In den frühen 2020er Jahren war künstliche Intelligenz wie ein glänzendes neues Spielzeug. LLMs fingen an, Gedichte zu schreiben, surreale Bilder zu erzeugen und elektronische Patientenakten (EHR) zu verändern. Damals wurde die Diskussion von Verben in der Zukunft dominiert: KI wird die Medizin verändern; KI könnte die Forschung beschleunigen.
Spulen Sie ins Jahr 2026 vor, und KI hat sich auf andere Facetten des täglichen Lebens ausgedehnt. Im Biopharma-Sektor ist der „Hype-Zyklus“ in einen Rhythmus der pragmatischen Anwendung übergegangen. Dennoch zeigen die Gespräche auf Sermo, dass die Ärzte unsicher sind, wie weit die Entwicklung gehen wird. „Ich denke, dass niemand vorhersagen kann, wie schnell sich [KI] weiterentwickeln wird. Sie kann exponentiell sein oder ein [Plateau] erreichen“, schreibt ein Allgemeinmediziner in der Community.
Ein pädiatrischer Neurologe sieht das ähnlich: „Alles ist noch offen, und es wird sich zeigen, welche Rolle der Mensch angesichts der Fortschritte, die die KI bringen wird, spielen wird.“
Während das Endergebnis noch unvorhersehbar ist, ist die Richtung klar. Die KI verändert die Art und Weise, wie Therapien konzipiert, getestet und bereitgestellt werden, grundlegend. Hier erfahren Sie, wie KI in der Arzneimittelentwicklung die klinische Landschaft im Jahr 2026 umgestalten wird.
Den Weg zur Zielidentifizierung beschleunigen
Jahrzehntelang war die Identifizierung von Zielmolekülen (d.h. die Suche nach den spezifischen Molekülen, auf die ein Medikament während der Entwicklung abzielt) ein Spiel mit Vermutungen, das oft von hohen Misserfolgsquoten geplagt war.
Das Aufkommen der KI für die Arzneimittelentdeckung könnte den Prozess beschleunigen. Durch die Umstellung auf die computergestützte Auswahl von Zielmolekülen vor der Validierung im Labor können die Forscher praktikable Zielmoleküle mit größerer Effizienz identifizieren. Dies ermöglicht es ihnen, Kandidaten in silico (am Computer) statt in vivo (in Tiermodellen oder bei Tests am Menschen) zu versagen. Allerdings hat die KI auch ihre Grenzen. Laut einer Studie aus dem Jahr 2025 werden die Modelle oft mit unvollständigen oder minderwertigen Daten trainiert, was ihre Genauigkeit verringert. Es besteht auch die Möglichkeit, dass das Training mit verzerrten Daten erfolgt, was zu verzerrten KI-Systemen führt, so die Autoren der Studie.
Die Ärzte auf Sermo beobachten diesen Wandel. Auf die Frage, ob KI die Entwicklung von Medikamenten in den nächsten fünf bis 10 Jahren erheblich beschleunigen wird, sagten 29% eine deutliche Beschleunigung voraus, 37% moderate Verbesserungen und nur 3%, dass sich die Zeitpläne nicht wesentlich ändern werden. Auf die Frage , in welchen Bereichen die KI ihrer Meinung nach die stärksten Auswirkungen haben wird, waren die wichtigsten Antworten die Identifizierung von Targets im Frühstadium (28%), die Vorhersage von Wechselwirkungen zwischen Medikamenten und Targets (28%) und die Planung klinischer Studien (15%).
Im Februar 2026 gibt es noch keine von der FDA zugelassenen KI-Medikamente, aber hier ist eine Übersicht darüber, wie diese Fortschritte die zukünftige Arzneimittelentwicklung verändern:
Identifizierung von Zielen im Frühstadium
Algorithmen können jetzt gleichzeitig genomische Datensätze, proteomische Informationen und wissenschaftliche Literatur durchsuchen, um kausale Zusammenhänge zwischen biologischen Zielen und Krankheitszuständen zu erkennen.
