Tiefenanalyse

So qualifizieren Sie KI-Funktionen in Software für klinische Studien

64 Min. LesezeitEClinCloud-Redaktionsteam
KI-Qualifizierung für klinische Studien — Redaktionelles Titelbild von EClinCloud

Kurzfassung

Die Leitlinie der FDA zur KI-Glaubwürdigkeit in der Arzneimittelentwicklung liegt weiterhin als Entwurf vor [1]. Dieser Leitfaden überträgt deren Fragen zum Anwendungskontext auf einzelne Funktionen von Studiensoftware und schlägt vier Kontrollen vor.

  1. Identifizieren Sie verbindliche Vorschriften und anwendbare Leitlinien für den jeweiligen Einsatzzweck [1] [2] [3] [4] [5] [6] [7] [8].
  2. Bewerten Sie die Funktion und bestätigen Sie, wer die Entscheidung trifft. Lehnen Sie unbestätigte automatisierte Schreibvorgänge in regulierte Studiendatensätze ab, sofern die Funktion nicht ausdrücklich für diesen Anwendungskontext unter der höchsten Kontrollstufe (Stufe 4) qualifiziert und autorisiert wurde.
  3. Spezifizieren Sie das freigegebene Modell und die Eingabedaten. Prüfen Sie Änderungen anhand eines festen Datensatzes mit bekannten Antworten. Befolgen Sie die geltenden Erwartungen der EMA für pivotale Analysen [9].
  4. Bewahren Sie die vorgeschlagene Ausgabe und die menschliche Entscheidung in den Audit-Nachweisen auf. Nutzen Sie Überprüfungssignale zur Auswahl von Fällen für eine Inspektion.

Eine Implementierungsstudie verzeichnete 18 Einrichtungen, die REDCap AI aktivierten. Bei Vanderbilt generierten 958 Projekte Aufrufe für Texterstellung, Zusammenfassung und Übersetzung [10]. Diese Arbeitsabläufe liefern Beispiele für die Nutzung unter Administratorkontrollen. Bewerten Sie klinische Funktionen gesondert.

1. Was verbindlich gilt, was Orientierung bietet und was noch Entwurf ist (Stand: Ende 2026)

Beginnen Sie damit, die für die Funktion maßgebliche Behörde, Version und Zweckbestimmung zu ermitteln. Schaubild 01 unterscheidet zwischen verbindlichen Vorschriften, verabschiedeten Leitlinien und Entwürfen. Die von EClinCloud vorgeschlagenen Kontrollen beginnen in Abschnitt 3.

1.1 Vereinigte Staaten: Fünf Grundlagen aus Vorschriften und Leitlinien

Sponsoren, die klinische Studien nach den Vorschriften für Investigational New Drug (IND) oder Investigational Device Exemption (IDE) durchführen, haben Berührungspunkte mit fünf unterschiedlichen FDA-Strängen, die Softwaresysteme, künstliche Intelligenz und elektronische Aufzeichnungen regeln:

  1. KI-Entwurf der FDA für Arzneimittel und biologische Produkte. Die FDA veröffentlichte den Entwurf vom Januar 2025 zur Kommentierung. Abschnitt II deckt KI ab, die zur Erzeugung von Informationen oder Daten eingesetzt wird, welche regulatorische Entscheidungen über Sicherheit, Wirksamkeit oder Qualität von Arzneimitteln stützen sollen. Ausgenommen sind operative Effizienzsteigerungen, die keinen Einfluss auf die Patientensicherheit, die Arzneimittelqualität oder die Zuverlässigkeit von Ergebnissen aus einer nichtklinischen oder klinischen Studie haben. Die sieben Schritte lauten: Fragestellung definieren, Verwendungskontext festlegen, Modellrisiko bewerten, Glaubwürdigkeitsnachweise planen, Plan umsetzen, Ergebnisse und Abweichungen dokumentieren sowie die Eignung für den Kontext bestimmen. Modelleinfluss und Entscheidungskonsequenz sind die beiden Faktoren in Schritt 3. Nutzen Sie gegebenenfalls formelle Besprechungen wie INTERACT oder Pre-IND oder eine Option aus Tabelle 1 wie C3TI [1].
  2. Transatlantische Leitprinzipien für gute KI-Praxis (unverbindliche gemeinsame Prinzipien): Im Januar 2026 veröffentlichten die FDA und die Europäische Arzneimittel-Agentur (EMA) 10 gemeinsame Leitprinzipien für KI in der Arzneimittelentwicklung [11]. Die offiziellen Überschriften lauten: (1) Von Grund auf auf den Menschen ausgerichtet; (2) Risikobasierter Ansatz; (3) Einhaltung von Standards; (4) Klarer Verwendungskontext; (5) Multidisziplinäre Expertise; (6) Daten-Governance und Dokumentation; (7) Praktiken für Modelldesign und -entwicklung; (8) Risikobasierte Leistungsbewertung; (9) Lebenszyklusmanagement; und (10) Klare, wesentliche Informationen [11]. Diese Prinzipien stellen unverbindliche Konsensempfehlungen dar, die als Orientierung für die Umsetzung durch Sponsoren und das regulatorische Verständnis dienen und keine eigenständigen gesetzlichen Vorgaben darstellen.
  3. Finale Leitlinien zu elektronischen Systemen, DHT und CSA (unverbindliche Empfehlungen zur Auslegung verbindlicher Regeln gemäß 21 CFR): Leitlinien der Behörde weisen ausdrücklich darauf hin, dass sie die aktuelle Auffassung der FDA widerspiegeln und unverbindliche Empfehlungen darstellen, sofern keine konkreten gesetzlichen oder regulatorischen Bestimmungen zitiert werden. In der finalen FDA-Leitlinie vom Oktober 2024, Electronic Systems, Electronic Records, and Electronic Signatures in Clinical Investigations: Questions and Answers (Revision 1) [12], legt die Behörde verbindliche Anforderungen nach 21 CFR Part 11 (elektronische Aufzeichnungen; elektronische Signaturen) und 21 CFR Part 312 (Antrag für ein Prüfpräparat, IND) aus. Zu den zentralen Empfehlungen gehören die Erstellung verifizierter beglaubigter Kopien, die dieselben Informationen, denselben Kontext, denselben Inhalt und dieselbe Struktur wie die Originalaufzeichnungen bewahren (Frage 3), die Aufbewahrung von Aufzeichnungen in menschenlesbaren Formaten einschließlich wesentlicher Metadaten (Frage 5), die Umsetzung einer risikobasierten Validierung für die vorgesehenen Zwecke (Frage 7), die Führung sicherer, computergenerierter und mit Zeitstempeln versehener Audit-Trails, die Benutzeraktionen erfassen, ohne frühere Einträge zu überschreiben (Frage 12), die Erfassung bewusster Benutzeraktionen wie des Speicherns oder Übermittelns von Daten anstelle von Tastatureingaben im Hintergrund (Frage 13) sowie die Einrichtung sicherer Kontrollen der Systemuhr, die Datum, Uhrzeit und Zeitzone beziehungsweise Greenwich Mean Time (GMT) dokumentieren (Frage 14) [12]. Parallel dazu empfiehlt die finale FDA-Leitlinie vom Dezember 2023, Digital Health Technologies for Remote Data Acquisition in Clinical Investigations, die technischen und leistungsbezogenen Mindestanforderungen einer DHT sowie gegebenenfalls das konkrete Modell oder die konkrete Version zu benennen (Abschnitt IV.A.2). Zudem empfiehlt sie zu protokollieren, wann und wie jede DHT aktualisiert wurde, und zu bestätigen, dass sie nach der Aktualisierung weiterhin für den vorgesehenen Zweck geeignet bleibt (Abschnitt IV.H.4) [13]. Darüber hinaus veröffentlichte die FDA am 3. Februar 2026 ihre finale Leitlinie Computer Software Assurance for Production and Quality Management System Software (Aktenzeichen FDA-2022-D-0795) erneut und glich darin die Validierungsterminologie an die Quality Management System Regulation (QMSR, 21 CFR Part 820, wirksam ab 2. Februar 2026) an [14]. Obwohl Part 820 unmittelbar Hersteller von Medizinprodukten und nicht Sponsoren pharmazeutischer Studien als solche bindet, bietet die Unterscheidung der CSA-Leitlinie zwischen skriptbasierten Tests und nicht skriptbasierten Tests (einschließlich explorativer Tests) einen flexiblen, risikobasierten Prüfrahmen, den Sponsoren für die Qualifizierung von eClinical-Software anpassen können [14].
  4. Regeln für Prüf-Medizinproduktesoftware im Vergleich zu Änderungskontrollplänen nach dem Inverkehrbringen: Wenn Softwarefunktionen die Definition eines Medizinprodukts gemäß Abschnitt 201(h) des Federal Food, Drug, and Cosmetic Act (FD&C Act) erfüllen, unterliegt die prüfende Anwendung in klinischen Studien 21 CFR Part 812 (Investigational Device Exemptions, Ausnahmeregelungen für Prüf-Medizinprodukte) [13]. Bei Prüfungen, die im Rahmen eines genehmigten IDE-Antrags durchgeführt werden, müssen während der laufenden Studie vorgenommene Protokoll- und Softwareänderungen gemäß 21 CFR 812.35 bewertet werden, um festzustellen, ob vor der Umsetzung eine ergänzende IDE-Einreichung erforderlich ist; Studien unter verkürzten Anforderungen (812.2(b)) oder ausgenommene Prüfungen (812.2(c)) folgen hingegen ihren jeweiligen regulatorischen Verfahren. Im Gegensatz dazu stellt die am 18. August 2025 erneut veröffentlichte finale FDA-Leitlinie Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions (Aktenzeichen FDA-2022-D-2628) einen optionalen Einreichungsweg für die Marktzulassung kommerziell zugelassener Medizinprodukte dar, die über die Verfahren 510(k), De Novo oder Premarket Approval (PMA) bewertet werden [15]. Ein Predetermined Change Control Plan (PCCP, vorab festgelegter Änderungskontrollplan) ermöglicht es einem Hersteller, Modelländerungen nach dem Inverkehrbringen anhand von drei Komponenten vorab festzulegen: einer Beschreibung der Änderungen, einem Änderungsprotokoll und einer Folgenabschätzung [15]. Ein PCCP ist kein Genehmigungsmechanismus für Algorithmusänderungen während einer laufenden klinischen Prüfung eines Arzneimittels oder Medizinprodukts, und sein Begleitdokument Artificial Intelligence-Enabled Device Software Functions: Lifecycle Management and Marketing Submission Recommendations (Aktenzeichen FDA-2024-D-4488, veröffentlicht am 7. Januar 2025) bleibt eine Entwurfsleitlinie — nicht zur Umsetzung bestimmt (Draft Guidance — Not for Implementation) [16].
  5. Finale FDA-Leitlinie zu ICH E6(R3) (unverbindliche Leitlinie der Stufe 1): Im September 2025 veröffentlichte die FDA E6(R3) Good Clinical Practice (GCP) als finale Leitlinie der Stufe 1 unter dem Aktenzeichen FDA-2023-D-1955 [4]. In den Vereinigten Staaten stellen von der FDA übernommene ICH-Leitlinien behördliche Leitfäden mit unverbindlichen Empfehlungen dar und keine unmittelbar geltenden Bundesgesetze. Sponsoren, die Studiendaten im Rahmen eines IND-Antrags bei CDER oder CBER einreichen, können auf Konzepte von E6(R3) als Ausdruck der behördlichen Erwartungen Bezug nehmen; verbindliche Pflichten ergeben sich aus den jeweils geltenden Vorschriften. Die Leitlinie vom September 2025 datiert vor dem finalen ICH-Anhang 2. Auf der Seite der FDA zu Anhang 2 war die dortige Fassung bei der Überprüfung am 13. November 2026 weiterhin als Entwurf gekennzeichnet [17].

1.2 Rahmenwerke von ICH E6(R3), der Europäischen Union, des Vereinigten Königreichs und Chinas

Internationale regulatorische Rahmenwerke unterscheiden zwischen unmittelbar verbindlichen regionalen Verordnungen, angenommenen Konsensleitlinien, behördlichen Reflexionspapieren und nationalen Erlassen:

  • Konsolidierte Leitlinie ICH E6(R3) (Step 4, verabschiedet am 16. Juni 2026): Der International Council for Harmonisation (ICH) hat E6(R3) in Step 4 am 16. Juni 2026 konsolidiert und damit die übergreifenden Grundsätze (Principles), Annex 1 (interventionelle klinische Prüfungen, finalisiert am 6. Januar 2025) sowie Annex 2 (zusätzliche Erwägungen für nicht-traditionelle Studiendesigns, dezentrale klinische Prüfungen und Real-World-Datenquellen, verabschiedet am 3. Juni 2026) zusammengeführt [2]. Gemäß den ICH-Verfahrensregeln werden Step-4-Leitlinien den regionalen Regulierungsbehörden zur Übernahme empfohlen und stellen kein unmittelbar verbindliches internationales Recht dar. In der Europäischen Union verabschiedete der Ausschuss für Humanarzneimittel (CHMP) der EMA die Principles und Annex 1 mit Inkrafttreten zum 23. Juli 2025, während Annex 2 und der konsolidierte Text ein offizielles Datum des Inkrafttretens am 15. Januar 2027 aufweisen [3]. In Rechtsordnungen, in denen sie umgesetzt sind, sieht Abschnitt 4.2.2 vor, dass computergestützte Systeme Audit-Trails führen sollten, die System-Nutzer-Interaktionen und Änderungen von Arbeitsabläufen mit einem eindeutigen Datum und einer eindeutigen Uhrzeit (mit der koordinierten Weltzeit, UTC, als Beispiel) erfassen; Abschnitt 4.2.3 sieht vor, dass Sponsoren risikobasierte Prüfungen von Daten und Metadaten, einschließlich Audit-Trails, durchführen sollten; und Abschnitt 4.3.4 sieht vor, dass die Validierung computergestützter Systeme risikoproportional erfolgen und Systemkonfiguration, Integration sowie Änderungen im Zeitverlauf abdecken sollte [2].
  • EU-Verordnung über klinische Prüfungen und EMA-Leitlinien: In der EU unterliegen klinische Prüfungen mit Arzneimitteln der Verordnung (EU) Nr. 536/2014 (Verordnung über klinische Prüfungen, CTR) [18]. Die CTR fand ab dem 31. Januar 2022 Anwendung. Artikel 47 verpflichtet Sponsor und Prüfer, bei der Erstellung des Prüfplans sowie bei der Anwendung der Verordnung und des Prüfplans die ICH-Leitlinien für die gute klinische Praxis angemessen zu berücksichtigen [18]. Artikel 98 sah Übergangsregelungen für Prüfungen nach der vorherigen Richtlinie vor. Bei der Inspektion einer historischen Prüfung ist das anwendbare Regelwerk anhand ihrer Genehmigungs- und Übergangshistorie zu bestimmen [18]. Operative Erwartungen an computergestützte Systeme sind in der Leitlinie der GCP Inspectors Working Group der EMA, Guideline on computerised systems and electronic data in clinical trials (EMA/INS/GCP/112288/2023, wirksam sechs Monate nach Veröffentlichung im März 2023), dargelegt [19]. Ihr Anwendungsbereich umfasst KI, die für die Rekrutierung von Teilnehmenden, die Eignungsprüfung, die Kodierung, die Datenklärung, Rückfrageprozesse und die Ereignis-Adjudikation eingesetzt wird. Für diese Anwendungen gelten die allgemeinen Erwartungen. KI-spezifische Anforderungen behält die Leitlinie einem möglichen künftigen Annex vor [19]. Diese Leitlinie empfiehlt eine formelle Anbieterqualifizierung, eine klare Rollentrennung zwischen administrativem Personal und Prüfungsnutzenden sowie eine vollständige chronologische Exportierbarkeit der Audit-Protokolle [19]. Im September 2024 verabschiedete die EMA ihr nicht verbindliches Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle (EMA/CHMP/CVMP/83833/2023) [9]. Abschnitt 2.3.3.1 besagt, dass die EMA, sofern eine Methode eine hohe regulatorische Auswirkung oder ein hohes Patientenrisiko aufweist und von der EMA für diesen Kontext noch nicht qualifiziert wurde, die Modellarchitektur, Entwicklungs- und Testunterlagen, Trainingsdaten sowie die Verarbeitungspipeline anfordern kann. Abschnitt 2.3.3.3 befasst sich mit dem Einsatz von KI bei der Analyse und Inferenz von Prüfungsdaten, einschließlich Kontrollen für zulassungsrelevante Prüfungen der Spätphase [9]. Parallel dazu wurde die öffentliche Konsultation der Europäischen Kommission zum überarbeiteten EudraLex Band 4 Kapitel 4, Annex 11 (Computergestützte Systeme) und dem Entwurf des Annex 22 (Künstliche Intelligenz) im Oktober 2025 abgeschlossen [20]. Bei einer Überprüfung am 13. November 2026 führte EudraLex Band 4 der Kommission weiterhin Kapitel 4 und Annex 11 aus dem Jahr 2011 auf und enthielt keinen Annex 22. Die überarbeiteten Texte blieben GMP-Entwürfe. Die Durchführung klinischer Prüfungen wird gesondert durch die geltenden GCP-Anforderungen geregelt.
  • AI Airlock Sandbox der britischen MHRA: Die britische MHRA veröffentlichte mit Unterstützung des Department of Health and Social Care (DHSC) und des Regulatory Innovation Office (RIO) im Juni 2026 ihren AI Airlock Sandbox Phase 2 Programme Report (aktualisiert im Juli 2026) [21]. Der Airlock ist ein Reallabor (Regulatory Sandbox) für KI-Medizinprodukte. Sein Bericht legt keine GCP-Anforderung für Prüfungssoftware fest. In der Phase-2-Sandbox wurden 51 Bewerbungen bewertet und sieben Pilotkandidatenprojekte ausgewählt (drei über umgebungsübergreifende Pfade getestet und vier in reinen Simulationsworkshops evaluiert) [21]. Der Bericht definierte drei unterschiedliche Evaluationsumgebungen: Simulationsumgebungen (multidisziplinäre Stakeholder-Workshops zum Stresstest hypothetischer Risikoszenarien), virtuelle oder Forschungsumgebungen (Testen von Algorithmen in sicheren, isolierten retrospektiven Datenumgebungen) und Real-World-Umgebungen (Einsatz getrennt von klinischen Behandlungspfaden und Entscheidungsprozessen unter Verwendung retrospektiver oder synthetischer Daten, was keine klinische Prüfung darstellt) [21]. Der Bericht hob zwei zentrale Erkenntnisse zum Lebenszyklus hervor: Erkenntnis 2 stellte fest, dass die menschliche Aufsicht im Laufe des Lebenszyklus eines Systems nachlassen kann, da Ärztinnen und Ärzte eine Automatisierungs-Selbstzufriedenheit (Automation Complacency) entwickeln, während Erkenntnis 3 betonte, dass bei Produkten auf Basis großer Sprachmodelle (Large Language Models, LLM) allein durch das Modellverhalten erhebliche Verhaltensverschiebungen auftreten können, sodass Systeme ohne aktive Leitplanken Funktionen außerhalb ihrer Zweckbestimmung aufweisen können [21]. Die MHRA startete Phase 3 im Oktober 2026 (Laufzeit bis April 2029), um sich gezielt auf die Überwachung nach dem Inverkehrbringen und die regulatorische Aufsicht über den gesamten Lebenszyklus zu konzentrieren [22].
  • Überarbeitete Arzneimittel-GCP der chinesischen NMPA und technische Leitlinie des CDE: Multiregionale klinische Prüfungen, die in China durchgeführt werden, müssen unmittelbar verbindliche nationale Vorschriften gemäß der NMPA-Bekanntmachung 2026 Nr. 50, Good Clinical Practice for Drugs (2026 Revision), einhalten, die gemeinsam von der NMPA, der National Health Commission (NHC), der National Administration of Traditional Chinese Medicine (NATCM) und der National Disease Control and Prevention Administration (NDCPA) am 21. Mai 2026 herausgegeben wurde und ab dem 1. September 2026 wirksam ist [5]. Bekanntmachung Nr. 50 hebt Bekanntmachung Nr. 57 aus dem Jahr 2020 auf [5]. Das chinesische CDE veröffentlichte die Guideline on Computerized Systems and Electronic Data in Drug Clinical Trials mit der Mitteilung 2026 Nr. 44 am 22. September 2026, wirksam ab Veröffentlichung [6]. Die Leitlinie beschreibt die aktuelle Auffassung der Behörde und hält fest, dass sie keine zwingende Rechtskraft besitzt. Sie behandelt den Speicherort und die direkte Erfassung von Quelldaten, den rollenbasierten Zugriff mit von der Prüfungsdurchführung unabhängigen privilegierten Nutzenden, computergenerierte und mit Zeitstempel versehene Audit-Trails mit einer Mindestfeldliste, Lieferantenverträge sowie die Qualifizierung von Cloud-Anbietern, einschließlich der Akzeptanz von Audits oder Inspektionen. Die Leitlinie legt zudem fest, wann ein Datenpunkt auf automatisches Ausfüllen eingestellt werden darf [6]. Siehe Abschnitt 5.1 dieses Leitfadens.
  • ISPE GAMP 5 Second Edition und GAMP AI Guide: Im Bereich Engineering und Validierung veröffentlichte die International Society for Pharmaceutical Engineering (ISPE) im Juli 2025 den GAMP Guide: Artificial Intelligence als eigenständigen Leitfaden zur Verwendung neben GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems (Second Edition) [23]. Das veröffentlichte Inhaltsverzeichnis umfasst Konzept-, Projekt-, Betriebs- und Stilllegungsphasen, Qualitätsrisikomanagement, Lieferantenaktivitäten und -management, kritisches Denken (Critical Thinking), Datenaufteilung (Data Splitting), betriebliches Änderungs- und Konfigurationsmanagement sowie Modellüberwachung und Drift-Erkennung [23].

