Real-World-Forschung: Wie aus Versorgungsdaten belastbare Erkenntnisse werden

Wie gut funktioniert eine medizinische Behandlung außerhalb einer klinischen Studie? Diese Frage lässt sich häufig erst beantworten, wenn ein Medikament längst im Versorgungsalltag angekommen ist. Denn dort treffen unterschiedliche Krankheitsverläufe, Begleiterkrankungen und individuelle Therapieentscheidungen aufeinander. Die Bedingungen sind weniger einheitlich als in kontrollierten Studien. Genau diese Unterschiede machen die sogenannte Real-World-Forschung interessant.

Sie untersucht, wie medizinische Maßnahmen unter alltäglichen Bedingungen eingesetzt werden und welche Ergebnisse sich dabei beobachten lassen. Allerdings führt eine große Datenmenge noch lange nicht zu verlässlichen Erkenntnissen. Entscheidend sind eine präzise Forschungsfrage, geeignete Datenquellen und ein Studiendesign, das mögliche Verzerrungen berücksichtigt.

Am Anfang steht eine möglichst konkrete Forschungsfrage

Eine Studie über die Wirksamkeit eines Medikaments klingt zunächst nach einem klar abgegrenzten Vorhaben. Tatsächlich bleiben dabei zahlreiche Fragen offen. Geht es um die Verbesserung bestimmter Beschwerden? Um die Häufigkeit unerwünschter Wirkungen? Oder darum, wie lange Patienten eine verordnete Therapie fortsetzen?

Je genauer das Forschungsziel formuliert wird, desto leichter lassen sich geeignete Methoden bestimmen.

Ein Beispiel aus der Arzneimittelforschung: Ein neues Medikament gegen eine chronische Erkrankung ist bereits zugelassen. Nun soll untersucht werden, wie häufig Patienten die Behandlung innerhalb eines Jahres abbrechen und welche Faktoren damit zusammenhängen. Dafür müssen unter anderem der Beobachtungszeitraum, die untersuchte Patientengruppe und die Definition eines Therapieabbruchs festgelegt werden.

Gerade bei umfangreicheren Forschungsprojekten kann methodische Unterstützung sinnvoll sein. Eine spezialisierte Contract Research Organization wie ZEG Berlin begleitet beispielsweise pharmakoepidemiologische Untersuchungen von der Entwicklung der Forschungsfrage über das Studiendesign bis zur statistischen Auswertung. Ein Schwerpunkt liegt auf Real-World-Evidence-Studien, die Erkenntnisse zur Anwendung und Sicherheit medizinischer Therapien unter Versorgungsbedingungen liefern.

Welche Datenquellen eignen sich für Real-World-Studien?

In der medizinischen Versorgung entstehen täglich große Mengen an Informationen. Arztkontakte, Arzneimittelverordnungen und dokumentierte Diagnosen können Hinweise auf Behandlungsverläufe geben. Allerdings wurden viele dieser Daten ursprünglich für andere Zwecke erhoben, etwa zur Abrechnung oder Dokumentation.

Deshalb muss vor der Auswertung geprüft werden, welche Informationen tatsächlich verfügbar sind und wie zuverlässig sie die gewünschten Merkmale abbilden.

Routinedaten: Große Fallzahlen mit Einschränkungen

Abrechnungsdaten gesetzlicher Krankenkassen gehören zu den wichtigen Datenquellen der Versorgungsforschung. Sie ermöglichen beispielsweise Untersuchungen zur Inanspruchnahme medizinischer Leistungen, zu Arzneimittelverordnungen und zu dokumentierten Krankenhausaufenthalten.

Ein Vorteil liegt in den teilweise großen Versichertenkollektiven und längeren Beobachtungszeiträumen. Allerdings enthalten Abrechnungsdaten häufig keine detaillierten Angaben zu Beschwerden, Laborwerten oder individuellen Therapieentscheidungen. Auch eine abgerechnete Arzneimittelverordnung beweist nicht, dass das Medikament tatsächlich eingenommen wurde.

Für bestimmte Forschungsfragen sind diese Einschränkungen erheblich.

Patientenregister: Gezielte Informationen über längere Zeiträume

Register erfassen Informationen zu bestimmten Erkrankungen, Behandlungen oder Medizinprodukten nach festgelegten Kriterien. Sie können beispielsweise dabei helfen, längerfristige Behandlungsverläufe und seltene unerwünschte Ereignisse zu untersuchen.

