Das beste Argument für KI in der Biotech ist nicht Geschwindigkeit — es sind seltene Erkrankungen

Seltene Erkrankungen haben ein strukturelles Wirtschaftlichkeitsproblem, das kein noch so großer wissenschaftlicher Wille je vollständig gelöst hat. Einzeln betrachtet betrifft jede Erkrankung zu wenige Menschen, um die üblichen wirtschaftlichen Rahmenbedingungen der Arzneimittel- oder Diagnostikentwicklung zu rechtfertigen. Zusammen betreffen seltene Erkrankungen schätzungsweise 30 Millionen Menschen allein in der EU, verteilt auf etwa 6.000 bis 8.000 identifizierte Erkrankungen — die meisten ohne zugelassene Behandlung und viele ohne verlässlichen diagnostischen Weg überhaupt. Die Orphan-Drug-Verordnung (EG 141/2000) existiert genau deshalb, weil der Markt, sich selbst überlassen, systematisch zu wenig in genau diese Population investiert. Anreize wie zehn Jahre Marktexklusivität und reduzierte regulatorische Gebühren helfen, adressieren aber die Erlösseite der Gleichung, nicht die Kostenseite. Und bei den meisten Programmen für seltene Erkrankungen liegt die eigentliche Hürde auf der Kostenseite.

Genau dort beginnt KI-getriebene Effizienz einen echten, messbaren Unterschied zu machen — nicht durch eine abstrakte Vorstellung von „KI wird Krankheiten heilen", sondern durch die unglamouröse Verdichtung spezifischer, teurer Schritte in der Pipeline, die Programme für seltene Erkrankungen im Verhältnis zu ihrer Patientenpopulation schon immer überproportional belastet haben.

Wo sich die Kosten bei seltenen Erkrankungen tatsächlich konzentrieren

Die diagnostische Odyssee ist selbst eine Kostenlast, die größtenteils von Patienten und Gesundheitssystemen getragen wird, bevor überhaupt ein Behandlungsprogramm existiert. Die durchschnittliche Zeit bis zur Diagnose einer seltenen Erkrankung wird üblicherweise noch immer mit mehreren Jahren beziffert, oft nach mehreren Fehldiagnosen und Facharztüberweisungen — nicht weil Klinikerinnen und Kliniker nachlässig wären, sondern weil eine bestimmte seltene Erkrankung im Laufe einer Karriere vielleicht nur einmal gesehen wird, wenn überhaupt. KI-gestützte Varianteninterpretation und Phänotyp-Abgleich-Tools, trainiert auf aggregierten Falldaten statt auf der individuellen Erfahrung einer einzelnen klinischen Fachkraft, verkürzen diese Odyssee in frühen Einsätzen messbar. Ein schnellerer, präziserer diagnostischer Weg hilft nicht nur der einzelnen Patientin oder dem einzelnen Patienten — er erzeugt auch genau die Fallidentifikation, die ein zukünftiges klinisches Programm überhaupt braucht, um die Machbarkeit zu bewerten.

Natural-History-Daten sind teuer zusammenzustellen und erforderten früher jahrelangen, dedizierten Registeraufbau. Regulatorische Behörden akzeptieren zunehmend Natural-History-Studien und Real-World-Daten als Teil des Evidenzpakets für Programme zu seltenen Erkrankungen — in Anerkennung dessen, dass eine klassische randomisierte kontrollierte Studie oft nicht machbar ist, wenn die gesamte weltweite Patientenpopulation im dreistelligen Bereich liegt. Diese Natural-History-Evidenz zusammenzustellen bedeutete traditionell Jahre manueller Aktendurchsicht und Registerpflege. KI-gestützte Extraktion und Strukturierung klinischer Daten aus Patientenakten, Fallberichten und bestehenden Registern verdichtet diesen Zeitrahmen erheblich — aus einer mehrjährigen Voraussetzung wird eine Aufgabe, die in Monaten gemessen wird, ohne die Beweisschwelle zu senken — nur den Arbeitsaufwand, sie zu erreichen.

