Navigation durch die vorgeschlagene FDA-Richtlinie zu KI und tierversuchsfreien Modellen: Schutz der Innovation in der Arzneimittelentwicklung

Im April 2025 veröffentlichte die US-amerikanische Food and Drug Administration (FDA) einen Leitfaden mit dem Titel "Roadmap zur Verringerung von Tierversuchen in präklinischen Sicherheitsstudienveröffentlicht, in der sie ihr Engagement für die Förderung neuer Methoden (New Approach Methodologies, NAMs) - einschließlich In-silico-Modellen, Organoiden und anderen tierversuchsfreien Alternativen - darlegt. Dieser Leitfaden ermutigt Sponsoren von Anträgen auf Zulassung neuer Arzneimittel (IND), wissenschaftlich glaubwürdige Alternativen zu Tierversuchen zu nutzen, und markiert eine Verlagerung hin zu menschlicheren, in die künstliche Intelligenz (KI) integrierten Plattformen für Zulassungsanträge.

Zuvor, im Januar 2025, hatte die FDA einen entsprechenden Leitfadenentwurf mit dem Titel "Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products" veröffentlicht . Wir haben diesen FDA-Leitfaden hier im Detail besprochen: AI Drug Development: FDA veröffentlicht Leitfaden-Entwurf.

Kurz gesagt, konzentriert sich dieser Leitfaden speziell auf den Einsatz von KI im gesamten Lebenszyklus der Arzneimittelentwicklung. Er führt einen risikobasierten Rahmen ein, der auf dem Verwendungskontext des Modells basiert, und umreißt die Informationen, die über die Modellarchitektur, die Datenverwaltung, die Pflege des Lebenszyklus und die potenziellen klinischen Auswirkungen offengelegt werden müssen - insbesondere wenn das Modell die Patientensicherheit oder die Arzneimittelqualität beeinflusst.

Eine wachsende Zahl von Beispielen aus der Praxis bestätigt, dass KI-gestützte NAMs Realität werden und die erfolgreiche Integration von KI und Biowissenschaften demonstrieren. Insbesondere der UVA/Padova Typ-1-Diabetes-Simulator, eine physiologisch detaillierte Silico-Plattform, wurde bereits von der FDA akzeptiert und zur Unterstützung der behördlichen Zulassung von Geräten zur kontinuierlichen Glukoseüberwachung (CGM) eingesetzt. Dies ist ein greifbares Signal dafür, dass virtuelle physiologische Systeme jetzt Teil der Beweisgrundlage für die FDA-Zulassung sein können.

Die interne Umarmung von KI durch die FDA unterstreicht ihre regulatorischen Botschaften und signalisiert ein langfristiges institutionelles Engagement für digitale Tools. Insbesondere gab die FDA bekannt, dass sie neue KI-Tools für interne Abläufe einsetzt, darunter ein generatives KI-Tool namens "Elsa". Die FDA gab an, dass sie diese Tools bis Ende Juni 2025 in der gesamten Behörde einführen wird.

Zusammengenommen markieren diese Bemühungen der FDA eine bedeutende Entwicklung: KI und andere In-silico-Plattformen sind jetzt nicht nur zulässig, sondern spielen bei der präklinischen und klinischen Entscheidungsfindung sowie bei der behördlichen Prüfung eine zunehmend zentrale Rolle. Mit dieser Anerkennung geht eine doppelte Notwendigkeit für Sponsoren und Entwickler einher, den Aufsichtsbehörden gegenüber Glaubwürdigkeit zu demonstrieren und Innovationen durch eine robuste IP-Strategie zu schützen. NAMs erhöhen das Risiko für die Unternehmen in Bezug auf Datenschutz und Vertraulichkeit erheblich.

In den folgenden Abschnitten wird untersucht, wie Unternehmen und ihre Rechtsteams strategisch reagieren können, indem sie die neuen FDA-Rahmenbedingungen nutzen, Innovationen bei der KI-Modellierung schützen und sicherstellen, dass die Data-Governance-Praktiken sowohl mit den regulatorischen als auch den IP-Zielen in Einklang stehen.

