HHS-KI-Studien ersetzen feste Phasen durch adaptive Evidenz

HHS hat ein fünfjähriges Programm gestartet, das die festen Phasen, doppelte Infrastruktur und verzögerten Entscheidungen herkömmlicher Arzneimittelstudien infrage stellt. Die Initiative für HHS-KI-Studien vereint Prognosemodelle, kontinuierliche Analysen und automatisierte Abläufe in einem Forschungsrahmen.

Im Mittelpunkt steht SURPASS, kurz für Simulation-augmented, Real-time Platform Adaptive Seamless Trials. ARPA-H, die Advanced Research Projects Agency for Health, wird das Programm zusammen mit drei unterstützenden Projekten für Studienzentren, Gesundheitsdaten und Patientennavigation betreiben.

Das unmittelbare Versprechen lautet Geschwindigkeit. Die schwierigere Aufgabe besteht darin nachzuweisen, dass adaptive Software Evidenz liefern kann, die ebenso verlässlich ist wie die Prozesse, die sie ersetzt. Dieser Konflikt setzt Regulierungsbehörden, Arzneimittelsponsoren, klinische Forschungsorganisationen, Studienzentren und Statistikteams zugleich unter Druck.

HHS-KI-Studien gehen über feste Phasen hinaus

SURPASS fügt nicht einfach einen KI-Assistenten zu einer bestehenden Studie hinzu. Es schlägt ein anderes Betriebsmodell für die Erzeugung klinischer Evidenz vor.

HHS kündigte SURPASS am 30. September 2026 an. Laut dem Studienprogramm des Ministeriums wird die Initiative prädiktive Rechenmodelle, gemeinsame Infrastruktur, gemeinsame Kontrollgruppen und Echtzeitanalysen kombinieren.

Das Programm ist auf fünf Jahre angelegt. Es soll später im Herbst Vorschläge von Teams einholen, die Statistik, KI, Studiendesign, Betrieb und Regulierung abdecken.

HHS legte in seiner ersten Ankündigung keine Finanzierung für das Programm offen. Auch erläuterte die Behörde nicht, welche regulatorische Flexibilität erfolgreiche Teilnehmer erhalten würden, wie die erste Berichterstattung zu SURPASS festhielt.

Diese Auslassungen sind relevant, weil SURPASS über administrative Automatisierung hinausgeht. Seine drei technischen Bereiche betreffen Studiendesign, statistische Inferenz und operative Abläufe.

Der erste Bereich ist eine phasenlose Design-Engine. Sie würde digitale Zwillinge und verwandte Prognosemodelle nutzen, um mögliche klinische und operative Ergebnisse zu simulieren, bevor eine Studie beginnt. Ein digitaler Zwilling ist eine rechnergestützte Repräsentation eines Patienten oder Prozesses, mit der wahrscheinliche Ergebnisse untersucht werden.

Das Wort „phasenlos“ bedeutet nicht, dass klinische Tests ihre Sicherheitskontrollen verlieren würden. Es beschreibt eine kontinuierlichere Struktur, die starre Übergaben zwischen traditionell getrennten Studienphasen verringern kann.

Der zweite Bereich ist eine Engine für kontinuierliche Inferenz. Sie würde anfallende Daten anhand statistischer Regeln analysieren, die auch bei wiederholten Prüfungen gültig bleiben sollen. Forschende könnten dann Behandlungsarme hinzufügen, beenden oder anpassen, ohne auf einen einzigen festen Analysezeitpunkt warten zu müssen.

Der dritte Bereich ist eine agentische Betriebsebene. In diesem Kontext ist ein Agent Software, die eine definierte Abfolge operativer Aufgaben mit begrenzter menschlicher Anleitung erledigen kann. HHS möchte, dass diese Systeme den Studienaufbau, die Datenbereinigung, die Aufnahme von Behandlungsarmen und die Erstellung von Datensätzen unterstützen.

