Regulatory und Medical Writing für Zulassungsunterlagen in Pharma und Medizintechnik (CSR, CTD/eCTD, technische Dokumentation nach MDR)

Zulassungseinreichungen umfassen Tausende von Seiten: klinische Studienberichte (CSR), CTD/eCTD-Module, Prüfpläne, Sicherheitsberichte und, bei Medizinprodukten, die technische Dokumentation nach MDR mit Berichten über die klinische Bewertung. Medical Writer stellen sie bisher von Hand aus statistischen Ergebnissen und Quelldokumenten zusammen. Generative KI erstellt erste Entwürfe, die an ihre Quelltabellen gebunden sind, prüft die Konsistenz über Dokumente hinweg und überlässt wissenschaftliche Bewertung und Freigabe qualifizierten Menschen unter GxP-Kontrollen. Anbieter und Sponsoren berichten von kürzeren Entwurfszyklen; veröffentlichte Zahlen schwanken und sollten an den eigenen Dokumenten überprüft werden.

Problem & Nutzen

• Heute: Autorinnen und Autoren kopieren Zahlen aus Tabellen in Vorlagen (ICH E3 für CSRs, CTD M4 für Dossiers, MDR Anhang II/III für Produkte). Anschließend suchen Prüfer nach Unstimmigkeiten zwischen Prüfplan, SAP, CSR, Modul-2-Zusammenfassungen und Kennzeichnung. Nacharbeit nach späten Datenänderungen ist ein großer Kosten- und Terminrisikofaktor.
• KI-Nutzen: automatisches Entwerfen datengetriebener Abschnitte (Probandendisposition, Demografie, Wirksamkeits- und Sicherheitstext aus TLFs), Patientennarrative, Laienzusammenfassungen, Literaturscreening für die klinische Bewertung sowie automatisierte Gegenprüfungen von Zahlen, Abkürzungen und Terminologie.
• Belege: Novo Nordisk hat seine auf Claude aufbauende Plattform NovoScribe für das Entwerfen von CSRs beschrieben; Merck hat mit AWS und Accenture Arbeiten zur CSR-Erstellung veröffentlicht; Yseop und Certara (CoAuthor) verkaufen spezialisierte Werkzeuge. Vom Anbieter berichtete Zeitersparnisse sind als Behauptungen zu behandeln; hier wird keine davon als verifizierter Maßstab zitiert.
• Warum es nicht einfach generisches Berichtsschreiben ist (LANG-003): Zahlentreue, Herkunftsnachweis je Satz sowie validierte, auditierte Prozesse sind zwingend.

Varianten

• Pharma-CSR und Prüfplan-Erstellung: CSR-Hauptteile und Anhänge, Entwurf von Prüfplänen und Amendments, Patientennarrative, Aktualisierung der Prüferbroschüre.
• Erstellung von CTD/eCTD-Modulen: klinische Zusammenfassungen in Modul 2.5/2.7, Qualitätstexte in Modul 3, Aktualisierung der Fachinformation (SmPC), eCTD-Paketprüfungen.
• Beantwortung von Behördenfragen: Entwurf von Antworten auf Mängellisten von EMA/FDA aus dem vorhandenen Dossier mit belegten Quellen.
• Laienzusammenfassungen nach EU-CTR: allgemeinverständliche Ergebniszusammenfassungen, die die Verordnung (EU) 536/2014 verlangt, mehrsprachig und mit geprüftem Leseniveau.
• Periodische Sicherheitsberichte: Entwurf von PSUR/PBRER und DSUR (Dateneingang aus HLTH-010).
• Technische Dokumentation nach MDR/IVDR: Berichte über die klinische Bewertung (CER), Leistungsbewertungsberichte, PMCF-Pläne und -Berichte, Zuordnung der grundlegenden Sicherheits- und Leistungsanforderungen (GSPR), Kurzbericht über Sicherheit und klinische Leistung (SSCP).

