Diese Einreichung kam über die Redaktionsansicht einreichung-intern.m-vf.de.

Manuskript: Anhang 88729 (mvf-manuskript-20260926-tamdjidi-blau-text-kommentar-6-2026-289f03f4.docx)

Künstliche Intelligenz (KI) verändert die Arzneimittelentwicklung. Moderne KI-Systeme können neue Angriffspunkte für Medikamente identifizieren, Wirkstoffkandidaten optimieren und große Datenmengen analysieren. Mit Closed-Loop-R&D-Systemen, also weitgehend automatisierten und datengetriebenen Forschungsplattformen, geht die Entwicklung inzwischen einen Schritt weiter. KI unterstützt hier nicht mehr einzelne Forschungsschritte, sie wird Teil integrierter Forschungszyklen, in denen Hypothesen generiert, Experimente geplant, automatisiert durchgeführt und die entstehenden Daten unmittelbar für die nächste Optimierungsschleife genutzt werden. Mit Closed-Loop R&D wird im Folgenden die Verbindung von KI, Laborautomation und kontinuierlicher Datenrückkopplung zu einem geschlossenen Forschungszyklus bezeichnet (1).

Die Erwartungen an diese Entwicklung sind entsprechend hoch. Forschung und Entwicklung gelten seit Jahrzehnten als besonders kosten- und zeitintensiver Teil pharmazeutischer Innovation (2). KI-gestützte Verfahren versprechen insbesondere in frühen Forschungsphasen erhebliche Produktivitätsgewinne (3, 4, 5). Erste KI-entdeckte Wirkstoffkandidaten haben klinische Studien erreicht (6). Als KI-entdeckt werden dabei Kandidaten bezeichnet, bei denen KI maßgeblich an der Identifikation biologischer Angriffspunkte oder am Design beziehungsweise der Optimierung des Moleküls beteiligt war. Für die bislang noch begrenzte Stichprobe solcher Wirkstoffe berichten Jayatunga et al. Erfolgsraten von 80 bis 90 Prozent in der klinischen Phase I und rund 40 Prozent in Phase II. Die Phase-II-Rate entspricht damit etwa dem historischen Durchschnitt (3).

Für die Versorgung zählt, ob die beschleunigte Wirkstoffentdeckung auch den Weg zu Patientinnen und Patienten verkürzt. Klinische Entwicklung, Zulassung, Nutzenbewertung, Erstattung und Implementierung waren bereits vor dem Einsatz von KI zentrale Zeit- und Unsicherheitsfaktoren. Closed-Loop R&D beseitigt diese bestehenden Hürden nicht. Wenn jedoch mehr Wirkstoffkandidaten schneller die klinische Entwicklung erreichen, könnte sich der Druck auf die nachgelagerten Studien-, Beratungs- und Bewertungsprozesse erhöhen (4, 5). Klinische Studien konkurrieren schon heute um geeignete Zentren, qualifiziertes Personal und rekrutierbare Patientinnen und Patienten.

Schnellere Forschung bedeutet nicht automatisch schnellere Versorgung

KI kann die frühen Phasen der Wirkstoffentwicklung beschleunigen. Wirkstoffentdeckung und Präklinik machen aber nur einen Teil des Weges bis zur Routineversorgung aus. Danach folgen weiterhin klinische Studien, regulatorische Zulassungsverfahren, Nutzenbewertungen, Preisverhandlungen und die Implementierung in die Versorgung. Wellcome Trust und Boston Consulting Group sowie Bender et al. kommen zu dem Schluss, dass der Einfluss von Closed-Loop R&D auf die gesamte „Time-to-Patient“ begrenzt bleibt, sofern nicht auch die nachgelagerten Prozesse weiterentwickelt werden (4, 5).

Die wesentlichen Unsicherheiten der Arzneimittelentwicklung bestehen auch nach der Identifikation eines vielversprechenden Kandidaten fort. Wirksamkeit und Sicherheit müssen in klinischen Studien untersucht werden. Für die spätere Nutzenbewertung ist darüber hinaus vergleichende, patientenrelevante Evidenz gegenüber der zweckmäßigen Vergleichstherapie erforderlich. Der Einsatz von KI in der Wirkstoffentdeckung verändert diese Anforderungen nicht (7, 8). Eine produktivere Wirkstoffentdeckung könnte somit einen bestehenden Engpass verschärfen: die frühzeitige Generierung vergleichender, patientenrelevanter Evidenz, die neben der Zulassung auch für die Nutzenbewertung verwendbar ist.

Maßstab bleibt der Zusatznutzen

Wie schnell ein Wirkstoff gefunden wird, sagt nichts darüber, ob er Patientinnen und Patienten einen Zusatznutzen bringt. Für die Versorgung kommt es auf das Zweite an.

