In silico clinical trials in drug development: a systematic review

Diese systematische Übersicht analysiert die Rolle von In-silico-Klinischen-Studien in der Arzneimittelentwicklung, wobei sie trotz zunehmender Aufmerksamkeit vor allem in der Onkologie und Bildgebung eine begrenzte Anwendung bei seltenen und pädiatrischen Erkrankungen, eine mangelnde Reproduzierbarkeit durch geringe Open-Source-Verfügbarkeit sowie eine noch unzureichende Integration in registrierte klinische Studien feststellt.

Bohua Chen, Lucia Chantal Schneider, Christian Röver, Emmanuelle Comets, Markus Christian Elze, Andrew Hooker, Joanna IntHout, Anne-Sophie Jannot, Daria Julkowska, Yanis Mimouni, Marina Savelieva, Nigel Stallard, Moreno Ursino, Marc Vandemeulebroecke, Sebastian Weber, Martin Posch, Sarah Zohar, Tim Friede

Veröffentlicht 2026-03-19
📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre
⚕️

Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Each language version is independently generated for its own context, not a direct translation.

Stellen Sie sich vor, Sie sind ein Architekt, der ein riesiges, neues Krankenhaus bauen will. Bevor Sie auch nur einen einzigen Stein verlegen, möchten Sie wissen: Hält das Gebäude einem Erdbeben stand? Wie funktioniert der Notausgang, wenn 1000 Menschen panisch fliehen?

Früher hätte man dafür vielleicht ein kleines Modell aus Holz gebaut oder, noch besser, ein echtes, aber winziges Test-Haus gebaut, um es zu zerstören. Das ist teuer, dauert lange und ist manchmal ethisch fragwürdig (man möchte ja nicht echte Menschen in Gefahr bringen, nur um zu testen).

Was ist diese Studie eigentlich?

Dieser wissenschaftliche Artikel ist wie eine große Bestandsaufnahme: Die Autoren haben sich angesehen, wie viele Architekten (Forscher) heutzutage Computer-Simulationen nutzen, um solche "Test-Häuser" zu bauen. Diese digitalen Testläufe nennt man "In Silico Clinical Trials" (kurz ISCT). "In Silico" ist ein lateinischer Begriff, der so viel bedeutet wie "im Computer" (ähnlich wie "in vivo" für "im lebenden Organismus").

Die Forscher haben sich gefragt:

  1. Wie oft machen Leute das schon?
  2. Wofür nutzen sie es?
  3. Ist das Ganze seriös und kann man die Ergebnisse nachvollziehen?

Hier ist die Zusammenfassung der wichtigsten Punkte, erklärt mit einfachen Bildern:

1. Der große Trend: Vom Werkzeug zum Hauptakteur

Früher waren Computer-Simulationen nur ein kleines Hilfsmittel am Rande. Heute werden sie immer wichtiger. Die Studie zeigt, dass die Zahl der Veröffentlichungen und registrierten Studien in den letzten Jahren stark gestiegen ist. Es ist, als würde plötzlich jeder Architekt anfangen, erst am Computer zu planen, bevor er auf die Baustelle geht.

2. Wo wird das genutzt? (Die "Lieblingskinder" der Forschung)

Die Forscher haben herausgefunden, dass diese digitalen Tests besonders in zwei Bereichen beliebt sind:

  • Krebsforschung: Wie ein virtueller Kampf gegen den Krebs im Computer.
  • Bildgebung: Wenn man Röntgenbilder oder MRTs am Computer analysiert.

Aber wo fehlen sie noch?
Besonders bei seltenen Krankheiten und bei Kindern gibt es noch viel Luft nach oben. Das ist eigentlich der perfekte Ort für Computer-Tests!

  • Warum? Stellen Sie sich vor, Sie wollen ein neues Spielzeug für Kinder testen. Wenn die Krankheit aber nur 5 Kinder in ganz Deutschland betrifft, können Sie gar nicht genug echte Kinder finden, um einen echten Test zu machen. Oder es ist ethisch problematisch, Kinder als Versuchskaninchen zu nutzen.
  • Die Lösung: Hier könnte der Computer 10.000 virtuelle Kinder erschaffen, die das Spielzeug testen. Das ist sicher, schnell und billig. Die Studie sagt jedoch: "Leider passiert das noch viel zu selten."

3. Das Geheimnis: Woher kommt das Wissen?

Ein Computer-Modell ist wie ein Kochrezept. Aber woher nimmt der Koch die Zutaten?

  • Die Studie zeigt: Die meisten Rezepte basieren auf echten Daten (von echten Patienten oder Tierversuchen). Der Computer lernt also aus der Vergangenheit, um die Zukunft vorherzusagen.
  • Nur wenige Modelle basieren rein auf theoretischem Wissen (wie ein Koch, der nur aus dem Kopf kocht, ohne je gekostet zu haben).
  • Wichtig: Ohne echte Daten aus der realen Welt kann der Computer nicht gut "kochen". Er braucht diese Referenzpunkte.

4. Das große Problem: Die "Geheimkochtücher" (Reproduzierbarkeit)

Das ist vielleicht der kritischste Punkt der Studie.
Stellen Sie sich vor, ein Koch veröffentlicht ein Rezept und sagt: "Mein Kuchen schmeckt toll!" Aber er gibt das Rezept nicht heraus. Oder er sagt: "Kauf dir meinen speziellen Mixer, dann klappt es."

  • Das Problem: In der Studie haben die Forscher gesehen, dass in über 70 % der Fälle die Daten (die virtuellen Patienten) nicht öffentlich zugänglich sind.
  • In nur etwa 24 % der Fälle wurde der Code (das eigentliche Rezept/Programm) offen veröffentlicht.
  • Das bedeutet: Oft kann niemand nachprüfen, ob der Computer wirklich richtig gerechnet hat. Es ist wie ein Zaubertrick, bei dem man nicht sieht, wie der Zauberer die Taube aus dem Hut holt. Für die Wissenschaft ist das schlecht, denn man muss Dinge nachbauen und überprüfen können.

5. Fazit: Viel Potenzial, aber noch in den Kinderschuhen

Die Studie kommt zu einem gemischten Ergebnis:

  • Gut: Die Idee ist großartig. Computer können echte Patienten schützen, Kosten sparen und helfen, wo echte Tests unmöglich sind (z. B. bei seltenen Krankheiten).
  • Schlecht: Es wird noch zu wenig gemacht, besonders bei Kindern und seltenen Krankheiten. Und oft ist das "Geheimnis" hinter den Computermodellen zu gut gehütet.

Die Botschaft an die Welt:
Wir brauchen mehr Transparenz. Wenn Forscher einen virtuellen Test machen, sollten sie ihre "Rezepte" (Code) und ihre "Zutaten" (Daten) offenlegen. Nur so können wir sicher sein, dass diese digitalen Testläufe wirklich funktionieren und uns eines Tages helfen, Medikamente schneller und sicherer zu entwickeln, ohne dass wir so viele echte Menschen riskieren müssen.

Kurz gesagt: Die Technologie ist da, sie ist vielversprechend, aber wir müssen noch lernen, sie offener und fairer zu nutzen.