ASReview LAB

Kurzfazit

ASReview LAB ist die datenschutzfreundlichste KI-Lösung für systematisches Literaturscreening, und sie kostet nichts. Statt Tausende Titel und Abstracts manuell durchzugehen, lernt das Active-Learning-Modell aus jeder einzelnen Entscheidung und schiebt die wahrscheinlich relevanten Treffer nach vorn. Laut der validierenden Publikation in Nature Machine Intelligence lassen sich so bis zu 95 % des Screening-Aufwands einsparen. Der entscheidende Unterschied zu Covidence, DistillerSR oder Rayyan: ASReview läuft lokal auf deinem Rechner, kein Datensatz wandert in die Cloud. Der Preis dafür ist eine technische Hürde, du installierst Python und arbeitest mit einer rein englischsprachigen Oberfläche. Für Teams mit Python-Know-how und hohen Vertraulichkeitsanforderungen ist ASReview damit das beste Werkzeug am Markt; wer ein fertiges Browser-Tool mit Komplett-Workflow und Support sucht, ist anderswo besser aufgehoben.

Für wen ist ASReview LAB?

HEOR-Teams, CROs und regulatorische Wissenschaft: Wer systematische Reviews für AMNOG-Dossiers, HTA-Einreichungen oder klinische Evidenzsynthesen erstellt, arbeitet oft mit unveröffentlichten oder vertraulichen Studiendaten. ASReview hält diese Daten zu jeder Zeit lokal, das löst das größte Compliance-Problem, das Cloud-Tools mitbringen. Gleichzeitig ist die Methode peer-reviewed und damit gegenüber Behörden begründbar.

Akademische Einrichtungen mit Budgetdruck: Lehrstühle, Doktorand:innen und kleine Forschungsgruppen bekommen hier ein Werkzeug auf dem Niveau kommerzieller Plattformen, ohne die jährlichen vier- bis fünfstelligen Lizenzkosten von Covidence oder DistillerSR. Für viele Hochschulen ist das der einzige Weg, KI-Screening überhaupt einzusetzen.

Methodisch anspruchsvolle Reviewer: Weil der Code offen liegt und der Simulation-Modus die Modellgüte auf bereits gelabelten Datensätzen messbar macht, eignet sich ASReview für alle, die nicht nur schneller, sondern auch nachvollziehbar arbeiten müssen. Du kannst dokumentieren, wie das Modell entschieden hat, wichtig für PRISMA-konforme Methodenteile.

Kleine Pharma- und Medizintechnik-Unternehmen: Wer gelegentlich Reviews fährt und keine Dauerlizenz rechtfertigen kann, nutzt ASReview als Vorab-Screening und überführt die Treffermenge danach in ein kommerzielles Tool für Extraktion und Berichterstellung.

Weniger geeignet für: Teams ohne jede Python-Affinität, alle die einen Komplett-Workflow von Screening bis Datenextraktion in einer Oberfläche erwarten, Anwender mit Bedarf an deutschsprachigem Helpdesk-Support und Gelegenheitsnutzer, die ein Browser-Tool ohne Installation wollen, für die ist Rayyan der niedrigschwelligere Einstieg.

Preise im Detail

Variante	Preis	Was du bekommst
ASReview LAB	0 €	Vollständiges Active-Learning-Screening, lokale Installation via pip, Simulation-Modus, Daten-Import/-Export, alle KI-Modelle. Apache-2.0-Lizenz
ASReview LAB Server	0 €	Selbst betriebene Mehrnutzer-Variante mit Authentifizierung und Crowdscreen für parallele Reviewer. Du stellst die Server-Infrastruktur
Erweiterungen	0 €	Datatools, Insights, Makita, DORY, Docker-Support, alle offen und kostenlos

Einordnung: ASReview ist vollständig kostenlos, es gibt keine versteckte Pro-Stufe, kein Abomodell, keine Nutzungslimits. Die einzigen Kosten sind indirekt: die Einarbeitungszeit für die Python-Installation und gegebenenfalls die IT-Ressourcen, wenn du ASReview LAB Server für ein Team betreibst. Verglichen mit Covidence (mehrere Tausend Euro pro Jahr) oder DistillerSR (Enterprise-Preise auf Anfrage, typischerweise im fünfstelligen Bereich) ist die Ersparnis erheblich. Der Haken: Bei kommerziellen Tools zahlst du auch für Komfort, Support und einen durchgehenden Review-Workflow, das musst du dir bei ASReview selbst zusammenstellen.