Ihre Aussagekraft hängt unter anderem davon ab, wie vollständig die Teilnehmer erfasst werden und ob die Dokumentation über längere Zeiträume einheitlich erfolgt. Werden bestimmte Patientengruppen seltener aufgenommen oder fallen viele Teilnehmer während der Beobachtung aus, kann das die Ergebnisse beeinflussen.

Weitere mögliche Datenquellen sind elektronische Patientenakten, ärztliche Dokumentationen sowie standardisierte Patientenbefragungen. Welche davon geeignet ist, richtet sich nach dem konkreten Erkenntnisinteresse.

Das Studiendesign entscheidet über die Aussagekraft

Die Wahl der Datenquelle ist eng mit dem Studiendesign verbunden. Besonders verbreitet sind Beobachtungsstudien, bei denen die Behandlung nicht durch die Forscher vorgegeben wird.

Eine Kohortenstudie kann beispielsweise zwei Patientengruppen über einen definierten Zeitraum vergleichen. Eine Gruppe erhält ein bestimmtes Medikament, die andere eine alternative Therapie. Anschließend wird untersucht, wie häufig ein zuvor festgelegtes Ereignis auftritt.

Das klingt unkompliziert, birgt jedoch ein methodisches Problem: Die Gruppen unterscheiden sich möglicherweise bereits zu Beginn. Patienten mit schwereren Erkrankungen erhalten unter Umständen häufiger ein bestimmtes Präparat. Treten bei ihnen anschließend mehr Komplikationen auf, muss das keineswegs am Medikament liegen.

Solche Einflussfaktoren werden in der Forschung als Confounder bezeichnet. Statistische Verfahren können helfen, bekannte Unterschiede zwischen den Gruppen zu berücksichtigen. Unbekannte oder unzureichend erfasste Faktoren bleiben jedoch eine mögliche Fehlerquelle.

Die internationale ICH-Leitlinie M14, die im März 2026 als finale Leitlinie veröffentlicht wurde, betont deshalb die Bedeutung klar definierter Forschungsfragen, geeigneter Datenquellen sowie einer systematischen Berücksichtigung möglicher Verzerrungen bei nichtinterventionellen Arzneimittelstudien.

Fünf Fragen, die vor Studienbeginn geklärt sein sollten

Damit aus vorhandenen Daten eine wissenschaftlich aussagekräftige Untersuchung entstehen kann, lohnt sich eine strukturierte Vorbereitung:

1. Was soll untersucht werden? Die Forschungsfrage muss so konkret sein, dass sich messbare Ergebnisse und eindeutige Kriterien daraus ableiten lassen.
2. Welche Patientengruppe ist relevant? Alter, Erkrankung, bisherige Therapien und weitere Merkmale können darüber entscheiden, welche Personen in die Untersuchung aufgenommen werden.
3. Sind die notwendigen Daten vorhanden? Vor Studienbeginn sollte geprüft werden, ob die Datenquelle wesentliche Informationen vollständig und ausreichend zuverlässig enthält.
4. Welche Verzerrungen sind zu erwarten? Unterschiede zwischen Behandlungsgruppen, fehlende Angaben oder unvollständige Beobachtungsverläufe müssen frühzeitig berücksichtigt werden.
5. Wie sollen die Ergebnisse ausgewertet werden? Ein vorab festgelegter Analyseplan verringert das Risiko, dass Methoden nachträglich allein aufgrund auffälliger Ergebnisse ausgewählt werden.

Diese Fragen sind besonders wichtig, wenn Forschungsergebnisse später für medizinische oder regulatorische Entscheidungen herangezogen werden sollen.

Was eine Studie über Therapieabbrüche tatsächlich zeigen kann

Wie relevant diese Planung ist, zeigt sich an einem typischen Untersuchungsgegenstand: der Therapietreue bei chronischen Erkrankungen.

Angenommen, anhand von Krankenkassendaten soll untersucht werden, wie viele Patienten ihre Behandlung innerhalb von zwölf Monaten fortsetzen. Eine erste Auswertung könnte erfassen, ob regelmäßig neue Arzneimittelverordnungen vorliegen.

Doch was bedeutet eine längere Lücke zwischen zwei Verordnungen? Möglicherweise wurde die Behandlung beendet. Vielleicht lagen noch Medikamente aus einer früheren Packung vor. Auch ein stationärer Krankenhausaufenthalt kann die ambulante Verordnungshistorie beeinflussen.