Ob ein Wirkstoff klassisch oder mithilfe von KI entdeckt wurde, spielt weder für die Zulassung noch für die Nutzenbewertung eine Rolle. Beide Verfahren stellen aber unterschiedliche Anforderungen. Während die Europäische Arzneimittel-Agentur (EMA) Qualität, Wirksamkeit, Sicherheit und das Nutzen-Risiko-Verhältnis eines Arzneimittels bewertet, stehen im deutschen Verfahren der frühen Nutzenbewertung nach dem Arzneimittelmarktneuordnungsgesetz (AMNOG) der Zusatznutzen gegenüber der zweckmäßigen Vergleichstherapie sowie patientenrelevante Endpunkte im Mittelpunkt. Das Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG) bewertet hierzu in der Regel die vom Hersteller vorgelegte Evidenz; der Gemeinsame Bundesausschuss (GBA) trifft die entsprechende Entscheidung (7, 9, 10).

Zulassungsbehörden und Institutionen des Health Technology Assessment (HTA) beschäftigen sich intensiv mit dem Einsatz von KI. Dabei ist zwischen der KI-gestützten Wirkstoffentdeckung und dem Einsatz von KI bei der Analyse, Synthese oder Aufbereitung von Evidenz zu unterscheiden. Für die Bewertung eines Arzneimittels ist die Art der Entdeckung grundsätzlich unerheblich. Bei KI-gestützten Evidenzprozessen kommt es dagegen auf Transparenz, Datenqualität, Nachvollziehbarkeit und menschliche Aufsicht an (8, 11, 12, 13).

Closed-Loop R&D kann die Zahl getesteter Hypothesen erhöhen, Experimente standardisieren und Entwicklungszyklen beschleunigen. Die Analysen von Jayatunga et al. und Wellcome/BCG deuten darauf hin, dass die Evidenz für Produktivitätsgewinne derzeit deutlich stärker ist als die Evidenz für bessere translationale oder klinische Ergebnisse (3, 4).

Hersteller müssen ihre Evidenzplanung deshalb umso früher auf den Zusatznutzen ausrichten, je schneller im Labor neue Kandidaten entstehen. Für IQWiG und GBA bleibt der belegbare Zusatznutzen gegenüber der zweckmäßigen Vergleichstherapie maßgeblich (7, 10).

Der neue Engpass braucht eine gemeinsame Antwort

Regulierungs- und HTA-Organisationen entwickeln Leitlinien für den Einsatz von KI (8, 12, 13). Diese regeln, wie KI eingesetzt werden darf. Sie beantworten nicht, wie mehr Kandidaten in kürzerer Zeit belastbar geprüft werden. Bringt KI künftig mehr Kandidaten schneller in die klinische Entwicklung, müssen regulatorische und HTA-bezogene Evidenzanforderungen früher aufeinander abgestimmt werden (12, 13). Hersteller sollten Studienprogramme von Beginn an so planen, dass sie sowohl die Anforderungen der Zulassung als auch der späteren Nutzenbewertung adressieren (7, 10). GBA, Zulassungsbehörden und die europäischen HTA-Strukturen verfügen hierfür über etablierte Beratungsinstrumente, etwa die Beratung durch den GBA nach § 35a Abs. 7 SGB V, die wissenschaftliche Beratung der EMA und die Joint Scientific Consultation nach der EU-HTA-Verordnung. Aus unserer Sicht sollte deren Verzahnung weiter gestärkt werden, um Unterschiede bei Populationen, Endpunkten und der zweckmäßigen Vergleichstherapie möglichst früh sichtbar zu machen.

Evidenzanforderungen zugunsten höherer Geschwindigkeit abzusenken, wäre die falsche Antwort. Je mehr Kandidaten schneller die klinische Entwicklung erreichen, desto mehr kommt es auf belastbare Methoden, nachvollziehbare Daten und eine konsequente Ausrichtung auf den patientenrelevanten Nutzen an. Die Umsetzung der europäischen Joint Clinical Assessments bietet die Gelegenheit, regulatorische und HTA-bezogene Anforderungen stärker aufeinander abzustimmen (12, 13).

Die digitale Transformation der Arzneimittelentwicklung darf deshalb nicht am Laborausgang enden. Forschung, klinische Entwicklung, Zulassung, Nutzenbewertung und Erstattung müssen als zusammenhängender Prozess verstanden werden. Nur wenn wissenschaftliche Geschwindigkeit und versorgungsrelevante Evidenz früh zusammengeführt werden, verkürzt Closed-Loop R&D den Weg wirksamer Innovationen zu den Patientinnen und Patienten.