Stärken im Detail

Active Learning mit belegtem Effekt. ASReview labelt nicht selbst, sondern priorisiert: Nach einer kleinen Trainingsmenge sortiert das Modell die verbleibenden Records so, dass relevante Treffer früh erscheinen. In der Praxis findest du den Großteil der relevanten Studien, nachdem du nur einen Bruchteil der Gesamtmenge gesichtet hast. Die in Nature Machine Intelligence (van de Schoot et al., 2021) publizierte Validierung nennt eine mögliche Reduktion des Screening-Aufwands von bis zu 95 %, ein Wert, der je nach Datensatz und Prävalenz relevanter Treffer schwankt, aber die Größenordnung des Hebels gut beschreibt.

Lokale Datenhaltung als Alleinstellungsmerkmal. Kein anderes etabliertes Screening-Tool kombiniert KI-Unterstützung so konsequent mit der Garantie, dass kein Datensatz das eigene Gerät verlässt. Für vertrauliche Studiendaten, unveröffentlichte CTD-Inhalte oder personenbezogene Forschungsdaten ist das der entscheidende Vorteil, du brauchst keine Auftragsverarbeitungsvereinbarung, weil es keinen Auftragsverarbeiter gibt.

Offen, nachvollziehbar, methodisch belastbar. Der gesamte Code liegt unter Apache 2.0 auf GitHub offen. Du kannst nachvollziehen, welches Modell mit welchen Parametern entschieden hat, und im Simulation-Modus die Leistung auf einem bereits vollständig gelabelten Datensatz messen, bevor du produktiv gehst. Für regulatorische und akademische Kontexte, in denen die Methode begründbar sein muss, ist diese Transparenz Gold wert.

Team-Fähigkeit über Crowdscreen und Server. Mit der Crowdscreen-Funktion und dem selbst betriebenen ASReview LAB Server können mehrere Reviewer parallel screenen, mit Authentifizierung und getrennten Benutzern, eine deutliche Reifung gegenüber dem ursprünglichen Einzelplatz-Werkzeug.

Sehr große Nutzerbasis für ein akademisches Projekt. Mit über 600.000 Installationen und Einsatz in mehr als 100 Organisationen ist ASReview kein Nischenexperiment, sondern ein etabliertes Werkzeug mit aktiver Community, wichtig für die Langlebigkeit eines Open-Source-Projekts.

Schwächen ehrlich betrachtet

Die Installation ist eine echte Hürde. ASReview ist kein Browser-Tool. Du brauchst eine funktionierende Python-Umgebung (3.10 oder neuer), installierst per pip install asreview und startest die lokale Weboberfläche über das Terminal. Für jemanden ohne technischen Hintergrund ist das die erste Stelle, an der das Projekt scheitern kann. Workaround: In vielen Teams übernimmt eine Person die Einrichtung einmalig, danach arbeiten alle nur noch in der Weboberfläche.

Alles ist auf Englisch. Oberfläche, Menüs, Dokumentation und die gesamte Community-Kommunikation sind ausschließlich englischsprachig. Für die meisten wissenschaftlichen Teams ist das unkritisch, für gemischte Teams oder weniger sprachsichere Anwender kostet es Einarbeitungszeit. Eine deutsche Lokalisierung ist nicht in Sicht.

Nur Screening, kein kompletter Review-Workflow. ASReview macht eine Sache: Titel-Abstract-Screening. Datenextraktion, Risk-of-Bias-Bewertung, Volltext-Verwaltung und Berichterstellung musst du in anderen Tools erledigen. Plattformen wie DistillerSR oder Covidence decken den gesamten Review-Lebenszyklus ab, ASReview ist bewusst ein spezialisiertes Modul, kein Rundum-System.

Kein kommerzieller Support. Bei Problemen gibt es GitHub-Issues, Dokumentation und ein Community-Forum, aber keine Hotline, kein SLA, keine garantierte Reaktionszeit. Für ein zeitkritisches regulatorisches Projekt mit hartem Stichtag kann das ein Risiko sein. Wer Support-Sicherheit braucht, zahlt diese bei kommerziellen Anbietern bewusst mit.