SURPASS kombiniert damit mehrere etablierte Ideen, statt sich auf ein einziges neues Modell zu stützen. Adaptive Studien erlauben bereits vorab festgelegte Änderungen auf Grundlage wachsender Evidenz. Plattformstudien können mehrere Behandlungen unter einem gemeinsamen Protokoll testen. Rechenmodelle beeinflussen bereits einige Entscheidungen in der Arzneimittelentwicklung.

Die vorgeschlagene Änderung besteht darin, diese Elemente in ein dauerhaftes System zu integrieren. Dieses System würde während einer Studie lernen, statt Design, Rekrutierung, Analyse und Berichterstattung als weitgehend getrennte Phasen zu behandeln.

HHS zufolge dauert die Entwicklung von Arzneimitteln und Biologika häufig mehr als ein Jahrzehnt, kann durchschnittlich bis zu 2 Milliarden US-Dollar kosten und scheitert in mehr als 90 Prozent der Fälle. Diese Zahlen stammen aus der Ankündigung der Behörde und sollten als deren Begründung für das Programm verstanden werden.

Die entscheidende Frage ist nicht, ob der aktuelle Prozess langsam ist. Nur wenige Beteiligte bestreiten diesen Punkt. Die Frage lautet, ob eine kontinuierliche Plattform Verzögerungen beseitigen kann, ohne Unsicherheit in schwerer überprüfbare Modelle zu verlagern.

Diese Unterscheidung schafft die zentrale Spannung des Artikels. Schnellere Abläufe sind wertvoll, doch klinische Evidenz muss auch dann interpretierbar bleiben, wenn eine Studie ihre Richtung ändert.

Vier Projekte greifen vier unterschiedliche Engpässe an

HHS behandelt langsame Studien als Systemproblem, das Design, Zentren, Daten und Patienten betrifft, und nicht nur als Mangel an besseren Algorithmen.

SURPASS deckt Studiendesign und Durchführung ab. Drei ergänzende ARPA-H-Projekte befassen sich mit Bedingungen, die darüber entscheiden, ob eine adaptive Studie auf nationaler Ebene funktionieren kann.

STACK zielt auf die Kapazität klinischer Studienzentren. HHS zufolge wird das Projekt KI nutzen, um die Aktivierung von Zentren zu beschleunigen und Forschungseinrichtungen ohne Studienerfahrung zu leistungsfähigen Studienzentren zu machen.

Die Aktivierung von Zentren umfasst Verträge, Personalvorbereitung, technische Einrichtung, regulatorische Prüfung und Sponsorqualifizierung. Ein schnelleres statistisches Design bringt wenig, wenn teilnehmende Krankenhäuser Monate brauchen, bevor sie Patienten aufnehmen.

STACK enthält zudem ein geografisches Argument. Mehr qualifizierte Zentren könnten Patienten ermöglichen, an Studien näher an ihrem Wohnort teilzunehmen, statt wiederholt zu einem großen akademischen Zentrum reisen zu müssen.

Diese Ausweitung führt zu einer praktischen Prüfung. Neue Zentren müssen konsistente Daten erfassen, Teilnehmer schützen und komplexe Protokolle einhalten. Die Automatisierung von Papierarbeit kann erfahrene Prüfärzte, geschulte Koordinatoren oder verlässliche klinische Systeme nicht ersetzen.

COMMONS befasst sich mit Dateninfrastruktur. HHS beschreibt es als ein Datenschutz-durch-Design-System für Einwilligungen und den Zugriff auf regulatorisch belastbare Daten.

Regulatorisch belastbare Daten müssen nachvollziehbar, kontrolliert und für Entscheidungen über Sicherheit und Wirksamkeit von Behandlungen geeignet sein. Eine gewöhnliche Datenaggregation erfüllt diesen Standard nicht automatisch.

