Mit digitalem Zwilling zu besseren Arzneimitteln

Viele Pharmafirmen nutzen Künstliche Intelligenz (KI) intensiv in verschiedenen Phasen der klinischen Forschung, um Prozesse zu beschleunigen, Kosten zu senken und die Erfolgsraten ihrer Arzneimittelentwicklung zu erhöhen. Mit Dr. Benjamin Gmeiner (1) von Novartis (2) haben wir beim LiveTalk der Healthcare Shapers (3) u. a. über digitale Zwillinge, synthetische Studienarme und supportive Evidenz gesprochen. Was ist in der Zulassung von Arzneimitteln heute schon möglich mit smarter Datennutzung? Wie verändern neue Datennutzungskonzepte die Arzneimittelforschung der Zukunft?

Unsere Talk-Gast, der Physiker Benjamin Gmeiner hat von der Quanten-Optik über die Neurowissenschaft und Beratung seinen Weg zunächst als Medical Advisor in die klinische Forschung von Novartis gefunden. Heute führt er als Director of Medical Data Strategy & Science bei Novartis ein interdisziplinäres Team von Wissenschaftlern und Datenexperten, treibt Forschungsinitiativen zur KI-gestützten Datennutzung voran. Er will auf diesem Weg den Zugang von Patienten zu innovativen Arzneimitteln beschleunigen und die Arzneimittelforschung effizienter und sicherer gestalten. 

Gesundheitsdaten - eine riesiger, weitgehend ungenutzter Schatz 

"Der Impact, den man auf dem Gebiet der Datennutzung im Gesundheitsbereich bewirken kann, ist riesig und treibt mich persönlich an," beschreibt Benjamin Gmeiner seine Motivation. "Wir stehen mitten in einer Datengoldmiene und sind mit der Herausforderung konfrontiert, ihr Potenzial gezielt zu nutzen. Zum Teil verfügen wir bei Novartis selbst über diese Daten, ein anderer Teil kommt von externen Anbietern oder entsteht im Rahmen strategischer Partnerschaften. Es ist eine fabelhafte Zeit, wir bekommen immer mehr Daten aus der Versorgung auch in strukturierter Form, so dass immer mehr Daten aus Diagnostik und Therapie zusammenfließen können und unser Verständnis über die Versorgungssituation verbessern.

Schon heute sind 30 Prozent aller verfügbaren Daten weltweit Gesundheitsdaten, in 5 Jahren wächst dieser Pool auf ca. 35 Prozent an. Und derzeit bleiben 97 Prozent dieser Daten ungenutzt, schätzt die WHO. 

"KI-Wissenschaftler und Data Scientists helfen uns, diese Schätze zu bergen, daraus zunehmend prognostisches Wissen abzuleiten, Zusammenhänge zu verstehen, Risiken besser einschätzen zu können und so die Versorgung zu optimieren," ist der Experte überzeugt. 

Welche Skills braucht es, um Datenschätze zu heben?

„Unser Team ist gar nicht so groß. Natürlich haben wir Statistiker und AI-Wissenschaftler. Für uns ist es essentiell, dass sie alle ein hohes Verständnis für die Gesundheitsversorgung mitbringen. Sie müssen Probleme aus der Versorgung verstehen und aufgreifen können, um mit ihren Datenanalysen Lösungen für offene Fragestellungen zu simulieren. Jeder im Team muss auch mit dem Chefarzt sprechen können. Es reicht nicht, das Problem in eine mathematische Gleichung gießen zu können. Genauso wichtig ist es, die Ergebnisse verständlich als Lösung für ein Versorgungsproblem zu kommunizieren. Diese Fähigkeit zur Abstraktion und Kommunikation erwarten wir von jedem der vier AI-Wissenschaftlern in unserem Team, zusätzlich zu ihren herausragenden Skills im Umgang mit Daten."