So funktioniert es

1. Quellen einlesen (TLFs, SAP, Prüfplan, Prüfberichte, frühere Dossiers)
2. Parsing + Strukturierung (Tabellen als typisierte Daten, Abschnitts-/ID-Anker)
3. Retrieval-Index je Studie/Produkt (hybride Suche, versioniert)
4. Abschnittsentwurf (Vorlage + datengebundene Prompts; Zahlen werden programmatisch eingefügt)
5. Verifikation (jede Zahl mit Quellzelle abgeglichen; Beleg jeder Aussage durch Quelle)
6. dokumentübergreifende Konsistenzprüfung (Prüfplan vs. SAP vs. CSR vs. Modul 2; CER vs. Risikoakte)
7. Prüfung durch Medical Writer mit Änderungsverfolgung + Audit-Trail
8. QC, Freigabe (elektronische Signatur), Veröffentlichung im eCTD / in der technischen Dokumentation

• Zahlentreue: Das LLM darf keine Ergebnisse tippen. Werte werden über Platzhalter aus den strukturierten TLF-Daten eingesetzt, das Modell schreibt nur den verbindenden Text; danach prüft eine automatische Kontrolle, dass jede Zahl der Ausgabe in der Quelle vorkommt.
• Herkunftsnachweis: Jeder Satz trägt einen Link auf Tabelle, Listing oder Seite; Prüfer sehen die Quelle neben dem Entwurf.
• Mensch-in-der-Schleife (Human-in-the-Loop): Autoren verantworten Interpretation, Nutzen-Risiko-Aussagen und Schlussfolgerungen; Statistiker bestätigen die Ausgaben; die Qualitätssicherung gibt im validierten Prozess frei.

Datenaufbereitung

Quellmaterial sind die statistischen Ergebnisse (TLFs, SAP, Datensätze), der Prüfplan mit Amendments, frühere Einreichungen, Vorlagen und die Risikomanagementakte. Es liegt typischerweise in einem klinischen Datenrepository, einem validierten eTMF- oder RIM-System (z. B. Veeva Vault), auf SharePoint-Dateiablagen und in E-Mails. Typische Lücken: Tabellen und Listings nur als PDF ohne maschinenlesbares Gegenstück, eingescannte Altberichte, mehrere Dokumentversionen mit unklarem Status, uneinheitliche Terminologie zwischen Studien und enge Zugriffsrechte je Studie sowie je verblindeter oder unverblindeter Rolle.

Schritte der Aufbereitung: die Quellen je Einreichung inventarisieren und die maßgebliche Version jeweils festlegen (PREP-001, PREP-002); Tabellen als strukturierte Daten aus der Statistikumgebung exportieren, statt PDFs zu parsen (PREP-005); Altberichte per OCR erfassen und konvertieren (PREP-006, DOC-014); ein Glossar und eine Terminologieliste je Therapiegebiet aufbauen (PREP-015); freigegebene Musterabschnitte und Vorlagen sammeln (PREP-016); Verblindung und Rollenberechtigungen im Index erhalten (PREP-023). Werkzeuge: Docling oder Azure Document Intelligence zum Parsen, ein Vektorindex mit Metadaten auf Abschnittsebene und ein Quellen-ID-Schema, das jeden Satz rückverfolgbar macht. Grober Aufwand: etwa 30 bis 40 Prozent des Projekts, überwiegend für das Strukturieren der Tabellen und das Pflegen der Vorlagen; die Modellarbeit ist der kleinere Teil.

Umsetzungswege

Welcher Weg für wen

• Enterprise (B): Unveröffentlichte Studiendaten und Einreichungsstrategie sind zentrale Betriebsgeheimnisse, und validierte GxP-Pipelines brauchen Kontrolle über Prompts, Modelle und Audit-Trails. Deshalb passt ein Aufbau auf APIs in einer EU-Region mit eigener Dokumenten- und Rückverfolgbarkeitsschicht besser als eine geschlossene Schreibsuite.
• Developer (C): Selbst betriebene Open-Weight-Modelle halten das gesamte Studienkorpus im Haus und erlauben es, die Werkzeuge zu bauen und zu validieren, die Sie später an Sponsoren ausliefern.

