Von der digitalen Messung zur regulatorischen Evidenz

Digitale Gesundheitstechnologien sind in der klinischen Entwicklung angekommen. Wearables, smartphonebasierte Anwendungen, berührungslose Sensoren und algorithmische Software erheben gesundheitsbezogene Daten kontinuierlich, ortsunabhängig und in einer Auflösung, die klassische Studienvisiten nicht liefern. Richtig eingesetzt senken sie die Belastung der Teilnehmenden, ermöglichen dezentrale Datenerhebung und machen Muster sichtbar, die sonst unbeobachtet blieben.

Die Beweislast senken sie damit nicht. Im Gegenteil: Sie verlangen eine disziplinierte Darstellung, wie aus einem Rohsignal eine klinische Messgröße wird und wie diese Messgröße die Schlussfolgerung der klinischen Prüfung trägt. Genau hier setzt das Papier Key Considerations for the Development and Use of Digitally Derived Measures for Clinical Investigations an, das die FDA am 20. August 2026 gemeinsam über CBER, CDER, CDRH und das Oncology Center of Excellence veröffentlicht hat.

Das Dokument schafft keine neue Rechtsvorschrift und ist keine eigenständige FDA-Guidance. Es bündelt Überlegungen aus bestehenden Leitlinien zur Entwicklung und Verwendung digital abgeleiteter Messgrößen als Ergebnisgrößen in klinischen Prüfungen. Sein praktischer Beitrag liegt in der durchgehenden Beweiskette: vom patientenrelevanten Gesundheitskonzept über Technologie und Verarbeitungsmethode bis zur Messgröße und der konkreten regulatorischen Rolle, die sie erfüllen soll.

DHT und DDM sind verwandt, aber nicht austauschbar

Die FDA definiert eine digital abgeleitete Messgröße als eine Messgröße, die aus Daten abgeleitet wird, welche mit einer digitalen Gesundheitstechnologie erhoben wurden. Eine solche DDM kann als Clinical Outcome Assessment, als Biomarker oder als Bestandteil eines multimodalen Endpunkts dienen. Die DHT ist das darunterliegende System aus Rechenplattform, Konnektivität, Software und Sensorik für gesundheitsbezogene Zwecke.

Diese Unterscheidung ist der Kern des Papiers. Der Nachweis, dass ein Sensor zuverlässig arbeitet, dass Software ihre technischen Spezifikationen erfüllt oder dass ein Produkt bereits am Markt ist, belegt für sich genommen nicht, dass eine bestimmte DDM für eine bestimmte klinische Prüfung geeignet ist. Ein Sensor kann Beschleunigung exakt aufzeichnen, während ein nachgelagerter Algorithmus bei verändertem Gangbild, Tremor, Arrhythmie oder anderen krankheitsspezifischen Merkmalen anders arbeitet. Ebenso kann ein technisch korrekter Ausgabewert eine unzureichend belegte Beziehung zu dem klinischen Konzept haben, das die Studie erfassen will.

Die Eignung bezieht sich damit auf die vollständige Kombination aus DHT, Algorithmus, DDM und Verwendung in der Studie, nicht auf das Gerät oder das Softwareprodukt für sich.

Die Evidenzarchitektur der FDA

Die FDA trennt den Evidenznachweis in Verifizierung, analytische Validierung und klinische Validierung. Diese drei Begriffe beantworten verschiedene Fragen und sollten nicht zu der undifferenzierten Behauptung zusammengezogen werden, ein Wearable, ein digitaler Biomarker oder ein Algorithmus sei „validiert".

Tabelle 1. Übersicht der Verifizierungs- und Validierungsbegriffe aus dem FDA-Papier vom August 2026.

Das Gehbeispiel der FDA ist aufschlussreich. Die DHT erfasst zunächst Beschleunigung, die in eine Schrittzahl überführt wird. Die FDA beschreibt die Verifizierung der Beschleunigungsmessung samt zugehörigem KI-Algorithmus, die analytische Validierung der daraus abgeleiteten Schrittzahl gegen eine Referenzmessgröße in der Zielpopulation und die klinische Validierung der abgeleiteten Gehabschnittslänge in ihrem vorgesehenen Anwendungskontext. Das Beispiel zeigt, dass die zuverlässige Erfassung eines Signals die Gültigkeit oder klinische Bedeutung einer höherstufigen Ergebnisgröße nicht automatisch belegt.