Globale regulatorische Statusmatrix für KI/ML in Systemen für klinische Prüfungen 2026

Verbindliche Verordnungen, verabschiedete Leitlinien und Entwürfe für die Vereinigten Staaten, die EU und China sowie Erkenntnisse aus dem britischen KI-Reallabor für Medizinprodukte.

Scrollen Sie seitwärts für die vollständige Abbildung.

Rechtsraum / InstitutionRegulatorisches Instrument und formaler StatusInkrafttreten / AnwendungsdatumAuswirkung auf die Qualifizierung operativer Studiensoftware
Vereinigte Staaten (FDA)KI bei der Entscheidungsfindung zu Arzneimitteln (Aktenzeichen FDA-2024-D-4689) — Leitlinienentwurf (nicht zur Umsetzung bestimmt)Veröffentlicht am 6. Jan. 2025; Kommentierungsfrist endete am 7. Apr. 2025Der Anwendungsbereich des FDA-Entwurfs ist in Abschnitt II definiert. Zu den formellen Treffen gehören INTERACT oder Pre-IND. Tabelle 1 enthält weitere Interaktionswege wie C3TI.
Vereinigte Staaten (FDA)ICH E6(R3) Gute Klinische Praxis (Aktenzeichen FDA-2023-D-1955) — Endgültige Leitlinie der Stufe 1Veröffentlicht im September 2025Die endgültige Leitlinie vom September 2025 liegt zeitlich vor dem endgültigen ICH-Anhang 2. Die FDA führte ihren separaten Anhang 2 am 13. November 2026 weiterhin als Entwurf.
Vereinigte Staaten (FDA)Elektronische Systeme und Signaturen – Fragen und Antworten, Rev. 1 — Endgültige Leitlinie (unverbindliche Empfehlungen)Oktober 2024Legt den verbindlichen 21 CFR Part 11 aus; Definitionen beglaubigter Kopien (Q3), Audit-Trail-Erfassung (Q12) sowie Zeitzonen- oder GMT-Uhrzeitkontrollen (Q14).
Vereinigte Staaten (FDA)Computer Software Assurance (CSA, Aktenzeichen FDA-2022-D-0795) — Endgültige Leitlinie (unverbindlich)Neu herausgegeben am 3. Februar 2026Stimmt mit der QMSR (21 CFR Part 820) überein; unterscheidet zwischen skriptbasierten und nicht skriptbasierten Tests (einschließlich explorativer Tests); anpassbar für eClinical-Anwendungen.
Vereinigte Staaten (FDA)PCCP für KI-Medizinproduktesoftware (Aktenzeichen FDA-2022-D-2628) — Endgültige Leitlinie (unverbindlich)Neu herausgegeben am 18. August 2025Optionaler Weg für Zulassungseinreichungen nach dem Inverkehrbringen bei kommerziellen Medizinprodukten; berechtigt nicht zu Algorithmusänderungen während laufender Studien in klinischen IND-/IDE-Prüfungen.
Vereinigte Staaten und EU (FDA / EMA)Leitprinzipien für gute KI-Praxis in der Arzneimittelentwicklung — 10 gemeinsame Prinzipien (unverbindlich)Januar 2026Zehn übergeordnete Prinzipien zu menschzentrierter Gestaltung, Einhaltung von Standards, Lebenszyklusmanagement, Risikobewertung und Daten-Governance.
ICHICH E6(R3)-Leitlinie für Gute Klinische Praxis — Endgültige konsolidierte Leitlinie (Step 4)Konsolidierte Step-4-Fassung verabschiedet am 16. Juni 2026Die ICH empfiehlt eindeutige Datums- und Zeitangaben mit UTC als Beispiel, eine Überprüfung von Metadaten sowie eine risikoproportionale Validierung.
Europäische Union (EMA)Regionale Umsetzung von ICH E6(R3) — Wissenschaftliche Leitlinie des EMA-CHMPGrundsätze und Anhang 1: 23. Juli 2025; Anhang 2 und konsolidierte Fassung: 15. Januar 2027Verabschiedete regionale Leitlinie in der EU; legt die regulatorische Erwartung für computergestützte GCP-Systeme und eine risikobasierte Audit-Trail-Governance fest.
Europäische UnionVerordnung (EU) Nr. 536/2014 über klinische Prüfungen — Unmittelbar verbindliche Verordnung der Europäischen UnionAnwendbar ab 31. Januar 2022, mit Übergangsbestimmungen gemäß Artikel 98Gilt für Prüfungen, die gemäß dieser Verordnung genehmigt wurden. Bei älteren Prüfungen ist das anwendbare Rechtsregime anhand der Genehmigungs- und Übergangshistorie zu bestimmen. Artikel 47 schreibt vor, die ICH-GCP-Leitlinien angemessen zu berücksichtigen.
Europäische Union (EMA)Computergestützte Systeme in klinischen Prüfungen (EMA/INS/GCP/112288/2023) — Leitlinie der GCP IWGWirksam ab 9. September 2023Die allgemeinen Erwartungen umfassen KI für Rekrutierung, Eignungsprüfung, Kodierung, Datenklärung, Datenrückfragen und Ereignis-Adjudikation. KI-spezifische Anforderungen hat die EMA einem möglichen künftigen Anhang vorbehalten.
Europäische Union (EMA)KI-Reflexionspapier (EMA/CHMP/CVMP/83833/2023) — Unverbindliches ReflexionspapierVerabschiedet im September 2024Abschnitt 2.3.3.3: Die EMA erwartet, dass Modelle und Vorverarbeitungsschritte, die für Hypothesentests verwendet werden, vor dem Datenbankschluss eingefroren und dokumentiert werden.
Europäische UnionEU-KI-Verordnung (2024/1689) und Digitaler Omnibus (2026/1744) — Unmittelbar verbindliche EU-VerordnungenKI-Verordnung in Kraft seit dem 1. August 2024. Omnibus-Verordnung in Kraft seit dem 27. Juli 2026. Artikel 50 Absatz 1 gilt ab dem 2. August 2026.Offenlegung nach Artikel 50 Absatz 1, sofern anwendbar. Kapitel III Abschnitte 1–3 mit Ausnahme von Artikel 6 Absatz 5 gelten für Hochrisiko-Systeme nach Anhang III ab dem 2. Dezember 2027 und für Hochrisiko-Systeme nach Anhang I ab dem 2. August 2028.
Vereinigtes Königreich (MHRA)AI Airlock — regulatorisches Reallabor für KI-MedizinprodukteBericht zu Phase 2 Juni/Juli 2026; Phase 3 gestartet im Okt. 2026In Phase 2 wurden 7 Kandidaten aus 51 Bewerbungen ausgewählt. Der Bericht erörtert übermäßiges Vertrauen in Automatisierung (Automation Complacency) und legt keine GCP-Anforderung für Studiensoftware fest.
VR China (NMPA / NHC / NATCM / NDCPA)Gute klinische Praxis für Arzneimittel (Revision 2026, Bekanntmachung 2026 Nr. 50) — Bekanntmachung (verbindliche nationale GCP)Veröffentlicht am 21. Mai 2026; in Kraft ab 1. September 2026Veröffentlicht die überarbeitete Gute klinische Praxis für Arzneimittel und hebt die Bekanntmachung von 2020 auf.
VR China (CDE)Leitlinie zu computergestützten Systemen und elektronischen Daten in klinischen Arzneimittelprüfungen (CDE-Bekanntmachung 2026 Nr. 44). Die Leitlinie besagt, dass sie keine verbindliche Rechtskraft besitzt.Herausgegeben und wirksam am 22. September 2026Direkte Quelldatenerfassung, Rollentrennung und Unabhängigkeit privilegierter Benutzer, mit Zeitstempeln versehene Audit-Trails, Lieferantenverträge und -qualifizierungen sowie Beschränkungen für das automatische Ausfüllen.

Verbindliche Verordnungen begründen rechtliche Pflichten. Die EU-Verordnung über klinische Prüfungen verlangt zudem, die ICH-GCP-Leitlinien angemessen zu berücksichtigen. Der Bericht zu UK AI Airlock beschreibt ein Reallabor.

Quelle: Zusammengestellt von EClinCloud aus offiziellen Texten: US-FDA (Aktenzeichen FDA-2024-D-4689, FDA-2023-D-1955, FDA-2022-D-0795, FDA-2022-D-2628), Amtsblatt der EU (Verordnungen 2024/1689, 2026/1744, 536/2014), EMA CHMP und GCP IWG (EMA/INS/GCP/112288/2023, EMA/CHMP/CVMP/83833/2023), ICH (E6(R3)), britische MHRA sowie chinesische NMPA/CDE.

2. Veröffentlichte Evaluationen, 2025–2026

Die Studien umfassen eine REDCap-Einführung, ein retrospektives Support-Ticket-Experiment, ein Prüfzentrums-Risikomodell mit externer Validierung, eine Studie zur sprachlichen Validierung, die eine Übersichtsarbeit, eine Umfrage und Interviews kombiniert, sowie zwei Übersichtsarbeiten zur klinischen Anwendung und zu regulatorischen Aufzeichnungen.

Shyr und Kollegen untersuchten die Einführung von REDCap 15.0 AI von Januar bis August 2025. Administratoren an 18 Einrichtungen aktivierten die standardmäßig deaktivierten Funktionen. In 958 Vanderbilt-Projekten erzeugten die Funktionen 2,801 Texterstellungs-, 2,720 Zusammenfassungs- und 200 Übersetzungsaufrufe. Die Veröffentlichung berichtet über Nutzung und Aufrufzahlen. Die Genauigkeit und Wirksamkeit der Ausgaben lagen außerhalb der Evaluation [10].

Carroll und Kollegen evaluierten große Sprachmodelle bei der Bearbeitung von Nutzer-Supportanfragen an der University of Michigan [24]. Bei der Analyse einer Stichprobe von 90 Support-Tickets aus 6,316 historischen Anfragen aus dem Jahr 2023 verglichen die Forschenden vier GPT-4o-Konfigurationen: Standard-GPT-4o, GPT-4o ergänzt um Vanderbilt-Dokumentation, GPT-4o mit Dokumentation der University of Michigan sowie GPT-4o mit kombinierter Dokumentation [24]. Das Modell zeigte eine hohe Übereinstimmung mit der Kategorisierung durch menschliche Fachleute und erreichte Cohens-Kappa-Werte von etwa 0.85 sowie eine Kategorisierungsgenauigkeit zwischen 81 % und 89 % [24]. Bei der Bewertung der Ticket-Komplexität überschätzten Retrieval-Konfigurationen jedoch die Komplexität der Tickets; bei der Erstellung von Antwortentwürfen lieferte die Konfiguration mit der Dokumentation der University of Michigan die meisten korrekten Antworten und generierte bei etwa zwei Dritteln der Routine-Tickets mit geringer bis mittlerer Komplexität weitgehend oder vollständig korrekte Antworten [24]. Die Autoren kamen zu dem Schluss, dass LLMs ein echtes Potenzial für die automatisierte Support-Triage aufweisen, sofern sie durch fortlaufende menschliche Aufsicht, Prompt-Verfeinerung und erweiterte lokale Dokumentation unterstützt werden [24].

Yang entwickelte ein Modell zur Qualifizierung von Prüfzentren anhand von 460 Prüfzentren aus 42 ATTR-CM-Studien und verwendete 761 Prüfzentren aus 89 DMD-Studien zur externen Validierung. Eine Support-Vector-Machine schnitt im Entwicklungssetting am besten ab. Die Studie prüfte Subgruppen nach geografischer Region und Prüfzentrumstyp und berichtete in der externen Evaluation eine Genauigkeit von 81.21 %. Für die DMD-Merkmale wurden Proxy-Variablen verwendet. Der Studie fehlten reale Monitoring-Ergebnisse als Referenz (Ground Truth), und die prognostizierten operativen Auswirkungen blieben im praktischen Einsatz ungeprüft [25]. EClinCloud empfiehlt, eine vorgeschlagene Rangfolge anhand tatsächlicher Monitoring-Ergebnisse zu testen, bevor sie zur Zuteilung von Aufwand eingesetzt wird.

McKown und Kollegen kombinierten eine Literaturübersicht, Interviews mit KI-Spezialisten und eine Umfrage unter 50 Beteiligten. Zu den Befragten gehörten Rechteinhaber von Erhebungsinstrumenten, COA- oder Outcomes-Forscher aus der Pharmaindustrie, Fachleute aus den Bereichen Übersetzung, eCOA und KI sowie Autoren der früheren ISPOR-Arbeit. Ihre Empfehlungen wägen technische Leistungsfähigkeit und Effizienz gemeinsam mit dem Schutz geistigen Eigentums, Datenschutz und Datensicherheit sowie der Patienteneinbindung ab. Sie befürworten KI unter menschlicher Aufsicht für die meisten Schritte der sprachlichen Validierung und empfehlen, KI von der Konsolidierung (Reconciliation), der klinischen Überprüfung und der Durchführung kognitiver Debriefing-Interviews auszuschließen. Sie empfehlen eine menschliche Überprüfung bei jedem Schritt [26]. Die Übersichtsarbeit von Karako und Gao berichtet über Belege für eine Gleichwertigkeit gegenüber fachkundigen Befundern bei der automatisierten Messung der linksventrikulären Ejektionsfraktion. Als offene Herausforderungen nennen sie die Übertragbarkeit über verschiedene Anbieter hinweg, die Fairness über Subgruppen hinweg sowie Algorithmusänderungen während einer Studie [27].

Thierry und Kollegen prüften 60 Zulassungen im Zusammenhang mit digitalen Gesundheitstechnologien von September 2021 bis März 2025. Elektronische Instrumente für patientenberichtete Outcomes machten 70 % der untersuchten digitalen Gesundheitsinstrumente aus. Die Autoren fanden keine einzige Zulassung, die ausschließlich auf einem aus einer digitalen Gesundheitstechnologie abgeleiteten primären Endpunkt beruhte [28].

3. Klassifizierung jeder Funktion nach dem Nutzungskontext

Bewerten Sie die Funktion in ihrem tatsächlichen Arbeitsablauf. Ein Parser für den Studienaufbau, ein Assistent für Teilnehmende und ein Werkzeug zur Berechnung eines Endpunkts benötigen jeweils einen eigenen Testplan. Der KI-Entwurf der FDA, ICH E6(R3) Abschnitt 4.3.4 sowie die risikobasierten CSA-Prinzipien fließen in die vorgeschlagene Bewertung ein [1] [2] [14].

3.1 Die Drei-Fragen-Vorprüfung

Der Leitlinienentwurf der FDA (FDA-2024-D-4689) fasst Risiko anhand zweier grundlegender Dimensionen auf: Modelleinfluss und Entscheidungskonsequenz [1]. In unserem operativen Rahmenwerk, das diese Konzepte adaptiert, definieren wir für jeden Faktor drei Stufen:

  • Modelleinfluss:
    1. Geringer Einfluss: Die KI leistet rein vorbereitende, informierende oder entwurfsbezogene Unterstützung, die vor jeder Maßnahme einer umfassenden, unabhängigen menschlichen Prüfung und Verifizierung unterliegt.
    2. Mittlerer Einfluss: Die KI erstellt strukturierte Konfigurationsentwürfe, Klassifizierungen oder operative Markierungen, die eine menschliche Prüfung direkt steuern oder priorisieren, wobei menschliche Prüfer die Ergebnisse anhand festgelegter objektiver Kriterien verifizieren.
    3. Hoher Einfluss: Die Entscheidung hängt maßgeblich von der Modellausgabe ab, wobei vor deren Verwendung nur eine begrenzte unabhängige Überprüfung erfolgt. Bewerten Sie die Abhängigkeit getrennt von dem Schaden oder der Störung, die ein Fehler verursachen könnte.
  • Entscheidungskonsequenz:
    1. Geringe Konsequenz: Geringfügige operative oder administrative Ineffizienz; keine Auswirkung auf die Sicherheit oder Rechte der Teilnehmenden, die Prüfplaneinhaltung oder die Integrität der Evidenz der klinischen Studie.
    2. Mittlere Konsequenz: Mögliche Verzerrungen bei der operativen Ressourcenzuweisung, bei nicht kritischer GCP-Dokumentation oder eine verzögerte Klärung von Datenrückfragen, die im routinemäßigen Datenmanagement leicht erkannt und korrigiert werden können.
    3. Hohe Konsequenz: Unmittelbare Gefährdung der Teilnehmersicherheit, Entblindung randomisierter Behandlungen, Beeinträchtigung primärer oder wichtiger sekundärer Wirksamkeitsendpunkte oder systematische Verzerrungen in Zulassungsunterlagen.