Kollaboration verlangt eigene Infrastruktur. Die Mehrnutzer-Variante (ASReview LAB Server) ist zwar kostenlos, aber du musst sie selbst betreiben, inklusive Hosting, Authentifizierung und Wartung. Das ist für IT-Abteilungen machbar, für eine kleine Forschungsgruppe ohne IT-Support aber eine Hürde.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Ein Browser-Tool ohne Installation und mit kostenloser Basis willst	Rayyan
Den kompletten Review-Workflow inkl. Extraktion in einer Plattform brauchst	Covidence
Eine Enterprise-Lösung für regulatorische und pharmazeutische Reviews suchst	DistillerSR
Wissenschaftliche Fragen mit KI-gestützter Literaturextraktion beantworten willst	Elicit
Zitationskontexte und Belastbarkeit von Studien prüfen willst	scite

Erwähnenswert ohne eigenen Link an dieser Stelle: Semantic Scholar als Ausgangspunkt für die Recherche selbst, sowie EPPI-Reviewer und SWIFT-Review als weitere KI-gestützte Screening-Werkzeuge aus dem akademischen Umfeld. ASReview ist kein Allrounder, es macht das Title-Abstract-Screening besser und datenschutzfreundlicher als die meisten, lässt aber bewusst alles andere weg. Genau das ist seine Stärke: Nutze es gezielt für das Screening und kombiniere es mit Tools für Extraktion und Berichterstellung.

So steigst du ein

Schritt 1: ASReview installieren. Über pip install asreview (Python 3.10 oder neuer) holst du dir die Software, mit asreview lab startest du im Terminal die lokale Weboberfläche, der Browser öffnet sie automatisch. Die offizielle Dokumentation auf asreview.readthedocs.io erklärt alle Schritte (auf Englisch). Wenn niemand im Team Python kennt, übernimmt die Einrichtung am besten die IT einmalig.

Schritt 2: Suchergebnisse als RIS- oder CSV-Datei aus PubMed, Embase, Web of Science oder anderen Datenbanken exportieren und in ein neues ASReview-Projekt importieren. Lege fest, ob du ein vorhandenes Modell oder die Standardeinstellung nutzt, und labele etwa 10 bis 30 Treffer manuell (relevant / nicht relevant), damit das Active-Learning-Modell eine Trainingsbasis bekommt.

Schritt 3: Screening fortsetzen. Ab dem ersten Lernschritt zeigt ASReview bevorzugt die wahrscheinlich relevanten Treffer an. Wenn mehrere aufeinanderfolgende Records irrelevant sind, kannst du die Vollständigkeit prüfen und das Screening mit einem dokumentierten Stopp-Kriterium beenden. Anschließend Ergebnisse als CSV exportieren und in den Datenextraktions-Workflow (z. B. Excel oder DistillerSR) überführen. Für Teams: ASReview LAB Server aufsetzen und mehrere Reviewer über Crowdscreen parallel arbeiten lassen.

Ein konkretes Beispiel

Ein HEOR-Team eines mittelgroßen Biotech-Unternehmens aus München bereitet den systematischen Review für Modul 4 eines AMNOG-Dossiers vor. Das Unternehmen hat keine DistillerSR-Lizenz und darf vertrauliche Studiendaten nicht in die Cloud hochladen. ASReview läuft lokal auf dem Laptop der Senior-HEOR-Wissenschaftlerin: 2.800 Treffer aus MEDLINE und Embase werden importiert, nach rund 150 manuellen Entscheidungen priorisiert das Active-Learning-Modell die verbleibenden Records. Das manuelle Screening reduziert sich auf etwa 900 Records, bei denen praktisch alle relevanten Studien erfasst werden. Statt zehn Werktagen für das Titelscreening braucht das Team nur noch drei, und die Daten haben zu keinem Zeitpunkt das lokale Gerät verlassen. Das Stopp-Kriterium und die Modellparameter werden für den PRISMA-Methodenteil sauber dokumentiert. Zeitersparnis: rund sieben Werktage pro Review, bei null Lizenzkosten.

