Auf der DGHO 2026 Jahrestagung wurde eines klar: Real-World Daten sind klinisch wertvoll - doch um ihr volles Potenzial zu entfalten, braucht es entschiedene Schritte., Wie jedes Jahr war sie eine gute Gelegenheit, den Puls der onkologischen Praxis zu fühlen. Drei Themen haben mich dieses Mal besonders beschäftigt: was onkologische Real-World-Daten heute leisten können, wie neue Technologien den Zugang zu Evidenz demokratisieren, und warum die Frage nach der Rolle von RWD in unserem deutschen Nutzenbewertungssystem aktueller ist denn je.
Was onkologische Real-World-Daten heute leisten können
Register leisten seit Jahrzehnten einen enormen Beitrag zur Versorgungsforschung, gerade in der Hämatologie und Onkologie. Sie bilden oft große Patientenpopulationen über lange Zeiträume ab und liefern wertvolle Erkenntnisse zu Versorgungsmustern und Outcomes. Gleichzeitig gibt es Fragestellungen, bei denen die Stärken eines anderen Datenansatzes zum Tragen kommen.
Bei Flatiron arbeiten wir mit tief strukturierten Daten zu jeder einzelnen Medikationsgabe, inklusive Laborwerte, Dosierungen und Therapieanpassungen. Das bedeutet, man kann Analysen zur Dosisreduktion sehr präzise durchführen: Time to Dose Modification, Häufigkeit, Muster über die Zeit. Für Fragestellungen, die diese Granularität erfordern, ist das ein klarer Vorteil.
Besonders positiv wurde wahrgenommen, dass man in die Daten zurückgehen und tiefer einsteigen kann. Nehmen wir an, eine erste Analyse zeigt mehr Dosisreduktionen als erwartet. Mit Flatiron Health Daten kann man direkt eine Folgeanalyse aufsetzen: Was sind die Gründe für diese Reduktionen? Welche Laborwertveränderungen gingen voraus? Man bleibt nicht bei der deskriptiven Statistik stehen, sondern kann quantitativ diejenigen klinischen Fragen stellen, die sich aus den Analyseergebnissen ableiten.
Dazu kommt der schnelle Datenzugang. In einer Versorgungslandschaft, die sich so dynamisch verändert wie die Onkologie, ist es ein entscheidender Vorteil, zeitnah auf aktuelle Daten zugreifen zu können, statt Monate auf Datenanfragen zu warten.
Und ein Punkt, der oft unterschätzt wird: Dadurch, dass wir alle Patientinnen und Patienten einschließen, die an unseren Partnerstandorten behandelt werden, bilden wir die Versorgungsrealität breit ab, ohne dass bestimmte Patientengruppen (z.B. ungetestete oder unbehandelte Patienten) unterrepräsentiert sind.
Telescope: Datenanalyse im Dialog
Eines der Highlights auf der DGHO Jahrestagung war für uns das Feedback zu Telescope, unserer KI-gestützten Analyseplattform. Telescope ermöglicht es, Patientenkohorten über ein Chat-Interface zu definieren und zu verfeinern. Man stellt eine Frage in natürlicher Sprache, bekommt eine Kohorte zurück, stellt Rückfragen, verfeinert weiter. Das passiert für den Anwender im Dialog, nicht über SQL-Queries oder Python-Skripte. Diese werden im Hintergrund automatisch erstellt und angewendet, und können im Anschluss eingesehen werden.
Was das für Nutzer bedeutet, die keine Coding-Experten sind: Sie können zum ersten Mal eigenständig in die Daten einsteigen. Ohne auf Biostatistiker warten zu müssen und ohne Analyseanfragen zu formulieren. Gerade für lokale Teams, die schnelle Antworten auf marktspezifische Fragen brauchen, ist das ein echter Gamechanger.
Dabei geht es nicht nur um ein nutzerfreundliches Interface. Hinter Telescope stecken über 15 Jahre Erfahrung in der onkologischen Datenaufbereitung. Unsere klinischen Regeln, Qualitätsmechanismen und unsere tiefe Expertise in Real-World-Datenmethodik fließen direkt in die Logik ein. Wir haben über diese Methodik umfangreich publiziert und unsere Validierungsprozesse sind darauf ausgelegt, die Datenqualität auf einem Niveau zu halten, das den Anforderungen regulatorischer und wissenschaftlicher Fragestellungen standhält. Das System versteht onkologische Konzepte wie Therapielinien, Progressionsereignisse und Biomarker-Testung nicht als abstrakte Datenpunkte, sondern im klinischen Kontext.
