Matching und Operationen für klinische Studien

KI-Systeme zum Matching klinischer Studien identifizieren geeignete Patient:innen für klinische Studien, indem sie Patientenprofile kontinuierlich mit den Eignungskriterien von Studien vergleichen und so den manuellen Prüfaufwand reduzieren, der dazu führen kann, dass Studien hinter dem Zeitplan zurückbleiben. Über die Rekrutierung hinaus kann KI über die Studienoperationen hinweg angewendet werden – Protokoll-Machbarkeitsbewertung, Standortauswahl-Scoring, Erkennung von Signalen unerwünschter Ereignisse und automatisierte Datenextraktion aus elektronischen Case Report Forms. Indem sie die Studieneignung am Behandlungsort innerhalb des EHR-Workflows aufzeigen, erweitern diese Systeme den Zugang zu experimentellen Therapien für Patient:innen, die sonst übersehen werden könnten, und beschleunigen Studienabschlusszeitpläne, die die regulatorische Zulassung und den Patientenzugang zu neuen Behandlungen beeinflussen.

Das Patient-Studien-Matching nutzt eine mehrstufige Pipeline, die die strukturierte Datenextraktion aus EHR-FHIR-Ressourcen, die unstrukturierte NLP-Extraktion aus klinischen Notizen, das Parsen von Kriterien zur Umwandlung von Eignungssprache in berechenbare Logik, die Auswertung durch eine Matching-Engine, die mit fehlenden Daten umgeht, sowie die EHR-Workflow-Integration umfasst, die Übereinstimmungen im klinischen Kontext darstellt.

• Parsen von Eignungskriterien: Hybride NLP- und LLM-Modelle wandeln natürlichsprachliche Studieneignungskriterien – die komplexe logische Abhängigkeiten, implizite Annahmen und Verweise auf medizinische Ontologien enthalten – in berechenbare Logik um, die gegen strukturierte Patientendaten ausgewertet werden kann, mit menschlicher Validierung der geparsten Kriterien.
• Multimodale Konstruktion des Patientenprofils: Die Matching-Pipeline bezieht strukturierte EHR-Daten (Diagnosen, Medikamente, Labore, Prozeduren, Vitalzeichen) neben unstrukturierten klinischen Narrativen (Notizen, Pathologieberichte, Bildgebungsbefunde) ein, um ein umfassendes Patientenprofil aufzubauen, das eignungsrelevante Befunde erfasst, unabhängig davon, ob sie in strukturierten Feldern erscheinen.
• Echtzeit-Matching am Behandlungsort: Übereinstimmungen werden innerhalb des EHR-Workflows während der klinischen Begegnung aufgezeigt – und präsentieren der Ärztin/dem Arzt geeignete Studien, belegende Nachweise und Kontaktinformationen der Studienkoordination, ohne eine separate Abfrage eines Studienregisters zu erfordern.
• Standortauswahl und Machbarkeits-Scoring: Für Studiensponsoren analysiert KI die historische Einschreibungsleistung, Krankheitsprävalenz, Prüferfahrung und Daten zur Patientenpopulation, um Standorte nach prognostizierter Einschreibungswahrscheinlichkeit zu bewerten – was Ressourcenzuteilungsentscheidungen ermöglicht, die die Gesamt-Studienabschlussraten verbessern.
• Erkennung von Sicherheitssignalen: Statistische Disproportionalitätsanalyse, ergänzt durch LLM-basierte Narrativanalyse, überwacht kontinuierlich Muster unerwünschter Ereignisse im anwachsenden Sicherheitsdatensatz und kennzeichnet potenzielle Signale früher zur Prüfung durch den Medical Monitor als eine periodische manuelle Analyse.

KI zum Matching klinischer Studien liefert Gesundheitssystemen ROI durch Teilnahmeeinnahmen und Sponsoren durch die Verkürzung des Einschreibungszyklus. Für akademische medizinische Zentren verbessern Teilnahmeeinnahmen von 5.000–50.000 USD pro Patient:in über einen größeren identifizierten Pool hinweg unmittelbar die Ökonomie der Forschungsinfrastruktur. Für Sponsoren wird der Wert der Verkürzung von Studieneinschreibungszeitplänen in Monaten der Patentexklusivität und im Zeitpunkt der regulatorischen Zulassung gemessen. Für Patient:innen ist der ROI der Zugang zu experimentellen Therapien, von denen sie sonst nie erfahren würden – mit potenziell lebensverändernden Ergebnissen.

Nach der EU-KI-Verordnung können KI-Systeme zum Matching klinischer Studien nach Anhang I oder Anhang III hochriskant sein, wenn die Systeme, die Patient:innen für klinische Studien identifizieren, in den Anwendungsbereich der Medizinprodukte verordnung fallen oder wenn diese ihre Einschreibung in eine Prüftherapie beeinflussen können. Konformitätsbewertung, technische Dokumentation, eine Grundrechte-Folgenabschätzung und die Registrierung in der EU-KI-Datenbank können vor dem Einsatz verpflichtend sein.

• Gemeinsame Compliance-Verantwortung von Sponsor und Gesundheitssystem: Sowohl Studiensponsoren als auch Gesundheitssysteme sind potenziell gemeinsam für die Compliance über den Studien-Matching-Workflow hinweg verantwortlich. Eine frühe Einbindung der zuständigen Behörden und Ethikkommissionen zur Methodik der KI-gestützten Rekrutierung wird vor dem Einsatz dringend empfohlen.
• DSGVO – Rechtsgrundlage für systematisches EHR-Screening: Das systematische Screening von Patientengesundheitsdaten auf Studieneignung stellt eine Verarbeitung über den ursprünglichen klinischen Zweck hinaus nach Art. 9 DSGVO dar. Eine klare Rechtsgrundlage – und typischerweise eine DSFA – ist erforderlich. Patientenseitige Datenschutzhinweise müssen aktualisiert werden, um das KI-gestützte Studien-Matching widerzuspiegeln, und die IRB-/Ethikprüfung muss die algorithmische Screening-Methodik abdecken.
• Erkennung von Sicherheitssignalen: KI-Sicherheitsüberwachung muss als Ergänzung – nicht als Ersatz – zur vorgeschriebenen periodischen Prüfung durch den Medical Monitor positioniert werden. Regulatorische Pflichten zur unabhängigen periodischen Prüfung bleiben unabhängig von der KI-Fähigkeit bestehen, und die Kommunikation der Erkennungsgrenzen des Systems ist eine Compliance-Anforderung.

Eine vollständige Analyse der Konformität mit der EU-KI-Verordnung hängt vom Unternehmenstyp/der Rolle der Organisation, von möglichen Systemänderungen und einer Hochrisiko-Kategorisierung ab.