Mit "Digitalen Zwillingen" Risiken senken und Kosten reduzieren

Das Konzept der digitalen Zwillinge ist bereits in anderen Industrien weit verbreitet - wie beispielsweise in der Luftfahrt. Ähnlich wie im Gesundheitsbereich muss man auch dort mit hohen Risiken umgehen, weil Fehler viele Menschenleben kosten können, müssen sie bestmöglich vermieden werden. Die notwendigen Tests, um die Funktionstauglichkeit eines Flugzeugs zu prüfen, macht man deshalb nicht mit dem Flugzeug selbst, sondern mit der digitalen Version der Maschine. Am digitalen Modell simuliert man, welche Kräfte bei welchen äußeren Bedingungen einwirken und leitet daraus ab, wie sich Veränderungen an Konstruktion und Materialbeschaffenheit auf die Flugeigenschaften auswirken. So lässt sich vorhersagen, wie sich das Flugzeug verhalten wird. Neue Modelle lassen sich so viel kostengünstiger entwickeln und bestehende Modelle einfacher optimieren. Auch im Betrieb des Flugzeugs, das über tausende Mess-Sensoren verfügt, werden kontinuierlich Messdaten generiert. Speist man diese Daten in digitale Modelle ein, kann man vorhersagen, wie sich das im Flugbetrieb veränderte Material verhalten wird, ob und wie lange es z. B. den Belastungen eines Orkans standhalten wird. Diese sog. „predictive Maintenance" erkennt Probleme, bevor sie entstehen, und das macht die Luftfahrt perspektivisch immer sicherer.

Schneller bessere Arzneimittel entwickeln 

"Und ähnlich gehen wir auch bei klinischen Studien vor: Wir nehmen die Parameter aller Patienten auf, die an den Studien teilnehmen, und nutzen deren digitale Abbilder, um das Design der Studie mit diesen Patientendaten zu optimieren: Wie kommen wir mit möglichst wenigen Patienten zur besten Aussagekraft im Hinblick auf Wirksamkeit und Verträglichkeit neuer Arzneimittel? Anhand der Ausschluss- und Einschlusskriterien können wir die Patientenpopulation genau definieren. Wie wirken sich Alter und Geschlecht aus, wie mögliche Komorbiditäten? In einer klinischen Studie randomisieren wir die Standard-of-Care Gruppe und die Interventionsgruppe, die den neuen Wirkstoff erhält, den wir klinisch untersuchen," so der Experte.

Mit "virtuellen Patienten" können wir nun vorhersagen, wie sich die Placebo- bzw. die Standard-of-Care Gruppe verhalten hätten, wir können uns damit die Randomisierung im Kontrollarm sparen, so die Perspektive.

Zugelassene Arzneimittel weiter optimieren…

"Und auch in der Optimierung von Arzneimitteln können wir KI gewinnbringend nutzen. Dazu werten wir historische Daten aus klinischen Studien aus, die bereits abgeschlossen sind. Früher hat man die Daten einfach weggelegt, wenn die Studie abgeschlossen war, das ist heute anders. Durch entsprechende Analysen und Simulationen kommen wir hier zu neuen Erkenntnissen. 
Natürlich spielen dabei immer Gesichtspunkte wie Machbarkeit oder ethische Aspekte eine Rolle: Bei seltenen Erkrankungen haben wir nur wenige Patienten für klinische Studien und bei der klinischen Erprobung von onkologischen Therapien verbietet sich häufig aus ethischen Gründen ein Placebo-Arm. In beiden Fällen bieten sich Simulationen an, insbesondere, wenn es mit den Daten möglich ist, valide Vergleichsgruppen zu bilden, damit man nicht Äpfel mit Birnen vergleicht. Abhängig von der Indikation, die im Fokus einer klinischen Studie steht, sind das sehr feine Linien," so der Experte. 

Bei Indikationen im diabetischen oder kardiologischen Kontext ist die Simulation schwierig, die Fehler der Modelle sind noch zu groß.

Patienten besser für klinische Studien gewinnen 

Wenn Patienten in der Rekrutierungsphase einer klinischen Studie wissen, dass sie vielleicht „nur“ Placebo bekommen, mindere das häufig ihre Bereitschaft, an der Studie teilzunehmen. Das sei ein Problem. Rund 30 Prozent aller klinischen Studien werden abgebrochen, weil die Rekrutierung schleppend verlaufe.

Wenn wir die Kontrollarme simulieren können, wird das die Gewinnung von Patienten einfacher machen, das ist ein großer Vorteil!

EMA und FDA – offen für synthetische Studienarme?

"Insgesamt sind die Zulassungsbehörden im Hinblick auf Datensimulationen positiv eingestellt, es gibt praktisch keine Zulassungen mehr, ohne zusätzliche Daten aus Simulationsmodellen. Ob Daten aus Simulationen dann allerdings für die Zulassung berücksichtigt werden können, wird immer im Einzelfall entschieden in enger Abstimmung mit der Behörde. Die Daten werden perspektivisch wichtiger, wenn die Fehler der Modelle kleiner werden," prognostiziert Benjamin Gmeiner. "In der Regel führen wir unsere Zulassungsstudie weiterhin ganz klassisch durch und liefern die Daten aus den Simulationen als sogenannte "supportive Evidenz" hinzu. Die Validierung der synthetischen Daten bzw. deren Einsatz in der Praxis wird stufenweise erfolgen:

