Real-World Evidence (RWE) bezeichnet klinische Erkenntnisse, die aus der Auswertung von Real-World Data (RWD) gewonnen werden — Daten, die außerhalb randomisierter kontrollierter klinischen Studien im Routinealltag entstehen. Dazu zählen elektronische Patientenakten, Krankenversicherungsdaten, Patientenregister, Wearable-Daten und Daten aus Beobachtungsstudien. RWE ergänzt die in kontrollierten Studien gewonnene Efficacy-Evidenz um Effectiveness-Erkenntnisse unter realen Versorgungsbedingungen und gewinnt in Zulassung, Health Technology Assessment (HTA) und der Post-Marketing-Überwachung rasant an Bedeutung.
Begriffliche und konzeptionelle Abgrenzung zwischen RWD und RWE
Real-World Data (RWD) ist der Rohstoff: unstrukturierte oder strukturierte Daten, die im Rahmen der medizinischen Versorgung, in Patientenregistern oder durch digitale Geräte erfasst werden. Real-World Evidence (RWE) entsteht erst durch eine methodisch fundierte Analyse dieser Daten mit dem Ziel, klinisch relevante Erkenntnisse abzuleiten. Die Qualität von RWE hängt direkt von der Qualität der Datenquelle, der Vollständigkeit der Dokumentation und der Eignung der statistischen Methoden ab. Fehlende Daten, Selektionsbias und Confounding sind die zentralen methodischen Herausforderungen bei der Erzeugung valider RWE.
Regulatorischer Status und Akzeptanz
Die FDA hat 2018 mit dem „Real-World Evidence Program“ einen strukturierten Rahmen für die Nutzung von RWE in Zulassungsentscheidungen geschaffen. In der EU hat die EMA entsprechende Leitlinien zur Nutzung von RWD/RWE veröffentlicht und das European Health Data Space (EHDS)-Projekt vorangetrieben, das den grenzüberschreitenden Datenzugang in der EU standardisieren soll. Bei Erweiterungen von Zulassungen (Line Extensions), seltenen Erkrankungen oder pädiatrischen Indikationen wird RWE von Behörden zunehmend als ergänzende oder sogar primäre Evidenzquelle akzeptiert. Für eine regulatorische Einreichung müssen RWE-Studien jedoch prospektiv geplant, protokolliert und registriert werden, um Bias-Risiken transparent zu machen.
Für die Registrierung und Veröffentlichung von RWE-Studien hat sich das EU PAS Register der EMA etabliert. Alle PASS-Studien sowie viele freiwillige Observationsstudien werden dort protokolliert und sind öffentlich einsehbar. Transparenz und Vorab-Registrierung sind für die regulatorische und wissenschaftliche Akzeptanz von RWE-Studien heute unverzichtbar und gelten als verbindlicher Qualitätsstandard in der modernen RWE-Forschung und erhöhen die Glaubwürdigkeit von Studienergebnissen gegenüber Zulassungsbehörden, HTA-Stellen und der wissenschaftlichen Gemeinschaft erheblich.
Methoden der RWE-Generierung
Für die methodisch robuste Analyse von RWD stehen verschiedene Werkzeuge zur Verfügung. Propensity Score Matching gleicht Behandlungs- und Kontrollgruppen auf Basis beobachtbarer Confounders an und reduziert so Selektionsbias. Instrumental Variables helfen, nicht beobachtbaren Confounding zu adressieren. Target Trial Emulation ist ein neuerer Ansatz, bei dem eine hypothetische randomisierte Studie aus Beobachtungsdaten nachgebildet wird — inklusive Eligibility Criteria, Intervention, Follow-up und Endpunkt. Sensitivity-Analysen prüfen die Robustheit der Ergebnisse gegenüber methodischen Annahmen. Jede RWE-Studie sollte vorab registriert (z. B. in ClinicalTrials.gov oder EU PAS Register) und mit einem transparenten Studienprotokoll versehen sein.