Wenden Sie die Drei-Fragen-Vorprüfung auf jede zu prüfende KI-Fähigkeit an.

Prüffrage Bewertungskriterien Resultierende Einstufung
Frage 1: Unbestätigte Schreibvorgänge Kann die Funktion ohne eine authentifizierte, zuordenbare menschliche Entscheidung in einen regulierten Studiendatensatz schreiben? Eine Funktion mit unbestätigten Schreibvorgängen kommt nur im Rahmen der unten beschriebenen Autorisierung für Stufe 4 in Betracht. Bei einer Funktion ohne unbestätigte Schreibvorgänge fahren Sie mit Frage 2 fort.
Frage 2: Nähe zu Teilnehmern und Entscheidungen Welche Aufgabe übernimmt die Funktion im vorgesehenen Arbeitsablauf? 2A: Weisen Sie Stufe 4 zu, wenn die Funktion ohne unabhängige menschliche Entscheidung einen Endpunktwert, einen Schweregrad, eine Dosis oder die Eignung festlegt. Leiten Sie eine beratende Kennzeichnung an Frage 3 weiter. 2B: Wenden Sie auf technische Hilfe für Teilnehmer die reinen Navigations-Schutzmaßnahmen der Stufe 1 an. Leiten Sie andere an Teilnehmer gerichtete Funktionen über den jeweiligen Entscheidungs- oder Datenqualitätszweig und bewerten Sie die Schutzmaßnahmen für Teilnehmer gesondert. 2C: Weisen Sie beratenden Qualitätsprüfungen von Quelldaten der Teilnehmer Stufe 3 zu. 2D: Für andere Verwendungszwecke fahren Sie mit Frage 3 fort.
Frage 3: Modelleinfluss und Entscheidungskonsequenz Bewerten Sie beides anhand der obigen Definitionen. Lesen Sie die resultierende Stufe aus der Zuordnungsmatrix ab.

Bei Frage 1 erwartet EMA §6.1.4 eine Autorisierung durch den Prüfer für Änderungen des Sponsors an Daten, die von Prüfern oder Teilnehmenden eingegeben wurden, unabhängig davon, ob diese automatisch oder manuell erfolgen [19]. Legen Sie im Rahmen der vorgeschlagenen Ausnahme für Stufe 4 die Funktion und die Kontrollen im genehmigten Prüfplan oder Datenmanagementplan fest, holen Sie eine schriftliche Genehmigung der Qualitätssicherung des Sponsors sowie die Autorisierung durch den Prüfer für Änderungen an von Prüfern oder Teilnehmenden eingegebenen Daten ein und erwirken Sie jede gegebenenfalls anwendbare behördliche Genehmigung für den Verwendungszweck. Wenden Sie zuerst die Fragen 1 und 2 an. Wenn eine der beiden Fragen eine Stufe zuweist oder die Funktion zurückstellt, hat diese Entscheidung Vorrang. Nur die verbleibenden Funktionen verwenden die Matrix aus Frage 3.

Modelleinfluss \ Entscheidungskonsequenz Geringe Konsequenz Mittlere Konsequenz Hohe Konsequenz
Geringer Einfluss Stufe 1 (Informierende Unterstützung) Stufe 2 (Entwurfskonfiguration) Stufe 2 (Erstellung von Dokumententwürfen)
Mittlerer Einfluss Stufe 1 (Priorisierung von Arbeitsabläufen) Stufe 2 (Operative Einrichtung) Stufe 3 (Extraktion & RBQM-Überwachung)
Hoher Einfluss Stufe 2 (Weiterleitung interner, nicht kritischer Schulungsanfragen außerhalb der Studienunterlagen) Stufe 3 (Priorisierung einer nicht kritischen operativen Prüfwarteschlange hauptsächlich anhand eines Modellwerts) Stufe 4 (Hohe Abhängigkeit und hohe Konsequenz nach den Fragen 1 und 2)
Die Drei-Fragen-Vorprüfung

Drei-Fragen-Vorprüfung für KI-Funktionen in klinischen Studien

Prüfen Sie zunächst, ob das Werkzeug eigenständig schreiben oder entscheiden kann. Für beratende Funktionen verwenden Sie die Einfluss-Konsequenz-Matrix.

Scrollen Sie seitwärts für die vollständige Abbildung.

ArbeitsablaufEntscheidungspfadKontrollpaket
Eigenständiger SchreibvorgangAblehnen, sofern die Funktion nicht ausdrücklich nach Stufe 4 qualifiziert und autorisiert istStufe 4, falls autorisiert
Eigenständige Festlegung von Endpunkt, Schweregrad, Dosis oder EignungZweig 2A verwendenStufe 4
Technische Navigation für TeilnehmerZweig 2B außerhalb der Matrix. Muster 1 und Schutzmaßnahmen für Teilnehmer anwenden.Stufe 1 mit Navigations-Schutzmaßnahmen
Fall A: Warteschlange für KodierungsvorschlägeFrage 3: mittlerer Einfluss, hohe KonsequenzStufe 3
Fall B: unabhängig verifizierte Entwürfe von CSR-NarrativenFrage 3: geringer Einfluss, hohe KonsequenzStufe 2
Beratende Vorprüf-Hinweise zur möglichen EignungFrage 3: mittlerer Einfluss, hohe KonsequenzStufe 3
Query-Entwurf zur Ergänzung programmierter PlausibilitätsprüfungenFrage 3: mittlerer Einfluss, mittlere KonsequenzStufe 2
Quelle: Von EClinCloud vorgeschlagenes Rahmenwerk

3.2 Vier operative Qualifizierungsstufen

Durch die Zusammenführung des Zwei-Faktoren-Modellrisikos der FDA, der Validierungserwartungen gemäß ICH E6(R3) Abschnitt 4.3.4 sowie der Prinzipien von GAMP 5 empfiehlt EClinCloud, die KI-Governance im Bereich eClinical in vier operative Stufen zu gliedern. Jede Stufe definiert spezifische Prüfansätze und regulatorische Grenzen:

Stufe 1: Informatorische und administrative Unterstützung

  • Anwendungsbereich: Typisches Matrixfeld: geringer Einfluss, geringe Konsequenz. Unterstützung bei Arbeitsabläufen für Mitarbeitende (z. B. Software-Navigationsbots zur Beantwortung von Anwendungsfragen zu EDC-Oberflächen), Korrekturlesen von Monitoring-Berichten im System für das Management klinischer Prüfungen (CTMS) sowie Erstellung von Entwürfen für administrative Korrespondenz.
  • Schutzmaßnahmen für teilnehmerseitige Navigation. Wenden Sie bei teilnehmerseitigen Navigationsassistenten Zweig 2B außerhalb der Matrix an. Sperren Sie das Modell, die Prompts und die Abrufquellen gemäß Muster 1 (Abschnitt 4.2). Beschränken Sie den Assistenten auf die technische Navigation. Testen Sie das Ablehnungsverhalten vor der Freigabe sowie nach Prompt-Änderungen in allen Studiensprachen. Legen Sie den Assistenten so aus, dass er medizinische Ratschläge, Dosierungsfragen und die Auslegung von Items aus Erhebungsinstrumenten ablehnt. Verwenden Sie eine festgelegte Antwort, die bei gesundheitlichen Anliegen je nach Situation an das Personal des Prüfzentrums oder an den Notdienst verweist, leiten Sie den markierten Gesprächsverlauf an das Personal des Prüfzentrums weiter und planen Sie eine regelmäßige Protokollprüfung durch das Personal des Prüfzentrums oder das Sicherheitspersonal auf nicht gemeldete unerwünschte Ereignisse ein. Ablehnungskontrollen können Antworten außerhalb des zulässigen Bereichs übersehen, weshalb die Protokollprüfung Bestandteil des Kontrollpakets ist [21]. Reichen Sie teilnehmerseitige Materialien zur jeweils erforderlichen IRB/IEC-Prüfung ein. Informationen zur Anbieteroffenlegung finden Sie in Abschnitt 6.2.
  • Vorgeschlagene Kontrollen: Wenden Sie ungeskriptete und explorative CSA-Tests an [14]; schließen Sie jeden direkten Schreibzugriff auf klinische Datenbanken aus; führen Sie nach Aktualisierungen von SOPs oder der Softwaredokumentation Regressionstests durch; und halten Sie in der Benutzeroberfläche Hinweise vor, die klarstellen, dass die Auskünfte computergeneriert sind.

Stufe 2: Entwurfskonfiguration vor der Produktivsetzung und operative Klassifizierung

  • Anwendungsbereich: Typische Matrixzelle: mittlerer Einfluss, mittlere Konsequenz. Analyse klinischer Prüfpläne durch große Sprachmodelle zur Erstellung von Entwürfen für Zeitpläne elektronischer Prüfbögen (eCRF), Visitenmatrizen und Spezifikationen für Plausibilitätsprüfungen; KI-gestützte Einrichtung von RTSM-Versorgungsparametern und Verpackungskonfigurationen; automatisierte Klassifizierung von Trial-Master-File-Dokumenten anhand standardisierter Strukturen (z. B. TMF Reference Model); sowie automatisierte Entwurfsübersetzung administrativer Studiendokumente.
  • Empfohlene Kontrollen: Halten Sie Konfigurationswerkzeuge der Produktivfreigabe vorgelagert. Die Entwurfserstellung während einer laufenden Studie kann ebenfalls infrage kommen, sofern vor der Verwendung eine Überprüfung erfolgt. Generierte Konfigurationen werden als unverifizierte Entwürfe behandelt. Datenmanager, Biostatistiker, TMF-Spezialisten und Randomisierungsverantwortliche prüfen, testen und genehmigen alle Konfigurationen unabhängig voneinander. Verwenden Sie skriptbasierte Benutzerakzeptanztests für kritische Studienkonfigurationen vor der Freigabe. ICH E6(R3), Abschnitte 4.3.4(c) und (e), empfiehlt eine Validierung vor der Verwendung, einschließlich Standardfunktionalität, studienspezifischer Konfigurationen und Schnittstellen [2].

Stufe 3: Regulierte Datenextraktion, Qualitätssicherung der Datenerfassung und RBQM-Überwachung

  • Anwendungsbereich: Typisches Matrixfeld: mittlerer Einfluss, hohe Konsequenz. Retrieval-gestützte optische Zeichenerkennung (OCR) zur Extraktion von Laborwerten aus Krankenhausakten in eCRF-Entwürfe; Echtzeit-Bildqualitätsprüfungen der Kamera in eCOA (Erkennung von Unschärfe, Blendung oder falschen Aufnahmewinkeln in Fototagebüchern); automatisierte Maskierung personenbezogener Daten (PII) auf gescannten Quelldokumenten; sowie auf maschinellem Lernen basierende Risikobewertung auf Prüfzentrumsebene und Überwachung von Qualitätstoleranzgrenzen (QTL) innerhalb von Plattformen für risikobasiertes Qualitätsmanagement (RBQM) [25][29]. Im Beispiel des Prüfzentrumsrisikos hat die Bewertung einen mittleren Einfluss, wenn Mitarbeitende die endgültige Entscheidung treffen, und eine hohe Konsequenz, wenn das Übersehen eines Signals Maßnahmen bei einem schwerwiegenden Problem der Datenintegrität oder der Teilnehmersicherheit verzögern könnte.
  • Vorgeschlagene Kontrollen: Setzen Sie gegebenenfalls freigegebene Modell-Snapshots oder eine begrenzte Rekalibrierung gemäß Muster 2 durch; führen Sie geskriptete Benutzerakzeptanztests (UAT) mit Referenz-Benchmark-Testsuiten durch; implementieren Sie Architekturen zur Quellennachverfolgbarkeit, die geschwärzte Arbeitskopien mit den vom Prüfer kontrollierten Quelldatensätzen verknüpfen; zeichnen Sie unveränderliche Begleitprotokolle (Sidecar-Logs) zu Inferenz und menschlicher Entscheidung auf; und verlangen Sie vor dem Schreibvorgang eine authentifizierte menschliche Bestätigung. Bewerten Sie die Darstellung vorgeschlagener Werte anhand von EMA-Abschnitt 4.7 und der CDE-Leitlinie zum automatischen Ausfüllen, die beide in Abschnitt 5.1 dieses Leitfadens beschrieben sind.

Stufe 4: Klinische Funktionen der höchsten Kontrollstufe

  • Anwendungsbereich: Typische Matrixzelle: hoher Einfluss, hohe Konsequenz. Automatisierte Quantifizierung von Endpunkten klinischer Prüfungen mittels Computer Vision (z. B. echokardiografische LVEF-Bestimmung, radiografische Läsionsmessung oder digitale Histologie) [27]; algorithmische digitale Biomarker aus tragbaren Sensoren (Wearables), die primäre oder sekundäre Wirksamkeitsaussagen stützen; sowie adaptive Algorithmen zur Patiententriage, die über die Studieneignung oder die Dosierung im Rahmen der Prüfung entscheiden. (Hinweis: Von Menschen geleitete Arbeitsabläufe eines Independent Review Committee (IRC) – bei denen klinische Spezialisten medizinische Bilder begutachten und Befundungseinstufungen erfassen – bleiben menschliche klinische Bewertungen und sind keine automatisierten KI-Bewertungswerkzeuge.)
  • Regulatorische Einordnung und Testansatz: Stufe 4 bezeichnet ein vorgeschlagenes Kontrollpaket. Der Produktstatus gemäß Section 201(h) des FD&C Act, der MDR oder der IVDR ist eine gesonderte Feststellung. In den Vereinigten Staaten unterliegen einschlägige Funktionen von Prüfprodukten 21 CFR Part 812 (IDE) [13]. Bei Prüfungen, die unter einer genehmigten IDE durchgeführt werden, müssen Änderungen während der laufenden Studie gemäß 21 CFR 812.35 bewertet werden. In der Europäischen Union fallen klinische Prüfungen von Software, die ein Medizinprodukt ist, unter die Artikel 62 bis 82 sowie Anhang XV der MDR und werden in der Regel nach ISO 14155 durchgeführt [30]. Software, die als In-vitro-Diagnostikum eingestuft wird, unterliegt den Anforderungen an Leistungsstudien der Verordnung (EU) 2017/746 (IVDR). Software für die digitale Histologie zur Analyse von Gewebeproben kann je nach Zweckbestimmung in diese Gruppe fallen. Bewerten Sie die Einstufung nach der EU-KI-Verordnung (EU AI Act) gesondert (siehe Abschnitt 6.2). Die EMA erwartet, dass pivotale hypothesenprüfende Modelle und die Vorverarbeitung vor dem Datenbankschluss eingefroren und dokumentiert werden, und unterstützt eine prospektive klinische Validierung in Umfeldern mit hoher Tragweite [9]. EClinCloud schlägt zudem, wo geeignet, eine verblindete unabhängige Adjudikation vor.

Risikoklassifizierungsmatrix nach Nutzungskontext (Context of Use) für Softwarefunktionen in klinischen Studien

Die Bewertung von Softwarefunktionen in klinischen Studien nach Modelleinfluss und Entscheidungskonsequenz legt verhältnismäßige Qualifizierungskontrollen von explorativen Tests bis zur prospektiven klinischen Validierung fest.

Scrollen Sie seitwärts für die vollständige Abbildung.

QualifizierungsstufeTypisches Matrixfeld oder zugewiesener ZweigBeispielhafte SoftwarefunktionenRegulatorischer Rahmen und rechtlicher GeltungsbereichVorgeschlagene Prüf- und Governance-Kontrollen
Stufe 1: Informationelle und administrative UnterstützungGeringer Einfluss, geringe KonsequenzNavigationsbots für Mitarbeitende; Korrekturlesen von CTMS-Monitoring-Berichten; administrative Entwurfserstellung.Lesart von EClinCloud: Der Ausschluss im FDA-Entwurf hängt von den Auswirkungen auf die Patientensicherheit, die Arzneimittelqualität oder die Zuverlässigkeit der Studienergebnisse ab. Anbieterpflicht gemäß Artikel 50(1), sofern die EU-Verordnung Anwendung findet.Skriptfreie und explorative Tests gemäß CSA; keine Schreibrechte auf die Datenbank; Hinweise auf der Benutzeroberfläche; Regressionsprüfungen bei SOP-Aktualisierungen.
Stufe 1 (Ausnahme bei Nutzung durch Teilnehmende)Zweig 2B außerhalb der MatrixMobile Patientenassistenten für eCOA, die Fragen zum Aufladen des Geräts, zur Planung von Erinnerungsalarmen oder zur Navigation beantworten.Anbieterpflicht gemäß Artikel 50(1), sofern die Verordnung Anwendung findet.Sperre nach Muster 1. Verweigerungsverhalten in allen Studiensprachen testen. Gesundheitliche Anliegen an das Personal des Prüfzentrums oder den Notdienst verweisen, Markierungen weiterleiten und Protokolle prüfen. Einschlägige Unterlagen zur Prüfung durch die Ethikkommission (IRB/IEC) einreichen.
Stufe 2: Entwurfskonfiguration vor dem ProduktivbetriebMittlerer Einfluss, mittlere KonsequenzEntwürfe für eCRF-/Visitenmatrizen, RTSM-Regeln und eTMF-Klassifizierungen. Unabhängig verifizierte Entwürfe von CSR-Sicherheitsnarrativen weisen geringen Einfluss und hohe Konsequenz auf (Fall B).Lesart von EClinCloud: Der Anwendungsbereich des FDA-Entwurfs hängt von den Auswirkungen auf Sicherheit, Arzneimittelqualität und Zuverlässigkeit der Studienergebnisse ab. Eine unabhängige Prüfung fließt in die Bewertung ein.ICH E6(R3) 4.3.4(c) und (e) empfehlen eine Validierung vor dem Einsatz. EClinCloud schlägt skriptbasierte Benutzerakzeptanztests (UAT) und die Prüfung der Entwürfe vor.
Stufe 3: Regulierte Datenextraktion und ÜberwachungMittlerer Einfluss, hohe KonsequenzOCR-Extraktion von Labordaten in eCRF-Entwürfe; eCOA-Echtzeitprüfungen der Bildqualität; automatisierte Schwärzung personenbezogener Daten (PII); RBQM-Risikobewertung von Prüfzentren und QTL-Überwachung.Part 11 gilt, sofern das System in den Anwendungsbereich fällt. ICH E6(R3) 4.2.2 empfiehlt Audit-Trail-Kontrollen.Wenden Sie Protokollsperren für die Extraktion oder eine begrenzte Rekalibrierung für eine qualifizierte RBQM-Bewertung an. Testen Sie anhand von Referenzfällen (Golden Cases) und bewahren Sie Begleitprotokolle (Sidecar-Logs) auf. Bewerten Sie die Anzeige vorgeschlagener Werte anhand von EMA-Abschnitt 4.7 und der CDE-Leitlinie zum automatischen Ausfüllen, die beide in Abschnitt 5.1 des Artikels beschrieben sind.
Stufe 4: Klinische Funktionen mit höchstem KontrollniveauHoher Einfluss, hohe KonsequenzAutomatisiertes echokardiografisches LVEF-Scoring; radiografische Läsionsquantifizierung; digitale Biomarker aus tragbaren Sensoren, die primäre Wirksamkeitsaussagen stützen.Medizinproduktstatus gesondert bewerten. Sofern die Funktion die Definition eines Medizinprodukts erfüllt, die einschlägigen FDA-Anforderungen für Prüfprodukte oder die Anforderungen der EU-MDR/IVDR anwenden und den Anwendungsbereich des AI Act prüfen.Die EMA erwartet, dass Modelle und Vorverarbeitung für Hypothesentests vor Datenbankschluss eingefroren und dokumentiert werden. EClinCloud schlägt, sofern geeignet, eine verblindete Adjudikation vor.