DSGVO & Datenschutz

• Datenhosting: Vollständig lokal. ASReview LAB läuft auf deinem eigenen Rechner oder, in der Server-Variante, auf einer von dir kontrollierten Infrastruktur. Es gibt keinen Cloud-Dienst des Anbieters, an den Daten übertragen werden.
• Datennutzung: Keine. Die Software sammelt nach Angaben des Projekts keine Nutzungsdaten und setzt keine Tracking-Cookies. Es findet keine Telemetrie an die Universität Utrecht statt.
• Auftragsverarbeitung (AVV): Nicht erforderlich, weil kein externer Auftragsverarbeiter beteiligt ist, die Daten verlassen deinen Verantwortungsbereich nicht. Das ist der zentrale DSGVO-Vorteil gegenüber Cloud-Tools.
• Verantwortlichkeit: Da du die Software selbst betreibst, liegt die gesamte technische und organisatorische Verantwortung (Zugriffsschutz, Backups, Verschlüsselung des lokalen Geräts) bei dir bzw. deiner IT.
• Empfehlung für Unternehmen: Für vertrauliche Studiendaten, unveröffentlichte klinische Inhalte und personenbezogene Forschungsdaten ist ASReview die sauberste Wahl im Markt. Für den Mehrnutzer-Betrieb sollte die IT den ASReview LAB Server in der eigenen (möglichst EU-/DE-)Infrastruktur aufsetzen und absichern.

Gut kombiniert mit

• Rayyan, wer ein Team teils ohne Python-Kenntnisse hat, nutzt Rayyan im Browser für das kollaborative Screening und ASReview dort, wo lokale Datenhaltung Pflicht ist. Beide Welten lassen sich über RIS-/CSV-Export verbinden.
• DistillerSR, ASReview übernimmt das schnelle, datenschutzfreundliche Vorab-Screening, DistillerSR den nachgelagerten regulatorischen Komplett-Workflow mit Datenextraktion und Audit-Trail. Die reduzierte Treffermenge spart in der teuren Plattform spürbar Aufwand.
• Elicit, für die inhaltliche Erschließung der nach dem Screening verbleibenden Studien: Elicit extrahiert strukturiert Endpunkte, Populationen und Ergebnisse, die du sonst manuell aus den Volltexten ziehen müsstest.

Unser Testurteil

ASReview LAB verdient 4 von 5 Sternen. Es ist methodisch erstklassig, peer-reviewed, vollständig kostenlos und in puncto Datenschutz konkurrenzlos, wer mit vertraulichen Studiendaten arbeitet und ein begrenztes Budget hat, findet schlicht kein besseres Werkzeug für das Title-Abstract-Screening. Der Active-Learning-Hebel ist real und durch die Nature-Machine-Intelligence-Publikation belastbar dokumentiert. Den fünften Stern verliert ASReview nicht wegen Qualitätsmängeln, sondern wegen seines bewusst engen Zuschnitts und der Einstiegshürde: Die Python-Installation, die rein englische Oberfläche, der fehlende kommerzielle Support und die Beschränkung auf reines Screening machen es zu einem Werkzeug für technisch versierte, methodisch anspruchsvolle Teams, nicht für jeden. Genau für diese Zielgruppe ist es aber die klare Empfehlung.

Was wir bemerkt haben

• April 2026, Die aktuelle Code-Version auf GitHub ist 3.0.x. Version 3 ergänzte unter anderem automatische Dublettenerkennung beim Screening und direkt in der Oberfläche editierbare Tags. Die öffentliche Dokumentation hinkte zum Prüfzeitpunkt teils noch hinterher und bewarb prominent „Version 2.0”, wer die neuesten Funktionen will, sollte explizit per pip install --upgrade asreview aktualisieren.
• Korrektur zur Lizenz, ASReview steht unter der Apache-2.0-Lizenz, nicht unter MIT, wie gelegentlich kolportiert wird. Beide sind permissive Open-Source-Lizenzen, aber Apache 2.0 enthält zusätzlich eine explizite Patentklausel, relevant für Unternehmen, die die Lizenzlage rechtlich sauber dokumentieren müssen.
• Version 2.0, markierte den Sprung vom reinen Einzelplatz-Werkzeug zu echter Mehrnutzer-Fähigkeit (Crowdscreen, ASReview LAB Server mit Authentifizierung). Das hat ASReview erst für institutionelle Team-Workflows praktikabel gemacht.
• Adoption, Mit über 600.000 Installationen und Einsatz in mehr als 100 Organisationen ist ASReview für ein universitär getragenes Open-Source-Projekt ungewöhnlich weit verbreitet. Das spricht für eine stabile Weiterentwicklung, ein Punkt, der bei Open-Source-Tools nie selbstverständlich ist.