Bis zu 80 Prozent aller klinischen Studien scheitern an zu langsamer Patientenrekrutierung. Ein neues KI-System namens TrialMatchAI soll diesen Flaschenhals aufbrechen – und könnte die medizinische Forschung grundlegend verändern.
KI-System soll Patientenzuordnung für klinische Studien automatisieren
Ein internationales Forschungsteam hat ein KI-gestütztes System namens TrialMatchAI entwickelt, das die Rekrutierung von Patienten für klinische Studien erheblich beschleunigen soll. Die Studie wurde in Nature Communications veröffentlicht und adressiert eines der zentralen Effizienzprobleme der klinischen Forschung.
Das Problem: Manuelle Zuordnung als Flaschenhals
Die Rekrutierung geeigneter Patienten für klinische Studien gilt seit Jahren als einer der größten Kostentreiber und Zeitverzögerer in der medizinischen Forschung.
Schätzungen zufolge scheitern bis zu 80 Prozent aller klinischen Studien daran, ihre Rekrutierungsziele rechtzeitig zu erreichen.
Der Grund liegt häufig in der aufwendigen manuellen Arbeit: Klinisches Personal muss Patientenakten mit umfangreichen Einschluss- und Ausschlusskriterien abgleichen – ein Prozess, der sowohl zeitintensiv als auch fehleranfällig ist.
Wie TrialMatchAI funktioniert
Das System kombiniert mehrere KI-Komponenten zu einer Ende-zu-Ende-Lösung. Im Kern nutzt TrialMatchAI Large Language Models, um sowohl strukturierte als auch unstrukturierte Patientendaten – darunter Arztbriefe, Laborbefunde und Diagnosen – automatisiert auszulesen und mit den Eligibilitätskriterien laufender Studien abzugleichen. Das System extrahiert dabei relevante klinische Merkmale aus Freitexten und ordnet diese den formalen Anforderungen einer Studie zu.
Der Fokus der Forschungsgruppe, zu der Wissenschaftler aus Norwegen, Frankreich, den Niederlanden und weiteren europäischen Einrichtungen gehören, lag auf onkologischen Indikationen. Dieser Bereich ist besonders relevant, da Krebsstudien typischerweise komplexe Kriterienkataloge aufweisen und gleichzeitig ein hohes medizinisches Interesse an schneller Patientenzuordnung besteht.
Leistungsfähigkeit und Einschränkungen
Die Autoren berichten, dass TrialMatchAI in Testszenarien eine deutlich höhere Übereinstimmungsrate mit manuell erstellten Referenzzuordnungen erzielte als ältere, regelbasierte Systeme. Gleichzeitig weisen die Forscher auf zentrale Limitierungen hin:
Die Qualität der Ergebnisse hängt stark von der Vollständigkeit und Strukturierung der zugrunde liegenden Patientendaten ab.
Zudem müssen Datenschutz- und Interoperabilitätsanforderungen der jeweiligen Gesundheitssysteme erfüllt sein, bevor ein solches System produktiv eingesetzt werden kann. Das System ist als Open-Access-Publikation erschienen, was den Zugang für weitere Forschungseinrichtungen erleichtert. Ob und wann eine klinisch validierte, regulatorisch zugelassene Version verfügbar sein wird, ist derzeit noch offen.
Einordnung für den deutschen Markt
Für deutsche Pharmaunternehmen, Auftragsforschungsorganisationen (CROs) und Universitätskliniken ist der Ansatz von unmittelbarem Interesse. Deutschland ist einer der wichtigsten Standorte für klinische Studien in Europa, kämpft jedoch ebenfalls mit langen Rekrutierungszeiten und dem damit verbundenen Kostendruck.
Bestehende Hürden bleiben jedoch erhebliche Implementierungsbarrieren:
- DSGVO-Anforderungen schränken den Datenaustausch zwischen Einrichtungen ein
- Fragmentierte IT-Infrastruktur vieler Kliniken erschwert den Datenzugang
- Fehlende Interoperabilitätsstandards verlangsamen die Integration
Institutionen, die in standardisierte, interoperable Patientendatensysteme investieren, dürften von KI-gestützten Matching-Ansätzen zukünftig deutlich stärker profitieren als solche mit heterogenen Datensilos.
Die Publikation liefert eine solide methodische Grundlage – ein produktiver Einsatz im deutschen Klinikalltag setzt jedoch weitere Validierungsarbeiten und regulatorische Klärung voraus.
Quelle: Nature Communications