Weg A — Kaufen (Standardsoftware)

• Spezialwerkzeuge: Yseop (Frankreich, EU), Certara CoAuthor, Veeva Vault RIM / Clinical (mit KI-Funktionen), Lorenz docuBridge und Extedo eCTDmanager für die Publikation (deutsch, EU), IQVIA und andere CRO-Angebote; für Medizinprodukte Greenlight Guru, MasterControl und eQMS vom Typ Qualio/Scilife mit KI-Unterstützung.
• A wählen, wenn: GxP-Validierungsdokumentation, Kontrollen nach 21 CFR Part 11/Annex 11 und Audit-Pakete des Anbieters sofort mitgeliefert werden müssen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Spitzen-LLMs (Claude, GPT, Gemini, Mistral) über Enterprise-Verträge mit Zero Data Retention und EU-Regionen (z. B. Amazon Bedrock Frankfurt, Azure OpenAI EU-Datenzonen, Vertex AI EU, Mistral in Frankreich).
• Aufbau: Dokumenten-Parsing (Azure Document Intelligence, Mistral OCR), Embeddings plus hybride Suche, strukturierte Ausgaben, Orchestrierung in einer validierten Workflow-Engine, Anbindung an Veeva Vault oder ein Dokumentenmanagementsystem.
• B wählen, wenn: Sie ein Plattformteam haben und eigene Vorlagen und Prüfungen wünschen; die Beispiele von Novo Nordisk und Merck/AWS folgen diesem Muster.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie die Familien Llama, Qwen, Mistral und gpt-oss über vLLM; Domänenmodelle sind weniger wichtig als die Qualität von Retrieval und Verifikation.
• Parsing: Docling, MinerU; Suche mit OpenSearch oder pgvector; Langfuse oder Ähnliches für das Tracing.
• Hardware: HW3 für Modelle der ~70B-Klasse; HW4 für die größten offenen Modelle. C wählen Sie bei unveröffentlichten Daten unter strenger Vertraulichkeit oder bei Souveränitätsanforderungen.

Weg D — Eigenes Training

Feintuning auf den freigegebenen früheren CSRs und Styleguides des Sponsors kann Tonfall und Vorlagentreue verbessern, erfordert aber kuratierte Dokumente mit geklärten Rechten und eine Revalidierung nach jedem Modellwechsel. In der Regel genügen Prompt-Bibliotheken plus Retrieval.

Stand der Technik (2026)

• Das Entwerfen einzelner Abschnitte aus strukturierten Daten ist bei großen Sponsoren im Produktivbetrieb; die vollständige Ende-zu-Ende-Erstellung eines CSR wird weiterhin Zeile für Zeile geprüft.
• Starke Reasoning-Modelle mit langem Kontext machen dokumentübergreifende Konsistenzprüfungen praktikabel; die deterministische Bindung von Zahlen bleibt die wichtigste Schutzmaßnahme.
• Die Behörden engagieren sich aktiv: Die EMA hat ein Reflection Paper zu KI im Lebenszyklus von Arzneimitteln veröffentlicht und gemeinsam mit der FDA Leitprinzipien für gute KI-Praxis in der Arzneimittelentwicklung [1][2]. Die EMA veröffentlicht auch Leitlinien für die Nutzung von LLMs durch ihre eigenen Mitarbeitenden.
• Grenzen und Fehlerarten: erfundene oder gerundete Statistiken, stillschweigend geänderte Populationen oder Analysesets, Text aus einer früheren Studie, der hier nicht zutrifft, falsch zitierte Literatur in CERs, verlorene Nuancen in Nutzen-Risiko-Formulierungen, uneinheitliche Terminologie über Module hinweg. Prompt Injection über Quelldokumente ist ein Risiko bei eingelesener externer Literatur.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: ocr-docparse, Embeddings/hybride Suche und LLM-Entwurf überschneiden sich mit KNOW-002 (RAG), LANG-008 (Zusammenfassung) und LANG-022 (technische Dokumentation).
• Vor- und nachgelagert: HLTH-010 (Sicherheitsdaten für PSUR/DSUR), HLTH-009 (Studiendesign und Prüfplandaten), HLTH-029 (GMP-Aufzeichnungen für Modul 3), HLTH-028 (Terminologiecodierung wie MedDRA, SNOMED), HLTH-011 (Arztbriefe, anderer Umfang).
• Eine validierte Dokumenten-KI-Plattform mit gemeinsamem Audit-Trail kann Regulatory-, Qualitäts- und Sicherheitsdokumente bedienen.