Das Feedback war eindeutig: Wenn Life Sciences Stakeholder in der Lage sind, selbst mit Real-World-Daten zu arbeiten, verändert das die Art, wie Evidenz sich in praktische Anwendung übersetzt. Die rigorose analytische Arbeit, Studienprotokoll, Konfounder-Kontrolle, Sensitivitätsanalysen, Peer Review, ersetzt das nicht. Aber man kann in Stunden statt Wochen selbst testen, ob eine Fragestellung tragfähig ist und wie man sie am besten anlegt.
Die Evidenzfrage: Hochwertige RWD und die zweckmäßige Vergleichstherapie
Was diese Datenqualität ermöglicht, ist ein Prozess, der oft unsichtbar bleibt: Wir haben direkten Zugang zur Primärdokumentation an unseren Partnerstandorten und kuratieren die Daten zentral nach einheitlichen Standards und Definitionen. Dabei arbeiten wir sowohl mit strukturierten Daten als auch mit unstrukturierten Dokumenten wie Arztbriefen, Befunden und Biomarkerreports. Die Qualitätssicherung findet zentral statt, sowohl auf Patienten- als auch auf Kohortenebene. Erst diese Kombination aus direktem Datenzugang, zentraler Kuratierung und systematischem Qualitätsmanagement schafft eine Datengrundlage, die den methodisch rigorosen Anforderungen standhält, wie sie etwa im HTA-Kontext gestellt werden: nachvollziehbare Variablendefinitionen, transparente Kohortenbildung, validierte Endpunkte und eine Datenqualität, die einer externen Prüfung standhält.
Und damit zu einem Thema, das auf der DGHO Jahrestagung in vielen Gesprächen mitschwang: die Rolle von Real-World-Daten im deutschen Nutzenbewertungssystem.
Die Ausgangslage ist bekannt. Das AMNOG-System setzt für den Nachweis eines Zusatznutzens auf randomisierte klinische Studien als bevorzugte Evidenzquelle. Indirekte Vergleiche oder Real-World-Daten werden bisher nur in Ausnahmefällen als ausreichend anerkannt. Gleichzeitig ändern sich die vom G-BA definierten zweckmäßigen Vergleichstherapien (zVT) regelmäßig, was für Unternehmen eine besondere Herausforderung darstellt: Klinische Studien beginnen ihre Rekrutierung Jahre bevor eine Therapie das AMNOG-Verfahren durchläuft. Wenn sich die zVT in der Zwischenzeit ändert, liegen zum Zeitpunkt der Nutzenbewertung Studiendaten gegen einen Comparator vor, der nicht mehr dem aktuellen Standard entspricht.
Die Frage, die sich stellt: Welche Rolle können hochwertige, methodisch robuste Real-World-Daten in einem System spielen, das bislang primär auf RCTs ausgerichtet ist? Vor dem Hintergrund der laufenden Reformdiskussionen und der Auswirkungen durch das Most Favoured Nation (MFN) Modell in den USA lohnt es sich, diese Frage ernst zu nehmen. Denn wenn die Evidenzanforderungen systematisch schwer erfüllbar sind, besteht das Risiko, dass innovative Therapien den deutschen Markt verspätet oder gar nicht erreichen.
Das heißt nicht, dass RCTs als Goldstandard abgelöst werden sollten. Es heißt, dass es sich lohnt, darüber nachzudenken, wie hochwertige RWD, die auf robusten Methoden, klinischer Expertise und validierten Datenquellen basiert, als ergänzende Evidenz eine Rolle spielen kann. Genau daran arbeiten wir.
Fazit
Die DGHO Jahrestagung 2026 hat gezeigt, dass der Bedarf an hochwertigen Real-World-Daten in Deutschland wächst. Die Tiefe und Flexibilität strukturierter onkologischer Daten adressiert Fragestellungen, die andere Datenquellen in dieser Form nicht beantworten können. Technologien wie Telescope senken die Einstiegshürde für lokale Stakeholder. Und die Diskussion um die Rolle von RWD im Nutzenbewertungssystem zeigt, dass es an der Zeit ist, das Potenzial dieser Evidenz auch regulatorisch stärker in Betracht zu ziehen.
Kontakt aufnehmen
Möchten Sie erfahren, wie Sie die Evidenzgenerierung in Ihrem Team beschleunigen können?
Kontaktieren Sie uns hier.
