Künstliche Intelligenz wird bereits in vielen Bereichen der Medizin eingesetzt, von der Bildgebung bis zur Wirkstoffforschung. Eine weniger sichtbare Anwendung könnte ebenso wichtig werden: KI bereits vor Beginn einer klinischen Studie einzusetzen.
Klinische Studien sind teuer, langwierig und unsicher. Forschende müssen entscheiden, welche Patienten aufgenommen werden, welche Endpunkte gemessen werden, wie Behandlungsgruppen aufgebaut sind, wie lange die Studie dauert und welche statistische Methode verwendet wird. Diese Entscheidungen können beeinflussen, ob eine Studie eine aussagekräftige Antwort liefert.
QuantHealth entwickelt KI-gestützte Simulationswerkzeuge, mit denen Pharma- und Biotechnologieunternehmen einige dieser Entscheidungen virtuell testen können, bevor eine reale Studie beginnt.
Die Idee ist attraktiv, muss aber vorsichtig interpretiert werden. Ein simulierter Patient ist kein realer Patient, und ein vorhergesagtes Studienergebnis beweist nicht, dass ein Medikament wirkt.
Was bedeutet es, eine klinische Studie zu simulieren?
Bei der Simulation werden mathematische und computergestützte Modelle verwendet, um abzuschätzen, was unter verschiedenen Studiendesigns passieren könnte.
Stellen wir uns ein Pharmaunternehmen vor, das eine Studie für eine neue Behandlung vorbereitet. Vor der Rekrutierung möchte das Team vielleicht wissen, ob andere Einschlusskriterien die Studienpopulation verändern, ob ein anderer Endpunkt aussagekräftiger wäre oder ob ein anderer Behandlungsplan die Wahrscheinlichkeit verändert, einen Effekt zu erkennen.
Traditionell beruhen solche Entscheidungen auf früherer Forschung, biologischen Überlegungen, statistischer Modellierung und Expertenurteil. KI fügt eine weitere Ebene hinzu, indem große Mengen klinischer und biologischer Daten analysiert und Vorhersagen für viele Szenarien erzeugt werden.
QuantHealth gibt an, dass Entwicklungsteams Protokollvariablen verändern und modellierte Auswirkungen auf Ergebnisse, Machbarkeit, Kosten und andere Faktoren prüfen können. Leser können sich den Simulationsprozess von QuantHealth für die klinische Entwicklung ansehen, um den Ansatz des Unternehmens nachzuvollziehen.
Das entscheidende Wort lautet "modelliert". Es handelt sich um Vorhersagen, nicht um klinische Ergebnisse.
Warum Arzneimittelentwickler interessiert sind
Eine schlecht geplante Studie kann Jahre und viel Kapital kosten.
Deshalb besteht ein starker Anreiz, Probleme zu erkennen, bevor der erste Patient aufgenommen wird. Wenn eine Simulation zeigt, dass eine bestimmte Population wahrscheinlich keine nützliche Antwort liefert oder ein Endpunkt schlecht zum erwarteten Behandlungseffekt passt, kann das Design möglicherweise früher geändert werden.
Der potenzielle Nutzen geht über die Vorhersage von Erfolg oder Misserfolg hinaus. Simulation kann als Entscheidungshilfe dienen, um Studienstrukturen, Rekrutierungsannahmen, Patientengruppen und Protokollvarianten zu vergleichen.
Das Interesse wächst parallel zu den KI-Investitionen der Pharmaindustrie. Im August 2026 gab QuantHealth eine Series-B-Finanzierung über 45 Millionen US-Dollar unter Führung von Qumra Capital bekannt. Zu den beteiligten Investoren gehörten unter anderem Pitango HealthTech und Sanofi Ventures. Unabhängige israelische Berichte bestätigten die Runde.
Damit ist QuantHealth ein aktuelles israelisches Beispiel für einen größeren Trend: KI bewegt sich von der frühen Wirkstoffentdeckung hin zu Entscheidungen innerhalb der klinischen Entwicklung.
Die Evidenzfrage lässt sich nicht überspringen
Der Nutzen jeder Simulation hängt vom zugrunde liegenden Modell ab.
