von RWD ableiten. Die Unterscheidung ist wichtig: rohe Claims-Datensätze sind Daten; eine Studie, die zeigt, dass ein Medikament Krankenhauseinweisungen in der Alltagspraxis reduziert, ist Evidenz.

Der Trade-off

RWD sind umfangreich, günstig zugänglich und spiegeln echte Patienten. Aber sie sind beobachtend, nicht randomisiert. Zwei Gruppen, die unterschiedliche Medikamente nehmen, 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 sich in hundert verborgenen Aspekten unterscheiden (kränkere Patienten bekommen zum Beispiel das stärkere Medikament). Das ist Confounding, und es ist die zentrale Herausforderung von RWE.

Analysten bekämpfen Confounding mit statistischen Methoden. Eine verbreitete ist Propensity Score Matching: behandelte und unbehandelte Patienten, die sich über die gemessenen Merkmale hinweg ähneln, werden paarweise zugeordnet, um einen randomisierten Vergleich zu approximieren.

Hier die Intuition in wenigen Zeilen Pseudocode:

# Wahrscheinlichkeit jedes Patienten schätzen, das Medikament zu erhalten
propensity = model.predict(patient_features)  # Alter, Komorbiditäten, Vormedikation

# Behandelte Patienten mit unbehandelten Patienten mit ähnlichen Scores matchen
matched_pairs = match(treated, untreated, on=propensity)

# Ergebnisse innerhalb der gematchten Paare vergleichen
effect = outcome(matched_pairs.treated) - outcome(matched_pairs.untreated)

Der Haken: Das balanciert nur, was man messen kann. Nicht gemessene Unterschiede verzerren das Ergebnis weiterhin. Deshalb ist RWE mächtig, wird aber selten als alleiniger Wirksamkeitsnachweis für ein völlig neues Medikament akzeptiert.

Wie die beiden Ströme über den Lebenszyklus eines Medikaments zusammenwirken

Der klinische und der Real-World-Strom sind keine Rivalen. Sie decken unterschiedliche Phasen ab.

Vor der Zulassung: RCT-Daten leisten die Hauptarbeit. FDA oder EMA lassen auf Basis der Studienevidenz zu Wirksamkeit und Sicherheit zu. RWD 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 den Fall stützen, etwa indem sie beschreiben, wie eine Erkrankung natürlich verläuft (eine Natural-History-Studie), um als Vergleich für eine Studie bei einer seltenen Erkrankung zu dienen, bei der eine Placebo-Gruppe unethisch wäre.

Bei Zulassung und Indikationserweiterung: Regulierungsbehörden akzeptieren inzwischen für bestimmte Zwecke RWE. Die FDA hat ein Framework zur Bewertung von Real-World Evidence veröffentlicht, angetrieben durch den 21st Century Cures Act. RWE wurde zum Beispiel genutzt, um neue Indikationen für bereits zugelassene Medikamente zu stützen, wenn für die ursprüngliche Anwendung ein RCT existiert.

Nach der Zulassung (das ist der große Bereich): Pharmakovigilanz (Arzneimittelsicherheitsüberwachung) läuft weitgehend auf Real-World Data. Phase-3-Studien 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 seltene oder langfristige Schäden nicht erfassen. Sobald Millionen Menschen ein Medikament nehmen, tauchen Sicherheitssignale in EHRs, Claims-Daten und Meldungen unerwünschter Ereignisse auf. Regulierungsbehörden betreiben aktive Überwachungssysteme (die Sentinel Initiative der FDA fragt ein großes Netzwerk von Real-World Data ab), um Probleme schnell zu erkennen. Ein Sicherheitssignal kann eine Warnung in der Fachinformation auslösen oder, selten, eine Marktrücknahme.

Eine konkrete Veranschaulichung

Stellen Sie sich ein neues Medikament für Typ-2-Diabetes vor.

Die Phase-3-Studie zeigt, dass es den Blutzucker (gemessen über HbA1c, einen Standard-Labormarker) über ein Jahr besser senkt als Placebo, bei 4.000 relativ gesunden eingeschlossenen Patienten. Das bringt die Zulassung.

Nach dem Launch erreicht das Medikament Millionen, darunter ältere Patienten mit Nierenerkrankung, die in der Studie ausgeschlossen waren. Die Analyse von Claims- und EHR-Daten zeigt zwei Dinge, die die Studie nie hätte zeigen 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: eine seltene, aber schwere Nebenwirkung bei etwa einem von fünfzigtausend Anwendern und Hinweise darauf, dass die Adhärenz im Alltag weit niedriger ist als in der Studie, was den realen Nutzen abschwächt.

Die Studie hat bewiesen, dass es unter idealen Bedingungen wirken *kann*. Die Real-World Evidence zeigt, wie es in der Praxis *tatsächlich* wirkt, und behält die Sicherheit im Blick. Beides ist nötig. Keines genügt allein.

Warum es diese Rigorosität gibt

Die Asymmetrie ist deutlich: Ein Medikament, das hilft, hilft allmählich, aber ein Medikament, das schadet, kann katastrophal und irreversibel schaden. Die Geschichte ist voll teurer Lehren, bei denen unzureichende Daten unsichere Produkte durchgelassen haben. Regulatorische Rigorosität (GCP, ALCOA, prospektive Protokolle, unabhängige Prüfung) ist die Antwort der Branche auf diese Asymmetrie. Der Papierkram ist keine Bürokratie um ihrer selbst willen. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → ist der Mechanismus, der es einem Fremden erlaubt, einem Molekül zu vertrauen, das ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → in seinen 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 →örper aufnimmt.

Key Takeaways

• Studiendaten belegen Kausalität; Real-World Evidence belegt Relevanz. RCTs beantworten „wirkt es unter kontrollierten Bedingungen?“ RWE beantwortet „wirkt es und bleibt es sicher, bei echten Patienten über Zeit?“
• Rigorosität ist strukturell, nicht optional. Prospektive Protokolle, definierte Endpunkte, GCP und ALCOA-Nachvollziehbarkeit existieren, weil man einem Patienten einen Schaden nicht rückgängig machen kann. Datenintegrität ist die Existenzberechtigung des Medikaments.
• RWD sind reichlich vorhanden, aber confounded. Claims-Daten und EHRs spiegeln echte Patienten günstig, aber ohne Randomisierung. Methoden wie Propensity Matching helfen, weshalb RWE selten allein als Wirksamkeitsnachweis für ein neues Medikament steht.
• Die beiden Ströme decken unterschiedliche Lebensphasen ab. Studien dominieren vor der Zulassung; Real-World Data dominieren die Sicherheitsüberwachung (Pharmakovigilanz) nach dem Launch und werden zunehmend genutzt, um den Zulassungsumfang eines Medikaments zu erweitern.
• Regulierungsbehörden öffnen die Tür für RWE bewusst. Frameworks von FDA und EMA definieren, wo Real-World Evidence akzeptabel ist, halten sie aber an explizite Standards, statt sie pauschal zu akzeptieren.