Ein digitaler Biomarker ist ein messbarer Indikator für einen biologischen Zustand oder einen Behandlungseffekt, der mit digitalen Technologien erfasst wird – typischerweise über Sensoren in Wearables, Smartphones oder vernetzten Medizinprodukten. Er kann kontinuierlich oder ereignisbezogen erhoben werden und liefert häufig alltagsnahe („real-world“) Daten, etwa zu Aktivität, Schlaf, Bewegungsmustern oder physiologischen Signalen.
Abgrenzung und typische Anwendungsformen
Digitale Biomarker sind nicht gleichzusetzen mit klassischen Laborparametern wie HbA1c oder CRP, sondern ergänzen diese durch digitale, häufig hochfrequente Messreihen. Sie können verschiedene Formen annehmen: (i) passive Messungen wie Schrittzahl, Herzfrequenzvariabilität oder Tremor-Signale, (ii) aktive Tests wie kognitive Aufgaben in einer App oder standardisierte Sprachproben, sowie (iii) Kontextdaten, etwa Nutzungs- und Interaktionsmuster, sofern diese medizinisch sinnvoll interpretiert werden. Wichtig ist die klare Definition, ob ein digitaler Biomarker als Explorationsgröße, als sekundärer Endpunkt oder (seltener) als primärer Endpunkt eingesetzt wird.
In der Praxis werden digitale Biomarker oft im Umfeld von Real World Evidence, Patient-Reported Outcome und elektronischen Patient-Tagebüchern diskutiert. Der Kernunterschied: Ein Patient-Reported Outcome basiert auf Selbstauskunft, während digitale Biomarker sensorbasiert objektiviert werden. Dennoch sind beide in Studien oft kombiniert, um klinische Relevanz und Patientenperspektive zusammenzuführen.
Methodische Anforderungen: Validität, Reliabilität, Kontext
Damit ein digitaler Biomarker in klinischen Studien belastbar ist, müssen methodische Grundfragen beantwortet werden: Misst der Sensor das, was er vorgibt zu messen (Validität)? Liefert er bei Wiederholung vergleichbare Ergebnisse (Reliabilität)? Und lässt sich aus dem Signal tatsächlich eine klinisch relevante Aussage ableiten (klinische Validierung)?
- Analytische Validierung: Sensor- und Algorithmusleistung, Vergleich mit Referenzmethoden, Einfluss von Artefakten (z.B. Bewegung, Hautkontakt, Geräteposition).
- Klinische Validierung: Zusammenhang des digitalen Signals mit klinischen Endpunkten, Krankheitsaktivität oder Therapieansprechen, inklusive Subgruppenanalysen.
- Kontext und Bias: Nutzungsmuster, Adhärenz, technische Ausfälle, unterschiedliche Gerätegenerationen und Software-Updates als potenzielle Confounder.
Ein häufiger Fehler ist die unzureichende Spezifikation der Auswertealgorithmen. Gerade bei Machine-Learning-basierten Verfahren müssen Trainingsdaten, Modellversionierung und Änderungsmanagement transparent beschrieben werden, sonst drohen Reproduzierbarkeitsprobleme und Audit-Findings. Außerdem sollten Missing-Data-Mechanismen und Protokollabweichung früh adressiert werden, weil digitale Messungen oft mehr Drop-outs und Datenlücken zeigen als klassische Visitenmessungen.
Regulatorische Einordnung in EU/Deutschland
In der EU hängt die regulatorische Einordnung stark davon ab, ob die digitale Lösung als Medizinprodukt einzustufen ist und ob sie eine medizinische Zweckbestimmung hat. Wird ein Wearable oder eine App als Medizinprodukt genutzt, greifen typischerweise Anforderungen aus der EU-MDR (EU) 2017/745, einschließlich klinischer Bewertung, Risikomanagement und ggf. Post Market Clinical Follow-up. Für Studien mit Arzneimitteln nach EU-CTR 536/2014 kann ein digitaler Biomarker Teil des klinischen Prüfplans sein; dann müssen Datenintegrität, Datenschutz und die Verifikation der Datenquellen sauber beschrieben sein.
Für Deutschland sind außerdem Datenschutzanforderungen (DSGVO) sowie das Zusammenspiel mit Ethikkommissionen relevant. Ethikkommissionen achten häufig auf Aufklärung zur Datenverarbeitung, auf die Belastung der Teilnehmenden durch Sensorik und auf den Umgang mit „Zufallsbefunden“ (z.B. auffällige Herzrhythmusdaten). In Audits und Inspektionen wird außerdem geprüft, ob die elektronische Datenerfassung den Anforderungen an ALCOA-Prinzipien und an Computerized System Validation genügt.