• Phase 1: Wir zeigen die Ergebnisse, die wir unter Nutzung eines simulierten Vergleichsarm erhalten hätten, und vergleichen diese mit den Ergebnissen aus der klinischen Studie. So können wir den Fehler von Simulationen besser einschätzen, d. h. beurteilen, wie valide die Daten tatsächlich sind.
• Phase 2: Wir lassen in der klinischen Studie einen synthetischen Studienarm prospektiv mitlaufen und zeigen dann die Ergebnisse und ermitteln den Fehler.
• Phase 3: Wir nehmen nicht mehr beispielsweise 1.000 Patienten in den Kontrollarm einer Studie auf, sondern nur noch 200 und simulieren den Rest anhand von Daten."

Für Indikationserweiterungen von Arzneimittelzulassungen akzeptieren Zulassungsbehörden bereits heute teils simulierte, synthetische Kontrollarme.

Mit Real World Daten zu besserer Translation der klinischen Erkenntnisse

"Wir haben zum einen die Klinischen Phase III-Studien, in denen wir unter kontrollierten Bedingungen die Effekte neuer Therapien testen, d. h. die Wirksamkeit und Verträglichkeit unbekannter Wirkstoffe. Aus den sog. Real World Daten, die außerhalb solcher Studien unter realen Versorgungsbedingungen generiert werden, bekommen wir Impulse für die Translation der klinischen Forschung. Wenn 100.000 Patienten mit einem Arzneimittel behandelt werden, lassen sich Subgruppen bilden. Man gruppiert z. B. die Patienten, bei denen die Therapie besonders gut wirkt, und jene, bei denen sie schlecht oder gar nicht wirkt. Die Analyse dieser Versorgungsdaten soll Erklärungen liefern, warum das so ist, und was man ändern könnte, um das Arzneimittel noch wirksamer und verträglicher zu machen. So fließen die Erkenntnisse aus der Analyse von Real World Daten wieder zurück in die klinische Forschung," so der Experte.

Simulationsmodelle mit Real World Daten - was braucht es?

"Das hängt von der Fragestellung ab, d. h. davon, was man simulieren will? Und entscheidend ist immer auch die Qualität der Daten," so Gemeiner. Bei RWD komme es darauf an, den Kontext zu berücksichtigen. Wurden die Daten zu Abrechnungszwecken erfasst, gingen Aspekte, die nicht abrechnungsrelevant sind, in der Regel verloren, das schmälere die Aussagekraft der Daten.

Um die Real World Daten dann mit großen LLM-Modellen zu analysieren, braucht es einen Datenpool von mehreren 1.000 Patienten, man betrachtet mehr als 100 Variablen pro Patient und deren longitudinale Behandlungsverläufe. Die Simulationsmodelle funktionieren nur für die Daten, mit denen sie trainiert worden sind. 

Real World Daten seien unheimlich mächtig, weil sie viele demographische Daten mitlieferten, viele digitale Assets, z. B. aus der Nutzung von Wearables oder Messgeräten und viel Kontext, z. B. aus dem Tracking von Social Media-Daten. "Manchmal sind Prädiktoren auch ganz simpel: Schaut man sich z. B. die Lebenserwartung an, so sind unter den wichtigsten Prädiktoren die Ziffern der Postleitzahl", so Gemeiner. "Die ersten drei Ziffern lassen z. B. Rückschlüsse darauf zu, wo der Patienten versorgt wird, ob der Zugang zu einemhochspezialisierten Zentrum gegeben ist, oder nicht" so seine Erklärung.
Die Breite und Vielfalt der Parameter, die man bei RWE-Analysen einbeziehen würde, stünden in deutlichem Gegensatz zu klinischen Studien. Dort versuche man die zu beobachteten Parameter möglichst überschaubar zu halten, um die Komplexität der Studien zu reduzieren und die Patienten-Rekrutierung nicht zu gefährden.

Real World Daten - Basis für neue Pricing-Modelle?

Wenn man Aussagen treffen will zu den Outcomes mit und ohne eine bestimmte Therapie oder gar verschiedene Interventionen miteinander vergleichen will, um diese Daten z. B. in Preisverhandlungen zu nutzen, simuliere man in der Regel nicht mit digitalen Zwillingen, sondern nutze andere Rechenmodellen, z. B. Markow-Modelle (5).

