---
title: "Innovative Arzneimittel – Präzisionsmedizin in der Pharmaindustrie"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2020/02/25/innovative-arzneimittel-durch-praesizionsmedizin/"
human_version: "../../../../../1/blog/2020/02/25/innovative-arzneimittel-durch-praesizionsmedizin/"
date: "2020-02-25"
section: "Review-Artikel"
categories: ["Forschung", "Machine Learning", "personalisierte Medizin", "Pharma"]
author: "Jonathan Koß"
reading_time: "6 Min."
description: "Präzisionsmedizin bezieht Genetik und Lebensstil eines Patienten ein, um durch eine Wirksamkeit durch innovative Arzneimittel zu erreichen."
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Innovative Arzneimittel – Präzisionsmedizin in der Pharmaindustrie

*25.02.2020 · Review-Artikel · Von Jonathan Koß*

Review-Artikel

Das Geschäftsmodell forschender pharmazeutischer Unternehmen basiert auf der Entwicklung innovativer Arzneimittel, die im Vergleich zum Therapiestandard einen hohen therapeutischen Zusatznutzen aufweisen. Diese patentierten „Blockbuster“ Medikamente ermöglichen überdurchschnittliche Erlöse. Zukünftig soll ein hoher Zusatznutzen durch die

Präzisionsmedizin

(PM)

erzielt werden. Die

PM

bezieht die Genetik und den Lebensstil eines Patienten ein, um durch die Berücksichtigung individueller Patientenmerkmale eine starke therapeutische Wirksamkeit zu erreichen (1-3). Aufgrund des hohen Zusatznutzens nehmen pharmazeutische Unternehmen die

PM

als Wachstumsmarkt wahr (3, 4): Während personalisierte Medikamente im Jahr 2005 noch 5 Prozent der Zulassungen durch die

Food and Drug Administration

(FDA)

ausmachten, nehmen diese 2016 bereits 70 Prozent ein (4). Erforschung und Entwicklung dieser Medikamente ist jedoch komplex und mit steigenden Kosten verbunden (2, 5). Im Folgenden wird daher der Frage nachgegangen, ob mit Hilfe von neuen Möglichkeiten durch die digitale Transformation der Branche die Effizienz des Entwicklungsprozesses in der

PM

gesteigert werden kann.

### **Präzisionsmedizin – wirksam und komplex**

Insbesondere im onkologischen Bereich wird durch den Einsatz von PM ein hoher medizinischer Zusatznutzen erwartet (1, 3). Exemplarisch unterstützten die Companion Diagnostics, bestehend aus einem diagnostischen Test und einem zugehörigen therapeutischen Arzneimittel, die patientenindividuelle Therapieentscheidung sowie ein effektives Therapieregime (3). Mittels eines Biomarkers wird die Verträglich- und Wirksamkeit des Medikaments anhand des Geno- und/oder Phänotyps (z. B. medizinische Bildgebung, molekulare Analysen, Lebensstil) vorab bestimmt.

### **Aufschlussreiche, aber unstrukturierte Daten**

Durch die Digitalisierung des Gesundheitswesens nimmt die Verfügbarkeit elektronischer Gesundheitsdaten zu. Exemplarisch sind Informationen über den Genotyp in biomedizinischen Datenbanken verfügbar. Informationen des Phänotyps liegen in elektronischen Gesundheitsakten oder -apps vor (1, 2, 7). Obwohl der Zugang zu diesen Informationen teilweise eingeschränkt ist, exemplarisch aufgrund des Datenschutzes, nimmt die Datengrundlage zur Entwicklung innovativer Produkte der PM stetig zu (7). Gleichzeitig wächst mit der Datenmenge auch eine zentrale Herausforderung: Die genannten Datensätze sind überwiegend unstrukturiert, sodass die Auswertung oft manuell erfolgt. Dies ist ein Kostentreiber und macht die Forschung auf Grundlage unstrukturierter Daten ineffizient (1, 2).

### **Natural Language Processing macht unstrukturierte Daten zugänglich**

Eine Möglichkeit die Effizienz der textbasierten Datengenerierung und Auswertung im Rahmen des Forschungsprozesses zu steigern, ist Natural Language Processing (1, 6-9). Das NLP erlaubt die Extraktion, Segmentierung und Analyse von textbasierten Daten unter Berücksichtigung der Metadaten, beispielsweise des Inhalts, Kontexts und Satzbaus (1, 6-10). Dies ermöglicht eine besonders effiziente Selektion von unstrukturierten Daten bezüglich relevanter Informationen. Im Forschungsprozess der PM kann NLP somit genutzt werden, um die unstrukturierten Informationen von biomedizinischen Datenbanken (Erkenntnisse über den Genotyp) sowie aus elektronischen Akten und Apps (Erkenntnisse über den Phänotyp) automatisiert zu selektieren (1, 7). Durch die Standardisierung dieser Informationen kann eine weiterführende automatisierte Auswertung unterstützt und der Forschungsprozess insgesamt effizienter werden (1).