Was sind NAMs?

NAMs beziehen sich auf Strategien zur Bewertung der Sicherheit und Wirksamkeit von Arzneimitteln ohne Tierversuche. Dazu gehören In-silico-Modelle, mikrophysiologische Systeme, Organoide, computergestützte Toxikologieplattformen und KI-gesteuerte klinische Simulationen. NAMs bieten Vorteile in Bezug auf Schnelligkeit, Kosten und ethische Vertretbarkeit, während sie gleichzeitig der menschlichen Biologie näher kommen.

Trotz rascher Fortschritte ist die formale Akzeptanz von KI-basierten NAMs durch die FDA nach wie vor begrenzt. Der UVA/Padova-Typ-1-Diabetes-Simulator bleibt das einzige weithin zitierte Beispiel für ein In-silico-Modell, das erfolgreich in FDA-Zulassungsanträgen verwendet wurde - insbesondere bei der Bewertung von CGM-Geräten. Seine Akzeptanz unterstreicht die Möglichkeit von Zulassungswegen für komplexe physiologische Simulatoren.

Das Ökosystem der NAMs wächst jedoch rasch. Zwar haben noch nicht alle die volle FDA-Qualifikation erreicht, aber mehrere vielversprechende KI- und datengesteuerte Plattformen werden derzeit geprüft:

• Organ-on-a-Chip- und Organoidmodelle: Vom Patienten stammende Organoide und Organ-on-a-Chip-Systeme werden validiert, um gewebespezifische Reaktionen zu simulieren. Es hat sich beispielsweise gezeigt, dass Darmorganoide die Off-Target-Toxizität von T-Zell-Therapien vorhersagen können.
• KI-gestützte Computertoxikologie: KI-Modelle, die auf großen toxikologischen Datenbanken trainiert werden, werden entwickelt, um unerwünschte Wirkungen vorherzusagen, und werden von der FDA durch gemeinsame Validierungsprojekte unterstützt.
• Klinische In-Silico-Versuche (ISCTs): Computergestützte Patientenmodelle werden erprobt, um die Ergebnisse klinischer Studien zu simulieren, insbesondere für Gerätetests, mit definierten Arbeitsabläufen für die Modellvalidierung und Unsicherheitsanalyse.
• Physiologisch basierte pharmakokinetische (PBPK) Modelle: Diese simulieren die Verteilung und den Stoffwechsel von Arzneimitteln und werden als teilweiser Ersatz für Tierversuche bei der Erstellung pharmakokinetischer Profile in Betracht gezogen.
• Synthetische Kontrollarme: KI-generierte virtuelle Patientenkohorten werden als Ersatz für Placebogruppen in Studien immer beliebter und helfen, die Zahl der realen Patiententeilnehmer zu reduzieren.
• In Wearables integrierte KI: KI-Modelle, die Echtzeitdaten aus digitalen Gesundheitstechnologien (z. B. Wearables) analysieren, werden auf ihre Eignung für die Patientenüberwachung, Endpunktentscheidung und das Studienmanagement geprüft.

NAMs und der FDA-Risikorahmen

Gemäß den Leitlinien vom Januar 2025 verwendet die FDA einen zweidimensionalen Risikorahmen:

1. Modellbeeinflussungsrisiko: Wie stark beeinflusst der Output des KI-Modells Entscheidungen.

2. Entscheidungskonsequenzrisiko: Die potenziellen Auswirkungen dieser Entscheidungen auf die Patientensicherheit oder die Datenintegrität.

Dies bestimmt den Umfang der erforderlichen Dokumentation und Offenlegung. KI-Modelle mit hohem Risiko müssen detaillierte Angaben zu Trainingsdaten, Modellleistung und Governance enthalten, was zu Spannungen mit dem Schutz von Geschäftsgeheimnissen führt und den strategischen Bedarf an Patentschutz erhöht. Die sich entwickelnde Haltung der FDA zu KI-basierten NAMs deutet darauf hin, dass KI-gestützte Plattformen bald Standardbestandteile von Zulassungsanträgen sein werden. Daher müssen die Entwickler frühzeitig IP- und Data-Governance-Probleme einplanen, wie in den Abschnitten B und C beschrieben. 