Die Evidenzbasis kann auch über Organisationen verteilt sein. Die FDA weist darauf hin, dass Sponsoren, wo angemessen, auf Verifizierungsdaten zurückgreifen können, die ein DHT-Hersteller oder ein Dritter öffentlich zugänglich gemacht hat oder über ein Right of Reference bereitstellt. Damit werden Zugang zur technischen Dokumentation, Aufzeichnungen zu Softwareversionen und Änderungsmitteilungen von Lieferanten zum Bestandteil der Evidenzstrategie.

Erst die klinische Frage, dann die Technologie

Die FDA stellt die klinische Begründung vor die Technologieauswahl. Die Entwicklung beginnt mit der Festlegung des bedeutsamen Gesundheitsaspekts, des interessierenden Konzepts, der Zielpopulation und des Anwendungskontexts. Ein bedeutsamer Gesundheitsaspekt ist ein konkreter Aspekt des Befindens oder Funktionierens im Alltag, der für Patientinnen und Patienten zählt. Das interessierende Konzept ist der klinische, biologische, physische oder funktionelle Zustand beziehungsweise das Erleben, das eine Bewertung erfassen oder abbilden soll. Beides kann sich überschneiden, ist aber nicht zwingend identisch.

Diese Reihenfolge ist mehr als eine Frage der Begrifflichkeit. Sie verpflichtet Entwickler dazu darzulegen, warum eine bestimmte DDM im Krankheitskontext relevant ist, welchen zusätzlichen Wert sie bietet, wie und wann Daten erhoben werden, welches klinische Ereignis oder Merkmal sie abbilden soll und wie Veränderungen der Messgröße zu interpretieren sind. Die FDA empfiehlt, eine Begründung für die Beziehung zwischen der vorgeschlagenen DDM und bedeutsamen Gesundheitsaspekten zu entwickeln und diese Begründung mit wachsender Evidenzbasis zu schärfen. Ein konzeptionelles Modell hilft besonders dann, wenn mehrere Merkmale desselben Verhaltens plausibel messbar wären, etwa Gehhäufigkeit, Abschnittsdefinition, Abschnittslänge oder Gehgeschwindigkeit.

Wo eine direkte Referenzmessgröße vorliegt und dasselbe Konstrukt erfasst, verweist das Papier auf Übereinstimmungsanalysen, die zum Skalenniveau passen. Für neuartige Konzepte existiert unter Umständen keine geeignete direkte Referenz. Für diesen Fall empfiehlt die FDA die frühzeitige Abstimmung mit der zuständigen Review-Division darüber, wie Begründung und Gültigkeit der DDM gestützt werden können. Das Fehlen eines konventionellen Vergleichsmaßstabs ist weder automatische Validierung noch automatischer Ausschluss.

Die Evidenzstärke folgt der regulatorischen Rolle

Das Papier verfolgt einen risikobasierten Ansatz. Erforderlicher Umfang und erforderliche Tiefe der Validierung richten sich nach der vorhandenen Evidenzbasis und der vorgesehenen Verwendung der DDM, einschließlich Anwendungskontext und Rolle in der klinischen Prüfung. Die FDA gibt dazu ein klares Beispiel: Für eine DDM als primärer Endpunkt einer Zulassungsstudie wird eine prospektive Validierung mit vorab festgelegten Leistungsschwellen in der vorgesehenen Zielpopulation erwartet. Eine DDM als explorativer Endpunkt kann demgegenüber durch retrospektive oder überbrückende Evidenz gestützt werden.

Dieses Beispiel ist als Anwendung des Verhältnismäßigkeitsgrundsatzes zu lesen, nicht als einheitliche Validierungsformel. Dieselbe DDM kann je nach Patientenpopulation, Studiendesign, Erhebungsrhythmus und Konsequenz einer Fehlmessung für die regulatorische Entscheidung erheblich unterschiedliche Evidenz erfordern.

