Klinische Studien: Aussagekraft besser, Kosten geringer dank Digital Health?

Klinischen Studien im Rahmen von Arzneimittelzulassungen sind teuer, nicht zuletzt, weil die Identifizierung und der Einschluss geeigneter Patienten häufig schwierig ist. Regelmäßige Kontrolltermine in Studienzentren und das wiederholte Ausfüllen von Fragebögen zu Lebensqualität, Wirksamkeit und Verträglichkeit sind mit hohem Aufwand für die Studienteilnehmer verbunden und reduzieren die Bereitschaft, an Studien teilzunehmen oder sie abzuschließen. Die Einschätzungen, die Studienteilenehmer beim Ausfüllen validierten Fragbögen abgeben, sind darüber hinaus subjektiv. Sie werden häufig rückblickend und bezogen auf einen längeren Zeitraum erfasst, was deren Aussagekraft schwächt und das Studienergebnis verzerren kann.

Objektive „Real World“ Daten zum Outcome von Patienten

Wie viel einfacher und objektiver wäre es, wenn Daten zum Outcome der Patienten direkt im Lebensumfeld, z. B. durch Sensoren in Armbändern oder Kleidungsstücken der Studienteilnehmer erfasst werden könnten? So ließen sich z. B. Auswirkungen auf Beweglichkeit, Stimmung, Aktivitätsgrad, Schlafqualität oder auf die kognitive Leistungsfähigkeit als Proxy für die Wirksamkeit einer Therapie über die gesamte Studiendauer direkt messen und ohne das aktive Zutun der Patienten (sog. unobtrusive data) aufzeichnen und auswerten. Auf einer breiteren, valideren Datenbasis könnte der Einfluss einer Therapie auf die Bewältigung von Alltagsaufgaben und die allgemeine Lebensqualität neu bewertet werden.

Das Angebot an Apps und Wearables, die eine Fülle von gesundheitsrelevanten Parametern erfassen, ist groß, auch im Rahmen von klinischen Studien werden sie genutzt und evaluiert (1). Wie zuverlässig sie arbeiten und in wie die so erfassten Daten mit klassischen Studienendpunkten korrelieren, die bei der Nutzung validierter Messinstrumente erhoben werden, ist offen. Für die Entwicklung neuer Studienendpunkte sind diese Fragen von großer Bedeutung. Nach den Empfehlungen von Experten der Clinical Trials Transformation Initiative (CTTI), die eng mit der FDA zusammenarbeitet, sind neue Endpunkte grundsätzlich nur dann sinnvoll, wenn sie es ermöglichen, Vorteile einer Therapie für den Patienten abzubilden, die mit bisherigen Messinstrumenten gar nicht oder nur schlecht erfasst werden konnten, d. h. wenn sie einen Behandlungsbedarf (unmet need) neu oder besser messen können, als das mit den etablierten Methoden möglich ist (2).

Neue Studienendpunkte unter Nutzung digital erfasster Patientendaten: Beispiele

So könnten z. B. Aktivitätsdaten, die mit Beschleunigungs- und Drehsensoren (Akzelerometer/Gryometer) erfasst werden, zusätzlich zu klassischen Endpunkten hinzugezogen werden, um den Nutzen von Arzneimittel für Parkinson, Herzinsuffizienz und Morbus Duchenne umfassender zu bewerten als bisher (3,4,5). Im Bereich Diabetes könnte die über digitale Sensoren erfassten Daten aus der kontinuierlichen Blutzuckermessung (CGM) in neuen Studienendpunkte berücksichtigt werden, um Arzneimittel möglicherweise besser im Hinblick auf die Stabilität der Blutzuckerspiegel und die Vermeidung von Hypoglykämien zu bewerten und den resultierenden Nutzen für den Patienten besser einzuschätzen (6).

Fazit: Die Hoffnungen, die sich auf die Einbeziehung digital erfasster Patientendaten in der Durchführung klinischer Studien gründen, sind hoch.

• Stärkere Patientenzentrierung: Definition neuer Endpunkte, die die Effekte von Therapien auf die Lebenssituation von Patienten besser beschreiben als bisher
• Wirksamkeit: Frühere und präzisere Einschätzung der Wirksamkeit von Arzneimitteln, mehr Effizienz in der Identifizierung geeigneter Substanzen für Phase III Studien, insbesondere in Indikationsgebieten mit hohen Risiken
• Effizienz – Frühere und bessere Einschätzung des Nutzens von Therapien durch Einbeziehung objektiver Echtzeitdaten (Real world data), ePRO (elektronisch erfasste Daten zu Patient Reported Outcomes)

Darüber hinaus könnte die Nutzung von ePRO dazu beitragen, eine größerer Anzahl besser vorselektierter Patienten in Studien einzuschließen und so die Aussagekraft dieser Studien zu erhöhen. Auch Patienten mit kognitiven Einschränkungen könnten bei passiver Erfassung von Outcome Daten in klinischen Studien besser berücksichtigt werden, als bisher.

Quellen:

1. IQVia Institute, Nov. 2017. The Growing Value of Digital Health.Validation trials per Fitbit Measure. Fitbit Research Library Jul 2017; IQVIA Institute, Jul 2017. Note: Trial publications used as a proxy for unique trials; 193 measures across 137 publications.
2. CTTI RECOMMENDATIONS: DEVELOPING NOVEL ENDPOINTS GENERATED BY MOBILE TECHNOLOGY FOR USE IN CLINICAL TRIALS. (Link inaktiviert aufgrund von nicht Erreichbarkeit, geprüft 05.10.2022)
3. CTTI. Usecase Parkinson. (Link inaktiviert aufgrund von nicht Erreichbarkeit, geprüft 05.10.2022)
4. CTTI. Usecase Heart Failure. (Link inaktiviert aufgrund von nicht Erreichbarkeit, geprüft 05.10.2022)
5. CTTI. Usecase Duchenne. (Link inaktiviert aufgrund von nicht Erreichbarkeit, geprüft 05.10.2022)
6. CTTI. Usecase Diabetes. (Link inaktiviert aufgrund von nicht Erreichbarkeit, geprüft 05.10.2022)