COMMONS soll die für Einschreibung, prädiktive Modellierung und Studienabläufe benötigten Informationen verbinden. Bei guter Umsetzung könnte es wiederholte Datenanfragen reduzieren und geeignete Patienten leichter identifizierbar machen.

Es könnte jedoch auch eine der größten Umsetzungsherausforderungen der Initiative sichtbar machen. Krankenhäuser und Forschungsnetzwerke speichern Informationen in unterschiedlichen Formaten, unter verschiedenen Governance-Regeln und mit uneinheitlicher Datenqualität.

Die Einwilligung stellt eine weitere Herausforderung dar. Die Zustimmung eines Patienten zur Bereitstellung von Informationen muss verständlich bleiben, wenn Daten institutionsübergreifend weitergegeben oder für neue rechnergestützte Analysen genutzt werden.

CINCH konzentriert sich auf die Patientenseite. Das Projekt soll Menschen dabei helfen, Daten aus der Versorgungsrealität beizusteuern, ihre Behandlung zu koordinieren und Studien zu identifizieren, die zu ihrer Situation passen.

Daten aus der Versorgungsrealität stammen aus der Routineversorgung und dem Alltag statt aus einem eng kontrollierten Studienbesuch. Dazu können elektronische Gesundheitsakten, Abrechnungsdaten, Laborergebnisse, Register und von vernetzten Geräten erfasste Informationen gehören.

Diese Quellen können das Bild von Behandlungseffekten erweitern. Sie können aber auch fehlende Informationen, inkonsistente Messungen und Muster enthalten, die durch ungleichen Zugang zur Versorgung entstehen.

CINCH muss daher mehr leisten, als Schlüsselwörter in einer Patientenakte abzugleichen. Ein nützliches Navigationssystem muss erklären, warum eine Studie relevant erscheint, und Kliniker in Entscheidungen über die Eignung einbinden.

Zusammen bilden SURPASS, STACK, COMMONS und CINCH ein mehrschichtiges Programm. SURPASS gestaltet die Studie neu. STACK erweitert, wo sie durchgeführt werden kann. COMMONS liefert kontrolliert verwaltete Informationen. CINCH verbindet Patienten mit dem System.

Diese Struktur unterscheidet die Ankündigung von enger gefassten klinischen KI-Projekten. HHS verspricht nicht, dass ein einzelnes Prognosemodell erfolgreiche Arzneimittel auswählen wird. Vielmehr versucht die Behörde, eine gemeinsame Infrastruktur für die wiederholte Erzeugung von Evidenz zu schaffen.

Dieser weiter gefasste Anspruch erhöht auch das Umsetzungsrisiko. Die vier Projekte hängen voneinander ab, betreffen jedoch unterschiedliche Institutionen, technische Standards und rechtliche Verpflichtungen.

Ein Ausfall in einer Ebene kann die anderen begrenzen. Bessere Zuordnung kann kein nicht verfügbares Zentrum ersetzen. Ein schnelleres Zentrum kann unbrauchbare Daten nicht ausgleichen. Ein starkes Modell kann ein schlecht gesteuertes Protokoll nicht retten.

Der eigentliche Wettbewerb lautet Geschwindigkeit gegen überprüfbare Evidenz

Der zentrale Konflikt besteht nicht zwischen KI und menschlichen Forschern. Er liegt zwischen dem Versprechen kontinuierlicher Anpassung und dem Bedarf an stabilen, reproduzierbaren Schlussfolgerungen.

Traditionelle Phasengrenzen verursachen Verzögerungen, strukturieren aber auch Verantwortlichkeiten. Sponsoren wissen, welche Evidenz vor einem Fortschritt vorliegen muss. Prüfer können erkennen, wann sich ein Protokoll geändert hat und welcher Datensatz eine Entscheidung stützte.

Eine kontinuierliche Plattform schwächt diese vertrauten Grenzen. Das kann doppelte Arbeit beseitigen, macht statistische Planung und Prüfbarkeit jedoch wichtiger.