Dasselbe Prinzip gilt für KI-gestützte DDM. Die FDA hält fest, dass Entwickler eine Glaubwürdigkeitsbewertung erwägen können, die dem Modellrisiko im vorgeschlagenen Anwendungskontext angemessen ist. Das zugehörige FDA-Dokument zu künstlicher Intelligenz ist ein Guidance-Entwurf vom Januar 2025 für Arzneimittel und biologische Produkte. Es ist ausdrücklich nicht zur Umsetzung bestimmt und enthält nicht bindende Empfehlungen für einen risikobasierten Rahmen zur Glaubwürdigkeitsbewertung. Es sollte deshalb als relevanter Vorschlag zitiert werden und nicht als feststehende allgemeine Anforderung an jede KI-gestützte DDM oder jedes Medizinprodukt.

Gebrauchstauglichkeit, Datenvollständigkeit und Messbedingungen gehören zur Evidenz

Sobald eine DHT Daten für eine klinische Studie erzeugt, wird Gebrauchstauglichkeit zu einer Evidenzfrage und ist nicht mehr nur ein Gestaltungsthema. Die FDA hält fest, dass die Validierungsevidenz belegen sollte, dass Anwender die Gebrauchsanweisung verstehen und befolgen können, typischerweise über Human-Factors- oder Usability-Studien. Umfang und Strenge dieser Arbeit sollten der regulatorischen Rolle der DDM und den Merkmalen der vorgesehenen Population entsprechen. Sensorische, kognitive, sprachliche und motorische Fähigkeiten sowie Anwenderbelastung, Adhärenz, dauerhafte Bedienbarkeit und Ermüdung können beeinflussen, ob die entstehenden Daten die beabsichtigte Messung tatsächlich abbilden.

Die FDA hält außerdem fest, dass bei möglicher Fernanwendung einer DHT die aus der Ferne gewonnenen Messwerte mit Messwerten derselben DHT im klinischen Umfeld verglichen werden sollten, wobei Unterschiede angemessen zu begründen sind. Kalibrierprozesse erfordern, wo einschlägig, eine eigene Bewertung. Die betrieblichen Bedingungen der Datenerhebung sind damit Teil der Glaubwürdigkeit der klinischen Evidenz und kein Umsetzungsdetail, das nach der Endpunktauswahl geklärt wird.

Datenvollständigkeit und Datenqualität verlangen dieselbe Aufmerksamkeit. Die FDA benennt fehlende und qualitativ schwankende Daten als Fragen der analytischen Validierung. Sponsoren sollten bewerten, wie viele Daten für eine verlässliche Schätzung der DDM nötig sind, einschließlich der Folgen von Aufzeichnungsdauer, unbeobachteten Zeiträumen und Studienabbrüchen. Das Papier nennt zudem Sensorrauschen, Anwendungsfehler, Wechselwirkungen zwischen Anwender und Technologie, Umgebungsbedingungen, falsche Platzierung eines Wearables, Fehlklassifikation von Ereignissen und Versionsänderungen als mögliche Fehlerquellen.

Tabelle 2. Praktische Zusammenfassung der Ausführungen der FDA zu Gebrauchstauglichkeit, möglichen Fehlerquellen und Technologie-Updates; keine eigenständige FDA-Checkliste.

Änderungslenkung ist eine Evidenzfrage

Digitale Messsysteme können sich während einer klinischen Prüfung verändern. Die FDA benennt Änderungen an DHT, zugehörigen Technologien, allgemeinen Rechenplattformen und KI-Algorithmen einschließlich Betriebssystem-Updates als mögliche Quelle von Messfehlern. Sponsoren und weitere Beteiligte sollten sicherstellen, dass die DHT geeignet bleibt und Updates die DDM nicht beeinflussen. Wo ein Update die Messung beeinflussen kann, weist die FDA darauf hin, dass eine Validierung nach dem Update hilfreich sein kann, etwa mit bereits erhobenen Daten oder über eine neue prospektive Studie.

Das Papier schreibt keine Überbrückungsstudie für jede Softwareänderung vor. Es verlangt stattdessen eine begründete Bewertung, ob die Änderung die Messung verändern könnte, gefolgt von einer dazu verhältnismäßigen Evidenzantwort. Eine nachvollziehbare Konfigurationsbasis für Gerät, Firmware, Anwendung, Betriebssystem, Algorithmus und Auswertungspipeline ist deshalb Voraussetzung dafür, dass Längsschnittdaten interpretierbar bleiben.

