---
title: "Digitale Technologien für Studienrekrutierung"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2022/02/11/digitale-technologien-fuer-studienrekrutierung/"
human_version: "../../../../../1/blog/2022/02/11/digitale-technologien-fuer-studienrekrutierung/"
date: "2022-02-11"
section: "Review-Artikel"
categories: ["Automatisierung von Prozessen", "Big Data", "Forschung", "KI", "Machine Learning", "Pharma"]
author: "Jonathan Koß"
reading_time: "7 Min."
description: "Wie können digitale Technologien genutzt werden, um eine erfolgreiche Studienrekrutierung zu unterstützen?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Digitale Technologien für Studienrekrutierung

*11.02.2022 · Review-Artikel · Von Jonathan Koß*

Review-Artikel

Klinische Studien sind ein grundlegendes Instrument zur Bewertung der Wirksamkeit und Sicherheit neuer Arzneimittel, die für die erfolgreiche Zulassung und Vermarktung unumgänglich ist. Derzeitige operative Ineffizienzen klinischer Studien, beispielsweise die Identifizierung und Rekrutierung der Teilnehmer treiben die Kosten in die Höhe (1) und gelten im Allgemeinen als eine der größten Herausforderungen bei der Durchführung klinischer Studien (2). Beispielsweise müssen 40 Prozent der klinischen Studien aufgrund von Schwierigkeiten bei der Rekrutierung vorzeitig abgebrochen werden. Bis zu 50 Prozent der Studien müssen verlängert werden, um eine ausreichende Zahl von Teilnehmern zu rekrutieren und nur etwa 30 Prozent der klinischen Studien können ihre Rekrutierungsziele überhaupt erreichen. Infolge der unzureichenden Rekrutierung leiden viele Studien unter einem Mangel an statistischer Aussagekraft sowie zusätzlichen Kosten (2). Können digitale Tools den Rekrutierungsprozess unterstützen?

### **Patientenrekrutierung als Grundlage klinischer Studien**

Klinische Studien scheitern aus einer Vielzahl von Gründen, z. B. weil nicht genügend Teilnehmer rekrutiert werden konnten oder Patienten mitten in der Studie aussteigen (3). Dabei ist oft nicht die theoretische Verfügbarkeit von passenden Patienten das Problem, sondern die tatsächliche Rekrutierungsquote (3). Zum Beispiel nehmen nur etwa 8 Prozent der Krebspatienten an Krebsstudien teil, was zeigt, dass die Identifikation und Rekrutierung eines theoretisch passenden Patienten ein Flaschenhals darstellt.

### **Matching von Patienten und klinischen Studien ist entscheidend**

Die richtige Studie für den richtigen Patienten zu finden, ist ein zeitaufwändiger und schwieriger Prozess, sowohl für das klinische Studienteam als auch für den Patienten und gleichzeitig entscheidend für den Erfolg der Studie. Beispielsweise kann eine geringe Anzahl von Probanden, die statische Aussagekraft der Studien vermindern (3). Heutzutage gibt es zwei klassische Mechanismen, die zur Rekrutierung von Patienten verwendet werden: Einerseits erhalten Patienten Studienempfehlungen von ihren Ärzten. Dies setzt voraus, dass die Ärzte von diesen Studien wissen und bestenfalls auch die Ein- und Ausschlusskriterien kennen. Andernfalls ist es oft die Aufgabe des Patienten, sich über klinische Studien zu informieren. Anknüpfungspunkte können Datenbanken sein, wie zum Beispiel ClinicalTrials.gov oder auch Werbung, die sich an potentielle Studienteilnehmer richtet. Hierbei kann es zu hohen Streuverlusten kommen. Beispielsweise kann es sein, dass Werbung in sozialen Medien Nutzern angezeigt wird, die nicht für die Studie in Frage kommen oder Ärzte Patienten auf Studien hinweisen, die für diese Patienten nicht geeignet sind, weil diese beispielsweise ein bestimmtes Einschlusskriterium nicht erfüllen. Dies führt dazu, dass das Rekrutierungsteam mit Anfragen von ungeeigneten Patienten konfrontiert wird, was einerseits ineffizient ist und andererseits für den Patienten frustrierend sein kann. Das grundlegende Problem hierbei ist, dass relevante Informationen, beispielsweise bestimmte Laborwerte oder Diagnosen, nicht verfügbar sind, sodass eine gezieltere Ansprache und Vorabselektion kaum möglich ist.