Aufwand, Kosten & Kennzahlen

• A: Wochen bis zum Pilot, Monate für Validierung und Roll-out; Abonnement oder Lizenzen je Studie.
• B: 4–9 Monate inklusive Validierung (Nachweise im Stil von IQ/OQ/PQ, Spezifikation der Zweckbestimmung); Kostentreiber sind Validierung, Integration und Prüferzeit, nicht Tokens.
• C: ähnlicher Aufwand plus GPU-Betrieb.
• Kennzahlen: Zeit vom Datenbankschluss bis zum ersten CSR-Entwurf, Änderungsumfang durch die Autoren, Zahl der in der QC je Dokument gefundenen Sachfehler, vor der Einreichung entdeckte Inkonsistenzen zwischen Dokumenten, auf Dokumentationsfehler zurückgehende Mängelschreiben, Kosten je Einreichung.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung früh für Budget und KI-Richtlinie ein, außerdem die Leitung von Regulatory Affairs oder Medical Writing als Prozessverantwortliche, die festlegt, was ein akzeptabler Entwurf ist. Holen Sie IT-Sicherheit und Legal/Compliance hinzu, bevor Daten die validierte Umgebung verlassen (Vertraulichkeit, Anbieter-Audit, GxP-Validierung), und die Datenverantwortlichen der eTMF-/RIM-Systeme, wenn Exporte gebaut werden. Medical Writer und Prüfer sind die täglichen Nutzer und sollten Rückverfolgbarkeit und Prüf-Workflow ab dem Pilot mitgestalten.

Betriebsrat: kommt darauf an. Das System selbst entwirft Dokumente und überwacht keine Personen, aber Nutzungsprotokolle und Produktivitätskennzahlen je Autor können zur Leistungskontrolle geeignet sein (§ 87 Abs. 1 Nr. 6 BetrVG, nach dem BAG genügt die objektive Eignung), und § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Information, wenn Arbeitsabläufe mit KI geplant werden. Bei bestehendem Betriebsrat vereinbaren Sie eine kurze Betriebsvereinbarung, die individuelle Leistungsbewertung ausschließt. Personenbezogene Daten beschränken sich meist auf pseudonymisierte Daten von Studienteilnehmenden; beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten bei Narrativen und Sicherheitsberichten ein, mit einer Datenschutz-Folgenabschätzung (DSFA), wo Daten auf Patientenebene verarbeitet werden (Art. 35 DSGVO), und einem Auftragsverarbeitungsvertrag (AVV) mit jedem API-Anbieter.