Die Stufen und vorgeschlagenen Kontrollen stellen Empfehlungen von EClinCloud dar; rechtliche Einordnungen richten sich nach den jeweils geltenden gesetzlichen Rahmenbedingungen.

Quelle: Zusammengestellt von EClinCloud unter Anpassung des FDA-Leitlinienentwurfs (FDA-2024-D-4689), ICH E6(R3) Abschnitt 4.3.4 und der GAMP-5-Prinzipien.

3.3 Ausgearbeitete Klassifizierungsbeispiele für gängige Funktionen von Studiensoftware

Um zu zeigen, wie die Vorprüfung anhand der drei Fragen auf gängige Funktionen von Studiensoftware angewendet wird, betrachten Sie fünf repräsentative Implementierungen:

  • Fall A: Vorschläge zur MedDRA-Kodierung in EDC: Eine EDC-Plattform integriert ein Embedding-Modell, das zu wörtlichen, von Studienkoordinatoren am Prüfzentrum eingegebenen Bezeichnungen unerwünschter Ereignisse Lowest Level Terms und Preferred Terms aus dem Medical Dictionary for Regulatory Activities (MedDRA) vorschlägt.

    Screening: Die EMA-Leitlinie nennt die Kodierung in ihrem Anwendungsbereich [19]. Für die automatische Übernahme gilt die Autorisierungsregel aus Frage 1. In der Vorschlagsliste nimmt ein medizinischer Kodierer den Code aktiv an oder überschreibt ihn. Zweig 2D leitet zu Frage 3 weiter. Der Einfluss ist mittel, da der Vorschlag die Prüfung lenkt. Die Konsequenz ist hoch, da eine fehlerhafte Kodierung Sicherheitssignale verschleiern kann.

    Ergebnis: Stufe 3 (Regulierte Datenextraktion und Kodierungsunterstützung). Da die Anwendung im laufenden Datenmanagement klinischer Studien betrieben wird, erfordert sie Kontrollen der Stufe 3, einschließlich einer Golden-Set-Wörterbuchvalidierung, der Protokollierung von Überschreibungen sowie einer verpflichtenden Bestätigung durch einen menschlichen medizinischen Kodierer.

  • Fall B: Automatisierte Erstellung von Sicherheitsnarrativen für den klinischen Studienbericht (CSR): Ein CDMS- oder Medical-Writing-Werkzeug nutzt ein LLM, um aus Datenbanken zu unerwünschten Ereignissen, Laborlisten und Begleitmedikationen Entwürfe für Patienten-Sicherheitsnarrative zu erstellen.

    Screening: Die Ausgabe bleibt ein Entwurf. Gemäß Frage 3 ist die Konsequenz hoch und der Einfluss gering, wenn ein Medical Writer den Inhalt unabhängig gegen die Quelldaten prüft. Nach Einschätzung von EClinCloud hängt die Anwendungsbereichsprüfung in Abschnitt II des FDA-Entwurfs vom tatsächlichen Einfluss auf die Patientensicherheit, die Arzneimittelqualität oder die Zuverlässigkeit der Studienergebnisse ab. Eine unabhängige Prüfung stützt diese Bewertung, ohne über den rechtlichen Anwendungsbereich zu entscheiden [1].

    Ergebnis: Stufe 2. Validieren Sie den Entwurfs-Workflow und dokumentieren Sie die Überprüfung anhand der Quelllisten.

  • Fall C: eCOA-Navigationsassistent für Teilnehmer: Ein in eine mobile eDiary-Anwendung eingebetteter Dialogassistent beantwortet Fragen der Teilnehmer zum Laden des Geräts, zur Einstellung von Tagebuchalarmen und zur Navigation in der App.

    Screening: Frage 1: Schreibberechtigung? Kein Schreibzugriff auf Fragebogenantworten. Frage 2: Nähe? Direkt an Teilnehmer gerichtet, was Zweig 2B auslöst.

    Ergebnis: Stufe 1 mit Schutzmaßnahmen für die Navigation. Wenden Sie die Sperre nach Muster 1 sowie die Schutzmaßnahmen für Teilnehmer in Abschnitt 3.2 an.

  • Fall D: Automatisiertes Werkzeug für das Eignungs-Vorscreening von Patienten: Ein Screening-Algorithmus für elektronische Patientenakten (EHR) markiert für Studienkoordinatoren am Prüfzentrum potenzielle Studienkandidaten anhand der Ein- und Ausschlusskriterien des Prüfplans.

    Screening: Die EMA-Leitlinie nennt Rekrutierung und Eignung [19]. Das Personal am Prüfzentrum sieht eine hinweisende Markierung und entscheidet unabhängig über die Eignung. Gemäß Frage 3 ist der Einfluss mittel und die Konsequenz hoch.

    Ergebnis: Stufe 3. Prüfen Sie sowohl eine Stichprobe nicht markierter als auch markierter Datensätze. Ein Algorithmus, der die Eignung ohne eine unabhängige menschliche Entscheidung festlegt, fällt unter Zweig 2A und die Kontrollen der Stufe 4.

  • Fall E: Automatisierter Assistent für Diskrepanz- / Query-Entwürfe: Ein Datenmanagement-Werkzeug analysiert eCRF-Daten anhand von Prüfplanregeln und erstellt Query-Vorschläge zur Überprüfung durch Datenmanager vor dem Versand an die Prüfzentren.

    Screening: Die EMA-Leitlinie nennt Datenklärungs- und Query-Prozesse [19]. Das Werkzeug ergänzt programmierte Plausibilitätsprüfungen. Der Datenmanager überprüft vorgeschlagene Queries vor der Übermittlung. In diesem Beispiel priorisiert es die Überprüfung, wodurch der Einfluss mittel und die Konsequenz für eine verzögerte Klärung mittel ist.

    Ergebnis: Stufe 2. Prüfen Sie die Genauigkeit der Entwürfe und untersuchen Sie eine Stichprobe nicht markierter Datensätze auf übersehene Diskrepanzen. Bewerten Sie die Konsequenz neu, wenn es eine etablierte Plausibilitätsprüfung ersetzt.

4. Versionskontrolle, Änderungs-Governance und Leitplanken gegen unbemerkten Drift

Die herkömmliche Validierung computergestützter Systeme prüft eine kontrollierte Softwareversion, Konfiguration, einen Systemzustand und eine Betriebsumgebung. KI-Bereitstellungen können sich durch Checkpoints oder Parameter des Anbieters, Aktualisierungen von Retrieval-Quellen sowie Verschiebungen bei den in verschiedenen Regionen oder klinischen Umgebungen auftretenden Eingaben verändern. Dokumentieren Sie, welche Eingaben und Laufzeitbedingungen die Validierung abdeckt.

4.1 Realitäten der Bereitstellung: Selbstgehostete Digests im Vergleich zu gehosteten Cloud-Modellen

Eine praxisrelevante technische Unterscheidung, die Leitungen der Qualitätssicherung berücksichtigen sollten, besteht darin, dass sich die Mechanismen zur Versionsfixierung zwischen selbstgehosteten Modellen und kommerziellen Cloud-APIs von Drittanbietern unterscheiden:

  • Selbst gehostete Modelle und Open-Weight-Modelle. Erfassen Sie SHA-256-Fingerabdrücke der freigegebenen Gewichte, Container-Images, Konfiguration und Inferenzabhängigkeiten. Beschränken Sie Bereitstellungen auf freigegebene Artefakte und überprüfen Sie die Fingerabdrücke dessen, was die Laufzeitumgebung tatsächlich lädt. Änderungsbeschränkungen und Freigabeprüfungen stellen die Kontrolle dar. Ein Fingerabdruck identifiziert die geprüfte Version.
  • Kommerzielle Cloud- und Hyperscaler-APIs: Wenn Studiensoftware über externe APIs eine Verbindung zu proprietären Cloud-Modellen herstellt, legen die Anbieter Modellgewichte, neuronale Architekturen oder kryptografische Prüfsummen in der Regel nicht offen. Darüber hinaus nehmen Hyperscaler Modell-Checkpoints nach kommerziellen Zeitplänen außer Betrieb, die mit mehrjährigen Zeitplänen klinischer Prüfungen kollidieren können. Zudem verringern Temperatureinstellungen von null den Nichtdeterminismus der Ausgaben über verteilte GPU-Cluster hinweg, beseitigen ihn jedoch nicht vollständig. Fordern Sie bei Cloud-APIs die beim Anbieter verfügbaren Nachweise zur Änderungskontrolle sowie eine festgelegte, datierte Modellkennung an (z. B. mit Bezug auf ein bestimmtes statisches Freigabedatum statt eines variablen Alias wie -latest).

Schutzmaßnahmen gegen stillen Drift bei gehosteten APIs: Eine stabile API-Kennung bestätigt die Bezeichnung. Testergebnisse zeigen, ob sich das Verhalten verändert hat. Um unbemerkten Parameteranpassungen unter unveränderter Kennung vorzubeugen, empfehlen wir, dass Sponsoren planmäßige periodische Golden-Set-Wiederholungsläufe (z. B. monatlich oder vierteljährlich) vorschreiben. Der Anbieter oder Sponsor führt eine automatisierte Benchmark-Testsuite über den aktiven API-Endpunkt aus und misst den Anteil der numerischen Golden-Set-Felder, die von der Referenz abweichen – einschließlich fehlender Felder –, an einem vordefinierten Schwellenwert. Setzen Sie die Nutzung der betroffenen Funktion zur Untersuchung aus und testen Sie erneut, wenn der Anteil den Schwellenwert überschreitet.

Zur Steuerung der Lebenszyklen von Drittanbieter-APIs in mehrjährigen Studien schlagen wir vor, dass Sponsoren ein Protokoll für erzwungene Migrationen und Abkündigungen in Qualitätsvereinbarungen mit Anbietern aufnehmen:

  1. Vertragliche Vorankündigung: Der Anbieter verpflichtet sich vertraglich zu einer schriftlichen Vorankündigung vor der Einstellung, Abkündigung oder Parameteränderung eines zugrunde liegenden Modell-Endpunkts eines Drittanbieters (mit einem beispielhaften Ausgangszielwert von 30 Tagen, gebunden an die veröffentlichte kommerzielle Ankündigungsrichtlinie des Anbieters).
  2. Konkordanzprüfung am Golden-Set: Nach Eingang der Abkündigungsmitteilung führen Anbieter und Sponsor eine vergleichende Bewertung des auslaufenden Modells gegen das vorgesehene Ersatzmodell anhand einer validierten Golden-Benchmark-Testsuite durch und messen die Ausgabekonkordanz anhand vorab definierter Toleranzbänder.
  3. Auswirkungsbewertung gemäß ICH E6(R3): Gemäß ICH E6(R3) Abschnitt 4.3.4(c), wonach die Validierung die Auswirkungen von Softwareänderungen sowohl auf historische als auch auf zukünftige Studiendaten bewerten sollte, dokumentieren die Teams für Datenmanagement und Biostatistik, ob eine Modellmigration systematische Verzerrungen (Bias) oder Verschiebungen in den Datenextraktionsmustern verursachen könnte [2].
  4. Dokumentierter TMF-Überbrückungsbericht: Die Begründung für die Änderungskontrolle, die Ergebnisse der vergleichenden Bewertung und die Risikobewertung werden in einem formellen Überbrückungsbericht (Bridging Report) im Trial Master File dokumentiert, der vor der Produktivumstellung von der Qualitätssicherung genehmigt wird.

4.2 Drei Änderungs-Governance-Muster und die Position der EMA zu eingefrorenen Modellen

Um die Softwarewartung mit den regulatorischen Erwartungen in Einklang zu bringen, empfehlen wir, jede KI-Funktionalität vor dem First Patient In (FPI) einem von drei Änderungs-Governance-Mustern zuzuordnen:

Änderungs-Governance-Muster Anwendungsbereich & Stufen Technischer Mechanismus Qualitäts- und Validierungs-Governance
Muster 1: Prüfplangesperrter, unveränderlicher Snapshot Werkzeuge der Stufe 2 für Studienaufbau und studienbegleitende Entwurfserstellung, regulierte Extraktion der Stufe 3, gemäß der maßgeblichen EMA-Position für die Studie eingefrorene Algorithmen der Stufe 4 sowie Teilnehmernavigation der Stufe 1. Einfrieren der Modellgewichte per SHA-256 (oder fest zugewiesene, datierte API-Kennung), der System-Prompts, der Dekodierungsparameter und der Retrieval-Indizes je Studienaufbau. Keine Änderungen während der laufenden Studie zulässig ohne formelle Änderungskontrolle, Regressionstests gegen Golden-Benchmark-Testsuites innerhalb definierter Toleranzbänder und Genehmigung durch die Qualitätssicherung.
Muster 2: Begrenzte operative Rekalibrierung RBQM-Überwachungs- / Prüfzentrums-Risikobewertungsmodelle der Stufe 3. Die Rekalibrierung erfolgt strikt innerhalb vorab definierter operativer Grenzen, mit dokumentierten Konvergenzkriterien und automatisierten Rollback-Auslösern (sofern auf selbst gehosteten oder unterstützten Versionen technisch umsetzbar). Begrenztes Änderungsprotokoll, das vorab im Datenmanagementplan oder Monitoring-Plan der Studie festgelegt ist; Bewertung von Änderungen gemäß den Empfehlungen von ICH E6(R3) Abschnitt 4.3.4(c) [2].
Muster 3: Kontrolliertes Mandanten-Release ohne Schreibzugriff Mitarbeiterorientierte Workflow-Assistenten und administrative Werkzeuge der Stufe 1. Regelmäßige Aktualisierungen im Rahmen der Softwareentwicklungs-Lebenszyklen des Anbieters sowie ungeskriptete/exploratorische CSA-Tests. Logische Trennung von klinischen Datenbanken; keinerlei Schreibberechtigungen; Regressionstests zu aktualisierten SOPs und Prompt-Leitplanken.

Position der EMA zu eingefrorenen Modellen in zulassungsrelevanten Studien: Für späte zulassungsrelevante Studien fordert Abschnitt 2.3.3.3 des EMA-Reflexionspapiers prospektive Leistungstests vor dem Einsatz in Bereichen mit hoher regulatorischer Auswirkung, wie etwa der Analyse des primären Endpunkts. Darin wird erwartet, dass die Vorverarbeitungspipeline und die für Hypothesentests verwendeten Modelle vor dem Datenbankschluss und der anschließenden Entblindung eingefroren und dokumentiert werden. Die EMA lehnt inkrementelles Lernen in diesem Zusammenhang ab und erwartet eine regulatorische Abstimmung zur Änderung des statistischen Analyseplans, falls sich ein Modell während der Studie ändert [9]. Verwenden Sie Muster 1 für konfirmatorische Analysen. Bewerten Sie Muster 2 gesondert für eine operative Nutzung wie das RBQM-Scoring von Prüfzentren, einschließlich der Frage, ob die Änderung die Erfassung von Endpunktdaten oder das Monitoring verändern könnte.

4.3 Gestufte Validierung vor der Freigabe und adversarische UAT-Assertions

In Anlehnung an die gestuften Umgebungen, die im Programm „AI Airlock“ der britischen MHRA pilotiert wurden [21], empfiehlt EClinCloud, dass Sponsoren vor der Bereitstellung von Software-Updates der Stufe 3 oder Stufe 4 eine dreistufige Testpipeline vor der Freigabe implementieren:

  • Simulationsstufe: Durchführung multidisziplinärer Stresstest-Workshops mit Datenmanagern, Softwareentwicklern und klinischen Koordinatoren, um das Modellverhalten unter anspruchsvollen simulierten Bedingungen (wie niedrig aufgelösten Smartphone-Fotos, mehrsprachigen klinischen Unterlagen und extremen klinischen Werten) zu bewerten [21].
  • Virtuelle Stufe: Erneutes Durchlaufen eingefrorener historischer Studiendatensätze durch den aktualisierten Algorithmus in einer sicheren, isolierten Sandbox-Umgebung, um die Übereinstimmung mit validierten historischen Referenzwerten zu bewerten und zu überprüfen, dass die Ausgabevarianz strikt innerhalb vordefinierter Toleranzbereiche bleibt [21].
  • Stufe der Schattenbereitstellung (operative Erweiterung von EClinCloud): Als operative Erweiterung über das hinaus, was die Sandbox der Phase 2 der MHRA evaluiert hat (die retrospektive und synthetische Daten getrennt von klinischen Versorgungspfaden prüfte) [21], können Sponsoren das aktualisierte Modell für eine beispielhafte Dauer von 14 bis 30 Tagen im Hintergrund parallel zum bestehenden validierten Produktivsystem ausführen. Bestätigen Sie vor der Ausführung im Schattenmodus, dass die Verarbeitung innerhalb des Prüfplans, der Einwilligung und der Datenverarbeitungsbedingungen des Anbieters verbleibt. Zeigen Sie Schattenausgaben dem Personal des Prüfzentrums nicht an und schreiben Sie diese nicht in Studienunterlagen. Dies ermöglicht es den Ingenieuren, die Ausgabeübereinstimmung über klinische Live-Datenströme hinweg zu quantifizieren, bevor primäre Arbeitsabläufe umgestellt werden.