Adaptive Plattformstudien veranschaulichen diesen Zielkonflikt. Sie können mehrere Interventionen unter einem Masterprotokoll testen, unwirksame Arme entfernen, neue Kandidaten hinzufügen und Kontrollgruppen gemeinsam nutzen.

Während der COVID-19-Pandemie lieferten Plattformstudien wichtige Evidenz zu Behandlungen, während konventionelle Programme mit der Geschwindigkeit kämpften. Ihr Erfolg zeigte, dass anpassungsfähige Infrastruktur dringende Fragen effizient beantworten kann.

Anpassungen müssen jedoch festgelegt werden, bevor Prüfärzte Ergebnisse sehen, die ihre Entscheidungen beeinflussen könnten. Nicht geplante Änderungen können Verzerrungen erzeugen, das Risiko falsch positiver Ergebnisse erhöhen oder einen Behandlungseffekt schwerer interpretierbar machen.

Eine umfassende Übersicht zu Plattformstudien beschreibt die Anforderungen an Design, Durchführung, Aufsicht und Berichterstattung solcher Studien. Ihre zentrale Lehre lautet, dass Flexibilität mehr Planung erfordert, nicht weniger.

Gemeinsame Kontrollen benötigen eine ähnliche Disziplin. Eine gemeinsame Kontrollgruppe kann die Zahl der Teilnehmer reduzieren, die einer Standardbehandlung zugeteilt werden, und die Effizienz über mehrere Vergleiche hinweg steigern.

Probleme entstehen, wenn ein neuer Behandlungsarm mit Patienten verglichen wird, die deutlich früher aufgenommen wurden. Medizinische Praxis, Krankheitsmuster, Diagnosemethoden und Patientenmerkmale können sich im Laufe der Zeit ändern.

Forschende bezeichnen diese früheren Teilnehmer als nicht zeitgleich erhobene Kontrollen. Ihre Nutzung kann die statistische Aussagekraft erhöhen, aber auch zeitbedingte Verzerrungen einführen.

SURPASS schlägt eine stets valide Inferenz-Engine vor, um wiederholte Analysen und Anpassungen zu bewältigen. HHS hat bislang weder die statistische Spezifikation der Engine noch Validierungsbenchmarks oder Kriterien für regulatorische Akzeptanz veröffentlicht.

Dieselbe Evidenzlast gilt für digitale Zwillinge. Ein Modell kann wahrscheinliche Ergebnisse vor der Aufnahme simulieren und Teams dabei helfen, Annahmen zu prüfen oder schwache Protokollentscheidungen zu erkennen.

Eine Simulation bleibt eine Schätzung. Sie spiegelt die Patienten, Variablen und Beziehungen wider, die in ihren Trainingsdaten repräsentiert sind.

Wenn ein digitaler Zwilling ältere Erwachsene, Patienten in ländlichen Regionen, Schwangere oder Patienten mit mehreren Erkrankungen unterrepräsentiert, kann die daraus entstehende Studie um eine unvollständige Population herum effizient werden.

Die Validierung muss daher mehr als die durchschnittliche Prognosegenauigkeit untersuchen. Sponsoren und Regulierungsbehörden werden wissen müssen, wo ein Modell versagt, wie Unsicherheit kalibriert ist und ob sich die Leistung zwischen Studienzentren verändert.

Sie benötigen außerdem ein Verfahren für Modellaktualisierungen. Ein sich kontinuierlich verbesserndes Modell klingt attraktiv, doch Änderungen an Software während einer Studie können die Rekonstruktion früherer Entscheidungen erschweren.

Jede folgenreiche Empfehlung sollte mit einer konkreten Modellversion, einem Eingabedatensatz, einer Regel und einer menschlichen Genehmigung verknüpft sein. Ohne diese Dokumentation kann Geschwindigkeit die Rechenschaftspflicht schwächen.