Sind die Daten unvollständig, nicht repräsentativ oder verzerrt, kann auch ein anspruchsvolles Modell zu einer irreführenden Aussage gelangen. In der Medizin ist das besonders wichtig, weil Alter, Geschlecht, Genetik, Krankheitsstadium, frühere Behandlungen und andere Variablen Ergebnisse deutlich beeinflussen können.
Ein Modell, das in einem Umfeld gut funktioniert, muss in einem anderen nicht gleich gut sein.
QuantHealth veröffentlicht Beispiele zur Validierung und berichtet, dass seine Plattform für die Simulation Hunderter Studien eingesetzt wurde. Solche Leistungsangaben sollten jedoch als Unternehmensangaben gekennzeichnet bleiben, solange sie nicht in zugänglicher externer Forschung unabhängig reproduziert oder bestätigt wurden.
Diese Trennung ist bei medizinischer KI unverzichtbar.
Regulierungsbehörden fragen ebenfalls nach der Glaubwürdigkeit für den konkreten Einsatz
Die US-amerikanische Food and Drug Administration, FDA, hat einen Rahmen für KI-Modelle in der Arzneimittel- und Biologikaentwicklung entwickelt. Ein zentrales Konzept ist der "Context of Use", also der konkrete Anwendungskontext.
Vereinfacht gesagt reicht die Frage nicht aus, ob ein Modell allgemein genau ist. Man muss wissen, welche Entscheidung es unterstützen soll, auf welchen Daten es beruht, wie es bewertet wurde und welche Folgen ein falsches Ergebnis hätte.
Das hilft auch beim Verständnis klinischer Simulationen. Ein Modell zur Untersuchung alternativer Studiendesigns erfüllt nicht unbedingt dieselbe Aufgabe wie ein Modell, dessen Ergebnis direkt in eine regulatorische Entscheidung einfließt.
Je folgenreicher der Einsatz, desto stärker müssen die zugrunde liegenden Nachweise sein.
Simulation ersetzt keine klinische Studie
Das ist die wichtigste Grenze und zugleich eine der häufigsten Fehlinterpretationen.
KI kann mögliche Ergebnisse simulieren. Sie kann nicht beweisen, dass ein experimentelles Medikament bei echten Patienten sicher und wirksam ist, nur weil ein Modell dies vorhersagt.
Die menschliche Biologie ist komplex, und unerwartete Effekte sind einer der Gründe, warum klinische Studien überhaupt durchgeführt werden.
Die realistischere Rolle von KI besteht kurzfristig darin, Entscheidungen rund um Studien zu verbessern, nicht Studien abzuschaffen. Wenn ein Modell ein schwaches Design früher erkennt, kann es Zeit und Ressourcen sparen. Wenn es Patientengruppen oder Endpunkte systematischer untersuchen hilft, kann es Entscheidungen vor der Rekrutierung verbessern.
Validierung, unabhängige Prüfung und angemessene regulatorische Aufsicht bleiben dennoch notwendig.
Eine israelische Healthtech-Geschichte mit einer größeren Frage
QuantHealth ist als Fallbeispiel interessant, weil das Unternehmen an der Schnittstelle von israelischer KI, Pharmaforschung, klinischen Daten und computergestützter Medizin arbeitet.
Die größere Frage ist nicht, ob eine Plattform jede Studie vorhersagen kann. Es geht darum, ob Arzneimittelentwicklung berechenbarer werden kann, bevor Patienten und Kapital in schwer umkehrbare Entscheidungen eingebunden werden.
KI-Systeme können mehr Variablen verarbeiten, als ein menschliches Team einzeln prüfen könnte. Das bietet echtes Potenzial. Die Medizin zeigt jedoch immer wieder, dass beeindruckende Vorhersagen dem Test der Realität standhalten müssen.
Klinische Simulation sollte deshalb als zusätzliches Werkzeug innerhalb der klinischen Wissenschaft verstanden werden, nicht als Abkürzung an ihr vorbei. Mit glaubwürdiger Validierung und klaren Grenzen könnte die Technologie verändern, wie Studienplaner einige ihrer teuersten Entscheidungen treffen.
Der Maßstab sollte einfach bleiben: Je wichtiger die Entscheidung, desto stärker muss die Evidenz sein, bevor man dem unterstützenden Modell vertraut.