Während der formellen Benutzerakzeptanztests (User Acceptance Testing, UAT) sollten die Qualitätssicherungsteams des Sponsors gezielte adversariale Testzusicherungen ausführen, die den jeweiligen Stufen zugeordnet sind:

  1. Überprüfung von Laufzeit-Herkunft und Metadaten (Stufen 2, 3, 4): Fragen Sie die Inferenz-API ab und verifizieren Sie, dass jede Transaktion eine eindeutige model_id_and_version (kryptografischer SHA-256-Digest für selbst gehostete Modelle; festgeschriebene datierte Release-Kennung für Cloud-APIs) sowie einen prompt_or_config_hash zurückgibt, der mit dem genehmigten Anbieter-Qualifizierungsdossier übereinstimmt.
  2. Golden-Perturbation- und Gebietsschema-Matrix (Stufen 3, 4): Führen Sie ein automatisiertes Benchmark-Paket aus, das beschädigte klinische Scans, schief aufgenommene Mobiltelefonfotos, zweisprachige Arzneimitteletiketten und regionale Zahlenvarianten (wie europäische Dezimalkommas gegenüber amerikanischen Dezimalpunkten sowie die Datumsformate DD-MM-YYYY gegenüber MM-DD-YYYY) enthält. Messen Sie den Anteil der numerischen Benchmark-Felder, die von der Referenz abweichen, einschließlich ausgelassener Felder. Vergleichen Sie diesen Wert mit dem vordefinierten Schwellenwert und halten Sie die Freigabe zur Untersuchung und erneuten Ausführung zurück, wenn er den Schwellenwert überschreitet.
  3. Kalibrierung von Ablehnung und Unsicherheit (Stufe 1 mit Teilnehmerkontakt, Stufen 3, 4): Reichen Sie vollständig unleserliche Scans, abgeschnittene Dokumente und medizinische Fragen außerhalb des Anwendungsbereichs ein. Verifizieren Sie, dass das System eine explizite Ablehnungsmarkierung bei geringer Konfidenz auslöst, die eine manuelle menschliche Eingabe oder eine Eskalation an den Koordinator anstößt, anstatt plausible Werte zu erfinden.
  4. Isolierung nicht festgeschriebener Entwürfe (Stufen 2, 3): Versuchen Sie über programmatische API-Übermittlungen und Eingaben über die Benutzeroberfläche, ein eTMF-Dokument direkt aus einer KI-Ausgabe ohne ein authentifiziertes menschliches Prüfereignis in den Status Abgelegt oder ein eCRF-Datenfeld in den Status Gespeichert zu überführen. Verifizieren Sie, dass das computergestützte System den Schreibzugriff strikt verweigert und eine menschliche Bestätigung erzwingt.

5. Aufzeichnung von Inferenz und Disposition für Inspektionen

Für geschlossene Systeme, die Part 11 unterliegen, schreibt 21 CFR 11.10(e) sichere, computergenerierte Audit-Trails mit Zeitstempel vor, die Datum und Uhrzeit von Bedieneraktionen zur Erstellung, Änderung oder Löschung elektronischer Aufzeichnungen unabhängig protokollieren [31]. Ergänzend zu dieser verbindlichen Vorschrift empfehlen die FDA Electronic Systems Q&A Q12–Q14 [12], ICH E6(R3) Abschnitt 4.2.2 [2], die EMA-Leitlinie EMA/INS/GCP/112288/2023 [19] sowie die Leitlinie für computergestützte Systeme des chinesischen CDE [6], dass computergestützte Systeme eine vollständige chronologische Rückverfolgbarkeit aufrechterhalten. Prüfen Sie zur Vorbereitung auf eine Inspektion, ob sich der Verlauf rekonstruieren lässt: Kann der Sponsor die Originaldaten, das Inferenzereignis und dessen nachfolgende Disposition, einschließlich der verantwortlichen Person oder des autorisierten maschinellen Akteurs sowie des resultierenden Datensatzzustands, rekonstruieren?

5.1 Forensische Fehlermodi: Verdeckte Vorausfüllungen (Ghost Pre-Fills) und Quellenherkunft von Arbeitskopien

Wenn Softwareanbieter künstliche Intelligenz als vorübergehende Komfortfunktion im Frontend statt als inspizierbaren computergestützten Prozess behandeln, treten zwei schwerwiegende forensische Compliance-Mängel auf:

  1. Spurlose Vorausfüllungen: Wenn ein Modell zur optischen Zeichenerkennung oder ein Sprachmodell ein eCRF-Feld in einem Webbrowser automatisch ausfüllt und ein Studienkoordinator lediglich auf Speichern klickt, protokollieren herkömmliche Datenbank-Audit-Trails nur, dass der Studienkoordinator die Daten eingegeben hat. Anhand eines bloßen Speicherereignisses kann ein Auditor einen automatisierten Vorschlag nicht von einem durch den Studienkoordinator verifizierten Wert unterscheiden. Prüfen Sie, ob andere aufbewahrte Nachweise den Arbeitsablauf rekonstruieren. EMA-Abschnitt 4.7 rät davon ab, Felder vorab zu belegen oder automatisch auszufüllen, es sei denn, sie sind nicht editierbar und aus zuvor eingegebenen Daten abgeleitet [19]. Die chinesische CDE-Leitlinie rät generell davon ab, Datenpunkte auf automatisches Ausfüllen einzustellen, es sei denn, sie sind nicht editierbar oder aus zuvor eingegebenen Daten abgeleitet (Druckseiten 3–4) [6]. Beide befassen sich mit dem automatischen Ausfüllen, ohne KI zu nennen. EClinCloud stuft in ein editierbares Feld geschriebene Modellausgaben gemäß beiden als Vorausfüllung ein. Prüfen Sie während der Qualifizierung, ob die Benutzeroberfläche den Vorschlag vom Feld getrennt hält, bis eine Person ihn annimmt oder eingibt. Dokumentieren Sie bei editierbaren Vorausfüllungen das Risiko sowie die Bewertung anhand der geltenden Leitlinien. Behandeln Sie eine Vorausfüllung außerhalb der geltenden Bedingungen als Designmangel, der vor der Freigabe zu beheben ist. ICH E6(R3) Abschnitt 4.2.2 empfiehlt, bei Daten höherer Kritikalität relevante Aktionen im Arbeitsablauf beizubehalten [2]. Die Grundsätze der FDA und der EMA für gute KI-Praxis unterstützen die Bewertung des menschlichen Prüfschritts im jeweiligen Nutzungskontext [11].
  2. Unterbrochene Herkunftskette nach automatisierter Datenschutzschwärzung: Wenn klinische Software Filter für maschinelles Sehen oder Verarbeitung natürlicher Sprache anwendet, um Patientennamen, nationale Identifikationsnummern oder Gesichtsmerkmale aus hochgeladenen Krankenakten oder fotografischen eCOA-Tagebüchern zu schwärzen, überschreiben oder verwerfen Anbieter mitunter die ungeschwärzte Originaldatei. Diese Praxis untergräbt die Datenintegrität. Die Q&A der FDA zu elektronischen Systemen (Q3) beschreibt eine beglaubigte Kopie als eine Kopie, für die überprüft wurde, dass sie dieselben Informationen einschließlich Kontext, Inhalt und Struktur wie das Original enthält [12]. Ein maskiertes oder geschwärztes Dokument ist daher keine beglaubigte Kopie; es ist eine geschwärzte Arbeitskopie. Original-Quelldokumente, die Patientenkennungen enthalten, sollten unter der rechtlichen und physischen Kontrolle des Prüfarztes am Prüfzentrum (oder innerhalb einer vom Prüfarzt kontrollierten, zugriffsgetrennten Partition) verbleiben, unter Einhaltung von ICH E6(R3) Grundsatz 1.6 und Abschnitt 3.16.1(t) hinsichtlich der Vertraulichkeit der Teilnehmenden und der geltenden Datenschutzgesetze [2]. In unserer empfohlenen Architektur bewahrt das für den Sponsor zugängliche System eine verschlüsselte, geschwärzte Arbeitskopie auf und verknüpft sie mithilfe eines Quellenzeigers und eines am Prüfzentrum erzeugten SHA-256-Hashwerts mit dem am Prüfzentrum verwahrten Original, wodurch eine überprüfbare Herkunftskette zur Unterstützung der Quelldatenverifizierung bei Audits hergestellt wird.

5.2 Ein vorgeschlagener Sidecar-Ereignisdatensatz für Inferenz und Disposition

EClinCloud schlägt für jeden Aufruf der Stufe 2, Stufe 3 oder Stufe 4 ein unveränderliches Inferenzereignis vor. Hängen Sie eine eigenständige, mit der Inferenz-UUID verknüpfte Disposition an. Bewahren Sie bei einem zurückgestellten Vorschlag den Anfangszustand und hängen Sie jede spätere Disposition an, sodass beide Ereignisse in ihrer Reihenfolge erhalten bleiben.

  • inference_event_uuid: Ein universell eindeutiger Identifikator, der eine direkte relationale Verknüpfung zwischen dem KI-Ereignis und dem zugehörigen Datensatz in der klinischen Datenbank herstellt (z. B. eCRF-Feld, eCOA-Upload oder eTMF-Artefakt).
  • model_id_and_version: Fixierte Modellkennung, Container-Digest oder statisches Cloud-Veröffentlichungsdatum. Die DHT-Leitlinie der FDA empfiehlt aufzuzeichnen, wann und wie jede DHT aktualisiert wurde. EClinCloud wendet diesen Dokumentationsansatz auf jeden Modelldatensatz an [13].
  • prompt_or_config_hash: Kryptografischer SHA-256-Digest der Systemanweisungen, Prompt-Vorlagen, des Snapshots der RAG-Vektordatenbank, der Temperatureinstellungen und der Parameter für Entscheidungsschwellenwerte.
  • source_pointer_and_hash: Eindeutiger Verweis (Locator) und SHA-256-Hashwert, der die verschlüsselte, geschwärzte Arbeitskopie mit dem Original verknüpft. Berechnen Sie den SHA-256-Wert des Originals bei der Erstellung der Arbeitskopie am Prüfzentrum und speichern Sie ihn zusammen mit der Kopie. Überprüfen Sie ihn durch eine prüfzentrumsseitige Neuberechnung.
  • raw_ai_output_and_score: Der unbearbeitete maschinelle Vorschlag und, sofern verfügbar, dessen Konfidenzwert, die unabhängig davon aufbewahrt werden, was mit dem Datensatz geschieht.
  • disposition_state: Erfassen Sie HUMAN_REVIEWED, AUTHORIZED_AUTOMATED oder UNCOMMITTED. Ein zurückgestelltes Element bleibt nicht festgeschrieben, bis eine spätere Entscheidung einen Schreibvorgang zulässt.
  • human_disposition_action: Erfassen Sie bei einer tatsächlichen menschlichen Überprüfung ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY oder DEFERRED. Lassen Sie dieses Feld leer, wenn keine Überprüfung stattgefunden hat.
  • machine_actor_and_authorization_ref: Geben Sie bei einer autorisierten automatisierten Entscheidung den ausführenden Dienst oder Auftrag an und verknüpfen Sie den genehmigten Kontext sowie die geltenden Autorisierungen aus Abschnitt 3.1. Ein automatisierter Schreibvorgang ohne diese Nachweise besteht die Prüfung nicht.
  • final_committed_value: Bewahren Sie bei einer festgeschriebenen menschlich überprüften oder autorisierten automatisierten Entscheidung genau das Ergebnis auf, das in den klinischen Datensatz geschrieben wurde. Lassen Sie dieses Feld bei einer nicht festgeschriebenen Entscheidung leer.
  • reviewer_id_and_role: Erfassen Sie bei einer menschlichen Überprüfung die authentifizierte Identität und Rolle zur Unterstützung der in der EMA-Leitlinie 112288/2023 empfohlenen Rollentrennung [19].
  • override_reason_code: Erfassen Sie bei einer menschlichen Überprüfung immer dann die Begründung, wenn die überprüfende Person einen Vorschlag mit hoher Konfidenz überschreibt oder eine Vorhersage mit niedriger Konfidenz übernimmt, zur Unterstützung der qualitätsbezogenen Ursachenanalyse.
  • inference_and_disposition_timestamps: Hochpräzise UTC-Zeitstempel für die Ausführung und jede nachfolgende Entscheidung, einschließlich einer menschlichen Freigabe, sofern erfolgt, im Einklang mit den Systemuhr-Empfehlungen gemäß FDA Q14 und zur Ermöglichung von Analysen der Verweildauer bei der Überprüfung [12].
  • review_dwell_seconds: Erfassen Sie bei abgeschlossener menschlicher Überprüfung die Dauer von der Darstellung bis zur Übermittlung, um operative Metadaten zur Bewertung der Überprüfungssorgfalt bereitzustellen.

Vorgeschlagene Inferenz- und Dispositionsaufzeichnungen sowie Verifizierung

Erfassen Sie die Inferenz und fügen Sie die ihr zuordenbare Disposition an. Verwenden Sie getrennte Nachweise für menschliche Prüfung, autorisierte automatisierte Schreibvorgänge und Ergebnisse, die nicht festgeschrieben bleiben.

Scrollen Sie seitwärts für die vollständige Abbildung.

FeldnameDatentyp & BeispielformatRegulatorische & Governance-BegründungEmpfohlene UAT-Verifizierungsmethode
Inferenzereignis-UUIDUUID-Zeichenkette (z. B. 'a1b2c3d4-...')Relationaler Fremdschlüssel, der die KI-Inferenz direkt mit dem Datensatz der klinischen Datenbank verknüpft (eCRF, eCOA, eTMF).Überprüfen, dass das Ereignis auf den vorgesehenen Datensatz oder Entwurf aufgelöst wird und alle Versuche rückverfolgbar bleiben.
Modell-ID und VersionZeichenkette: Modell-ID + SHA-256 / datierte IDErfasst die genaue Modellversion und Bereitstellungskennung. Die DHT-Leitlinie der FDA empfiehlt einen Aktualisierungsdatensatz für jede DHT. EClinCloud weitet dies auf Modelldatensätze aus.Sicherstellen, dass die API eine mit dem genehmigten Dossier übereinstimmende model_id_and_version zurückgibt.
Prompt- oder Konfigurations-HashZeichenkette: 64-stelliger hexadezimaler SHA-256-DigestIdentifiziert den genehmigten Snapshot von Prompts, Dekodierungsparametern und Retrieval-Indizes.SHA-256 über Prompt- und Konfigurationsnutzdaten neu berechnen; Übereinstimmung mit dem Hash der genehmigten Freigabe sicherstellen.
Quellverweis und HashQuellverweis und SHA-256, berechnet am Prüfzentrum bei Erstellung der ArbeitskopieStellt die Herkunftsbeziehung her, die die geschwärzte Arbeitskopie mit der am Prüfzentrum vorliegenden Originalaufzeichnung verknüpft.Am Prüfzentrum neu berechnen und mit dem gespeicherten Hash vergleichen.
KI-Rohausgabe und ScoreJSON-Objekt: Text/Wert + Gleitkomma-ScoreSpeichert den unbearbeiteten maschinellen Vorschlag und den Konfidenzwert dauerhaft, um die ursprüngliche Vorhersage zu rekonstruieren.Sicherstellen, dass die Ausgabenutzdaten die ursprüngliche Vorhersage vor der Anzeige auf der Benutzeroberfläche enthalten.
DispositionsstatusHUMAN_REVIEWED / AUTHORIZED_AUTOMATED / UNCOMMITTEDUnterscheidet das Ergebnis vom Inferenzereignis.Einen zurückgestellten Vorschlag mit anschließender Entscheidung erneut abspielen. Prüfen, ob beide Dispositionen verknüpft und geordnet bleiben.
Maschineller Akteur und AutorisierungsreferenzAusführender Dienst oder Job und ID des Genehmigungsdatensatzes für autorisierte AutomatisierungIdentifiziert die maschinelle Zuständigkeit und die Autorisierung gemäß Abschnitt 3.1.Einen eingespeisten automatisierten Schreibvorgang ohne geltende Genehmigung ablehnen. Akteur und Genehmigungsreferenz bei einem zulässigen Schreibvorgang prüfen.
menschliche_entscheidungsaktionBedingt durch tatsächliche menschliche Prüfung: ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY oder DEFERRED.Steht im Einklang mit den FDA-EMA-Leitprinzipien 1 und 8 zur Bewertung der Mensch-KI-Interaktion und -Aufsicht.Die menschlichen Aktionen durchlaufen und prüfen, ob das Feld leer ist, wenn keine Person die Ausgabe geprüft hat.
endgültiger_übernommener_wertZeichenkette / Numerisch / Kodierter EintragErfasst den durch menschliche Prüfung oder autorisierte Automatisierung geschriebenen Wert.Den geschriebenen Wert mit der Disposition vergleichen. Prüfen, ob ein zurückgestelltes oder nicht festgeschriebenes Ereignis keinen festgeschriebenen Wert aufweist.
prüfer_id_und_rolleZeichenkette: Authentifizierte Benutzer-ID + RolleErfasst eine menschliche Prüfung, wenn sie stattfindet.Identität und Rolle mit der Prüfungssitzung abgleichen. Prüfen, dass bei einer rein automatisierten Entscheidung keine menschliche Identität erfasst ist.
übersteuerungsgrund_codeEnum / Kategorialer Code + optionaler TextVerpflichtende Begründung, wenn ein Mensch eine KI-Ausgabe mit hoher Konfidenz übersteuert oder eine Ausgabe mit niedriger Konfidenz übernimmt.Übermittlung bei einer Übersteuerung ohne Begründungscode versuchen; prüfen, ob die Validierung der Benutzeroberfläche die Übernahme blockiert.
Inferenz- und DispositionszeitstempelUTC-Zeichenkette gemäß ISO 8601 (YYYY-MM-DDThh:mm:ssZ)Erfasst die UTC-Zeitpunkte von Inferenz und Entscheidung, einschließlich einer etwaigen tatsächlichen menschlichen Abzeichnung.Prüfen, ob Zeitstempel von synchronisierten NTP-Systemuhren im UTC-Format erfasst werden.
prüfungs_verweildauer_sekundenGleitkommazahl / Ganzzahl (Sekunden)Optionale RBQM-Eingangsgröße für eine abgeschlossene menschliche Prüfung.Verstrichene Zeit von der Anzeige bis zur Übermittlung prüfen. Leer lassen, wenn keine menschliche Prüfung stattgefunden hat.

Alle Felder, Begründungscodes und Verifizierungszusicherungen stellen Implementierungsvorschläge von EClinCloud dar.

Quelle: Entwickelt von EClinCloud zur Operationalisierung von 21 CFR 11.10(e), FDA Electronic Systems Q&A Q12–Q14, ICH E6(R3) Abschnitt 4.2.2 sowie der EMA-Leitlinie 112288/2023.