HHS hat bereits erklärt, dass KI-gestützte biomedizinische Forschung Reproduzierbarkeit, transparente Methoden und eine unvoreingenommene Begutachtung in den Mittelpunkt stellen sollte. Seine KI-Strategie nennt zudem regulatorische Einreichungen, die durch KI-Evidenz gestützt werden, als messbares Ergebnis.

SURPASS wird prüfen, ob diese Grundsätze dem Kontakt mit einer operativen Plattform standhalten. Öffentliche Dokumentation wird besonders wichtig sein, da HHS möchte, dass die daraus entstehenden Tools, Standards und regulatorischen Beispiele dem breiteren Forschungssystem zugutekommen.

Das Ziel sollte nicht sein, jede Studie adaptiv zu gestalten. Manche Fragestellungen eignen sich für stabile, konventionelle Designs. Andere betreffen Endpunkte, die nicht schnell genug messbar sind, um Änderungen in Echtzeit zu steuern.

Langfristiges Überleben, verzögert auftretende Nebenwirkungen und sich langsam entwickelnde Erkrankungen werden nicht unmittelbar messbar, nur weil Software eingehende Daten schneller analysiert.

Das Design muss der medizinischen Fragestellung folgen. Andernfalls droht das Programm, Adaptivität als Ziel statt als Methode zu behandeln.

Operation TrialBlazer erhöht den Wettbewerbsdruck

SURPASS ist Teil eines umfassenderen föderalen Versuchs, die Entwicklung von Medikamenten in den Vereinigten Staaten zu beschleunigen – insbesondere angesichts der wachsenden klinischen Forschungskapazitäten Chinas.

HHS führte Operation TrialBlazer im Juni 2026 als behördenübergreifende Initiative für klinische Forschung ein. Sie koordiniert die Arbeit von ARPA-H, FDA, NIH, dem National Cancer Institute und Bundesbeamten für Gesundheitstechnologie.

Das politische Argument der Initiative ist direkt. HHS erklärt, Forschung in frühen Entwicklungsphasen sei ins Ausland abgewandert, und die Vereinigten Staaten riskierten, damit verbundene Investitionen, Fachwissen und Aktivitäten in der Arzneimittelentwicklung zu verlieren.

China liefert den sichtbarsten Vergleich. Daten von IQVIA zeigten, dass der Anteil chinesischer Unternehmen an weltweit gestarteten Studien von 1 Prozent im Jahr 2009 auf 30 Prozent im Jahr 2024 gestiegen ist.

Die Vereinigten Staaten verfügen weiterhin über große Vorteile, darunter einen großen Pharmamarkt, erfahrene Regulierungsbehörden, führende Forschungskrankenhäuser und umfangreiche Biotechnologiefinanzierung.

Doch die Geschwindigkeit von Studien beeinflusst, wo Unternehmen Produkte testen und wo Investoren Kapital platzieren. Ein wissenschaftliches Programm, das sich langsam bewegt, kann Chancen verlieren, selbst wenn seine Institutionen weiterhin hohes Ansehen genießen.

SURPASS geht Verzögerungen bei Design und Durchführung an. Andere TrialBlazer-Maßnahmen konzentrieren sich auf regulatorische Prüfung und Anforderungen an Einreichungen.

Die FDA hat ein Pilotprogramm für beschleunigte Investigational New Drug-Anträge bei First-in-Human-Studien gestartet. Ausgewählte Sponsoren können mit qualifizierten Forschungseinrichtungen zusammenarbeiten und Bestandteile eines Antrags fortlaufend einreichen.

Eine fortlaufende Einreichung ermöglicht es Regulierungsbehörden, abgeschlossene Abschnitte zu prüfen, bevor das gesamte Paket fertig ist. Die FDA möchte zudem, dass bestimmte Arbeiten zur institutionellen Prüfung und Standortaktivierung parallel zur Antragsentwicklung erfolgen.