### **Automatisierte Auswertung unstrukturierter Daten birgt großes Potential**

Um wettbewerbsfähig zu sein, entwickeln pharmazeutische Unternehmen verstärkt Produkte im Segment der PM. Für die Entwicklung dieser Medikamente werden unstrukturierte Daten zunehmend wichtiger, dessen Verarbeitung durch NLP effizienter vollzogen werden kann: Kosten können bei gleichzeitiger Verkürzung des zeitlichen Aufwandes durch die automatisierte Selektion relevanter Informationen eingespart werden. Im Kontext einer möglichen Patentanmeldung eines Blockbuster Medikaments kann somit ein entscheidender zeitlicher Vorteil generiert werden. Folglich sollten pharmazeutische Unternehmen einerseits Fähigkeiten im Bereich Data Science, speziell NLP, aufbauen und andererseits weitere Anwendungsfälle evaluieren, beispielsweise zur Identifikation von Off Label Use Cases (Verwendung von Arzneimitteln für eine nicht zugelassene Indikation oder in einer nicht zugelassenen Altersgruppe, Dosierung oder Art der Verabreichung). Aufgrund bestehender starker Abhängigkeiten vom Datenschutz, ist die Erforschung und Verwendung in Ländern mit einem liberalen Datenschutzrecht zu empfehlen.

Lesen Sie auch folgenden Artikel: [Wie die Supply Chain von Arzneimittelherstellern mit Big Data optimiert wird](../../../2022/12/21/wie-die-supply-chain-von-arzneimittelherstellern-mit-big-data-optimiert-wird.md)

<a id="expandable-block--6aac4acfb5120"></a>

Quellen

1. Gonzalez GH, Tahsin T, Goodale BC, Greene AC, Greene CS. Recent Advances and Emerging Applications in Text and Data Mining for Biomedical Discovery. Brief Bioinform. 2016,17(1): 33-42. [zum Original](https://academic.oup.com/bib/article/17/1/33/2240575)
2. Wei WQ, Denny JC. Extracting research-quality phenotypes from electronic health records to support precision medicine. Genome Med. 2015, 7(1): 41. [zum Original](https://link.springer.com/article/10.1186/s13073-015-0166-y)
3. Agarwal A, Ressler D, Snyder G. The current and future state of companion diagnostics. Pharmgenomics Pers Med. 2015, 8: 99-110. [zum Original](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4397716/)
4. Personalisierte Medizin: Statistiken und Daten [Internet]. Statista. 2019. [zum Original](https://de.statista.com/themen/3474/personalisierte-medizin/)
5. DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: New estimates of R&D costs. J Health Econ. 2016, 47: 20-33. [zum Original](https://www.sciencedirect.com/science/article/pii/S0167629616000291)
6. Andrulyte M, Bjerrum OJ. Identifying Off-Label Prescriptions Through Data Mining in Danish Community Pharmacy Servers: An Exploratory Study on Desmopressin, Diclofenac, Fucidin, Mirtazapine and Quetiapine. Basic Clin Pharmacol Toxicol. 2018, 123(2): 155-60. [zum Original](https://onlinelibrary.wiley.com/doi/full/10.1111/bcpt.13009)
7. Dreisbach C, Koleck TA, Bourne PE, Bakken S. A systematic review of natural language processing and text mining of symptoms from electronic patient-authored text data. Int J Med Inform. 2019, 125: 37-46. [zum Original](https://www.sciencedirect.com/science/article/abs/pii/S1386505618313789)
8. Feldman R, Netzer O, Peretz A, Rosenfeld B. Utilizing Text Mining on Online Medical Forums to Predict Label Change due to Adverse Drug Reactions. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining – KDD: 2015. 1779-88. [zum Original](https://dl.acm.org/doi/abs/10.1145/2783258.2788608)
9. Rebholz-Schuhmann D, Oellrich A, Hoehndorf R. Text-mining solutions for biomedical research: enabling integrative biology. Nat Rev Genet. 2012, 13(12): 829-39. [zum Original](https://www.nature.com/articles/nrg3337)
10. Blum K, Löffert S, Offermanns M, Steffen P. Krankenhaus Barometer. Düsseldorf: Deutsches Krankenhausinstitut e.V.: 2018. [zum Original](https://www.dki.de/fileadmin/publikationen/2018_11_kh_barometer_final_2_.pdf)





#### Verwandte Artikel

- [KI in der medizinischen Bildgebung. Quo vadis?](../../../2018/12/02/ki-in-der-medizinischen-bildgebung.md)
- [Zukunft deutscher Pharma-Unternehmen und internationale Entwicklungen](../../../2019/11/28/digitale-datenverarbeitung-der-pharmabranche.md)
- [„Real World Evidence“ – vielversprechende Ergänzung zu klassischen Studiendesigns](../../../2019/11/28/real-world-evidence-fuer-die-pharmabranche.md)


**Kategorien:** Forschung, Machine Learning, personalisierte Medizin, Pharma

## Bilder auf dieser Seite

- shutterstock_620211089-min-1320x792.jpg: ../../../../../1/assets/bilder/wp-content/uploads/2020/02/shutterstock_620211089-min-1320x792.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Innovative Arzneimittel – Präzisionsmedizin in der Pharmaindustrie](../../../../../1/blog/2020/02/25/innovative-arzneimittel-durch-praesizionsmedizin/)
