Extrapolation bezeichnet in der klinischen Forschung und in der Zulassung die methodische Übertragung von Wirksamkeits- und Sicherheitsdaten von einer untersuchten Population, Dosierung, Applikationsform oder Studiensituation auf eine andere, für die nur begrenzte oder keine direkten Studiendaten vorliegen. Ziel ist es, fundierte Aussagen zu treffen, ohne für jede Untergruppe eine vollständige, eigenständige klinische Entwicklung durchführen zu müssen.
In der Praxis wird Extrapolation besonders häufig genutzt, wenn ethische oder praktische Gründe randomisierte Studien erschweren (z.B. bei seltenen Erkrankungen) oder wenn die Durchführung großer Studien in speziellen Populationen (z.B. Pädiatrie) unverhältnismäßig wäre. Extrapolation ist kein „Raten“, sondern erfordert eine nachvollziehbare Begründung, eine saubere Evidenzkette und eine transparente Darstellung der Unsicherheiten.
Wann Extrapolation eingesetzt wird
Typische Anwendungsfälle sind die Übertragung von Erwachsenendaten auf Kinder, von einer Darreichungsform auf eine andere (z.B. Tablette auf Suspension) oder von einer Indikation auf eine eng verwandte Indikation, wenn Pathophysiologie und Wirkmechanismus vergleichbar sind. Auch in Dosisfindung und Pharmakometrie wird extrapoliert, wenn Modelle Dosis-Wirkungs-Zusammenhänge über den beobachteten Bereich hinaus beschreiben.
Regulatorisch relevant ist Extrapolation außerdem bei Biosimilars oder bei Bridging-Konzepten, wenn bestimmte Datenpakete reduziert werden sollen. In solchen Fällen wird häufig ein „Totality-of-Evidence“-Ansatz erwartet, der präklinische, klinische und modellbasierte Evidenz zusammenführt.
Methodische Grundlagen: Modelle, Annahmen und Unsicherheit
Eine saubere Extrapolation basiert auf (1) einem plausiblen Wirkmechanismus, (2) vergleichbarer Exposition am Wirkort, (3) ähnlicher Krankheitsbiologie und (4) konsistenter klinischer Evidenz. Diese Kriterien werden oft als Evidenzkette verstanden: Wenn ein Glied schwach ist, steigt die Unsicherheit der Übertragung.
Methodisch kommen u.a. pharmakokinetische und pharmakodynamische Modelle, Populations-PK, Expositions-Wirkungs-Analysen und physiologisch basierte PK-Modelle (PBPK) zum Einsatz. In der Statistik werden Sensitivitätsanalysen genutzt, um die Robustheit gegenüber Annahmen zu prüfen. Wichtig ist, dass Modelle nicht nur „passen“, sondern auch extern validiert oder plausibilisiert werden (z.B. durch Vergleich mit Literaturdaten oder Real-World-Evidence).
Aus Sicht der Datenintegrität ist entscheidend, dass Modellinputs (z.B. Dosiszeiten, Konzentrationen, Kovariaten) vollständig und prüfbar sind. Unklare Missing-Data-Regeln oder nachträgliche Datenkorrekturen ohne Audit-Trail können die Akzeptanz einer Extrapolation in einer Inspektion gefährden. Ein häufiger Diskussionspunkt ist zudem die Auswahl geeigneter Vergleichsdaten: Werden historische Kontrollen oder Literaturdaten genutzt, sollten deren Herkunft, Ein- und Ausschlusskriterien sowie Messmethoden kritisch bewertet werden.
Auch die Kommunikation der Unsicherheit ist zentral: Konfidenzintervalle, Szenarioanalysen und klare Sensitivitätsanalysen helfen, die Konsequenzen alternativer Annahmen sichtbar zu machen. Damit wird Extrapolation von einem reinen Modellresultat zu einer nachvollziehbaren Entscheidungsgrundlage für Nutzen-Risiko-Abwägungen.
