Wissenschaftliche Literaturrecherchen und das Potenzial von KI für die Evidenzsynthese

Die umfassendste Art von Übersichtsarbeiten, systematische Literaturübersichten (SLRs), werden für ihren rigorosen und reproduzierbaren Ansatz zur Bewertung wichtiger Forschungsfragen geschätzt. Die transparente Methodik begrenzt Verzerrungen, und SLRs gelten als Goldstandard für evidenzbasierte Medizin. 1 Andere Arten von wissenschaftlichen Literaturrecherchen, wie z. B. umfassende gezielte Übersichtsarbeiten, verwenden weniger strenge Methoden, liefern aber dennoch umfangreiche Informationen zu Themen wie Behandlung und Krankheitslandschaften. Sowohl SLRs als auch umfassende gezielte Überprüfungen leiten die Strategie und unterstützen Zulassungsanträge und machen sie zu vertrauenswürdigen Quellen für die Arzneimittelentwicklung.

SLRs und umfassende gezielte Überprüfungen sind jedoch arbeits- und zeitintensive Prozesse, die oft Monate oder sogar Jahre dauern. Diese langen Zeiträume und die schnell wachsende Anzahl von veröffentlichten Artikeln und verfügbaren Zeitschriften bedeuten, dass neue Erkenntnisse schnell ältere wissenschaftliche Literaturübersichten ersetzen können. 2 Dies kann Entscheidungsprozesse behindern, insbesondere in schnelllebigen Bereichen wie dem Gesundheitswesen und der Arzneimittelentwicklung, in denen zeitnahe und genaue Informationen von entscheidender Bedeutung sind.

Als Reaktion darauf gibt es ein wachsendes Interesse an Werkzeugen und Methoden, die eine höhere Effizienz unterstützen können, wie z. B. künstliche Intelligenz (KI), die den Zeitaufwand für die Bewertung und Aktualisierung wissenschaftlicher Literaturrecherchen beschleunigen könnten.³

Es ist jedoch von entscheidender Bedeutung, dass solche Instrumente validiert werden und dass ihre Verwendung von Expertenwissen darüber geleitet wird, wann und wo sie am besten geeignet sind, sowie von einem klaren Verständnis dafür, wie sie angewendet werden, insbesondere in Anwendungskontexten, in denen wissenschaftliche Strenge von Methode und Ergebnissen von größter Bedeutung ist, wie z. B. Spiegelreflexkameras.

Den Beweisen immer einen Schritt voraus sein

Die strengsten und umfangreichsten wissenschaftlichen Literaturrecherchen sind SLRs, die im Rahmen der Einreichung von Health Technology Assessment (HTA) durchgeführt werden und sich an strenge Richtlinien von HTA-Agenturen halten. Diese Spiegelreflexkameras sollten von erfahrenen Forschern ausgefüllt werden. Aufgrund der Einschränkungen von KI-gestützten Überprüfungen, einschließlich der Möglichkeit, relevante Forschungsergebnisse zu übersehen, wird KI für Spiegelreflexkameras, die HTA-Entscheidungen beeinflussen, nicht empfohlen.

Die Leitlinien in diesem Bereich entwickeln sich jedoch weiter. Das britische National Institute for Health and Care Excellence (NICE) hat eine Stellungnahme zum Einsatz von KI bei der Evidenzgenerierung veröffentlicht, in der die frühzeitige Zusammenarbeit mit NICE und der Dialog mit den technischen Teams des NICE beim Einsatz von KI-Methoden hervorgehoben werden. 4 Letztendlich kann der Einsatz von KI als zweiter Gutachter angemessen sein, wenn die KI-Tools entsprechend validiert wurden.

SLRs werden auch für die interne Strategie und für die Veröffentlichung durchgeführt. Diese Art von SLRs ist auch für die Identifizierung von Evidenzlücken von entscheidender Bedeutung und kann in integrierte Evidenzpläne (IEPs) einfließen. Wissenschaftliche Strenge ist für diese Spiegelreflexkameras nach wie vor entscheidend. Daher wird empfohlen, KI als zweiten Gutachter für die erste Phase des Literaturscreenings in Betracht zu ziehen.

Ein menschlicher Prüfer und ein KI-Prüfer mit Konflikten, die von einem dritten menschlichen Prüfer gelöst werden, bieten eine integrierte Qualitätsprüfung. Darüber hinaus sollten alle KI-gestützten Methoden in SLR-Berichten oder -Veröffentlichungen transparent umrissen werden, was mit den PRISMA-Leitlinien von 2020 über die Notwendigkeit einer "transparenten, vollständigen und genauen Darstellung der Gründe für die Überprüfung , was die Autoren getan haben (z. B. wie Studien identifiziert und ausgewählt wurden) und was sie herausgefunden haben (z. B. Merkmale der beitragenden Studien und Ergebnisse von Metaanalysen)". 5 Wenn diese Art von Spiegelreflexkameras mit Hilfe von KI schneller und kostengünstiger durchgeführt werden können, können Spiegelreflexkameras früher im Arzneimittelentwicklungsprozess eingesetzt und häufiger aktualisiert werden. Dies kann IEPs besser informieren und zu einer effektiveren Planung der Evidenzgenerierung führen.

