Real World Data: Das Potenzial besser nutzen

Daten heilen – das ist eine häufig gehörte Aussage dieser Tage. Sie werden erhoben bei jeder Behandlung, gebündelt in Registern zu zahlreichen Erkrankungen, beinahe alle digitalen Endgeräte sammeln sie Tag für Tag, seit Neuestem auch DiGAs und elektronische Patientenakten. Würden sie nutzbar gemacht, – also qualitativ erhoben, ausgewertet und interpretiert – käme die Forschung schneller voran. Sind diese sogenannten Real World Data der neue Standard für die Bewertung von Krankheit, Gesundheit oder der Wirksamkeit eines Medikaments? Werden randomisierte klinische Studien in Zukunft gar überflüssig? Ein Gespräch mit Friedhelm Leverkus, Leiter der Abteilung Health Technology Assessment bei Pfizer Deutschland.

Real World Data sind Gesundheitsdaten, die nicht in randomisierten klinischen Studien (RCTs) sondern im Versorgungsalltag generiert werden. Sie werden routinemäßig sowie anonym erhoben oder gemessen und können aus verschiedenen Quellen stammen: zum Beispiel aus medizinischen Registern, elektronischen Patientenakten, Abrechnungen von Krankenkassen oder mobilen Geräten von Patienten.

RCTs stellen derzeit den Goldstandard der Bewertung des Vergleichs von Behandlungsmaßnahmen dar. Bei einer zweiarmigen Studie werden die Teilnehmenden zufällig (randomisiert) in zwei Behandlungsgruppen aufgeteilt. Wer zur einen Gruppe gehört, erhält das neue Medikament, wer zur anderen – der Kontrollgruppe – gehört, eine bewährte Behandlung. Am Schluss werden die Ergebnisse verglichen. Meist sind die Studien noch dazu „doppelt verblindet“. Das bedeutet, dass während der Studie überhaupt niemand in den mitwirkenden Kliniken oder Arztpraxen weiß, wer zu welcher Behandlungsgruppe gehört. So werden Verzerrungen der Ergebnisse durch bewusstes oder unbewusstes Verhalten vermieden.

Ja sicher werden sie das, da sind sich die Fachleute einig. Die randomisierten klinischen Studien (randomized clinical trail, RTC) sind der Goldstandard, wenn es um den Vergleich von Interventionen geht. Wenn man also schauen will, wie ein neuer Wirk- oder Impfstoff im Vergleich zu einem Placebo oder einer bereits bestehenden Therapie wirkt. Den Wert solcher Studien hat gerade eindrücklich unsere Studie mit mehr als 40.000 Teilnehmenden zum BioNTech/Pfizer-Impfstoff unter Beweis gestellt. Sie sind Kernkompetenz der pharmazeutischen Industrie.

Mit einer RCT kann man Kausalität nachweisen. In einer Beobachtungsstudie fällt das schwer, hier können wir in der Regel Aussagen über Korrelationen machen. Die Gesundheitsdaten, über die wir sprechen, werden ja an unterschiedlichen Stellen und unter verschiedenen Bedingungen gemessen und erhoben: Man kann schwer unterscheiden, ob man es mit einer Korrelation zu tun hat oder mit einem Ursache-Wirkungs-Nachweis. Real World Data haben können deshalb ein Verzerrungspotenzial bei der Beurteilung von Interventionen haben.

Korrelationen lassen sich für alles finden. Beispielsweise, dass die Ausgaben für Wissenschaft, Weltraum und neue Technologien in den USA im Zeitraum zwischen 1999 und 2009 parallel zu den Selbstmorden durch Aufhängen, Strangulation und Ersticken angestiegen sind. Dies lässt aber in keiner Weise den Rückschluss zu, dass beides miteinander zu tun hat.