KI-Kompetenz (Art. 4 KI-Verordnung, nur Unterstützungsmaßnahmen): Schulen Sie Autoren zu Halluzinationsrisiko, Quellenprüfung und Vertraulichkeit. Starten Sie mit einem kleinen Pilotteam für einen Dokumenttyp, stellen Sie klar, dass die Autorin bzw. der Autor Verfasser bleibt und freigibt, und begegnen Sie Sorgen um den Arbeitsplatz, indem Sie Zeit vom Zusammenstellen zum Prüfen verlagern. Siehe GUIDE-008, GUIDE-006 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko, da das System die Dokumentation unterstützt und nicht über Personen entscheidet; die Pflicht zur KI-Kompetenz (Art. 4) gilt. Ist das Werkzeug Teil einer Medizinprodukte-Funktion oder wird es eine, können die Regeln für Hochrisiko-Systeme greifen. Erzeugte Texte für die Öffentlichkeit (Laienzusammenfassungen) sollten Transparenzerwartungen folgen.
• GxP: Validierung computergestützter Systeme (EU-GMP Annex 11, Entwurf Annex 22 zu KI in GMP, ICH E6(R3) Daten-Governance), Audit-Trails, Änderungskontrolle für Modelle und Prompts. Die Verantwortung für den Inhalt bleibt beim Sponsor und den benannten Autoren.
• DSGVO: Klinische Daten und Narrative können pseudonymisierte personenbezogene Gesundheitsdaten sein (Art. 9); anonymisierte oder pseudonymisierte Eingaben verwenden, AVV mit Anbietern, Verarbeitung in der EU, kein Training mit Kundendaten.
• Vertraulichkeit: Unveröffentlichte Dossierdaten sind wirtschaftlich kritisch; vertraglich zugesicherte Zero Retention und Zugriffskontrollen.
• Medizintechnik: Die MDR macht den Hersteller für die technische Dokumentation und den CER verantwortlich; Benannte Stellen erwarten nachvollziehbare Literaturrecherchen (MEDDEV 2.7/1 Rev. 4, MDCG-Leitlinien) [3][4].
• Gegenmaßnahmen: programmatisches Einfügen von Zahlen, vollständige Quellenangabe, Vier-Augen-Prüfung, Red-Team-Tests, gesperrte Modellversionen.

Erste Schritte

1. Wählen Sie einen Abschnittstyp (z. B. Text zu Demografie und Disposition oder Laienzusammenfassungen) mit sauberen strukturierten Eingaben.
2. Legen Sie vor dem Aufbau mit der Qualitätssicherung Zweckbestimmung, Risikobewertung und Abnahmekriterien fest.
3. Bauen oder kaufen Sie einen Entwurf mit Quellenverlinkung und automatischer Zahlenprüfung; testen Sie an 5–10 abgeschlossenen historischen Studien und vergleichen Sie mit dem freigegebenen Text.
4. Führen Sie einen Pilot mit Prüfung durch Autoren durch, messen Sie Änderungsaufwand und gefundene Fehler und erweitern Sie dann auf weitere Abschnitte und dokumentübergreifende Prüfungen.
5. Dokumentieren Sie Validierung und Schulung und stimmen Sie die Nutzung, wo relevant, mit der Benannten Stelle oder Regulatory Affairs ab.

Quellen

1. EMA — Reflection paper on the use of AI in the medicinal product lifecycle — https://www.ema.europa.eu/en/use-artificial-intelligence-ai-medicinal-product-lifecycle-scientific-guideline
2. EMA — EMA and FDA set common principles for AI in medicine development — https://www.ema.europa.eu/en/news/ema-fda-set-common-principles-ai-medicine-development-0
3. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
4. Regulation (EU) No 536/2014 (Clinical Trials Regulation) — https://eur-lex.europa.eu/eli/reg/2014/536/oj
5. ICH E3 Structure and content of clinical study reports — https://www.ich.org/page/efficacy-guidelines
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Yseop — https://www.yseop.com
8. Certara CoAuthor — https://www.certara.com/software/coauthor/
9. Anthropic customer story, Novo Nordisk — https://www.anthropic.com/customers/novo-nordisk
10. Anthropic — Novo Nordisk accelerates clinical documentation with Claude (NovoScribe; customer story) — https://claude.com/customers/novo-nordisk