Auswirkungen auf die IP-Strategie

Die FDA-Leitlinien weisen darauf hin, dass bei der Verwendung von NAMs und KI-Modellen für klinische oder produktionsbezogene Entscheidungen von den Beteiligten verlangt werden kann, Datenquellen, Modelltrainingsverfahren, Bewertungsmetriken und Wartungsprotokolle offenzulegen. In dem Maße, wie diese Transparenzanforderungen zunehmen, wird es immer weniger praktikabel, sich ausschließlich auf Geschäftsgeheimnisse zu verlassen, und der Patentschutz oder hybride IP-Strategien werden immer wichtiger. Die Kartierung der spezifischen Innovationen, die mit NAMs und KI-Modellen verbunden sind, ermöglicht es den Beteiligten, patentierbare Erfindungen eindeutig zu identifizieren. Der folgende Rahmen bietet einen praktischen Ansatz für die Erfassung der wichtigsten technologischen Fortschritte, die mit NAMs und KI-Modellen impliziert oder verbunden sind, über das Modell selbst hinaus.

Erzeugt oder ermöglicht das Modell auf neue Weise klinisch verwertbare Informationen?

Die Entdeckung neuer klinischer Informationen kann neue Verfahrensschritte(z. B. bestimmte Verabreichungswege), Formulierungen, Dosierungen und Behandlungen für verschiedene Indikationen oder Patientengruppen nach sich ziehen. Wie in unserer früheren Analyse der GLP-1-Rezeptor-Agonisten erörtert, sind neu entdeckte Mechanismen zwar nicht unbedingt patentierbar, aber sie ermöglichen häufig Ansprüche auf neue Behandlungsmethoden, Dosierungsschemata oder Formulierungen. Siehe. GLP-1-Rezeptor-Agonisten und Patentstrategie: Sicherung des Patentschutzes für die neue Verwendung alter Medikamente. Dementsprechend könnte die Verwendung eines NAM patentierbare Ansprüche auf Behandlungsmethoden begründen, die auf neuen Patientengruppen, Dosierungen oder Formulierungen basieren. Alternativ könnte die Verwendung von NAMs patentierbare Ansprüche implizieren, die sich auf Arbeitsabläufe zur Vorhersage von Patientenergebnissen oder zur Überwachung von Behandlungsreaktionen beziehen.

Verändert das Modell die Art und Weise, wie Behandlungsschemata oder Studienprotokolle gestaltet werden?

Das KI-Modell kann z. B. die für die klinische Studie erforderlichen Kontrollen und das Design ändern, wie z. B. Ein- und Ausschlusskriterien oder neuartige Methoden zur Stratifizierung von Patienten nach molekularen Subtypen, genomischen oder epigenomischen Signaturen. 

Außerdem könnten die dynamischen KI-Systeme die Intervalle oder den Zeitpunkt der Verabreichung von Therapeutika ändern. 

Stellt das Modell neue Anforderungen an die Dateneingabe oder -integration?

Das KI-Modell kann eine neuartige multimodale oder longitudinale Integration erfordern, z. B. durch die Kombination von Bildgebungs-, Omics- und tragbaren Daten. Das KI-Modell kann epidemiologische Daten zur Bestimmung von Patientenclustern und die Kombination mit komplexen Biomarker-Signaturen aus großen Daten über molekulare Signaturen, genomische, epigenomische oder multimikrobielle Daten der Patienten umfassen. Die Verwendung solcher KI-Modelle kann daher patentierbare Arbeitsabläufe beinhalten, die auf Informationsflüsse ausgerichtet sind, die die Vorhersage von Patientenergebnissen, die Stratifizierung von Patientenpopulationen, die Erkennung oder die Überwachung der Krankheitsentwicklung ermöglichen. 