### **Durch elektronische Gesundheitsakten ergeben sich neue Möglichkeiten**

Elektronische Gesundheitsakten (EHR) werden zunehmend auch in der Forschung zur Identifikation passender Patienten eingesetzt. Einerseits bietet dies den Vorteil, dass relevante Daten, die eine gezielte Selektion ermöglichen, vorliegen. Andererseits ermöglicht das digitale Format eine automatisierte Verarbeitung der Daten (4). Exemplarisch haben Tissot et al. (5) mit Hilfe der CogStack-Plattform Freitextdaten aus der elektronischen Patientenakte mittels Methoden des Natural Language Processings (NLP) verarbeitet, um die Rekrutierung für die LeoPARDS-Studie zu simulieren (5). Diese klinische Studie untersucht die Verringerung von Organdysfunktionen bei septischem Schock. Sie nutzen einen Algorithmus, um in Frage kommende Patienten zu identifizieren, und verglichen die durch dieses Ansatz identifizierten Patienten mit den tatsächlich untersuchten und für die Studie rekrutierten Patienten (5). Anschließend überprüften die Autoren manuell eine Zufallsstichprobe von Patienten, die durch den Algorithmus identifiziert, aber nicht in der ursprünglichen Studie untersucht wurden. Mit dieser Methode wurden 376 Patienten identifiziert, darunter 34 Patienten, die tatsächlich für LeoPARDS Studie rekrutiert wurden. Die Sensitivität von CogStack für die Identifizierung der gescreenten Patienten betrug 90 Prozent (5). Patientenmerkmale aus elektronischen Patientenakten könnten so Studien anhand bestimmter Einschlusskriterien zugeordnet werden, um die Patientenauswahl effizienter zu gestalten.

### Fazit

Zusammenfassend lässt sich sagen, dass die Analyse von EHR-Daten unter Verwendung von NLP die Rekrutierung in einer Studie effektiv unterstützten kann, indem der Selektionsprozess zielgerichtet, basierend auf einer umfangreichen Datengrundlage und automatisiert erfolgt. Theoretisch könnten durch Algorithmen somit im Vergleich zu herkömmlichen manuellen Selektionsstrategien in kürzerer Zeit ein Vielfaches an potentiellen Probanden gescreent werden. Gleichzeitig sinkt der Aufwand, der durch die manuelle Vorselektion potentieller Teilnehmer entsteht, was die Effizienz der Studienrekrutierung, beispielsweise durch einen geringeren Personaleinsatz erhöhen könnte. Dies setzt jedoch voraus, dass umfassende EHR Daten verfügbar sind. Darüber hinaus unterliegen Algorithmen ebenfalls einer Fehlerrate, sodass diese Lösung keine uneingeschränkte Verlässlichkeit ermöglicht.

<a id="expandable-block--6aac4bc9815cb"></a>

Quellen

1. Inan O, Tenaerts P, Prindiville S, Reynolds H, Dizon D, Cooper-Arnold K, et al. Digitizing clinical trials. NPJ digital medicine. 2020;3(1):1-7 [zum Original](https://www.nature.com/articles/s41746-020-0302-y)
2. Kakumanu S, Manns BJ, Tran S, Saunders-Smith T, Hemmelgarn BR, Tonelli M, et al. Cost analysis and efficacy of recruitment strategies used in a large pragmatic community-based clinical trial targeting low-income seniors: a comparative descriptive analysis. Trials. 2019;20(1):577 [zum Original](https://link.springer.com/article/10.1186/s13063-019-3652-5)
3. Fogel DB. Factors associated with clinical trials that fail and opportunities for improving the likelihood of success: a review. Contemporary clinical trials communications. 2018;11:156-64 [zum Original](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6092479/)
4. Cowie MR, Blomster JI, Curtis LH, Duclaux S, Ford I, Fritz F, et al. Electronic health records to facilitate clinical research. Clinical Research in Cardiology. 2017;106(1):1-9 [zum Original](https://link.springer.com/article/10.1007/s00392-016-1025-6)
5. Tissot HC, Shah AD, Brealey D, Harris S, Agbakoba R, Folarin A, et al. Natural language processing for mimicking clinical trial recruitment in critical care: a semi-automated simulation based on the LeoPARDS trial. IEEE journal of biomedical and health informatics. 2020;24(10):2950-9 [zum Original](https://ieeexplore.ieee.org/abstract/document/9027845)





#### Verwandte Artikel

- [Big Data in der pharmazeutischen Forschung](../../../2020/06/02/big-data-in-der-pharmazeutischen-forschung.md)
- [Digitale Pharmakovigilanz &#8211; Trends in der Arzneimittelüberwachung](../../../2020/03/31/digitale-pharmakovigilanz.md)
- [Innovative Arzneimittel – Präzisionsmedizin in der Pharmaindustrie](../../../2020/02/25/innovative-arzneimittel-durch-praesizionsmedizin.md)


**Kategorien:** Automatisierung von Prozessen, Big Data, Forschung, KI, Machine Learning, Pharma

## Bilder auf dieser Seite

- shutterstock_159268991-1320x990.jpg: ../../../../../1/assets/bilder/wp-content/uploads/2022/04/shutterstock_159268991-1320x990.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Digitale Technologien für Studienrekrutierung](../../../../../1/blog/2022/02/11/digitale-technologien-fuer-studienrekrutierung/)
