Fortschritte der Onkologie – Präzisionsmedizin als Chance

Teils vollständig neuartige Therapiekonzepte zur zielgerichteten und/oder immunonkologischen Behandlung auf Basis molekulargenetischer Tumoreigenschaften bergen auch im Hinblick auf ihre klinische Überprüfung und die Implementierung in die Versorgungspraxis einige neue Herausforderungen: Bei einigen der neuen Therapieansätze sind z. B. randomisierte kontrollierte Studien (RCTs) entweder in der Praxis nicht durchführbar oder können ethisch nicht vertreten werden. RCTs sind im Regelfall die beste Möglichkeit, um mit geringen Verzerrungspotenzial eine neue Therapie vergleichend zur Standardtherapie zu bewerten. Nicht umsonst gelten sie als Goldstandard. Doch besonders in Fällen, in denen ein hohes Wirksamkeitspotenzial auf einen hohen therapeutischen Bedarf trifft, bei schwerwiegenden Erkrankungen oder bislang fehlenden bzw. nicht ausreichend wirksamen Behandlungsmöglichkeiten, braucht es alternative Studienkonzepte zur Überprüfung von Wirksamkeit und Verträglichkeit neuer Arzneimittelinnovationen. Ein Beispiel dafür sind einarmige Studien. Statt einem Kontrollarm werden Daten aus Registern und historische Daten aus früheren Studien zum Vergleich berücksichtigt, um den Nutzen nachzuweisen.³²

Ein anderes Beispiel sind Basket- oder Umbrella-Studien, die vor allem bei tumoragnostischen Therapien, die Tumorhistologie-übergreifend auf bestimmte molekulare Aberrationen zielen, von Bedeutung sind. Da die Studienteilnehmer:innen hier aufgrund eines gemeinsamen tumorgenetischen Merkmals und nicht nach klassischer Indikation ausgewählt werden, sind die zu untersuchenden Kohorten in den verschiedenen Indikationen mitunter sehr klein und reichen einzeln betrachtet häufig nicht für den Evidenznachweis aus. Hinzu kommt, dass es für die verschiedenen Indikationen unterschiedliche Standardtherapien gibt, was das Festlegen einer Vergleichstherapie kaum möglich macht.³³

Abbildung nach 33

Nach einzelfallgerechter Abwägung werden alternative Studienkonzepte in besonderen Therapiesituationen von den zuständigen Zulassungsbehörden bereits für den Evidenznachweis berücksichtigt und anerkannt. Anders sieht es jedoch noch in der Nutzenbewertung innovativer Therapieansätze durch das AMNOG aus. Evidenz, die nicht aus klassischen RCTs stammt, wird hier noch kategorisch abgelehnt und findet keinen Eingang in die Bewertung. An dieser Stelle ist eine Anpassung der Bewertungskriterien sinnvoll, damit diese noch „fitter“ werden und mit dem medizinischen Fortschritt mithalten können. Dazu sollte gemeinsam festgelegt werden, wie die jeweils zur Verfügung stehende Evidenz bestmöglich im Rahmen der Nutzenbewertung genutzt werden kann.³³

Die stärkere Berücksichtigung von umfangreichen Daten aus dem Versorgungsalltag kann im Vergleich weitere Evidenz zur Wirksamkeit und Verträglichkeit einer Therapie liefern und so zusätzlich für deren Bewertung genutzt werden. Darüber hinaus können Daten aus der Versorgungspraxis auch für die Forschung und die klinische Praxis von großer Bedeutung sein.³² Aktuell kommen diese Daten aber immer noch nur relativ eingeschränkt zur Nutzung oder werden oft nicht akzeptiert.

Das von uns gegründete europaweite Forschungsnetzwerk von Datenzentren aus Universitäts- und Privatkliniken, Registern, medizinischen Gesellschaften und anderen Institutionen HONEUR (Haematology Outcomes Network in EURope) ermöglicht beispielsweise Daten aus dem Versorgungsalltag von Patient:innen mit hämatologischen Erkrankungen patient:innenindividuell zu aggregieren, zu harmonisieren und auf bestimmte forschungsrelevante Fragenstellungen hin systematisch zu analysieren.

Mit einer zunehmenden Anzahl prognostisch sowie therapeutisch relevanter Biomarker und präzisionsonkologischer Therapieoptionen bieten sie auch die Chance, wichtige Erkenntnisse zum Einfluss der Molekulardiagnostik und der Anwendung zielgerichteter Therapien für die Versorgungspraxis zu gewinnen. So können sie beispielsweise einen wichtigen Beitrag bei der Frage nach einem möglichen Therapiealgorithmus leisten. Denn Tumoren weisen normalerweise mehrere Treibermutationen auf. Jedoch ist es weder zielführend noch möglich alle molekularen Signaturen gleichzeitig zu adressieren und neben den molekularen Eigenschaften des Tumors spielen auch weitere individuelle Merkmale der jeweiligen Patient:innen eine Rolle. Real World-Daten können hier wichtige Hinweise geben, auf welches molekulare Target zu welchem Zeitpunkt und für welche:n Patient:in der Therapiefokus gelegt werden soll, um den individuell größtmöglichen Nutzen zu erreichen.

Gesundheits- und Real-World-Daten insbesondere Patient Outcome Reports bergen ein enormes Potenzial, um die onkologische Versorgung in vielerlei Hinsicht zu verbessern und werden so in immer stärkeren Umfang genutzt. Das erstreckt sich von der Diagnostik über die Erforschung und Entwicklung zunehmend individueller, präziser Therapien bis hin zur Therapieentscheidung durch die Ärzt:innen.

Die Herausforderung der Multi-, Omics- und Real-World-Daten besteht jedoch darin, diese unfassbar großen, in rasanter Geschwindigkeit wachsenden Datenmengen – u.a. aus dem Versorgungsalltag, Studien, der Forschung und Registern – wissenschaftlich sowie klinisch nutzbar zu machen. Das setzt voraus, dass ein hoher Digitalisierungsgrad erreicht wird und strukturierte, einheitliche und einfache Systeme zur Datenerfassung zur Verfügung stehen. Ebenso braucht es intelligente Lösungen und Tools zur Analyse, Verknüpfung und Interpretation der Daten.

Die Nutzung KI-basierter Tools gewinnt in dem sich schnell wandelnden, hochkomplexen Gebiet der Onkologie zunehmend an Bedeutung. Die Knowledge-Driven and Artificial Intelligence-Based Platform for Therapy Decision Support in Hematology (KAIT) vom Innovation Center Computer Assisted Surgery und der Klinik für Hämatologie, Zelltherapie und Hämostaseologie des Leipziger Universitätsklinikums (UKL), deren Entwicklung wir unterstützen, soll beispielsweise Ärzt:innen in der informierten Therapieentscheidung bei komplexen hämatologischen Erkrankungen helfen.³⁴ Je größer die Datenbasis, die solchen KI-Systemen und Tools zur Verfügung steht, um so genauere und aussagekräftigere Ergebnisse können für die Behandlungsstrategie erzeugt werden. Damit diese Daten zur Verfügung stehen können, braucht es aber neben Strukturen zur systematischen Erfassung auch Strategien zum Datenschutz, die es ermöglichen gespeicherte Gesundheitsdaten zu Forschungszwecken oder für eine bessere, individuellere Versorgung stärker zu nutzen.