5.3 Nutzung von Audit-Metadaten für die RBQM-Überwachung und Inspektionsbereitschaft

ICH E6(R3) Abschnitt 4.2.3 empfiehlt, dass Sponsoren risikobasierte Überprüfungen klinischer Daten und Metadaten, einschließlich Audit-Trails, durchführen [2]. Durch die Aggregation transaktionsbezogener Audit-Metadaten über alle Prüfzentren hinweg können zentrale Datenmanager und Verantwortliche für risikobasiertes Qualitätsmanagement (RBQM) operative Anomalien erkennen:

  • Überwachung von Automatisierungsträgheit anhand der Prüfverweildauer: Gestützt auf Insight 2 des UK MHRA AI Airlock zur möglichen Erosion der menschlichen Aufsicht im Zeitverlauf [21] können Dashboards für das zentrale Monitoring die KI-Akzeptanzrate zusammen mit der Mittleren Prüfverweildauer verfolgen. Wenn Personal am Prüfzentrum bei komplexen mehrseitigen Dokumenten durchweg Entscheidungen vom Typ ACCEPTED_UNCHANGED mit Verweildauern unterhalb eines beispielhaften Schwellenwerts (z. B. unter zwei Sekunden pro Seite) erfasst, dient dieses operative Signal als Anlass für eine Überprüfung. Leitende im Datenmanagement können untersuchen, ob Studienkoordinatorinnen und -koordinatoren Quelldokumente tatsächlich prüfen oder Ausgaben oberflächlich übernehmen, und gegebenenfalls gezielte Nachschulungen ansetzen. Allerdings müssen QS-Leitungen beachten, dass die Verweildauer eine operative Hilfsgröße mit inhärenten Grenzen ist: Eine kurze Verweildauer allein ist ein mehrdeutiges Signal (beispielsweise kann eine koordinierende Person Papier-Quelldokumente bereits vor dem Öffnen der Software-Ansicht gründlich geprüft haben), und eine lange Verweildauer kann lediglich einen geöffnet gelassenen Bildschirm widerspiegeln. EClinCloud empfiehlt, die Verweildauer auf Ebene des Prüfzentrums zu berichten, sofern Verträge mit den Prüfzentren sowie geltende datenschutz- und arbeitsrechtliche Vorschriften keine personenbezogene Berichterstattung zulassen.
  • Verfolgung regionaler Verteilungsverschiebungen anhand von Übersteuerungsraten: Die Überwachung der Menschlichen Übersteuerungsrate über Prüfzentren, Länder und Labornetzwerke hinweg macht den klinischen Studienbetrieb auf sich abzeichnende Verteilungsverschiebungen aufmerksam. Ein plötzlicher Anstieg der Übersteuerungsraten an neu angebundenen internationalen Prüfzentren kann Anlass geben, Unterschiede bei lokalen medizinischen Abkürzungen, Krankenhaus-Befundlayouts oder Laboreinheiten zu untersuchen und so Bedarf für lokalisierte Anpassungen der Benutzerakzeptanztests (UAT) zu erkennen. EClinCloud schlägt vor, beide Raten nach Funktion, Prüfzentrum und Zeitraum zu berechnen. Zählen Sie nur abgeschlossene, von Menschen geprüfte Entscheidungen. Teilen Sie für die Akzeptanzrate die Übernahmen ohne Änderung durch diesen Nenner und für die Übersteuerungsrate die Änderungen plus Ablehnungen durch denselben Nenner. Schließen Sie autorisierte automatisierte Ereignisse aus. Berichten Sie Zurückstellungen gesondert und nehmen Sie ein zurückgestelltes Element erst nach seiner abgeschlossenen menschlichen Entscheidung in die Raten auf. Geben Sie zu jeder Rate den Nenner an.
  • Export chronologischer Audit-Trails: Für geschlossene Systeme im Anwendungsbereich von Part 11 behandelt 21 CFR 11.10(b) Kopien für Inspektionen und 11.10(e) Audit-Trails [31]. ICH E6(R3) Abschnitt 4.2.2(c) empfiehlt interpretierbare Audit-Trails und Protokolle zur Überprüfung [2]. FDA Q12 empfiehlt, Audit-Trails in einem durchsuch- und sortierbaren Format aufzubewahren, und akzeptiert ein statisches Format wie PDF, wenn dies nicht praktikabel ist [12]. EMA §6.2.1 behandelt Überprüfung und Export [19]. Für die Anbieterqualifizierung schlägt EClinCloud vor, den Export des vollständigen Audit-Protokolls in einem dokumentierten maschinenlesbaren Format wie CSV oder XML zu prüfen, das sich ohne proprietäre Werkzeuge des Anbieters öffnen lässt. Beschaffen Sie eine entsprechende menschenlesbare Darstellung, etwa als PDF. Prüfen Sie, ob beide die Inferenz-UUID, Modell- und Konfigurationskennungen, den Quellverweis, den Rohvorschlag, den Entscheidungsstatus, den übernommenen Wert (sofern vorhanden) sowie synchronisierte UTC-Zeitstempel anzeigen. Nehmen Sie bei einer menschlichen Entscheidung die prüfende Person und den zutreffenden Grund auf. Nehmen Sie bei autorisierter Automatisierung den maschinellen Akteur und die Autorisierungsreferenz auf.

6. Die EU-KI-Verordnung: Wo Software für klinische Prüfungen tatsächlich einzuordnen ist

Zusammengenommen legen die KI-Verordnung und die Verordnung (EU) 2026/1744 eine abgestufte Struktur fest. Beginnen Sie mit dem Anwendungsbereich und bestimmen Sie anschließend die Klassifizierung sowie etwaige Transparenzpflichten [7] [8].

6.1 Die Ausnahme für die wissenschaftliche Forschung: Artikel 2 Absatz 6, Erwägungsgrund 25 und Artikel 2 Absatz 8

Die grundlegende rechtliche Vorfrage für jedes Instrument im Bereich klinischer Prüfungen lautet, ob es unter die in Artikel 2 Absatz 6 [7] festgelegte Ausnahme für Forschung und Entwicklung fällt. Artikel 2 Absatz 6 lautet wörtlich:

„Diese Verordnung gilt nicht für KI-Systeme oder KI-Modelle, einschließlich ihrer Ausgaben, die speziell für den alleinigen Zweck der wissenschaftlichen Forschung und Entwicklung entwickelt und in Betrieb genommen wurden.“ [7]

Erwägungsgrund 25 erläutert diese Ausnahme und führt aus, dass KI-Systeme, die ausschließlich für die wissenschaftliche Forschung und Entwicklung entwickelt und in Betrieb genommen werden, vom Anwendungsbereich der Verordnung ausgenommen werden sollten, merkt jedoch zugleich an, dass „jedes andere KI-System, das für die Durchführung jedweder Forschungs- und Entwicklungstätigkeit verwendet werden kann, weiterhin den Bestimmungen dieser Verordnung unterliegen sollte.“ [7]

Artikel 2 Absatz 6 stellt darauf ab, zu welchem Zweck das KI-System entwickelt und in Betrieb genommen wurde. Dokumentieren Sie bei einem kommerziell bereitgestellten eClinical-Instrument die konkrete Zweckbestimmung und den konkreten Einsatz. Interessenträger haben die Kommission um klarere Leitlinien für die Anwendung der Forschungsausnahmen unter anderem in den Bereichen Arzneimittel und Medizinprodukte gebeten [7] [32]. Bei den folgenden beiden Lesarten handelt es sich um redaktionelle Auslegungen, die anhand der tatsächlichen Gegebenheiten des jeweiligen Einsatzes zu prüfen sind.

  • Forschungsspezifische Bereitstellung. Ein Prüfplan-Parser, der für einen definierten wissenschaftlichen Forschungszweck entwickelt und in Betrieb genommen wurde, könnte unter Artikel 2(6) eine tragfähigere Begründung bieten. Erfassen Sie die Konzeptionsbeschreibung, den Vertrag, die zugelassenen Nutzer und die Einsatzbeschränkungen, die diesen Zweck belegen. Eine Kennzeichnung als klinische Prüfung liefert für sich genommen nur begrenzte Nachweise [7].
  • Wiederverwendbarer operativer Dienst. Eine Plattform, die mehreren Zwecken dient, etwa Studienabläufen und der allgemeinen Dokumentenverarbeitung, bietet eine schwächere Begründung. Dokumentieren Sie die Anbieter- und Betreiberrollen anhand der tatsächlichen Entwicklungs-, Liefer- und Bereitstellungsvereinbarungen. Erwägungsgrund 25 unterscheidet KI-Systeme, die ausschließlich zum Zweck der wissenschaftlichen Forschung entwickelt und in Betrieb genommen werden, von anderen Systemen, die lediglich in der Forschung eingesetzt werden [7].

Qualifizierungsprüfung. Nutzen Sie diese drei Fälle, um Nachweise zu ermitteln, die den zuständigen Rechts- und Qualitätsprüfern vorzulegen sind. Dokumentieren Sie die Klassifizierung und überprüfen Sie diese erneut, wenn sich die Zweckbestimmung oder der Einsatz ändert.

  1. Allzweck- und Mehrzwecksoftware: Nach Erwägungsgrund 25 unterliegen andere in der Forschung eingesetzte KI-Systeme weiterhin der Verordnung. Nach unserer Lesart umfasst dies allgemeine Basismodelle, kommerzielle Support-Chatbots und allgemeine Unternehmens-OCR-Werkzeuge, die in der Forschung eingesetzt werden [7].
  2. Kommerziell lizenzierte studienspezifische Software: Ermitteln Sie für ein EDC-Labor-OCR-Werkzeug oder einen eTMF-Klassifikator im Anwendungsbereich der Verordnung, ob seine Zweckbestimmung eine Klassifizierung nach Anhang I oder Anhang III erfüllt und ob eine Transparenzpflicht nach Artikel 50 gilt [7].
  3. Forschung, Erprobung und Entwicklung vor dem Inverkehrbringen. Artikel 2(8) nimmt Forschung, Erprobung und Entwicklung in Bezug auf KI-Systeme oder -Modelle vor dem Inverkehrbringen oder der Inbetriebnahme vorbehaltlich des geltenden Unionsrechts aus. Diese Ausnahme erstreckt sich nicht auf Tests unter realen Bedingungen. Dies unterscheidet sich von Artikel 2(6). Die unverbindliche MDCG 2025-6, Frage 25, behandelt klinische Prüfungen und Leistungsstudien von Hochrisiko-Medizinprodukte-KI als Tests unter realen Bedingungen und erläutert, dass Artikel 60(1) geltendes Unionsrecht oder nationales Recht, einschließlich der MDR und IVDR, wahrt [7] [30] [33] [34].

6.2 Änderungen durch den Digital Omnibus: Zeitpläne, Artikel 4a, 6(1a)–(1b), 6(3) und 50

Die Verordnung (EU) 2026/1744 (der Digital Omnibus zur KI, am 24. Juli 2026 im Amtsblatt veröffentlicht und am 27. Juli 2026 in Kraft getreten) hat wesentliche Änderungen an der Verordnung (EU) 2024/1689 eingeführt [8]:

  • Geltungsdaten für Kapitel III Abschnitte 1–3. Nach Artikel 113 in der geänderten Fassung gelten diese drei Abschnitte, mit Ausnahme von Artikel 6(5), ab dem 2. Dezember 2027 für Hochrisikosysteme, die nach Artikel 6(2) und Anhang III eingestuft sind, und ab dem 2. August 2028 für Systeme, die nach Artikel 6(1) und Anhang I eingestuft sind [8]. Für Artikel 6(1) sind das Kriterium des Produkts oder Sicherheitsbauteils sowie die Anforderung einer Konformitätsbewertung durch Dritte zu prüfen. Nach Artikel 6(1c) erfüllt eine Bewertung durch Dritte, die ausschließlich durch Risiken ausgelöst wird, die nicht mit Gesundheit und Sicherheit zusammenhängen, die Voraussetzungen von Artikel 6(1)(b) nicht [8]. Für Artikel 50 gilt weiter unten ein gesonderter Zeitplan. Artikel 2(13) ermöglicht es, bestimmte Pflichten in den Artikeln 9 bis 15 und 17 bis 25 für Hochrisikosysteme nach Artikel 6(1) einzuschränken. Die Rechtsvorschriften nach Anhang I Abschnitt A müssen ein gleichwertiges oder höheres Schutzniveau für Gesundheit, Sicherheit oder Grundrechte bieten, und die Einschränkung muss das allgemeine Schutzniveau der Verordnung wahren. Die Kommission muss bis zum 2. August 2027 delegierte Rechtsakte erlassen, in denen die Systeme, Pflichten, Bedingungen und der Anwendungsbereich festgelegt werden [7][8].

  • Transparenz nach Artikel 50(1) ab dem 2. August 2026. Sofern die Verordnung Anwendung findet, müssen Anbieter von KI-Systemen, die für die direkte Interaktion mit natürlichen Personen bestimmt sind, diese über die Interaktion informieren, „es sei denn, dies ist aus Sicht einer angemessen gut informierten, aufmerksamen und umsichtigen natürlichen Person unter Berücksichtigung der Umstände und des Nutzungskontexts offensichtlich“ [7]. Artikel 50(5) legt die Frist auf die erste Interaktion oder Exposition fest. Für die Studienqualifizierung empfiehlt EClinCloud zu prüfen, ob bei Konversationsassistenten für Teilnehmende und Prüfzentren ein lesbarer Hinweis vorhanden ist.

  • Klarstellungen zu den Einstufungsregeln für Hochrisikosysteme nach Artikel 6: Die Verordnung (EU) 2026/1744 hat Regeln für Sicherheitsbauteile in Artikel 6(1a) und (1b) hinzugefügt [8]. Nach Artikel 6(1a) fällt ein KI-System, das ausschließlich für nicht sicherheitsrelevante Aspekte der Benutzerunterstützung, Leistungsoptimierung, Serviceeffizienz, Automatisierung oder des Komforts oder der Qualitätskontrolle eingesetzt wird, nicht unter die Einstufung als Sicherheitsbauteil gemäß der Verordnung [8]. Umgekehrt stellt Artikel 6(1b) klar, dass der Status als Sicherheitsbauteil immer dann gilt, wenn ein Ausfall oder eine Fehlfunktion des KI-Systems Gesundheit und Sicherheit gefährden würde [8]. Nach unserer Analyse liegen die meisten operativen eClinical-Tools (wie CTMS-Planungsfunktionen oder TMF-Indexierungstools) vollständig außerhalb von Anhang I und Anhang III [7]. Für Software, die einen Bereich des Anhangs III berührt, legt Artikel 6(3) fest, dass ein KI-System nicht als Hochrisikosystem gilt, wenn es kein erhebliches Risiko einer Schädigung von Gesundheit, Sicherheit oder Grundrechten darstellt UND mindestens eine von vier spezifischen Bedingungen erfüllt: (a) es führt eine eng begrenzte verfahrensbezogene Aufgabe aus; (b) es verbessert das Ergebnis einer zuvor abgeschlossenen menschlichen Tätigkeit; (c) sein Zweck besteht darin, Entscheidungsmuster oder Abweichungen von früheren Mustern zu erkennen, wobei eine angemessene menschliche Überprüfung erforderlich ist, wenn es eine zuvor abgeschlossene menschliche Bewertung beeinflussen oder ersetzen würde; oder (d) es führt eine vorbereitende Aufgabe für eine Bewertung aus [7]. Ein System nach Anhang III, das ein Profiling natürlicher Personen vornimmt, bleibt gemäß Artikel 6(3) ein Hochrisikosystem [7]. Gemäß Artikel 6(4) muss ein Anbieter, der eine Ausnahme nach Artikel 6(3) in Anspruch nimmt, seine Bewertung dokumentieren, bevor er das System in Verkehr bringt oder in Betrieb nimmt, und das System in der EU-Datenbank nach Artikel 49(2) registrieren; diese Pflichten treten am 2. Dezember 2027 in Kraft [7][8].

  • Bedingte Bias-Verarbeitung nach Artikel 4a. Artikel 4a gilt gemäß Artikel 4 der Änderungsverordnung ab dem 27. Juli 2026 und schafft eine streng abgesicherte gesetzliche Ausnahme für die Verarbeitung besonderer Kategorien personenbezogener Daten (einschließlich Gesundheits-, genetischer und biometrischer Daten) zum Zweck der Erkennung und Korrektur algorithmischer Verzerrungen (Bias) [8]. Nach Artikel 4a(1) dürfen Anbieter von Hochrisiko-KI-Systemen besondere Kategorien personenbezogener Daten ausschließlich zur Erkennung und Korrektur von Verzerrungen verarbeiten, sofern zusätzlich zur DSGVO oder anderen geltenden EU-Datenschutzvorschriften sechs kumulative Bedingungen erfüllt sind:

    (a) die Erkennung und Korrektur von Verzerrungen kann nicht wirksam durch die Verarbeitung anderer Daten, einschließlich synthetischer oder anonymisierter Daten, erreicht werden;

    (b) technische Beschränkungen der Weiterverwendung personenbezogener Daten sowie Sicherheits- und Datenschutzmaßnahmen auf dem Stand der Technik, einschließlich Pseudonymisierung;

    (c) streng auf befugtes, zur Vertraulichkeit verpflichtetes Personal beschränkter Zugang;

    (d) personenbezogene Daten werden nicht an andere Parteien übermittelt, weitergegeben oder diesen anderweitig zugänglich gemacht;

    (e) personenbezogene Daten werden gelöscht, sobald die Verzerrung korrigiert wurde oder die Aufbewahrungsfrist abläuft, je nachdem, was zuerst eintritt; und

    (f) es werden Verzeichnisse von Verarbeitungstätigkeiten geführt, in denen die Gründe angegeben sind, warum die Verarbeitung unbedingt erforderlich war [8].
    Artikel 4a(2) weitet die Erlaubnis auf Anbieter und Betreiber anderer KI-Systeme und -Modelle sowie auf Betreiber von Hochrisiko-KI-Systemen aus, sofern die Verarbeitung unbedingt erforderlich ist, um Verzerrungen zu erkennen und zu korrigieren, die voraussichtlich die Gesundheit und Sicherheit von Personen beeinträchtigen, sich negativ auf Grundrechte auswirken oder zu einer nach Unionsrecht verbotenen Diskriminierung führen, und sofern alle Bedingungen nach Absatz 1 erfüllt sind. Die Bestimmung besagt: „Dieser Absatz begründet keine Verpflichtung zur Durchführung einer solchen Erkennung und Korrektur von Verzerrungen.“ [8]. Nach der Lesart von EClinCloud ist dies von Bedeutung, wenn bei Bias-Tests von Studiensoftware, etwa für das Eignungs-Prescreening oder die Endpunktmessung, Gesundheitsdaten von Teilnehmenden verwendet würden.

Anwendbarkeit und Umsetzungsgrenzen der EU-KI-Verordnung für Software in klinischen Prüfungen

Anwendungsbereich, Hochrisiko-Klassifizierung und Transparenz hängen von der Zweckbestimmung ab. Die Geltungstermine für Kapitel III Abschnitte 1–3, mit Ausnahme von Artikel 6 Absatz 5, sind von Artikel 50 getrennt.

Scrollen Sie seitwärts für die vollständige Abbildung.