Regulatorische Dokumentation für die Orphan-Designation und darüber hinaus ist ein Fixkostenblock, der kleine Programme überproportional hart trifft. Die Vorbereitung eines Antrags auf Orphan-Drug-Designation nach dem Rahmenwerk der EMA, oder dem entsprechenden FDA-Pfad, erfordert eine definierte Prävalenzbegründung, einen medizinischen Plausibilitätsnachweis und ein strukturiertes regulatorisches Dossier — Arbeit, die in etwa denselben Personenaufwand kostet, unabhängig davon, ob die spätere Patientenpopulation 50.000 oder 500 umfasst. Für ein gut finanziertes Programm mit einer häufigen Indikation ist dieser Fixkostenblock eine Rundungsdifferenz. Für ein kleines Biotech-Unternehmen mit einer ultra-seltenen Indikation kann er einen erheblichen Anteil der Gesamtprogrammkosten ausmachen. KI-gestützte Entwurfserstellung, Literaturauswertung und Recherche regulatorischer Präzedenzfälle — eingesetzt mit der Verifikationsdisziplin, die diese Art von Dokumentation erfordert — reduziert diesen Fixkostenblock messbar, und das zählt genau dort am meisten, wo die Patientenpopulation am kleinsten und die Wirtschaftlichkeit ohnehin am dünnsten war.

Warum das die Rechnung speziell für kleine Biotech-Unternehmen verändert

Die Organisationen, die davon am meisten profitieren können, sind nicht die großen Pharmaunternehmen, die bereits dedizierte Abteilungen für seltene Erkrankungen haben und Fixkosten über ein großes Portfolio verteilen können. Es sind die kleinen, oft aus der Wissenschaft ausgegründeten Biotech-KMUs, die eine echte wissenschaftliche Erkenntnis zu einer bestimmten seltenen Erkrankung besitzen, aber historisch früh eine schmerzhafte Entscheidung treffen mussten: die seltene Indikation verfolgen, die sie tatsächlich verstehen, oder auf eine größere, kommerziell konventionellere Indikation umschwenken, weil die kleinere die Fixkosten der Entwicklung nicht tragen konnte.

Die Grenzkosten für die Entwicklung diagnostischer Wege, die Generierung von Natural-History-Evidenz und regulatorische Dokumentation zu senken, verändert diese Rechnung. Es macht ein Programm für seltene Erkrankungen nicht billig — klinische Entwicklung, Herstellung und die Kernwissenschaft bleiben teuer, unabhängig davon, wie effizient die umgebende Pipeline wird. Aber es verändert, welche Programme die Schwelle „wirtschaftlich vertretbar zu versuchen" für ein ressourcenbeschränktes KMU erreichen — und diese Schwelle hat historisch viel wissenschaftlich fundierte Arbeit zu seltenen Erkrankungen ausgeschlossen, die sich schlicht nicht auf einer Tabellenkalkulation rechtfertigen ließ.

Die Einschränkung, die dazugehören muss

Nichts davon funktioniert ohne dieselbe Sorgfalt, die an anderer Stelle in diesem Blog zu KI in regulierten Life-Science-Kontexten diskutiert wurde. Varianteninterpretation, die in eine Diagnose einfließt, Natural-History-Daten, die in eine regulatorische Einreichung einfließen, und Dokumentation, die in einen Orphan-Designation-Antrag einfließt, sind ausnahmslos hochriskante Outputs, die dieselbe Verifikationsdisziplin erfordern wie jede andere KI-gestützte Arbeit in einem regulierten Umfeld — eine qualifizierte Person, die das Ergebnis prüft und bestätigt, ein dokumentierter Prozess und eine klare Trennlinie zwischen KI-gestütztem Entwurf und validierter Schlussfolgerung. Der Effizienzgewinn ist real, aber es ist ein Effizienzgewinn bei der Arbeit des Evidenzzusammenstellens, keine Abkürzung um die Beweisschwelle selbst. Ihn als Letzteres zu behandeln würde genau die Glaubwürdigkeit untergraben, auf die Programme für seltene Erkrankungen mehr als die meisten anderen angewiesen sind.

Mit dieser Disziplin ist das aber eine der wirklich optimistischen Geschichten in einer KI-Adoptionsdebatte, die ansonsten zu Recht voller Einschränkungen ist. Eine Technologie, die die Fixkosten für die Verfolgung evidenzbasierter, rigoros validierter Behandlungswege senkt, ist eine Technologie, die erweitert, welche Erkrankungen sich das System leisten kann, ernst zu nehmen — und für die Patientinnen und Patienten hinter jenen 6.000 bis 8.000 seltenen Erkrankungen ist diese Verschiebung dessen, was wirtschaftlich vertretbar ist, keine Abstraktion.

---

Wenn Ihre Organisation prüft, ob ein Programm zu einer seltenen Erkrankung tragfähig ist, oder ein bestehendes Programm effizienter machen möchte, ohne die Beweissorgfalt zu gefährden, auf die es angewiesen ist, lohnt sich dieses Gespräch frühzeitig. Sprechen Sie mich gerne an, wenn Sie genau davor stehen.