Verändert das KI-Modell oder seine Datenstruktur die Art und Weise, wie die Proben im Vorfeld gesammelt oder verarbeitet werden?

Das KI-Modell kann die Arbeitsabläufe bei der Entnahme von Patientenproben verändern, was zu patentierbaren Verfahren führen kann. Zu den Änderungen können neue Protokolle zur Konservierung von Bioproben, geänderte Anforderungen an die Probenmenge oder -art oder zusätzliche Vorverarbeitungsschritte gehören. Diese Anpassungen der Arbeitsabläufe können Ansprüche für Probenvorbereitungsverfahren, automatisierte Systeme mit integrierter KI oder Zusammensetzungen mit speziell verarbeiteten Proben begründen.

Zusammenfassend lässt sich sagen, dass der Einfluss von KI-Modellen auf die medizinische Entscheidungsfindung, die Datenerfassung und die behördlichen Ergebnisse eine nuanciertere und vorausschauende IP-Strategie erfordert, da diese Modelle Aufgaben übernehmen, die früher klinischen Studien oder Tierversuchen vorbehalten waren. Der obige Rahmen bietet eine strukturierte Möglichkeit, Innovationen zu identifizieren, die nicht nur mit dem Modell selbst, sondern auch mit dessen Auswirkungen auf vorgelagerte Arbeitsabläufe, Behandlungsparadigmen und das Lebenszyklusmanagement zusammenhängen. Für Innovationsleiter und IP-Teams bietet der obige Rahmen eine systematische Möglichkeit, Ihre KI-Modelle zukunftssicher zu machen und strategischen Schutz zu gewährleisten.

Diese strategische Sichtweise unterstreicht auch die Notwendigkeit eines ebenso rigorosen Data-Governance-Ansatzes, den wir in Abschnitt C untersuchen.

Data Governance und Kompartmentalisierung in der NAM-Ära

Da In-Silico-NAMs und KI-gestützte Plattformen bei FDA-Anträgen eine zentrale Rolle spielen, wird Data Governance zu einer entscheidenden strategischen Säule - sowohl für die Einhaltung von Vorschriften als auch für den Schutz geistigen Eigentums. Sponsoren müssen jetzt nicht nur für die Datenqualität und die Modellleistung planen, sondern auch dafür, wie sich die Offenlegung von Daten mit dem Wettbewerbsvorteil überschneidet.

Die FDA-Richtlinien betonen die Transparenz des Lebenszyklus: Dateninputs, Trainingsdatensätze, Testkohorten, Modellvalidierungsstrategien und sogar zukünftige Aktualisierungen müssen unter Umständen offengelegt und überwacht werden. Diese Offenlegung fördert zwar das Vertrauen der Regulierungsbehörden, birgt aber auch Risiken für Geschäftsgeheimnisse und die Wettbewerbsdifferenzierung - insbesondere dann, wenn die Modellleistung stark von proprietären Datensätzen oder Datenaufbereitungspipelines abhängt. Viele Life-Science-Firmen sind mit einer soliden Datenverwaltung im Zusammenhang mit dem Datenschutz vertraut, aber Datenschutzerwägungen unterscheiden sich von der Verwaltung der Vertraulichkeit und Offenlegung, wenn es darum geht, die Einhaltung von Vorschriften mit dem Schutz des geistigen Eigentums in Einklang zu bringen. Um diese Spannungen zu bewältigen, sollten Entwickler eine mehrstufige Data-Governance-Strategie in Erwägung ziehen, die folgende Schwerpunkte setzt:

1. Modularisierung und Kompartimentierung von Modellkomponenten

• Durch die Isolierung von Elementen des Modelldesigns (z. B. Vorverarbeitungspipeline, Modellarchitektur, Einsatzumgebung) können Unternehmen nur die Teile offenlegen, die für einen bestimmten regulatorischen Kontext relevant sind. So könnten beispielsweise "virtuelle Labore" von KI-Modellen, die zusammenarbeiten, dazu beitragen, verschiedene Funktionen und Datensätze zu modularisieren, um ein müdes Data-Governance-System zu erleichtern und die erforderliche Datenoffenlegung zu begrenzen. Siehe zum Beispiel unsere frühere Diskussion über den aufkommenden Einsatz von "Virtuellen Laboren", die aus einer Gruppe von KI-Modellen mit unterschiedlichen Funktionen bestehen: Das virtuelle Labor der KI-Agenten: Eine neue Grenze der Innovation.