Mit KI zu mehr Wachstum und Profitabilität

Was macht man selbst, in welchen Projekten und für welche Aufgaben zieht man Partner mit hoher Datennutzungs- und KI-Expertise hinzu? "Im Bereich der klinischen Forschung ist es schwierig mit externen Partnern zu arbeiten, aufgrund der sensiblen Patientendaten, die genutzt werden. Deshalb ist der Qualifizierungsprozess für Partner in diesem Bereich sehr aufwändig. Wie mit sensiblen Daten aus klinischen Studien nichts schiefgehen darf, schauen wir sehr genau auf die Prozesse und legen großen Wert auf ein solides Qualitätsmanagement. Dieses strenge Assessment können auch kleine Unternehmen erfolgreich durchlaufen haben, wie das hochinnovative Unternehmen Honic (8) zeigt. In unseren gemeinsamen Projekte hat sich gezeigt, dass man auch mit einer überschaubaren Anzahl von Personen sehr viel bewegen kann," freut sich der Experte.

EU AI Act - Erfolgsmodell für die KI-Nutzung?

Befragt zum Ansatz der EU, die Rahmenbedingungen für die Nutzung von KI mit dem EU AI Act (9) zu regulieren, erklärt der Experte: "Innovation und Datenschutz dürfen sich nicht ausschließen. Wir brauchen Sicherheit durch Transparenz, müssen zeigen, dass wir Daten vertrauensvoll nutzen und KI-Tools verantwortlich einsetzen. Vom Gesetzgeber brauchen wir dazu die Leitplanken, die die Richtung vorgeben. Was es nicht braucht, sind starre Gesetze, die einzelnen Schritte definieren, denn agile Anpassungen müssen jederzeit möglich sein, um uns in den Entwicklungen nicht zu behindern."

Mit KI zu besseren Arzneimitteln: Was es jetzt braucht

In seinem Fazit fasst Benjamin Gmeiner zusammen, worauf es ankommt, damit KI-Innovationen im Bereich der Arzneimittelforschung in den nächsten 5 Jahren reiche Früchte tragen:

• Rahmenbedingungen: "Wir müssen nicht alles regeln, sondern das Richtige, dann kann der EU AI Act vom Korsett zum Kompass werden, der Innovation Vorfahrt gibt und einen geschützten Rahmen bietet."
• Skills: "In unseren Teams sind vor allem Anpassungsfähigkeit und Flexibilität gefordert. Es tut sich so viel auf dem Gebiet der künstlichen Intelligenz, vieles lässt sich heute noch nicht vorhersehen. Deshalb müssen wir in der Lage sein, uns jederzeit schnell an neue Herausforderungen anzupassen."
• Mindset: "Mit Neugier, Lust und Freude an Kollaboration können wir die komplexen Herausforderungen im Kontext von Datennutzung und KI erfolgreich meistern. Kein Unternehmen und keine Industrie kann diese gewaltige Transformation alleine stemmen, es braucht die Offenheit, maximal cross-funktional zu handeln und über alle Stakeholdergruppen hinweg den Mut zur Zusammenarbeit."

Vielen Dank an Dr. Benjamin Gmeiner von Novartis für das Teilen seiner Perspektiven auf Datennutzung und Evidenzgenerierung im Arzneimittelentwicklungsprozess, Vielen Dank an Günther Illert und Dr. Ursula Kramer, beide Partner im Netzwerk der Healthcare Shapers, die den Austausch beim Healthcare Shapers LiveTalk "Mit digitalem Zwilling zu besseren Arzneimtteln" am 10. Juni 2025 moderiert haben. 

Quellen

1. Benjamin Gmeiner https://www.linkedin.com/in/ben-gmeiner/  
2. Novartis https://www.linkedin.com/company/novartis/posts/?feedView=all
3. LiveTalk Healthcare Shaeprs https://www.healthcareshapers.com/blogs?post_category=74
4. Pharma Fakten 2024. F & E Intensität nach Wirtschaftszweigen. Seite 21. https://www.bpi.de/bibliothek/pharma-daten  
5. Markow-Modell https://de.wikipedia.org/wiki/Markow-Modell  
6. Pharmaunternehmen setzen auf KI-Revolution https://www.heise.de/news/Pharmabranche-setzt-voll-auf-KI-Revolution-9596897.html  
7. Viz.ai Launches New Strategic Alliance to Accelerate Timely Diagnosis and Deliver AI-Powered Precision Care for Patients with Cancer https://www.viz.ai/news/viz-ai-launches-new-strategic-alliance-to-accelerate-timely-diagnosis-and-deliver-ai-powered-precision-care-for-patients-with-cancer   
8. Honic https://honic.eu/en
9. EU AI Act EU verabschiedet erstes KI-Gesetz weltweit | Bundesregierung