Der nächste Schritt: die statistischen Fragen

Am 27. August 2026 richtet die FDA einen kostenfreien virtuellen öffentlichen Workshop aus, einberufen vom Duke-Margolis Institute for Health Policy im Rahmen einer Kooperationsvereinbarung mit der FDA, unter dem Titel Statistical Considerations for Digitally-Derived Endpoints in Clinical Trials. Der Workshop richtet sich ausdrücklich auf klinische Prüfungen von Arzneimitteln und biologischen Produkten und nicht auf FDA-regulierte Prüfungen allgemein; er läuft von 9:30 bis 15:45 Uhr Eastern Time.

Die veröffentlichte Agenda stellt den Bezug zum behördenübergreifenden DDM-Papier ausdrücklich her. Die Sitzungen behandeln Datenprovenienz, den Umgang mit Lücken in Fernüberwachungsdaten, analytische und klinische Validierung, Datenstandardisierung, neue Analysemethoden sowie statistische Herausforderungen in Auswertung und behördlicher Bewertung einschließlich fehlender Daten. Eine eigene Sitzung behandelt die technischen Spezifikationen der kontinuierlichen Glukosemessung als Modell für regulatorische Einreichungen, Leistungsbewertung von Geräten und analytische Best Practice.

Der Workshop sollte nicht als Setzung neuer Anforderungen dargestellt werden, bevor er stattgefunden hat. Sein erklärter Zweck ist die Erörterung methodischer und statistischer Fragen sowie die Sichtung von Erfahrungen und Best Practices. Die Agenda unterstreicht dennoch einen wichtigen Punkt: Der Nachweis, dass eine DDM gültig ist, ist nur ein Teil der Endpunktreife. Estimands, Datenprovenienz, Vollständigkeit, Aggregation, Evidenz auf Patientenebene, Annahmen zu fehlenden Daten und Interpretierbarkeit müssen ebenfalls geklärt sein, wenn die DDM eine Aussage zum Behandlungseffekt tragen soll.

Bedeutung für globale Entwicklungsprogramme

Das FDA-Papier ändert europäische Rechtsanforderungen nicht. MDR und IVDR sind EU-Verordnungen. ISO 14155:2026 ist demgegenüber eine internationale Norm zur guten klinischen Praxis bei klinischen Prüfungen von Medizinprodukten an Menschen. Sie deckt Planung, Durchführung, Aufzeichnung und Berichterstattung solcher Prüfungen ab und ist nicht unmittelbar auf In-vitro-Diagnostika anwendbar, wobei einschlägige Elemente berücksichtigt werden können, soweit nationale oder regionale Regeln dies zulassen.

Für Programme nach europäischen Anforderungen sollte das FDA-Papier deshalb nicht als zusätzliche EU-Pflicht dargestellt werden. Sein Wert liegt in einem nicht bindenden Bewertungsrahmen für die Messkette, wenn ein DHT-gestützter Ausgabewert eine Aussage zu Sicherheit, Leistung, klinischem Nutzen oder Behandlungseffekt trägt. Welche europäischen und nationalen Anforderungen gelten, hängt weiterhin vom regulatorischen Status des Produkts, seiner Zweckbestimmung, den erhobenen Aussagen und dem Studiendesign ab.

Fazit

Das FDA-Papier vom August 2026 schafft keine neue Regulierungsebene für Wearables, Sensoren oder künstliche Intelligenz. Es klärt, welche Evidenz die patientenrelevante Gesundheitsfrage, den Anwendungskontext, die DHT, die algorithmische Verarbeitung, die DDM und deren Rolle in der klinischen Prüfung miteinander verbinden muss.

Ein technisch zuverlässiger Sensor ergibt nicht automatisch eine analytisch gültige Messgröße. Eine analytisch gültige Messgröße begründet noch keine klinische Bedeutung. Und selbst eine klinisch validierte DDM verlangt Evidenz, die zu der regulatorischen Entscheidung passt, die sie stützen soll. In dem Maß, in dem digitale Technologien das Verhältnis zwischen Patienten und klinischer Evidenz vermitteln, wird das Messsystem selbst zum Bestandteil des regulatorischen Evidenzsystems.