Deshalb muss vorab entschieden werden, ab welcher Unterbrechung eine Therapie als abgebrochen gilt. Unterschiedliche Definitionen können zu unterschiedlichen Ergebnissen führen.

Hilfreich sind sogenannte Sensitivitätsanalysen. Dabei wird geprüft, ob die Ergebnisse auch unter veränderten, fachlich begründeten Annahmen bestehen bleiben. Bleibt das Ergebnis weitgehend stabil, stärkt das das Vertrauen in die Untersuchung. Große Abweichungen müssen dagegen bei der Interpretation berücksichtigt werden.

Eine weitere Grenze bleibt bestehen: Aus Verordnungsdaten lässt sich die tatsächliche Einnahme eines Medikaments nur eingeschränkt ableiten.

Warum Datenqualität wichtiger ist als die reine Datenmenge

Eine Datenbank mit mehreren Millionen Einträgen wirkt zunächst vielversprechend. Für die wissenschaftliche Qualität ist die Fallzahl allerdings nur ein Kriterium.

Entscheidend ist, ob die verfügbaren Informationen zur Forschungsfrage passen. Bei der Untersuchung seltener Nebenwirkungen können große Populationen besonders hilfreich sein. Geht es dagegen um die Veränderung individueller Beschwerden, sind präzise dokumentierte klinische Angaben unter Umständen wichtiger.

Die Europäische Arzneimittel-Agentur (EMA) beschäftigt sich deshalb ausdrücklich mit der Qualität und Eignung von Real-World-Daten für regulatorische Fragestellungen. Ihr Datenqualitätsrahmen sieht eine Bewertung vor, die den jeweiligen Verwendungszweck berücksichtigt.

Für die Studienplanung bedeutet das: Fehlende Laborwerte, ungenaue Diagnosen oder kurze Beobachtungszeiträume lassen sich durch eine größere Datenmenge nicht automatisch ausgleichen.

Ebenso wichtig sind nachvollziehbare Auswertungsverfahren, transparente Angaben zu Einschränkungen und ein angemessener Umgang mit personenbezogenen Gesundheitsdaten.

Real-World-Forschung ergänzt kontrollierte klinische Studien

Randomisierte kontrollierte Studien gelten bei vielen medizinischen Fragestellungen als besonders geeignet, um kausale Behandlungseffekte zu untersuchen. Durch die zufällige Zuteilung der Teilnehmer zu Behandlungsgruppen lassen sich bestimmte Verzerrungen verringern.

Im medizinischen Alltag sind die Bedingungen jedoch vielfältiger. Menschen mit mehreren Erkrankungen, ältere Patienten oder Personen mit ungewöhnlichen Behandlungsverläufen sind in klinischen Zulassungsstudien teilweise unterrepräsentiert.

Hier kann Real-World-Forschung zusätzliche Erkenntnisse liefern. Beispielsweise lässt sich untersuchen, welche Patientengruppen eine Behandlung tatsächlich erhalten, wie häufig Therapiewechsel vorkommen oder welche Sicherheitsereignisse bei längerfristiger Anwendung beobachtet werden.

Die Ergebnisse verlangen allerdings eine sorgfältige Interpretation. Ein statistischer Zusammenhang beweist für sich genommen keine Ursache-Wirkungs-Beziehung. Eine Beobachtungsstudie kann deshalb je nach Forschungsfrage wichtige Hinweise liefern, ohne sämtliche Unsicherheiten auszuräumen.

Gute Forschung beginnt vor der ersten Datenauswertung

Die Qualität einer Real-World-Studie entscheidet sich zu einem erheblichen Teil bereits in der Vorbereitung. Eine passende Datenquelle, eine nachvollziehbare Auswahl der Patienten und klar definierte Endpunkte bilden die Grundlage für Ergebnisse, die wissenschaftlich eingeordnet werden können.

Besonders hilfreich ist es, mögliche Schwächen frühzeitig offenzulegen. Welche Informationen fehlen? Welche Faktoren könnten einen beobachteten Zusammenhang beeinflussen? Und welche Schlussfolgerungen sind angesichts des gewählten Studiendesigns überhaupt zulässig?

Wer diese Fragen vor der Analyse beantwortet, reduziert das Risiko späterer Fehlinterpretationen. Gerade in der medizinischen Forschung ist das entscheidend: Verlässliche Erkenntnisse entstehen durch eine Methode, die zur Fragestellung passt und deren Grenzen transparent bleiben.