Regulatorische Anforderungen in EU und international
In der EU spielt Extrapolation eine besondere Rolle in der Pädiatrie: Im Rahmen eines Paediatric Investigation Plan (PIP) kann eine partielle oder vollständige Extrapolation von Erwachsenendaten akzeptiert werden, wenn die wissenschaftliche Begründung stimmig ist und ergänzende Daten (z.B. PK in Kindern) die Annahmen absichern. Auch im Kontext von Zulassungsvariationen oder Line-Extensions kann Extrapolation diskutiert werden, wenn neue Populationen oder Dosierungen hinzukommen.
Für Arzneimittelstudien gilt, dass jede Ableitung transparent dokumentiert werden muss. In Dossiers wie dem eCTD sollten Annahmen, Modellierungen, Datenquellen und Unsicherheiten nachvollziehbar beschrieben werden. Internationale Leitlinien der ICH (z.B. ICH E9 zu statistischen Prinzipien, ICH E6(R3) zur Studienqualität) sowie EMA-Guidelines geben hierfür Rahmenbedingungen; häufig wird zudem Scientific Advice empfohlen, um das Konzept vorab abzustimmen.
Praxisrelevanz und typische Stolpersteine
Für Sponsoren kann Extrapolation Entwicklungszeit und -kosten reduzieren, sie ist aber nur dann wertvoll, wenn sie regulatorisch akzeptiert wird. Daher sollten Sponsor, Biometrie, Pharmakometrie und Regulatory Affairs früh gemeinsam definieren, welche Fragen extrapoliert werden dürfen und wo zusätzliche Daten nötig sind. Für eine CRO bedeutet dies, dass Studienplanung, Datenmanagement und statistische Auswertungen so aufgesetzt werden müssen, dass die späteren Modellierungs- und Bridging-Analysen mit hoher Datenqualität möglich sind.
Operativ ist wichtig, Endpunkte und Subgruppen vorausschauend zu planen. Wenn Extrapolation auf Subgruppen abzielt, sollten relevante Kovariaten (z.B. Alter, Gewicht, Organfunktion) sauber erhoben werden. Häufige Fehler sind unzureichend begründete Annahmen („Kinder sind kleine Erwachsene“), die Vermischung von Extrapolation mit bloßer Interpolation innerhalb der Daten, oder eine Überbewertung modellbasierter Ergebnisse ohne klinische Plausibilisierung. In der Nutzen-Risiko-Bewertung sollte klar erkennbar sein, welcher Teil der Evidenz direkt gemessen und welcher Teil abgeleitet ist.
Regulatorische Referenzen (Auswahl)
- EU Clinical Trials Regulation (EU) No 536/2014 (CTR)
- ICH E6(R3) Guideline for Good Clinical Practice (GCP)
- ICH E9(R1) Statistical Principles (Estimands) und ICH E8(R1) General Considerations for Clinical Studies
FAQ
Ist Extrapolation in Zulassungsverfahren grundsätzlich erlaubt?
Ja, sie kann akzeptiert werden, wenn die Annahmen wissenschaftlich begründet sind und die Unsicherheit angemessen adressiert wird. Je größer der „Sprung“ zwischen Quelle und Ziel, desto mehr unterstützende Daten (z.B. PK/PD) werden in der Regel erwartet.
Welche Daten sind für eine pädiatrische Extrapolation typischerweise notwendig?
Oft werden mindestens Pharmakokinetik-Daten in der Zielpopulation sowie ein plausibler Wirkmechanismus und vergleichbare Krankheitsbiologie verlangt. Zusätzlich können Sicherheitsdaten, Dosisfindung und gegebenenfalls begrenzte Wirksamkeitsdaten erforderlich sein.
Wie kann eine CRO Extrapolation praktisch unterstützen?
Durch studiennahe Datenerhebung relevanter Kovariaten, robuste Datenmanagement-Prozesse, statistische Sensitivitätsanalysen und die operative Vorbereitung modellbasierter Auswertungen (z.B. standardisierte Datenstrukturen, Audit-Trail, Nachvollziehbarkeit).