Bedeutung für klinische Studien
Digitale Biomarker können Studien effizienter machen, weil sie eine dichtere Datenerhebung erlauben und Veränderungen früher erkennbar werden. Das ist besonders relevant bei chronischen Erkrankungen, neurologischen Indikationen oder in der Onkologie bei funktionellen Parametern. Gleichzeitig steigen die Anforderungen an Datenmanagement und statistische Auswertung: Zeitreihen benötigen klare Aggregationsregeln, vordefinierte Auswertefenster und eine saubere Definition der Analysepopulation.
Aus Sponsor- und CRO-Sicht sind frühe Entscheidungen zentral: Welche Geräte werden zugelassen (Bring-Your-Own-Device vs. Studiengerät)? Wie werden Software-Updates kontrolliert? Welche Prozesse existieren für Device-Accountability, Schulung, Helpdesk und Datenübertragung? Full-Service-CROs wie mediconomics unterstützen hierbei typischerweise bei der Spezifikation im klinischen Prüfplan, beim Setup von Schnittstellen (z.B. zu Electronic Data Capture) sowie beim Nachweis der Datenqualität gegenüber Prüfern und Behörden.
Häufig gestellte Fragen (FAQ)
Kann ein digitaler Biomarker ein primärer Endpunkt sein?
Ja, grundsätzlich, aber erfordert eine besonders robuste klinische Validierung und eine transparente Dokumentation des Mess- und Auswerteverfahrens. In vielen Projekten wird zunächst ein sekundärer oder explorativer Einsatz gewählt, um Evidenz aufzubauen.
Wie werden Datenlücken bei Wearables in der Analyse behandelt?
Das sollte vorab statistisch geplant werden, inklusive Regeln für minimale Tragedauer, Imputation oder Sensitivitätsanalysen. Ohne vordefinierte Regeln steigt das Risiko für Bias und Diskussionen bei der Ergebnisinterpretation.
Welche Rolle spielt die MDR bei digitalen Biomarkern?
Sobald die digitale Lösung als Medizinprodukt eingesetzt wird oder medizinische Aussagen ableitet, können MDR-Anforderungen greifen. Dann müssen unter anderem klinische Bewertung, Risikomanagement und Überwachung nach dem Inverkehrbringen berücksichtigt werden.
Regulatorische Referenzen
- EU-Verordnung (EU) Nr. 536/2014 (Clinical Trials Regulation, CTR): Anforderungen an klinische Prüfungen und den klinischen Prüfplan bei Arzneimitteln.
- EU-Verordnung (EU) 2017/745 (MDR): Regulatorische Anforderungen für Medizinprodukte einschließlich Software und Wearables mit medizinischer Zweckbestimmung.
- ICH E6(R3) Good Clinical Practice: Grundsätze zu Datenqualität, Dokumentation, Systemen und Oversight in klinischen Studien.
Praktisch ist zudem zu beachten, dass die technische Infrastruktur (Geräteverwaltung, Datenübertragung, Backup, Rollen- und Rechtekonzept) bereits vor First-Patient-First-Visit getestet werden sollte. Ein Data-Management-Plan mit klaren Verantwortlichkeiten, Monitoring-Strategie (z.B. Remote-Monitoring) und definierten Qualitätskennzahlen hilft, Abweichungen früh zu erkennen und CAPA-Maßnahmen einzuleiten. Auch Schulungsunterlagen und dokumentierte Einweisungen sind essenziell, um Inspektionsfestigkeit zu erreichen.
Praktisch ist zudem zu beachten, dass die technische Infrastruktur (Geräteverwaltung, Datenübertragung, Backup, Rollen- und Rechtekonzept) bereits vor First-Patient-First-Visit getestet werden sollte. Ein Data-Management-Plan mit klaren Verantwortlichkeiten, Monitoring-Strategie (z.B. Remote-Monitoring) und definierten Qualitätskennzahlen hilft, Abweichungen früh zu erkennen und CAPA-Maßnahmen einzuleiten. Auch Schulungsunterlagen und dokumentierte Einweisungen sind essenziell, um Inspektionsfestigkeit zu erreichen.