KI-Systemkategorie / ArbeitsablaufEinstufung nach EU-KI-Verordnung & RechtsgrundlageGeltungsbeginnEmpfohlene Qualifizierungsmaßnahmen für Sponsoren und Anbieter
Eigenständige eClinical-Workflow-Software (EDC, CTMS, eTMF, RTSM)Einschätzung von EClinCloud: fällt in der Regel nicht unter Anhang I und Anhang III. Anhand der Zweckbestimmung prüfen.Anwendungsbereich und Zweckbestimmung prüfen.Zweckbestimmung dokumentieren und die Artikel 2 und 6 für den konkreten Einsatz bewerten.
Studienspezifische KI mit Berührung von Bereichen des Anhangs III bei Ausnahmeregelung nach Art. 6 Abs. 3Nicht-Hochrisiko über Ausnahmeregelung nach Art. 6 Abs. 3 (erfordert: kein erhebliches Risiko, eine von vier Voraussetzungen und kein Profiling).2. Dezember 2027 für die geltenden Vorschriften in Kapitel III Abschnitte 1–3, mit Ausnahme von Artikel 6 Absatz 5.Dokumentieren Sie die Bewertung nach Artikel 6(3) vor dem Inverkehrbringen oder der Inbetriebnahme. Bereiten Sie die Registrierung in der EU-Datenbank gemäß Artikel 49(2) bis Dezember 2027 vor.
KI-gestützte Medizinprodukte / SaMD gemäß MDR 2017/745 oder IVDR 2017/746Hochrisiko-KI-System gemäß Anhang I, wenn Artikel 6(1) Anwendung findet. Artikel 6(1c) schließt Bewertungen, die ausschließlich durch Risiken ohne Bezug zu Gesundheit und Sicherheit ausgelöst werden, von Artikel 6(1)(b) aus.2. August 2028 für Kapitel III Abschnitte 1–3, mit Ausnahme von Artikel 6 Absatz 5, wenn Artikel 6 Absatz 1 und Anhang I Anwendung finden.Prüfen Sie bei MDR-Produkten, ob die Anforderungen an klinische Prüfungen gemäß den Artikeln 62–82 und Anhang XV gelten. Berücksichtigen Sie in diesem Kontext klinischer Prüfungen ISO 14155. Bewerten Sie bei IVDR-Produkten die geltenden Anforderungen an Leistungsstudien gesondert. Siehe Quellen 30 und 33.
Konversationsassistenten für Teilnehmende (technische Hilfe)Informationspflicht des Anbieters nach Artikel 50 Absatz 1, sofern die Verordnung Anwendung findet, vorbehaltlich der Ausnahme für offensichtliche Interaktionen.2. August 2026Überprüfen, ob der Anbieter gut lesbare, barrierefreie Hinweise in der Benutzeroberfläche umgesetzt hat, die Teilnehmende darüber informieren, dass sie mit einer KI interagieren; IRB-/IEC-Zustimmung bestätigen.
Verarbeitung besonderer Kategorien von Gesundheitsdaten zur Minderung von Verzerrungen (Artikel 4a)Artikel 4a Absatz 1 erfasst Anbieter von Hochrisiko-KI unter kumulativen Schutzmaßnahmen. Artikel 4a Absatz 2 erweitert diese Erlaubnis unter Bedingungen auf Betreiber von Hochrisiko-KI sowie auf andere KI-Anbieter und -Betreiber.27. Juli 2026 gemäß Artikel 4 der Verordnung (EU) 2026/1744.Wenden Sie alle Bedingungen in Abschnitt 6.2 sowie das geltende Datenschutzrecht an. Weisen Sie gemäß Absatz (2) die strikte Erforderlichkeit sowie die jeweilige Grenze hinsichtlich Gesundheit, Sicherheit, Grundrechten oder verbotener Diskriminierung nach. Die Erlaubnis begründet keine allgemeine Pflicht zur Bias-Verarbeitung.
Ausschließlich für wissenschaftliche F&E entwickelte und in Betrieb genommene KIArtikel 2 Absatz 6: ausschließlicher Zweck der wissenschaftlichen Forschung und Entwicklung. Davon unabhängig nimmt Artikel 2 Absatz 8 die Forschung, Erprobung und Entwicklung vor dem Inverkehrbringen aus, wobei Tests unter realen Bedingungen nicht unter diese Ausnahme fallen.Die unterschiedlichen Voraussetzungen für den Anwendungsbereich prüfen.Prüfen, ob kommerzielle SaaS-Lösungen die Anforderungen an den ausschließlichen Zweck der wissenschaftlichen F&E erfüllen; bei mandantenfähigen kommerziellen Plattformen keine automatische Ausnahme voraussetzen.

Die Geltungstermine für Kapitel III Abschnitte 1–3 schließen Artikel 6 Absatz 5 aus. Prüfen Sie den Forschungs-Anwendungsbereich nach Artikel 2 für den konkreten Einsatz gesondert.

Quelle: Zusammengestellt von EClinCloud aus der Verordnung (EU) 2024/1689 (KI-Verordnung) und der Verordnung (EU) 2026/1744 (Digital-Omnibus zur KI).

7. Beispielhafte gestaffelte 90-Tage-Umsetzungssequenz für Sponsoren und CROs

Der Übergang von Ad-hoc-Pilotskripten zu einem inspektionsfesten KI-Governance-Rahmenwerk erfordert einen geordneten, stufenweisen Umsetzungsplan. Sponsoren und CROs können diese Empfehlungen über eine beispielhafte 90-Tage-Sequenz operationalisieren, deren tatsächlicher Zeitplan von den Software-Release-Zyklen der Anbieter und den internen Change-Management-Verfahren abhängt.

7.1 Tage 1 bis 30: Bestandsaufnahme, Vorprüfung des Nutzungskontexts und regulatorische Triage

  • Umfassendes KI-Bestandsverzeichnis: Erfassen Sie jede Funktion für künstliche Intelligenz, maschinelles Lernen und Verarbeitung natürlicher Sprache, die in aktiven und geplanten Systemen für klinische Prüfungen eingebettet ist – von eCRF-Prüfplan-Parsern, medizinischer OCR, eCOA-Bildqualitätsscannern und eTMF-Indexierern bis hin zu RBQM-Anomaliedetektoren und Assistenten für die medizinische Kodierung.
  • Vorprüfung des Anwendungskontexts. Wenden Sie die Drei-Fragen-Vorprüfung aus Abschnitt 3.1 an und dokumentieren Sie die Nachweise für jede Stufenzuordnung.
  • Rechtsstatus und Triage als Medizinprodukt. Beginnen Sie mit Stufe 4 und bewerten Sie jede Funktion, deren Zweckbestimmung die Medizinprodukte-Definition gemäß Section 201(h) des FD&C Act, der MDR oder der IVDR erfüllen könnte. Bestimmen Sie den anwendbaren Weg für die klinische Prüfung [13] [30] [33]. Prüfen Sie die Offenlegungsregelung in Abschnitt 6.2 für dialogorientierte Assistenten, die sich an Studienteilnehmende oder Prüfzentren richten.

7.2 Tage 31 bis 60: Neufestlegung der SOP-Basislinien, Qualitätsvereinbarungen und Sidecar-Audit-Schema

  • SOP-Aktualisierungen. Unterscheiden Sie (1) verbindliche Vorschriften, einschließlich der geltenden Bestimmungen in 21 CFR Parts 11, 50, 56, 312 und 812, der EU-Verordnung über klinische Prüfungen, der MDR, der IVDR und dem AI Act sowie der Bekanntmachung 2026 Nr. 50 der chinesischen NMPA [18] [30] [33] [7] [5], (2) verabschiedete Leitlinien, einschließlich der EMA-Leitlinie zu computergestützten Systemen und ICH E6(R3), einer Leitlinie, die Sponsoren und Prüfer laut Artikel 47 bei EU-Prüfungen berücksichtigen sollen [19] [2] [18], (3) Behördenempfehlungen, einschließlich der FDA-Leitlinien zu eSystems Q&A, DHT, CSA und E6(R3) sowie der Leitlinie zu computergestützten Systemen des chinesischen CDE [4] [6] [12] [13] [14], und (4) Leitlinienentwürfe, einschließlich FDA-2024-D-4689 [1].
  • Qualitätsvereinbarungen. Wenden Sie die Mitteilungsregelung in Abschnitt 4.1 an und verwenden Sie die einheitliche Anbieter-Anforderungsliste in Abschnitt 8.3.
  • Sidecar-Audit-Trail-Architektur. Erfassen Sie jede Roh-Inferenz und die anschließende Disposition gemäß Abschnitt 5.2. Testen Sie die Rekonstruktion für von Menschen geprüfte, autorisierte automatisierte und nicht festgeschriebene Ergebnisse. Erfassen Sie Prüferfelder nur dann, wenn eine Person den Vorschlag tatsächlich prüft [12].
  • Quellenherkunft. Setzen Sie das Verfahren zur Prüferkontrolle und zu Arbeitskopien in Abschnitt 5.1 um.

7.3 Tage 61 bis 90: Golden-Set-UAT, adversarielle Verifizierung und RBQM-Metadatenüberwachung

  • Kuratierung von Golden-Benchmark-Tests: Stellen Sie studienspezifische, anonymisierte Golden-Benchmark-Testdatensätze zusammen, die das gesamte operative Spektrum der Studiendaten abbilden, einschließlich Scans aus mehreren Prüfzentren, qualitativ beeinträchtigter Fotos und regionaler Formatierungsvarianten.
  • Durchführung von Adversarial-UAT-Tests: Führen Sie die vier gezielten Adversarial-UAT-Prüfungen über die jeweils geltenden Stufen hinweg durch: (1) Laufzeit-Herkunfts- und Hash-Verifizierung (Stufen 2, 3, 4); (2) Golden-Perturbation- und Gebietsschema-Tests (Stufen 3, 4); (3) Tests der Ablehnungs- und Unsicherheitsschwellenwerte (Stufen 1 mit Teilnehmendenkontakt, 3, 4); und (4) Isolationstests für nicht festgeschriebene Entwürfe (Stufen 2, 3).
  • Operationalisierung der RBQM-Metadatenüberwachung: Konfigurieren Sie Monitoring-Dashboards für das risikobasierte Qualitätsmanagement zur Aggregation von Transaktionsmetadaten und erfassen Sie KI-Akzeptanzrate, Menschliche Übersteuerungsrate und Mittlere Prüfverweildauer über Prüfzentren hinweg – vorbehaltlich der Berichtsgrenze in Abschnitt 5.3 – als operative Hinweise zur Untersuchung möglicher Automation Complacency und regionaler Verteilungsdrifts [2][21].
  • Übungen zum Audit-Trail-Export. Rekonstruieren Sie einen KI-gestützten Eintrag mithilfe des Exportverfahrens in Abschnitt 5.3.

8. Qualifizierung eines Anbieters unter einer Vertraulichkeitsvereinbarung: Ein Fallbeispiel zu EClinCloud

Bei der Qualifizierung eines Anbieters einer eClinical-Unternehmensplattform im Rahmen einer formellen Vertraulichkeitsvereinbarung sollten QA-Auditoren des Sponsors bewerten, ob die technische Architektur des Anbieters die Einhaltung regulatorischer Anforderungen über einzelne Funktionsmodule hinweg unterstützt. Öffentlich zugängliche Unterlagen von EClinCloud (abgerufen am 13. November 2026) veranschaulichen, wie eine integrierte, multimodulare klinische Softwareplattform aufgabenbezogene KI-Funktionen umsetzt [35].

8.1 Öffentlicher Vertrauensrahmen und aufgabengebundene Architektur

In seinem öffentlichen Trust- und Compliance-Center dokumentiert EClinCloud Unternehmenszertifizierungen für Qualität und Sicherheit, darunter ISO/IEC 42001:2023 (Managementsystem für künstliche Intelligenz), ISO 27001 (Informationssicherheitsmanagement), ISO 27701 (Datenschutz-Informationsmanagement), ISO 9001 (Qualitätsmanagement), ISO 20000 (IT-Servicemanagement), Cloud Security Alliance (CSA) STAR sowie DJCP (China MLPS) [36]. In seinen öffentlichen Aussagen zur Architektur formuliert das Unternehmen ein zentrales Governance-Prinzip:

„KI auf der ECC-Plattform ist stets an spezifische Aufgaben gebunden – Auslesen von Prüfplänen, OCR-Erfassung, Dokumentenklassifizierung, Risiko-Scan und Q&A – wobei Menschen die Ergebnisse prüfen.“ [36]

Gemäß den Plattformspezifikationen des Unternehmens bietet EClinCloud Optionen für eine private / On-Premises-Bereitstellung, wobei die konkreten Hosting-Modalitäten im Rahmen der technischen Evaluierung mit den Kundenteams bestätigt werden [35].

8.2 Modulweise Qualifizierungsgrenzen

In diesem Abschnitt wird das Rahmenwerk anhand der öffentlichen Aussagen von EClinCloud angewendet. Die Prüfpunkte legen fest, welche Nachweise ein Sponsor im Rahmen einer Vertraulichkeitsvereinbarung zu prüfen und von EClinCloud bereitgestellt zu bekommen erwarten würde. Bei den Leistungszahlen handelt es sich um Unternehmensangaben. Eine eCOA-Zahl wird einer pädiatrischen Phase-II-Studie zugeschrieben. Die zitierten Seiten liefern für keine der Zahlen Nenner oder Bewertungsmethoden.

  • Elektronische Datenerfassung (EDC):

    Angaben von EClinCloud: EClinCloud gibt an, dass das Parsing klinischer Prüfpläne mithilfe großer Sprachmodelle den initialen Aufwand für den Studienaufbau um 60 % reduzieren kann, wobei generierte Visiten, Formulare und Plausibilitätsprüfungen vor dem Produktivstart von Datenmanagern geprüft und bestätigt werden [35][37]. Der Anbieter gibt auf der Plattformseite zudem an, dass die medizinische OCR für 1,000+ Formulartypen mit einer Erkennungsgenauigkeit von 95 %+ arbeitet [35]. Auf seiner EDC-Seite wird Retrieval-gestütztes Parsing beschrieben [37]. Die EDC-Seite berichtet von einer Erkennungsgenauigkeit von 95 %, bei der Quelldokumente ausgelesen und direkt in EDC synchronisiert werden, wodurch die Erfassungszeit pro Formular von 8–10 Minuten auf unter 3 Minuten sinkt und der Aufwand für die Quelldatenverifizierung (SDV) um 20 % reduziert wird, einschließlich einer automatisierten Schwärzung personenbezogener Daten (PII) [37].

    Klassifizierung von EClinCloud und empfohlene Überprüfung durch den Sponsor: Wir würden das Prüfplan-Parsing als Stufe 2 und die OCR-Quellextraktion als Stufe 3 einstufen, sofern vor der Übernahme eine authentifizierte Bestätigung erfolgt. Bei Qualifizierungsaudits sollten Sponsoren überprüfen: (1) ob das produktive EDC vor der Übernahme OCR-extrahierter Werte eine zuordenbare menschliche Bestätigung erfordert und wie es Vorschläge im Vergleich zu den Hinweisen zum automatischen Ausfüllen in Abschnitt 5.1 darstellt; (2) dass ungeschwärzte Original-Quellscans unter der Kontrolle des Prüfers verbleiben; und (3) dass rohe OCR-Vorschläge sowie menschliche Entscheidungen in einem exportierbaren begleitenden Audit-Trail protokolliert werden.

  • Randomisierung und Studienversorgungsmanagement (RTSM):

    Angaben von EClinCloud: EClinCloud gibt an, dass das KI-Prüfplan-Parsing RTSM in einem Schritt konfiguriert, den Einrichtungsaufwand um 10 % bis 20 % reduziert und intelligente Versorgungswarnungen bereitstellt [38].

    Klassifizierung von EClinCloud und empfohlene Überprüfung durch den Sponsor: Wir würden die automatisierte RTSM-Einrichtung als Vorkonfiguration der Stufe 2 vor dem Produktiveinsatz einstufen. Bei Qualifizierungsaudits sollten Sponsoren überprüfen: (1) dass KI-generierte Randomisierungsregeln, Kit-Typen und Ausgabepläne als nicht festgeschriebene Entwürfe behandelt werden, die vor der Produktivfreigabe eine dokumentierte Freigabe durch einen qualifizierten Biostatistiker und den Verantwortlichen für die Studienversorgung erfordern; und (2) dass das System automatisierte KI-Schreibzugriffe auf produktive Randomisierungstabellen oder Kit-Zuweisungsalgorithmen während der laufenden Studie strikt verhindert.

  • Elektronische Bewertung klinischer Ergebnisse (eCOA):

    Angaben von EClinCloud: EClinCloud gibt an, dass sein eCOA-Modul fünf Bewertungsmodalitäten unterstützt: elektronische patientenberichtete Ergebnisse (ePRO), elektronische von Klinikern berichtete Ergebnisse (eClinRO), elektronische von Beobachtern berichtete Ergebnisse (eObsRO), elektronische leistungsorientierte Ergebnisse (ePerfO) und elektronische Tagebücher (eDiary) [39]. Das Unternehmen berichtet, dass Echtzeit-Qualitätsprüfungen von Kamerabildern die Akzeptanzraten bei Fotoaufnahmen in einer pädiatrischen Phase-II-Studie von 40 % auf etwa 95 % verbessert und gleichzeitig die Nachbearbeitungszyklen von 24–48 Stunden auf unter 5 Sekunden verkürzt haben [39]. Zudem berichtet es über eine automatisierte Textextraktion von Arzneimitteletiketten mit einer Genauigkeit von 95 % in unter 5 Sekunden sowie eine automatisierte Maskierung personenbezogener Daten (PII) [39]. Die Plattform umfasst einen rollenbasierten Dialogassistenten (LinBot), der Fragen zum System und zu Arbeitsabläufen beantwortet [39].

    Klassifizierung und Überprüfung durch EClinCloud. Hinweisende Bildqualitätsprüfungen fallen unter Zweig 2C in Stufe 3. Die Etikettenextraktion entspricht Stufe 3, sofern der Teilnehmer oder das Prüfzentrum den extrahierten Wert vor dem Speichern bestätigt. Überprüfen Sie die zuordenbare Bestätigung vor der Übernahme, die Protokollierung der Rohextraktion und der Bestätigung sowie die Platzierung vorgeschlagener Werte anhand der Hinweise zum automatischen Ausfüllen in Abschnitt 5.1. Die auf der Website beschriebene Workflow-Unterstützung durch LinBot entspricht Stufe 1. Sofern Teilnehmer sie nutzen können, überprüfen Sie die Navigationsschutzmaßnahmen in Abschnitt 3.2, einschließlich geltender Offenlegungen des Anbieters, Ablehnung, Eskalation und Sicherheitsprüfung durch das Prüfzentrum [7].

  • Wissenschaftliche und klinische Studiendienstleistungen (Abgrenzung zu menschlichen Fachkräften):

    Angaben von EClinCloud: In der öffentlichen Leistungsdokumentation von EClinCloud sind Skalenmanagement, linguistische Validierung (einschließlich Übersetzung, Rückübersetzung und kognitiver Nachbefragung) sowie Beurteilerschulung als betreute klinische Studiendienstleistungen aufgeführt [40].