Die Behörde erklärt, klarere, phasenangemessene Erwartungen an Chemie und Herstellung könnten Unternehmen sechs bis zwölf Monate sparen. Diese Schätzungen erscheinen in ihrer Entwicklungsroadmap, die auch quantitative Dosisauswahl und Masterprotokolle für späte Entwicklungsphasen behandelt.

Für die spätere Entwicklung hat die FDA klargestellt, wann eine robuste zulassungsrelevante Studie plus bestätigende Evidenz eine Zulassung stützen kann. Zudem hat sie einen Leitlinienentwurf für Basket-, Umbrella- und Plattformstudien überarbeitet.

Diese Maßnahmen sind wichtig, weil ARPA-H regulatorische Akzeptanz nicht allein schaffen kann. SURPASS kann Tools und Demonstrationsprojekte finanzieren, doch die FDA entscheidet, ob die daraus resultierende Evidenz eine Entscheidung zu einem Medizinprodukt stützt.

Das Verhältnis zwischen den Behörden wird die Einführung prägen. Sponsoren werden zögern, Studienprogramme um ein neues System herum neu aufzubauen, solange nicht klar belegt ist, dass Regulierungsbehörden dessen Ergebnisse bewerten können.

Auch das gegenteilige Risiko besteht. Ein politischer Anstoß für schnellere inländische Entwicklung könnte Druck erzeugen, Unsicherheit großzügig auszulegen.

Der stärkste Schutz ist transparente Validierung. Schnellere Prüfung sollte frühere Abstimmung, klarere Anforderungen und weniger doppelte Arbeit bedeuten. Sie sollte nicht niedrigere Standards für Sicherheit oder Wirksamkeit bedeuten.

Die föderale Initiative von TrialBlazer erklärt ausdrücklich, dass Modernisierung die wissenschaftliche Strenge bewahren sollte. Dieses Prinzip braucht nun eine beobachtbare Umsetzung.

Deshalb sollte der Erfolg des Programms nicht allein an kürzeren Zeitplänen gemessen werden. HHS muss auch Protokollabweichungen, Repräsentativität, Erkennung unerwünschter Ereignisse, Reproduzierbarkeit und die Übereinstimmung zwischen Modellprognosen und klinischen Ergebnissen verfolgen.

Die nationale Wettbewerbsfähigkeit erhöht die Dringlichkeit, löst aber nicht das Evidenzproblem. Die Vereinigten Staaten gewinnen wenig durch schnellere Studien, wenn andere Regulierungsbehörden, Kliniker oder Patienten deren Schlussfolgerungen nicht vertrauen.

Was HHS als Nächstes beweisen muss

Die nächsten Meilensteine müssen zeigen, dass SURPASS zugleich validierte Tools, regulatorisch verwertbare Evidenz und einen breiteren Patientenzugang hervorbringen kann.

Das erste Signal ist die Struktur der Ausschreibung von ARPA-H. Antragsteller benötigen messbare Ziele für Geschwindigkeit, Kosten, Belastung der Teilnehmenden, statistische Validität und Abdeckung der Bevölkerung.

Eine Ausschreibung, die sich überwiegend auf Automatisierungsfunktionen konzentriert, würde den Anspruch des Programms schwächen. Eine starke Ausschreibung wird eine prospektive Validierung gegenüber konventionellen Ansätzen und klare Kriterien für das Scheitern verlangen.

Teams sollten zudem darlegen, wie Modelle über demografische Gruppen und teilnehmende Standorte hinweg auditiert werden. Aggregierte Genauigkeit reicht nicht aus für Entscheidungen darüber, wer in eine Studie aufgenommen wird oder welche Behandlung fortgesetzt wird.

