Wie Automatisierung, Analytik und KI das Sicherheitssignalmanagement unterstützen können

Aktuelle Pharmakovigilanz-Systeme müssen Sicherheitsinformationen aus einer Vielzahl von Quellen verarbeiten, darunter spontane Berichte von Patienten und Anbietern über unerwünschte Ereignisse, klinische Studien und Sicherheitsstudien nach der Zulassung, wissenschaftliche Literatur, Patientenunterstützungsprogramme, Außendienstmitarbeiter und Datenströme aus der Praxis. Diese Datenquellen unterscheiden sich stark in Struktur, Qualität und klinischem Kontext.  Berichte können unvollständig, unstrukturiert oder über Regionen und Datenbanken hinweg dupliziert sein, was zu Rauschen und Ineffizienz führt und es schwierig macht, echte Sicherheitsbedenken zu bewerten.  Bei Biologika werden diese Herausforderungen bei der Signalerkennung durch Immunogenität, Klasseneffekte, Herstellungsvariabilität und verzögert auftretende unerwünschte Ereignisse noch verschärft.  Infolgedessen verbringen Sicherheitsteams jetzt einen erheblichen Teil ihrer Zeit mit manuellen Triage-, Abstimmungs- und Datenbereinigungsaktivitäten.³ 

Automatisierung und künstliche Intelligenz bieten praktische Lösungen auf der Ebene der Datenaufnahme und -verarbeitung.^3,4 Die Verarbeitung natürlicher Sprache kann klinisch relevante Informationen aus unstrukturierten Erzählungen extrahieren, während die automatisierte Deduplizierung Redundanzen reduziert und die Datenqualität verbessert.  6 Risikobasierte Priorisierungstools können dabei helfen, Fälle zu identifizieren, die eine frühere Überprüfung aufgrund von Schweregrad, Neuartigkeit oder potenziellen Auswirkungen rechtfertigen.  7 Diese Technologien ersetzen nicht menschliches Fachwissen; vielmehr können sie begrenzte Ressourcen auf höherwertige Aktivitäten konzentrieren, z. B. um Sicherheitsexperten zu ermöglichen, sich auf eine sinnvolle Signalinterpretation und Entscheidungsfindung zu konzentrieren.

Traditionelle statistische Ansätze wie proportionale Meldeverhältnisse, Quotenverhältnisse und empirische Bayes'sche Metriken werden nach wie vor häufig in der Signalerkennung verwendet. Diese Methoden spielen eine wichtige Rolle als Screening-Instrumente, die dazu beitragen, potenzielle Zusammenhänge zwischen Produkten und unerwünschten Ereignissen zu identifizieren. Sie waren jedoch nicht darauf ausgelegt, als eigenständige Entscheidungsmechanismen zu funktionieren, und haben anerkannte Einschränkungen. Disproportionalitätsanalysen werten Daten oft isoliert aus, ohne Vorwissen wie bekannte Klasseneffekte, biologische Plausibilität oder historische Sicherheitserfahrungen formal einzubeziehen. Sie reagieren empfindlich auf Verzerrungen in der Berichterstattung, Veränderungen der Exposition und externe Einflüsse wie Medienaufmerksamkeit oder regulatorische Maßnahmen. Infolgedessen können diese Methoden zu falsch positiven Ergebnissen führen oder neu auftretende Risiken nicht erkennen, insbesondere in komplexen oder Umgebungen mit geringer Exposition.⁸

In der Praxis hängt die Signalbewertung nach wie vor stark von der Beurteilung durch Experten ab, was zu Variabilität zwischen Teams und Organisationen führt. Verschiedene Gutachter können dieselben Daten unterschiedlich interpretieren, beeinflusst durch Erfahrung, Vertrautheit mit dem therapeutischen Bereich oder organisatorische Risikotoleranz. Traditionelle Ansätze haben auch Schwierigkeiten, nicht-klinische Daten, mechanistische Erkenntnisse und Evidenz aus der Praxis systematisch zu integrieren, was es schwierig macht, verschiedene Datenquellen angemessen zu gewichten. Dieses multifaktorielle Szenario erschwert die Fähigkeit, transparente und konsistente Signalentscheidungen zu treffen.

Fortschrittliche Analysen und künstliche Intelligenz können die Signalauswertung verbessern, indem sie strukturiertere und kontextbezogene Erkenntnisse liefern. 9 Bayes'sche Ansätze ermöglichen es, Vorwissen formal mit neuen Daten zu kombinieren, was eine nuanciertere Interpretation unterstützt.¹⁰ Längsschnitt- und multivariate Analysen ermöglichen die Bewertung von Trends im Zeitverlauf und über Patientenuntergruppen hinweg. KI-basierte Mustererkennung kann aufkommende Probleme über Produkte, Indikationen oder therapeutische Klassen hinweg hervorheben. Wenn diese Ansätze als Entscheidungshilfen eingesetzt werden, verbessern sie die Konsistenz und Transparenz und bewahren gleichzeitig die zentrale Rolle des medizinischen Expertenurteils.

Die absehbare nahe Zukunft des Managements von Signalen für Arzneimittel und biologische Sicherheiten ist eher ein erweitertes Szenario als ein vollautomatisches System.  Automatisierung, fortschrittliche Analytik und künstliche Intelligenz ermöglichen es Pharmakovigilanz-Teams, bei verantwortungsvoller und transparenter Anwendung die wachsende Komplexität zu bewältigen, ohne die wissenschaftliche Genauigkeit oder die Einhaltung gesetzlicher Auflagen zu beeinträchtigen.¹²  Selbst mit einem solchen Bewusstsein für den Werkzeugkasten muss die reale operative Umsetzung maßgeschneidert und angepasst werden, um Unternehmensplänen, Investitionen, Risikotoleranz und Portfoliogröße Rechnung zu tragen.  Durch die Reduzierung des Verwaltungsaufwands, die Verbesserung der analytischen Konsistenz und die Stärkung der Dokumentation ermöglichen diese Technologien es Sicherheitsexperten, sich auf ihre wichtigste Rolle zu konzentrieren: die Anwendung von Expertenurteilen zum Schutz von Patienten und zur Unterstützung fundierter Nutzen-Risiko-Entscheidungen während des gesamten Produktlebenszyklus.