Ein Hals-Nasen-Ohren-Arzt auf Sermo ist von dieser Anwendung ermutigt. „Ich denke, dass KI für die Medikamentenentwicklung äußerst vielversprechend ist“, sagt er. „Sie kann riesige Datensätze analysieren, potenzielle Zielmoleküle schneller identifizieren und den Zeit- und Kostenaufwand für die frühe Phase der Forschung reduzieren. Sie wird zwar die menschliche Expertise nicht ersetzen, aber sie kann die Forschung erheblich beschleunigen, die Genauigkeit verbessern und die Tür zu Behandlungen öffnen, die mit traditionellen Methoden unmöglich zu finden gewesen wären.“
Ein Augenarzt und Mitglied von Sermo glaubt, dass die KI „es ermöglichen wird, die Prüfung vielversprechender Moleküle zu beschleunigen und andere viel früher zu eliminieren“.
Vorhersage von Wirkstoff-Ziel-Interaktionen
Sobald ein Ziel identifiziert ist, ist die nächste Hürde die Bindungsaffinität. Wird das Molekül tatsächlich haften? In der Vergangenheit waren dafür ausführliche physikalische Tests erforderlich. Deep Learning-Modelle könnten dabei helfen, diese Wechselwirkungen vorherzusagen.
Klinische Studien entwerfen
Schlechte Endpunkte oder unrealistische Ausschlusskriterien können eine Studie bereits in der Entwurfsphase zum Scheitern bringen, noch bevor Probanden eingeschlossen werden. KI-Tools simulieren jetzt Studienprotokolle anhand historischer Daten, um mögliche Engpässe vorherzusagen. „KI ist sehr vielversprechend: Sie beschleunigt die Entdeckung von Zielmolekülen, sagt das Verhalten von Molekülen voraus und reduziert die Ausfallraten im Frühstadium“, schreibt ein Dermatologe auf Sermo.
Einige Sermo-Mitglieder bleiben vorsichtig optimistisch. „Die KI verkürzt die Fristen und verbessert die Suche nach neuen Molekülen und Zielmolekülen, und sie beginnt dabei zu helfen, bessere Studien zu entwerfen und Patienten auszuwählen“, bemerkt ein Radioonkologe. „Aber wir brauchen noch viel mehr unabhängige Validierung und Transparenz, bevor wir ihren Ergebnissen in der klinischen Praxis voll vertrauen können.
Rekrutierung und Stratifizierung von Patienten
Die Suche nach dem richtigen Patienten für die richtige Studie kann ein logistischer Albtraum sein. KI verfeinert die Stratifizierung von Patienten, indem sie elektronische Gesundheitsakten analysiert, um geeignete Kandidaten zu finden, die sonst übersehen werden könnten.
Ein Allgemeinmediziner auf Sermo glaubt, dass dies eine der Stärken der KI sein könnte. „KI birgt ein immenses Potenzial für die Entdeckung von Medikamenten, die Beschleunigung des Prozesses und die Verfeinerung der Patientenstratifizierung, vorausgesetzt, sie wird solide validiert und durchdacht in die Praxis integriert“, schreiben sie.
Prädiktive Sicherheit: Verringerung der klinischen Fluktuation durch den Einsatz von KI in der Arzneimittelentwicklung
Manchmal zeigt ein Kandidat während der Entwicklung eines Medikaments zwar seine Wirksamkeit, versagt aber bei der Sicherheit – oft erst spät. Vorhersagbare Sicherheitsmodelle können helfen, dieses Risiko zu mindern.
Computergestützte Analysen können helfen, potenzielle kardiotoxische und metabolische Probleme zu erkennen, bevor ein Medikament in den menschlichen Körper gelangt. Durch die Erstellung von Aktivitätsprofilen, die aufzeigen, wie ein Molekül mit Off-Target-Rezeptoren interagieren könnte (also mit denjenigen, mit denen es nicht in Berührung kommen soll), können Forscher sicherstellen, dass nur qualitativ hochwertige Kandidaten in Frage kommen.
Die Mitglieder von Sermo sind geteilter Meinung darüber, wie sehr sie KI-generierten Vorhersagen in der Frühforschung vertrauen. 13% der Teilnehmer an einer Umfrage gaben an, dass sie „sehr zuversichtlich“ sind, 36% sind „etwas zuversichtlich“, 31% sind neutral und 17% sind nicht zuversichtlich.
Optimierung klinischer Studien mit digitalen Zwillingen
Ein digitaler Zwilling ist im Wesentlichen eine virtuelle Repräsentation eines Patienten – oder eines Kontrollarms – der aus riesigen Mengen von Gesundheitsdaten erstellt wird. Er ermöglicht es Forschern zu simulieren, wie ein Patient mit bestimmten Merkmalen auf eine Behandlung reagieren könnte. Dies hat Auswirkungen auf das langfristige Ziel, die Größe der Kontrollgruppen zu reduzieren oder die traditionellen Placebo-Arme in bestimmten Kontexten zu ergänzen. Es hat das Potenzial, die Verschwendung von Kapital und Zeit zu reduzieren, indem die Ergebnisse vorhergesagt werden, bevor reale Ressourcen eingesetzt werden.
