Kontext
Hersteller von Medizinprodukten benötigen belastbare klinische Evidenz zur Unterstützung regulatorischer Arbeiten, klinischer Bewertung und Produktstrategie. Für viele Teams ist der Aufbau dieser Evidenzbasis jedoch noch ein langsamer, spezialisierten Abläufe erfordernder Prozess.
Ein Gutachter beginnt mit einer Gerätebeschreibung und dem vorgesehenen Verwendungszweck, übersetzt diese in eine PubMed‑Strategie, erstellt MeSH‑basierte Abfragen, sichtet Hunderte von Abstracts, ruft PDFs ab, klassifiziert Studien, prüft Relevanz, bewertet Qualität und bereitet regulatorische Dokumente vor.
Die Arbeit ist wichtig, weil sie Entscheidungen unterstützt, die fachliche Expertise erfordern. Vieles im Prozess ist jedoch repetitiv, dokumentenintensiv und schwer konsistent wiederholbar über Geräte, Indikationen oder erneute Suchen hinweg.
Problem
Für einen Evidenz‑Workflow eines Medizinprodukts dauerte der manuelle Prozess etwa 30 Tage. Spezialisten mussten zwischen Suchtools, Artikellisten, PDF‑Repositories, Tabellenkalkulationen, Bewertungsnotizen und regulatorischen Dokumentvorlagen wechseln.
Das Team brauchte eine schnellere Methode, um eine verteidigungsfähige Evidenzbasis aufzubauen, ohne den Prozess in eine Blackbox zu verwandeln.
Sie mussten wissen:
- welche PubMed‑Suchstrategie verwendet wurde
- welche Artikel gesichtet wurden und warum
- welche Publikationen klinische Evidenz enthielten
- welche PDFs abgerufen und verifiziert wurden
- welche Volltextartikel den vorgesehenen Verwendungszweck stützten
- welche Studien in PRISMA, PICO und State‑of‑the‑Art‑Ausgaben gehören
- welche Entscheidungen vor der finalen Dokumentation einer fachlichen Prüfung bedürfen
Geschwindigkeit war wichtig, aber Nachvollziehbarkeit war ebenso entscheidend.
Was Guanta gebaut hat
Guanta hat einen KI‑unterstützten Workflow für klinische Evidenz bei Medizinprodukten entwickelt.
Das System startet mit der Gerätebeschreibung und dem vorgesehenen Verwendungszweck und hilft dann bei der Erstellung einer fachgerechten PubMed‑Suchstrategie. Es lädt Artikel herunter und organisiert sie, sichtet Publikationen auf regulatorische Relevanz, klassifiziert klinische und nicht‑klinische Evidenz, verwaltet PDFs, extrahiert Volltextinhalte, bewertet Evidenzqualität und bereitet strukturierte Outputs zur Prüfung vor.
Das Ziel ist nicht, den regulatorischen Spezialisten aus dem Prozess zu entfernen. Ziel ist es, dem Spezialisten einen schnelleren, konsistenteren und besser auditierbaren Ausgangspunkt zu geben.
Wie der Workflow funktioniert
Die Pipeline verwandelt die Arbeit an klinischer Evidenz in eine Abfolge kontrollierter Schritte.
Sie durchsucht PubMed, erfasst Metadaten zu Artikeln, lädt verfügbare PDFs herunter, verifiziert Volltextzugriff und sichtet jede Publikation im Hinblick auf Gerät, Indikation und vorgesehenen Verwendungszweck. KI hilft dabei, Evidenz zu klassifizieren, artikelbezogene Entscheidungen zu erklären, Einschluss‑ oder Ausschlussgründe zu identifizieren und Evidenzsignale zuzuweisen, die Gutachter prüfen können.
Das System erzeugt außerdem regulatorisch nutzbare Strukturen: Tabellen zur Literaturauswahl, PRISMA‑Disposition, PICO‑Extrakte, State‑of‑the‑Art‑Klassifikationen, Bewertungszusammenfassungen und herunterladbare Dokumente.
Jeder Durchlauf führt Protokolle, artikelbezogene Entscheidungsbegründungen, Qualitätsindikatoren und Pipeline‑Metriken, sodass das Team nachvollziehen kann, was passiert ist, und die Prüfung verfeinern kann, bevor etwas als finale regulatorische Evidenz verwendet wird.
Ergebnis
Der Evidenz‑Workflow wurde von etwa 30 Tagen manueller Arbeit auf rund 4 Stunden für ein initiales, strukturiertes Evidenzpaket reduziert.
Diese Zeitersparnis bietet Teams für Medizinprodukte einen schnelleren Startpunkt für klinische Bewertungsarbeiten, das Aktualisieren von Evidenz‑Reviews, den Vergleich von Geräteindikation und Iterationen über mehrere Pipeline‑Durchläufe.
Der geschäftliche Nutzen ist praktisch:
- Reduzierung der Review‑Zyklen von Wochen auf Stunden
- Weniger wiederholtes Abstract‑Screening und PDF‑Handling
- Konsistentere Struktur der Literaturrecherche über Geräte hinweg
- Nachvollziehbare artikelbezogene Begründungen und Evidenzbewertungen
- Schnellere Erstellung von PRISMA‑, PICO‑, SOTA‑ und Auswahltabellen‑Outputs
- Mehr Gutachterzeit für fachliche Bewertungen und finale Entscheidungen
Warum das wichtig ist
Arbeiten zur Evidenz für Medizinprodukte sollten schnell genug sein, um Produkt‑ und Regulatory‑Teams zu unterstützen, aber kontrolliert genug für die fachliche Prüfung.
Diese Implementierung zeigt, wie KI bei den operativen, aufwändigen Aufgaben rund um die klinische Bewertung helfen kann, ohne die regulatorische Verantwortung des Herstellers zu ersetzen. Der Workflow bietet Teams eine wiederholbare Evidenz‑Pipeline, strukturierte Outputs und Nachvollziehbarkeit von der Suchstrategie bis zur finalen Prüfung.
Für Hersteller ergibt sich ein besseres Betriebsmodell: Spezialisten behalten die Kontrolle über die Schlussfolgerung, während KI die manuelle Arbeit reduziert, die nötig ist, um einen hochwertigen Evidenz‑Ausgangspunkt zu erreichen.