2. Entkopplung geschützter Daten von Einreichungssätzen

• Begründung: Das Training an großen internen Datensätzen und die Validierung an öffentlich zugänglichen oder von der FDA zugelassenen Datensätzen kann die Einhaltung der Vorschriften ermöglichen, ohne dass sensible Rohdaten offengelegt werden müssen.
• Beispiel: Das Modell wird auf proprietären Multi-omics-Daten trainiert, aber anhand von FDA-geprüften Daten für die behördliche Überprüfung validiert.

3. Governance-by-Design für Versionierung und Rückverfolgbarkeit

• Grundprinzip: Die Wartung von KI-Modellen über den gesamten Lebenszyklus - einschließlich Datendrift, Neutraining und Neueinsatz - muss gegenüber der FDA dokumentiert und begründet werden. Eine Governance-Architektur, die Änderungen protokolliert, Aktualisierungen rechtfertigt und automatisch Prüfpfade generiert, ist zunehmend unerlässlich.
• Beispiel: Automatisierte Protokolle, aus denen hervorgeht, wann die Modellgewichte aufgrund neuer Datentrends auf Bevölkerungsebene aktualisiert wurden, mit garantierter Reproduzierbarkeit.

Diese Strategien stimmen nicht nur mit den sich entwickelnden Erwartungen der FDA überein, sondern unterstützen auch künftige Ansprüche auf geistiges Eigentum - z. B. die Anmeldung von Patenten auf Datenpartitionierung, Modellpflege-Tools und regulatorische Integrationspipelines. Da die FDA selbst zunehmend KI-Tools einsetzt, sollten die Unternehmen einen offenen Dialog darüber führen, wie diese Tools eingesetzt werden und für welche Daten, damit sie ihre Data Governance entsprechend anpassen können.

Schlussfolgerung: Innovation, Transparenz und Strategie in Einklang bringen

KI-basierte Arzneimittelentwicklung und tierversuchsfreie Methoden wurden durch die Veröffentlichung der KI-Richtlinien der FDA vom Januar 2025, der NAM-Roadmap vom April 2025 und weiterer Meilensteine bei der internen KI-Nutzung in den Vordergrund gerückt. In-silico-Modelle wurden von der FDA für die Einreichung von Zulassungsanträgen akzeptiert, wie das Beispiel des UVA/Padova-Simulators zeigt. Mit diesen Fortschritten sind sowohl Chancen als auch Verpflichtungen verbunden. Wie oben beschrieben, sollten Entwickler die Richtlinien der FDA sorgfältig prüfen, um Strategien für den Aufbau skalierbarer, schützbarer und klinisch wirksamer KI-Plattformen festzulegen. Strategische Überlegungen zum geistigen Eigentum und zur Datenverwaltung sollten bereits am ersten Tag angestellt werden. Durch frühzeitiges und systematisches Nachdenken über IP und Data Governance können sich die Beteiligten an vorderster Front der KI-gestützten Transformation in der Arzneimittelentwicklung positionieren.

Foley unterstützt Sie bei der Bewältigung der kurz- und langfristigen Auswirkungen von Gesetzesänderungen. Wir verfügen über die notwendigen Ressourcen, um Sie bei diesen und anderen wichtigen rechtlichen Überlegungen im Zusammenhang mit Geschäftsabläufen und branchenspezifischen Fragen zu unterstützen. Bitte wenden Sie sich an die Autoren, Ihren Foley-Ansprechpartner, unseren Sektor Gesundheitswesen & Biowissenschaftenoder an unseren Sektor Innovative Technologie mit allen Fragen.