Ein OBGYN auf Sermo hält dies für ein wichtiges Werkzeug für die Zukunft. „KI wird die Entwicklung von Medikamenten beschleunigen können“, schreiben sie. „Digitale Zwillinge werden extrem nützlich sein.“
Wenn Sie tiefer in diese spezielle Technologie eintauchen möchten, lesen Sie den vollständigen Artikel von Sermo über digitale Zwillinge im Gesundheitswesen.
Vertrauen schaffen durch ‚Glass Box‘-Transparenz
Trotz der Aufregung haben KI und Medikamentenentwicklung ein anhaltendes Beziehungsproblem: das Problem der „Black Box“.
Anfangs spuckten Deep-Learning-Algorithmen zwar eine korrekte Antwort aus (z.B. „Dieses Molekül bindet an dieses Protein“), aber sie konnten nicht erklären , wie sie zu dieser Schlussfolgerung kamen. In der Medizin ist das nicht gut genug.
Das Ziel ist der Übergang zu „gläsernen“ KI-Systemen, die nachvollziehbare Schlussfolgerungen bieten. Die Interpretierbarkeit ist besonders wichtig für medizinische KI-Anwendungen mit hohem Risiko. Wenn eine KI einen Behandlungspfad vorschlägt, muss ein menschlicher Arzt in der Lage sein, die Logik zu überprüfen.
Die Ärzte auf Sermo sind besorgt über die Möglichkeit, dass sich Anbieter auf KI-Daten verlassen könnten, ohne kritisch zu denken. Auf die Frage, was die Mitglieder am meisten über die Integration von KI in die Medikamentenentwicklung beunruhigt, war die beliebteste Antwort mit 26% der Stimmen „übermäßiges Vertrauen der Forschungsteams in die Technologie“. Der Faktor, der ihr Vertrauen am meisten stärken würde, ist die unabhängige Validierung von Algorithmen (25%). Offensichtlich sind viele Mitglieder misstrauisch gegenüber der Möglichkeit, blindes Vertrauen in die Antworten von Blackbox-Modellen zu setzen.
Aus der Sicht eines Sermo-Mitglieds, das Allgemeinmediziner ist, ist der Übergang von der Blackbox zur Glassbox noch nicht abgeschlossen. „…viele KI-Modelle funktionieren immer noch als ‚Blackbox‘, und ohne transparente Methoden oder robuste prospektive Daten ist es schwierig zu beurteilen, wie gut diese Tools über kuratierte Datensätze hinaus verallgemeinert werden können“, heißt es.
In den USA werden KI-Tools, die in der Arzneimittelentwicklung eingesetzt werden, nicht als eigenständige Produkte reguliert. Stattdessen bewertet die Food and Drug Administration (FDA) , wie KI-generierte Erkenntnisse im Rahmen des Arzneimittelentwicklungsprozesses eingesetzt werden – insbesondere wenn sie das Design klinischer Studien, Sicherheitsbewertungen oder Zulassungsanträge beeinflussen. Während die Regulierungsbehörden Offenheit gegenüber KI-gestützten Ansätzen signalisiert haben, sind die Standards für die Validierung adaptiver oder kontinuierlich lernender Modelle noch in der Entwicklung begriffen.
Die Rolle der KI in der Zukunft
In der Arzneimittelentwicklung hat die KI das Potenzial, das brachiale Screening durch ein rationales, vorausschauendes Design zu ersetzen. Sie könnte dazu beitragen, eine echte Präzisionsmedizin einzuführen – das richtige Medikament für den richtigen Patienten, zur richtigen Zeit, mit weniger Verschwendung. Die Ärzte auf Sermo diskutieren über die potenziellen Vor- und Nachteile von KI in der Arzneimittelentwicklung und darüber hinaus. Treten Sie der Community bei, um auf die weltweit größte Datenbank für Arzneimittelbewertungen zuzugreifen (und dazu beizutragen), die klinische Evidenz der ersten Welle von KI-entwickelten Therapien zu diskutieren und an der Spitze der neuen Fortschritte zu bleiben.