Da gibt es zahlreiche Beispiele. Es gibt sogar Fragestellungen , die lassen sich nur mit Beobachtungsdaten beantworten: Wenn wir die Patientenzahlen schätzen, die Belastung durch die Erkrankung erfahren oder wenn wir Risikofaktoren identifizieren wollen. Für diese Fragestellungen sind die Korrelationen völlig ausreichend. Derzeit wird viel an alternativen Ansätzen mit Real World Daten geforscht. Mit den Methoden der „causal inferrence“ nähern wir uns der Aussagekraft von randomisierten klinischen Studien an. Insbesondere dort, wo RCTs nicht möglich sind oder schon viel Vorwissen vorliegt, ist das ein guter Ansatz.

… bei Seltenen Erkrankungen. Dort, wo es wenige Patienten in Studien gibt, könnte man durch eine eigene Kohorte, die sich in Behandlung befindet, einen Real World Data-Arm bilden, der die Erkenntnisse über die Behandlung ergänzt. Dies kann für mehr Sicherheit auf Seiten der Behandler sorgen. Wenn es darum geht, ein Arzneimittel auch für Kinder oder eine andere Patientengruppe zuzulassen, aber ansonsten schon viel Wissen über dieses Medikament besteht, können solche Beobachtungsdaten sicherlich eine Entscheidungsgrundlage für die Zulassungsbehörden sein.

Ich glaube und hoffe, dass ihre Bedeutung zunehmen wird und ihre Verfügbarkeit und nicht zuletzt die Qualität der Daten besser wird: Dafür sollten sie sowohl der Grundlagen- genauso wie der angewandten Forschung von staatlichen, universitären und privaten Akteuren zur Verfügung stehen. Denn die Daten können uns auch in der klinischen Forschung weiterbringen – beispielsweise durch Erkenntnisse über den Therapieverlauf. Und schließlich sind sie auch nach der Zulassung im Rahmen vergleichender Real-World-Data-Studien eine sinnvolle Ergänzung zu den klinischen Studien. Wir möchten zum Beispiel wissen, ob sich die Ergebnisse des RCTs in der Versorgungsrealität eins zu eins übertragen lassen.

Wir sehen uns zum Beispiel anhand von Daten aus Krebsregistern an, ob sich bei PatientInnen mit einer bestimmten Therapie Unterschiede ergeben, gerade wenn die Einnahme über mehrere Wochen oder Monate geht. Hierbei lässt sich auch Wissen darüber sammeln, ob es beispielsweise für verschiedene Patientengruppen eventuell auch Anpassungen braucht, etwa bei der Dosis.

Das hoffe ich. Denn es gibt natürlich Bereiche im Gesundheitssystem, an die wir ranmüssen und bei denen einheitliche und gute Daten aus der Versorgung oder auch aus Wearables und digitalen Anwendungen wertvolles Wissen schaffen und für positive Veränderung sorgen könnten. Zum Beispiel könnten wir mit ihrer Hilfe erkennen, welche PatientInnen unter- und welche überversorgt sind. Oder welche Behandlungswege PatientInnen mit einer bestimmten Erkrankung nehmen. Oder ob sich anhand gewisser Patientencharakteristika das Risiko für eine Erkrankung feststellen lässt – wenn ja, dann könnte man sie zielgerichteter untersuchen und möglicherweise viele nichtdiagnostizierte Erkrankungen identifizieren, wie es sie im Fall von Vorhofflimmern beispielsweise gibt.

Bei weitem nicht. Das hat die Pandemie gerade eindrücklich gezeigt. Die Corona-Krise ist auch eine „Missing-Data“-Krise. Sie hat schmerzhaft deutlich gemacht, dass Deutschland über zu wenig Infrastruktur verfügt, um während einer Pandemie wichtige Daten zum Test- und Infektionsgeschehen und zur Wirksamkeit von Eindämmungs- und Therapiemaßnahmen zu akquirieren und zeitnah verfügbar zu machen.

Artikelfoto: shutterstock