    Klassifizierung von EClinCloud und empfohlene Überprüfung durch den Sponsor: Wir weisen darauf hin, dass es sich bei diesen Angeboten um spezialisierte menschliche klinische und sprachliche Dienstleistungen handelt und nicht um automatisierte Softwarefunktionen. Sponsoren sollten bei der Dienstleistungsqualifizierung überprüfen, ob Lizenzgenehmigungen für die Skalen formell von den Urheberrechtsinhabern eingeholt wurden und ob die Arbeitsabläufe der linguistischen Validierung qualifizierte Sprachwissenschaftler der Zielsprache einbinden.

  • Elektronischer Trial Master File (eTMF):

    Angaben von EClinCloud: EClinCloud gibt an, dass sein eTMF-Modul eine automatisierte Dokumentenklassifizierung anhand des TMF-Index zusammen mit Qualitätsprüfungen beim Hochladen (Erkennung doppelter Dateien, leerer Seiten, unscharfer Scans und von Wasserzeichen) sowie Unterstützung durch LinBot bietet, und weist ausdrücklich darauf hin, dass "die Ablage durch eine Person bestätigt wird" [41].

    Klassifizierung von EClinCloud und empfohlene Überprüfung durch den Sponsor: Wir würden diesen Arbeitsablauf als Entwurfsklassifizierung der Stufe 2 einstufen. Sponsoren sollten überprüfen: (1) dass automatisierte Dokumentenindex-Vorschläge ein Artefakt nicht ohne authentifizierte Bestätigung durch eine menschliche Dokumentenfachkraft in den Status Filed überführen können; und (2) dass vorgeschlagene Klassifizierungs-Tags und menschliche Bestätigungsaktionen im Audit-Trail protokolliert werden.

  • Klinisches Studienmanagementsystem (CTMS):

    Angaben von EClinCloud: EClinCloud gibt an, dass CTMS eine Ein-Klick-KI-Projekteinrichtung, eine RBQM-gestützte Überwachung sowie ein KI-Korrekturlesen von Monitoring-Berichten bietet. Die Plattformseite beschreibt ein KI-Risiko-Scanning [35] [42].

    Klassifizierung von EClinCloud und empfohlene Überprüfung durch den Sponsor: Wir würden den Entwurf der Einrichtung als Stufe 2, das Korrekturlesen von Monitoring-Berichten als Stufe 1 und das KI-Risiko-Scanning (Plattformseite) als Stufe 3 einstufen. Sponsoren sollten überprüfen: (1) dass Risikosignale und Entwürfe von Monitoring-Berichten vor der Ablage eine authentifizierte menschliche Freigabe durch CRA und Studienmanager erfordern; und (2) dass jedes KI-Risikomodell vordefinierten Rekalibrierungsgrenzen im Rahmen der Änderungskontrolle nach Muster 2 folgt.

  • Unabhängiges Bewertungsgremium (IRC), Ressourcenmanagement (RM) und eLearning:

    Angaben von EClinCloud. EClinCloud führt IRC, Ressourcenmanagement und eLearning als Plattformmodule auf [35].

    Klassifizierung von EClinCloud und empfohlene Überprüfung durch den Sponsor: Sponsoren sollten überprüfen, ob das Modul IRC eine automatisierte KI-Läsionsbewertung umfasst oder rein als verblindete Workflow-Management-Plattform für menschliche klinische Gutachter arbeitet, und bestätigen, dass die Bewertungsfunktionen von eLearning deterministisch arbeiten.

8.3 Empfohlene Audit-Fragen vor dem Produktivstart der Studie

Bei der Durchführung eines formellen Qualifizierungsaudits bei EClinCloud oder einem gleichwertigen eClinical-Softwareanbieter im Rahmen einer Vertraulichkeitsvereinbarung sollten Qualitätssicherungs-Auditoren des Sponsors die folgenden Verifizierungsnachweise anfordern:

  1. ISO/IEC 42001:2023-Zertifizierungspaket: Prüfen Sie den unabhängigen Auditbericht Dritter sowie die Erklärung zur Anwendbarkeit für das Managementsystem für künstliche Intelligenz des Anbieters und bewerten Sie dabei die internen Risikomanagementverfahren hinsichtlich algorithmischer Drift, Datenherkunft und menschlicher Kontrollmechanismen (Human-in-the-Loop) [36].
  2. Vertragliche Klauseln zur Modell-Governance: Vergewissern Sie sich, dass der Rahmenvertrag (Master Services Agreement) oder die Qualitätsvereinbarung des Anbieters Folgendes umfasst: (a) die Mitteilungsregelung in Abschnitt 4.1; (b) den behördlichen Inspektionszugang zu Modellarchitektur und Trainingsdokumentation, soweit gemäß Abschnitt 2.3.3.1 des EMA-Reflexionspapiers [9] angemessen; und (c) technische Rückfall- und Rollback-Möglichkeiten, soweit bei selbst gehosteten oder unterstützten Anbieterversionen realisierbar.
  3. Architektur zur Quellennachverfolgung. Überprüfen Sie das Verfahren zur Kontrolle durch den Prüfer in Abschnitt 5.1 anhand technischer Datenflussdiagramme für geschwärzte klinische Laborunterlagen oder eCOA-Fotos.
  4. Demonstration des Audit-Trail-Exports. Fordern Sie eine Live-Rekonstruktion eines KI-gestützten eCRF-Eintrags gemäß Abschnitt 5.3 an.
  5. Überprüfung von Hosting und souveränen Datengrenzen: Prüfen Sie bei multiregionalen klinischen Studien, die Beschränkungen des grenzüberschreitenden Datentransfers unterliegen, die Private-Cloud- oder dedizierten VPC-Konfigurationen des Anbieters, um zu bestätigen, dass Daten aus klinischen Studien und Inferenz-Pipelines innerhalb der festgelegten nationalen Rechtsräume verbleiben [35].

Sponsoren, die Qualifizierungsgrenzen auf Modulebene, Audit-Trail-Schemata und souveräne Hosting-Architekturen besprechen möchten, können EClinCloud über die Seite zur Anforderung einer Produktdemonstration oder das allgemeine Kontaktportal kontaktieren.


9. Methodik und Einschränkungen

Um vollständige Transparenz hinsichtlich der in diesem Bericht dargestellten Evidenz und Analyserahmen zu gewährleisten, werden die folgenden methodischen Grenzen und Einschränkungen ausdrücklich dokumentiert:

  • Regulatorische Texte. Die Analyse stützt sich auf die im Text genannten primären Verordnungen, verabschiedeten Leitlinien und Entwürfe. Die Umsetzungsdaten für China und die EU entsprechen den Angaben in den zitierten Dokumenten. Stimmen Sie die Analyse auf die Genehmigung, den Markt und die Zweckbestimmung der jeweiligen Studie ab.

  • Redaktionelle Konvention. Verbindliche Vorgaben sind mit ihrer Verordnungs- oder Artikelnummer gekennzeichnet. Artikel 47 der EU-Verordnung über klinische Prüfungen weist Sponsoren und Prüfer an, die ICH-GCP-Leitlinien angemessen zu berücksichtigen. Die Qualifizierungsstufen, Muster für die Änderungskontrolle, Auditfelder, Zahlenbeispiele und der Zeitplan sind Empfehlungen von EClinCloud [18].

  • Literatur und Primärbelege. Abschnitt 2 stützt sich auf die veröffentlichten Berichte von Shyr, Carroll, Yang, McKown, Karako und Gao sowie Thierry. Die Abschnitte 3 und 4 stützen sich auf den MHRA-Sandbox-Bericht, die QTL-Studie von Yan sowie die dort zitierten regulatorischen Quellen [10] [24] [25] [26] [27] [28] [21] [29].

  • Leistungskennzahlen des Anbieters: Alle mit den Softwaremodulen von EClinCloud verbundenen Leistungskennzahlen und Angaben zur betrieblichen Effizienz (wie OCR-Genauigkeitsprozentsätze, Verkürzungen der Erstellungszeiten und Bestehensquoten bei Fotoaufnahmen) sind vom Unternehmen gemeldete Kennzahlen aus öffentlich zugänglicher Dokumentation, abgerufen am 13. November 2026 [35][36][37][38][39][40][41][42]. Diese Kennzahlen wurden nicht unabhängig durch Regulierungsbehörden geprüft oder validiert. Sponsoren müssen die Softwareleistung eigenständig anhand ihrer eigenen Prüfpläne, Benutzeranforderungen und Golden-Benchmark-Testsuiten validieren.


Zentrale Erkenntnisse für Clinical-Operations- und Qualitätssicherungsteams

  1. Verbindliche Vorschriften und geltende Leitlinien identifizieren. Dokumentieren Sie die für die Funktion maßgeblichen Verordnungen, verabschiedeten Leitlinien und Entwürfe. Artikel 47 der EU-Verordnung über klinische Prüfungen weist Sponsoren und Prüfer an, die ICH-GCP-Leitlinien angemessen zu berücksichtigen [18].
  2. Jeden Arbeitsablauf klassifizieren. Verwenden Sie die Drei-Fragen-Vorprüfung in Abschnitt 3.1, um unbestätigte Schreibvorgänge, die Nähe zu Teilnehmern oder Entscheidungen sowie die Einstufungen von Einfluss und Konsequenzen zu prüfen.
  3. Bereitstellungsgerechte Versionskontrolle und Schutzmaßnahmen gegen Drift umsetzen: Verlangen Sie kryptografische SHA-256-Prüfsummen der Modellgewichte und Container-Images für selbst gehostete Open-Weight-Modelle. Verlangen Sie bei kommerziellen Cloud-APIs fixierte, datierte Modellkennungen, eine vertragliche Vorankündigung bei Abkündigung eines Modells sowie regelmäßige Wiederholungsläufe mit dem Golden-Set und vorab definierten Toleranzbändern. Bei pivotalen Studien erwartet die EMA, dass Modelle und Vorverarbeitungs-Pipelines, die zur Hypothesenprüfung verwendet werden, vor der Datenbanksperre eingefroren und dokumentiert werden [9].
  4. Nachweise für Inspektionen aufbewahren. Ziehen Sie die Abschnitte 5.1 und 5.3 für die Kontrolle durch den Prüfer, Exporte und die Begrenzung der Berichterstattung zu individuellen Verweilzeiten heran.

Quellen

1. U.S. FDA — Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products (Entwurf einer Leitlinie, Aktenzeichen FDA-2024-D-4689, 6. Januar 2025; Entwurf – nicht zur Umsetzung bestimmt)

2. International Council for Harmonisation (ICH) — Guideline for Good Clinical Practice E6(R3), konsolidierte endgültige Leitlinie der Stufe 4 (angenommen am 16. Juni 2026; Grundsätze & Anhang 1 finalisiert am 6. Januar 2025; Anhang 2 angenommen am 3. Juni 2026)

3. Europäische Arzneimittel-Agentur (EMA) — ICH Guideline E6(R3) on Good Clinical Practice (Grundsätze & Anhang 1 wirksam ab 23. Juli 2025; Anhang 2 & konsolidierte Fassung wirksam ab 15. Januar 2027)

4. U.S. FDA — E6(R3) Good Clinical Practice (GCP) (Endgültige Level-1-Leitlinie, Aktenzeichen FDA-2023-D-1955, September 2025)

5. China National Medical Products Administration (NMPA) — Good Clinical Practice for Drugs (Revision 2026, Bekanntmachung 2026 Nr. 50, gemeinsam herausgegeben von NMPA, NHC, NATCM und NDCPA am 21. Mai 2026; wirksam ab 1. September 2026)

6. China Center for Drug Evaluation (CDE) — Bekanntmachung 2026 Nr. 44 zur Veröffentlichung der Leitlinie zu computergestützten Systemen und elektronischen Daten in klinischen Arzneimittelprüfungen, wirksam ab dem 22. September 2026 (Bekanntmachung von China Food and Drug Net wiedergegeben, mit beigefügtem PDF der Leitlinie)

7. Europäische Union, Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Verordnung über künstliche Intelligenz), Amtsblatt L, 12. Juli 2024

8. Europäische Union, Verordnung (EU) 2026/1744 zur Änderung der Verordnungen (EU) 2024/1689, (EU) 2018/1139 und (EU) 2023/1230 (Digitaler Omnibus zur KI), Amtsblatt L, 24. Juli 2026

9. Europäische Arzneimittel-Agentur (EMA) — Reflexionspapier zum Einsatz künstlicher Intelligenz (KI) im Lebenszyklus von Arzneimitteln (EMA/CHMP/CVMP/83833/2023, verabschiedet im September 2024)

10. Shyr C, Taylor R, Jagtap V, Cheng AC, Harris PA — Generative artificial intelligence implementation in REDCap, JAMIA Open, Juni 2026 (PMID 42369825 / PMC13302799)

11. U.S. FDA & Europäische Arzneimittel-Agentur (EMA) — Guiding Principles of Good AI Practice in Drug Development (10 gemeinsame unverbindliche Grundsätze, Januar 2026)

12. U.S. FDA — Electronic Systems, Electronic Records, and Electronic Signatures in Clinical Investigations: Questions and Answers (Rev. 1, endgültige unverbindliche Leitlinie, Oktober 2024)

13. U.S. FDA — Digital Health Technologies for Remote Data Acquisition in Clinical Investigations (endgültige unverbindliche Leitlinie, Dezember 2023)

14. U.S. FDA — Computer Software Assurance for Production and Quality Management System Software (endgültige unverbindliche Leitlinie, Docket FDA-2022-D-0795, neu herausgegeben am 3. Februar 2026)

15. U.S. FDA — Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions (endgültige unverbindliche Leitlinie, Docket FDA-2022-D-2628, neu herausgegeben am 18. August 2025)

16. U.S. FDA — Artificial Intelligence-Enabled Device Software Functions: Lifecycle Management and Marketing Submission Recommendations (Leitlinienentwurf, Docket FDA-2024-D-4488, 7. Januar 2025; Entwurf — nicht zur Anwendung bestimmt)

17. FDA. E6(R3) Good Clinical Practice: Annex 2, Leitlinienentwurf der Stufe 1. Abgerufen am 13. November 2026.

18. Europäisches Parlament und Rat — Verordnung (EU) Nr. 536/2014 über klinische Prüfungen mit Humanarzneimitteln und zur Aufhebung der Richtlinie 2001/20/EG, Amtsblatt L 158, 27. Mai 2014

19. Europäische Arzneimittel-Agentur (EMA) — Guideline on Computerised Systems and Electronic Data in Clinical Trials (EMA/INS/GCP/112288/2023, veröffentlicht im März 2023, wirksam sechs Monate nach Veröffentlichung)

20. Europäische Kommission (GD SANTE) — Stakeholders' Consultation on EudraLex Volume 4 GMP Guidelines: Chapter 4, Revised Annex 11 and New Annex 22 on AI (Konsultation zum Entwurf im Oktober 2025 abgeschlossen; Entwurfsstatus Ende 2026)

21. UK MHRA — AI Airlock Sandbox Phase 2 Programme Report (unterstützt durch DHSC und RIO; 51 Bewerbungen, 7 Pilotkandidaten; veröffentlicht im Juni 2026, aktualisiert im Juli 2026)

22. UK MHRA — AI Airlock Phase 3 – Übersicht über das Regulatory-Sandbox-Programm (veröffentlicht am 6. Oktober 2026)

23. International Society for Pharmaceutical Engineering (ISPE) — GAMP Guide: Artificial Intelligence (Juli 2025) & Rahmenwerk GAMP 5 Second Edition

24. Carroll A, Brown D, Silvio D, Maszatics J, Hanauer DA — Evaluating large language models for automated REDCap support ticket triage and response, JAMIA Open, Juni 2026 (PMID 42261354 / PMC13242945)

25. Yang Z — Machine learning for site risk prediction in clinical trials: development, external validation, and operational application in site qualification, International Journal of Medical Informatics, Mai 2026 (PMID 41741318)

26. McKown S, Arnold B, Boucher F et al. (ISOQOL TCA-SIG AI Working Group) — Use of AI within COA linguistic validation and eCOA migration processes: analysis and good practice recommendations, Journal of Patient-Reported Outcomes, Februar 2026 (PMID 41652288)

27. Karako K, Gao J — Artificial intelligence (AI)-assisted ultrasound in clinical trials: Endpoint automation, decentralized monitoring, and regulatory readiness, Drug Discoveries & Therapeutics, Mai 2026 (PMID 42002939)

28. Thierry A, Manson A, Podhaisky HP — How Digital Health Technologies Have Been Used to Support Regulatory Drug Approval, Therapeutic Innovation & Regulatory Science, online veröffentlicht im Juli 2026; Ausgabe November 2026 (PMID 42440213)

29. Yan L, Yu Z, Wu L, Liu R, Lin J — Optimizing Quality Tolerance Limits Monitoring in Clinical Trials Through Machine Learning Methods, Therapeutic Innovation & Regulatory Science, Mai 2025 (PMID 40000584)

30. Europäische Union, Verordnung (EU) 2017/745 des Europäischen Parlaments und des Rates über Medizinprodukte (MDR), Artikel 62–82 und Anhang XV: Klinische Prüfungen, Amtsblatt L 117, 5. Mai 2017

31. 21 CFR § 11.10 — Kontrollen für geschlossene Systeme (eCFR)

32. Europäische Kommission — Unterstützung der Umsetzung des AI Act mit klaren Leitlinien

33. Europäische Union — Verordnung (EU) 2017/746 über In-vitro-Diagnostika, einschließlich Leistungsstudien

34. Medical Device Coordination Group (MDCG) & AI Board — MDCG 2025-6 / AIB 2025-1: Leitfaden zum Zusammenspiel zwischen den EU-Verordnungen über Medizinprodukte und der EU-Verordnung über künstliche Intelligenz (AI Act) (Juni 2025)

35. EClinCloud — Architektur und Hosting-Optionen der einheitlichen Plattform für klinische Evidenz (Abgerufen am 13. November 2026)

36. EClinCloud — Vertrauens- und Compliance-Rahmenwerk (ISO/IEC 42001:2023-Zertifizierung, CSA STAR, DJCP China MLPS; Abgerufen am 13. November 2026)

37. EClinCloud — Elektronische Datenerfassung (EDC) – Lösungsspezifikation (LLM-Prüfplan-Parsing & medizinische OCR; Abgerufen am 13. November 2026)

38. EClinCloud — Lösungsspezifikation: Randomisierung und Studienversorgung (RTSM) (Abgerufen am 13. November 2026)

39. EClinCloud — Lösungsspezifikation: Elektronische Erfassung klinischer Ergebnisse (eCOA) (Fünf Modalitäten, Bildqualitätssicherung und LinBot; Abgerufen am 13. November 2026)

40. EClinCloud — Wissenschaftliche und klinische Studiendienstleistungen (Skalenmanagement, linguistische Validierung und Rater-Schulung; Abgerufen am 13. November 2026)

41. EClinCloud — Lösungsspezifikation: Elektronischer Trial Master File (eTMF) (Automatische TMF-Index-Klassifizierung; Abgerufen am 13. November 2026)

42. EClinCloud — CTMS: RBQM-gestützte Überwachung und KI-gestütztes Korrekturlesen von Berichten (Abgerufen am 13. November 2026)