Eine weitere Art der wissenschaftlichen Literaturrecherche, die im HEOR-Bereich besonders hilfreich ist, ist die umfassende gezielte Überprüfung. Umfassende, zielgerichtete Übersichtsarbeiten decken häufig die Krankheits- und Behandlungslandschaft ab und dienen als Grundlage für die frühe Arzneimittelentwicklung. KI-gestützte Methoden sind besonders nützlich für breite Themen, bei denen es eine große Menge an veröffentlichter Literatur gibt. Der Einsatz von KI zur Durchführung der ersten Phase des Literaturscreenings wird als Option zur Zeit- und Kostenersparnis vorgeschlagen. Obwohl umfassende gezielte Überprüfungen weniger strenge methodische Anforderungen haben als SLRs, sind Human-in-the-Loop-Prozesse immer noch wichtig, und die Implementierung von Qualitätsprüfungen eines vorher festgelegten Prozentsatzes von Referenzen, die von KI überprüft werden, wird ebenfalls empfohlen.

Schließlich ist die Aktualisierung wissenschaftlicher Literaturrecherchen – seien es SLRs oder umfassende gezielte Übersichtsarbeiten – eine weitere Art der Evidenzsynthese, bei der der Einsatz von KI Vorteile bringen kann. Bestehende wissenschaftliche Literaturübersichten können als Trainingsdaten verwendet werden, und KI-Tools können verwendet werden, um zu beurteilen, ob genügend neue, relevante veröffentlichte Literatur vorhanden ist, um eine Übersichtsaktualisierung durchzuführen. Durch die Überwachung der kürzlich veröffentlichten Literatur wird sichergestellt, dass Aktualisierungen der Übersichtsarbeiten zeitnah und angemessen durchgeführt werden.

Vorsichtiger Einsatz von KI bei der Evidenzgenerierung

Es ist eine große Priorität für Unternehmen, Wege zu finden, um die Anforderungen der HTA-Behörden zu erfüllen und gleichzeitig einige der zeitintensiven Prozesse zu reduzieren, da jeder Tag, an dem das Produkt eines Unternehmens nicht erstattet wird, Umsatzeinbußen bedeutet. Der NICE-Leitfaden unterstützt Unternehmen in gewisser Weise beim umsichtigen Einsatz von KI, um die Entscheidungsfindung bei der Generierung von Nachweisen zu verbessern. NICE hat jedoch vor der Transparenz und Vertrauenswürdigkeit von KI gewarnt.⁴

Im richtigen Kontext und richtig angewendet können KI-Tools Unternehmen in die Lage versetzen, Spiegelreflexkameras häufiger durchzuführen und ihnen somit zu helfen, fundiertere Entscheidungen zu treffen.

PRISMA bietet in seiner erweiterten Checkliste 2020 eine Anleitung zum Einsatz von Automatisierung. Dazu gehört die Berichterstattung, wie Automatisierungstools in den gesamten Studienauswahlprozess integriert wurden, sowie die Anwendung von maschinellem Lernen im Screening-Prozess und welche Validierung durchgeführt wurde, um das Risiko verpasster Studien oder falscher Klassifikationen zu verstehen.⁶

Umfragen unter Entscheidungsträgern im Gesundheitswesen zeigen, dass KI-Tools für die Aggregation von Nachweisen und die Zusammenfassung von Nachweisen immer vertrauter werden. Es bestehen jedoch nach wie vor berechtigte Bedenken hinsichtlich der Sicherheit und des Datenschutzes bei der Verwendung von KI-Tools sowie mögliche Verzerrungen, die von den Gutachtern versehentlich eingeführt werden. Darüber hinaus ist es wichtig zu betonen, dass KI einen erheblichen Input von Forschern und medizinischen Experten erfordert und dass es von entscheidender Bedeutung ist, bei der Erforschung von Themen, die sich auf die Gesundheit und das Gesundheitswesen der Menschen auswirken könnten, Genauigkeit zu gewährleisten.

Einige dieser Bedenken können durch den Einsatz von Literaturrecherche-Workflows ausgeräumt werden, bei denen validierte KI-Tools von erfahrenen Forschern geleitet werden. Human-in-the-Loop-Qualitätsprüfungen bieten auch eine Möglichkeit, Risiken zu mindern und die Integrität der Forschung zu wahren. Es besteht die Möglichkeit, dass KI zu einem Schlüsselwerkzeug für Literaturrecherchen heranreift, sofern es eine solide Grundlage für Training und Validierung in ihrer Entwicklung gibt.