Das zweite Signal ist regulatorische Abstimmung. Die Beteiligung der FDA muss sich von allgemeiner Unterstützung innovativer Designs hin zu konkreten Methoden für die Bewertung von SURPASS-Ergebnissen entwickeln.

Sponsoren benötigen Leitlinien für akzeptable Validierung digitaler Zwillinge, Modelländerungen, gemeinsame Kontrollgruppen, kontinuierliche Analysen und Dokumentation. Sie müssen außerdem wissen, wann ein konventionelles Design weiterhin erforderlich ist.

Öffentliche Beispiele würden helfen. Ein von Regulierungsbehörden geprüftes Protokoll, ein Simulationsplan und ein Analyserahmen könnten das Programm über seine finanzierten Teams hinaus nutzbar machen.

Regulatorische Abstimmung würde die Initiative stärken, wenn sie klare Standards hervorbringt, bevor große Studien von ihnen abhängen. Anhaltende Unklarheit würde die Einführung verlangsamen – unabhängig von der technischen Leistungsfähigkeit der Software.

Das dritte Signal sind operative Nachweise aus STACK, COMMONS und CINCH. HHS sollte berichten, ob neue Standorte schneller aktiviert werden, ob sie repräsentative Bevölkerungsgruppen rekrutieren und ob Patienten den Einwilligungsprozess verstehen können.

Eine größere Zahl von Standorten ist nicht automatisch aussagekräftig. Die Standorte müssen Teilnehmende aufnehmen, Datenqualität sichern, Personal halten und Patienten schützen.

COMMONS sollte anhand der Verfügbarkeit rückverfolgbarer Daten in regulatorischer Qualität beurteilt werden, nicht anhand der Menge verbundener Datensätze. CINCH sollte anhand geeigneter Zuordnungen, abgeschlossener Aufnahme und des Patientenverständnisses beurteilt werden.

Diese Kennzahlen würden zeigen, ob KI-gestützte klinische Studien von HHS den Zugang erweitern oder lediglich die Arbeit an Institutionen beschleunigen, die bereits zur Teilnahme ausgestattet sind.

Das Programm sollte auch negative Ergebnisse veröffentlichen. Ein digitaler Zwilling, der in einem Krankheitsbereich schlecht abschneidet, kann dennoch wertvolle Evidenz dazu liefern, wo der Ansatz nicht hingehört.

Diese Transparenz würde helfen, wissenschaftliche Infrastruktur von einer Kampagne zur Beschaffung von Technologie zu unterscheiden. Sie würde außerdem die wiederverwendbaren Standards unterstützen, die HHS nach eigener Aussage schaffen möchte.

Für klinische Teams besteht die kurzfristige Aufgabe in der Vorbereitung. Organisationen, die eine Teilnahme erwägen, sollten jetzt ihre Datenherkunft, Modell-Governance, Einwilligungstexte und Entscheidungsprotokolle erfassen.

Wissen von Statistikern, Klinikern, Dateningenieuren, Regulierungsspezialisten und Standortbetreibern muss während der gesamten Studie verknüpft bleiben. Teams können eine durchsuchbare Wissensdatenbank nutzen, um Annahmen, Entscheidungen und Modelldokumentation über diese Gruppen hinweg zu bewahren.

Das wichtigste Ergebnis der Initiative wird nicht die Behauptung sein, dass KI Studien beschleunigt hat. Entscheidend wird der Nachweis sein, dass Forschende verlässlichere Antworten früher erreicht haben – mit weniger unnötigen Belastungen und ohne verdeckten Verlust wissenschaftlicher Strenge.

HHS hat den Anspruch definiert. ARPA-H muss nun seine Methoden zeigen, die FDA muss den evidenzbasierten Weg klären, und finanzierte Teams müssen Ergebnisse veröffentlichen, die Außenstehende reproduzieren können. Werden die ersten SURPASS-Projekte ihre Validierungsregeln ebenso klar offenlegen, wie sie ihre Geschwindigkeit hervorheben?