Neben der regulatorischen Nutzung spielt RWE eine wachsende Rolle in kommerziellen Entscheidungen der Pharmaindustrie: Portfolio-Entscheidungen, Dosisfindung für Post-Marketing-Studien und die Identifikation von Hochrisikogruppen werden zunehmend mit RWD-Analysen unterstützt. Digitale Gesundheitsplattformen und Patient Reported Outcomes (PROs) erweitern die verfügbare Datenbasis erheblich. Der methodische Standard für PRO-basierte RWE steigt: Behörden erwarten valide, zuverlässige Erhebungsinstrumente sowie eine vorregistrierte Analysestrategie.
RWE im Health Technology Assessment
HTA-Stellen wie das IQWiG in Deutschland, das NICE in Großbritannien oder das HAS in Frankreich nutzen RWE zunehmend bei der Zusatznutzenbewertung neuer Arzneimittel. Besonders bei seltenen Erkrankungen, bei denen randomisierte Studien nur begrenzte Patientenzahlen einschließen können, ergänzt RWE aus Registern und Versorgungsdaten die Zulassungsevidenz. Mit der EU-HTA-Verordnung (EU) 2021/2282, die ab Januar 2025 für onkologische und ATMPs gilt, wird RWE in gemeinsamen klinischen Bewertungen auf EU-Ebene eine wichtige Rolle spielen. Sponsoren müssen sich frühzeitig auf die Anforderungen an Datentransparenz und Methodenstandards vorbereiten.
In der klinischen Praxis gewinnen auch Plattformstudien und adaptive Studiendesigns an Bedeutung, die RWE-Komponenten integrieren. Sogenannte Pragmatic Clinical Trials (PCTs) werden unter Routineversorgungsbedingungen durchgeführt und erzeugen Daten, die zwischen klassischer RCT-Evidenz und Observationsdaten liegen. Sie bieten Behörden und HTA-Stellen eine attraktive Brücke zwischen Efficacy und Effectiveness. Für Sponsoren bedeutet die wachsende Bedeutung von RWE vor allem eine organisatorische Herausforderung: Data-Governance-Strukturen, Datenschutzkonzepte und die Qualitätssicherung heterogener Datenquellen müssen frühzeitig in die Studienplanung integriert werden.
Häufig gestellte Fragen
Kann Real-World Evidence eine randomisierte klinische Studie ersetzen?
In den meisten Zulassungsszenarien gilt der randomisierte kontrollierte Versuch (RCT) weiterhin als Goldstandard für den Nachweis kausaler Effekte. RWE kann den RCT in bestimmten Kontexten ergänzen oder — bei seltenen Erkrankungen, pädiatrischen Indikationen oder bestimmten Erweiterungsszenarien — als primäre Evidenzquelle anerkannt werden. Die regulatorische Akzeptanz hängt stark von der Studienqualität, der Transparenz der Methoden und der Relevanz der Fragestellung ab.
Welche konkreten Datenquellen eignen sich für moderne RWE-Studien am besten?
Geeignete Quellen umfassen elektronische Patientenakten (EPA), Krankenversicherungsabrechnungsdaten, Krankheitsregister, Biosample-Datenbanken, mHealth-Daten (Wearables, Apps) sowie Daten aus nicht-interventionellen Studien. Entscheidend für die Eignung ist die Datenqualität: Vollständigkeit, Konsistenz, Repräsentativität der erfassten Population und eine klare Definition der Variablen, die für die Studienfragestellung benötigt werden.
Was ist der Unterschied zwischen Efficacy und Effectiveness?
Efficacy beschreibt die Wirksamkeit eines Arzneimittels unter kontrollierten Studienbedingungen (Ideal-Setting mit selektionierten Patienten). Effectiveness beschreibt die Wirksamkeit im realen Versorgungsalltag mit heterogeneren Patientenpopulationen, Komorbiditäten und variablen Anwendungsbedingungen. RWE ist das zentrale Instrument zur Generierung von Effectiveness-Daten und schließt damit die Lücke zwischen klinischer Studie und tatsächlichem Patientennutzen.