Geeignete und vertrauenswürdige KI-gestützte Tools, die auf die verschiedenen Teile des Prozesses der Evidenzgenerierung ausgerichtet sind, können einen großen Beitrag zur Entlastung leisten und Unternehmen die Erkenntnisse liefern, die sie benötigen, um ihre Marktzugangsziele zu erreichen.

Über die Autoren

Kimberly Ruiz ist Senior Director, Evidence Generation and Value Communication bei Cencora. Sie leitet Forscherteams bei der Durchführung systematischer und zielgerichteter Literaturrecherchen und verschiedener Arten der medizinischen Kommunikationsarbeit, einschließlich wissenschaftlicher Publikationen und Dossierentwicklung. Sie verfügt über mehr als 20 Jahre Erfahrung als Forscherin in den Bereichen Beratung, Unternehmen und Non-Profit-Organisationen der Gesundheitsbranche.

Malia Gill ist Manager, Evidence Generation and Value Communications bei Cencora. Sie führt systematische und zielgerichtete Literaturrecherchen durch, um ein umfassendes Verständnis von Trends in der Literaturbasis zu vermitteln. Ihre Arbeit unterstützt HTA-Einreichungen, Metaanalysen, ökonomische und epidemiologische Modelle sowie wissenschaftliche Publikationen.

Kimberly Ruiz

Senior Director, Evidenzgenerierung und Wertekommunikation, Cencora

Malia Gill

Manager, Evidenzgenerierung und Wertkommunikation, Cencora

Dieser Artikel fasst das Verständnis von Cencora zu diesem Thema auf der Grundlage öffentlich zugänglicher Informationen zum Zeitpunkt der Erstellung dieses Artikels (siehe aufgeführte Quellen) und der Expertise der Autoren in diesem Bereich zusammen. Die in diesem Artikel enthaltenen Empfehlungen sind möglicherweise nicht auf alle Situationen anwendbar und stellen keine Rechtsberatung dar. Die Leser sollten sich nicht auf den Artikel verlassen, wenn sie Entscheidungen in Bezug auf die besprochenen Themen treffen.

Bericht

Antizipation der weltweit wichtigsten Marktzugangstrends für 2025

Das Gesundheitswesen im Jahr 2025 steht vor erheblichen Veränderungen. Der Cencora-Bericht "Anticipating the top market access trends global for 2025" hebt die wichtigsten Trends hervor, die sich auf den Patientenzugang zu innovativen Therapien auswirken werden.

Zu den wichtigsten Erkenntnissen gehören die Bewältigung globaler politischer Veränderungen, das Verständnis der sich entwickelnden Dynamik zwischen Herstellern und Kostenträgern, der Umgang mit dem Druck auf die Arzneimittelpreise, die Nutzung digitaler Kommunikation für die Einbindung von Interessengruppen und die Verbesserung der Chancengleichheit im US-Gesundheitswesen

Lesen Sie den Bericht

Verbinden Sie sich mit unserem Team

Unser Team aus führenden Value-Experten hat es sich zur Aufgabe gemacht, Evidenz, Wissen zu Richtlinien und Marktinformationen in effektive globale Marktzugangsstrategien umzuwandeln. Wir helfen Ihnen, sich in der komplexen Landschaft des heutigen Gesundheitswesens sicher zurechtzufinden. Kontaktieren Sie uns, um zu erfahren, wie wir Ihre Ziele unterstützen können.

Kontaktieren Sie uns

Referenzen:

^1. OCEBM Levels of Evidence, Zentrum für evidenzbasierte Medizin. https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
^2. Ansätze der Literaturrecherche in Zeiten steigender Publikationsvolumina, ISPOR-Poster. https://www.ispor.org/docs/default-source/euro2024/isporeurope24cadarettesa57poster146827-pdf.pdf?sfvrsn=39a72ef6_0
^3. Wie viel können wir durch den Einsatz von künstlicher Intelligenz in der Evidenzsynthese einsparen? Ergebnisse einer pragmatischen Überprüfung zur Quantifizierung der Workload-Effizienz und Kosteneinsparungen, Front Pharmacol. 2025 Jan. https://pmc.ncbi.nlm.nih.gov/articles/PMC11826052/
^4.Einsatz von KI bei der Generierung von Nachweisen: NICE-Stellungnahme. https://www.nice.org.uk/about/what-we-do/our-research-work/use-of-ai-in-evidence-generation--nice-position-statement
^5. Die PRISMA 2020-Erklärung: eine aktualisierte Richtlinie für die Berichterstattung über systematische Übersichtsarbeiten, BMJ, 2021. https://www.bmj.com/content/372/bmj.n71
^6. PRISMA 2020 erweiterte Checkliste. https://www.bmj.com/content/bmj/suppl/2021/03/29/bmj.n71.DC1/pagm061899.w2.pdf