Deep 6 AI

Kurzfazit

Deep 6 AI adressiert eines der hartnäckigsten Probleme der klinischen Forschung: 85 % aller klinischen Studien verzögern sich, weil die Patientenrekrutierung zu langsam ist. Das NLP-basierte Patientenmatching gegen EHR-Daten, inklusive unstrukturierter Arztbriefe, beschleunigt die Identifikation geeigneter Kandidaten dramatisch. Der Ansatz ist sinnvoll und die Ergebnisse in US-amerikanischen Academic Medical Centers gut dokumentiert. Für den europäischen Markt gilt jedoch: Das Tool ist klar auf Epic/Cerner und US-Datenschutzrahmen ausgerichtet; für DSGVO-konforme europäische Deployments fehlen entscheidende Voraussetzungen. Drei von fünf Sternen, starke Lösung für das richtige Marktumfeld (USA, Onkologie, Epic/Cerner), aber mit relevanten Einschränkungen außerhalb dieses Rahmens.

Für wen ist Deep 6 AI?

Academic Medical Centers in den USA: Das ist der Kern-Markt. Universitätskliniken mit großen Epic- oder Cerner-Installationen und einem Portfolio von aktiven klinischen Studien profitieren direkt: Study Coordinators, die täglich 4–6 Stunden manuelle Patientenprüfung durchführen, bekommen priorisierte Listen potenziell geeigneter Patienten direkt in ihr Dashboard.

CROs mit Rekrutierungsschwerpunkt: Contract Research Organizations, die im Auftrag von Pharmakonzernen Sites für Phase-I- bis Phase-III-Studien identifizieren und befüllen, nutzen Deep 6 AI für schnellere Feasibility-Analysen und aktives Prescreening. Die WCG-Partnership gibt Zugang zu einem Netzwerk von 2.000+ Sites mit 28 Mio. de-identifizierten Patientendaten.

Onkologie-Sponsoren: Krebsstudien sind besonders komplex, weil Ein-/Ausschlusskriterien häufig auf Staging-Informationen basieren, die in Freitext-Pathologieberichten stehen, nicht in strukturierten Feldern. Deep 6 AI’s NLP-Engine liest genau diese unstrukturierten Texte, was einen echten Vorteil gegenüber reinen ICD-Code-Matching-Tools bedeutet.

Rare Disease Programs: Bei seltenen Erkrankungen sind geeignete Patienten über viele Sites verteilt und schwer zu finden. Deep 6 AI kann über das WCG-Netzwerk hinweg nach sehr spezifischen EHR-Kriterien suchen und Patienten identifizieren, die bei einer einzelnen Site-Suche nie aufgetaucht wären.

Weniger geeignet für: Europäische Sites mit KIS/ORBIS/CGM-Infrastruktur (schlechte EHR-Integration), Teams mit strengen DSGVO-Anforderungen, kleine Studien mit einfachen Einschlusskriterien (manueller Review ist hier ausreichend) und Unternehmen ohne Epic/Cerner im Stack.

Preise im Detail

Angebotskomponente	Preis	Details
Site-Lizenz	Auf Anfrage (Jahresvertrag)	Pro-Site-Lizenzierung; typisch für Academic Medical Centers
Multi-Site über WCG	Auf Anfrage	Zugang zum WCG-Netzwerk für Multi-Site-Feasibility
Sponsoren/CRO-Zugang	Auf Anfrage	Studienspezifische Verträge für Pharmasponsor oder CRO

Einordnung: Deep 6 AI hat keinen öffentlichen Preiskatalog. Das ist im Enterprise-Clinical-Research-Markt nicht ungewöhnlich, Verträge werden individuell nach Studienanzahl, Site-Volumen und gewünschten Funktionen gestaltet. Erfahrungswerte aus dem Markt deuten auf Jahresbeträge im mittleren bis oberen fünfstelligen US-Dollar-Bereich für größere Sites. Für Phase-III-Studien mit langen Rekrutierungsphasen ist die ROI-Rechnung oft klar: Ein beschleunigter Studienzeitraum von 3–6 Monaten kann Pharmakonzernen Millionen sparen. Für akademische Sites ohne kommerziellen Sponsordruck ist die Kosten-Nutzen-Rechnung weniger eindeutig.

Stärken im Detail

NLP liest, was ICD-Codes nicht sagen. Das entscheidende Alleinstellungsmerkmal von Deep 6 AI ist die Verarbeitung unstrukturierter klinischer Texte. Staging-Informationen bei Krebspatienten stehen oft nur im Pathologiebericht oder in der Onkologienotiz, nicht in einem strukturierten Datenbankfeld. Ein System, das nur ICD-Codes abgleicht, übersieht diese Patienten systematisch. Deep 6 AI’s NLP-Engine liest diese Texte und extrahiert relevante Informationen für das Matching.

Direkte EHR-Integration ohne manuelle Datenexporte. Die Plattform verbindet sich über FHIR-APIs direkt mit Epic und Cerner. Keine manuellen CSV-Exporte, keine veralteten Datenstände, die Matching-Ergebnisse basieren auf aktuellen EHR-Daten. Study Coordinators sehen die priorisierten Listen direkt im bekannten System, ohne zwischen Tools zu wechseln.

Priorisierte Patientenlisten mit Matching-Score. Study Coordinators bekommen keine rohe Liste potenziell geeigneter Patienten, sondern eine priorisierte Ansicht mit Matching-Score, die vielversprechendsten Kandidaten zuerst. Das reduziert die manuelle Review-Zeit auf die am besten passenden Fälle und steigert die Effizienz bei limitierten Koordinatorenkapazitäten.

WCG-Netzwerk für Multi-Site-Studien. Die Partnerschaft mit WCG (World Clinical Trials) ermöglicht Zugang zu einem Netzwerk aus über 2.000 Sites mit aggregierten, de-identifizierten Patientendaten. Für Feasibility-Analysen, wie viele geeignete Patienten gibt es an wie vielen Sites?, ist das ein enormer Vorteil gegenüber site-spezifischen Einzelabfragen.

Nachweisbare Rekrutierungsbeschleunigung. Klinische Studien mit Deep 6 AI berichten von Reduktionen der Zeit bis zur ersten Patientenidentifikation von typisch mehreren Wochen auf wenige Tage. Bei Onkologie-Studien, wo jede Verzögerung potenzielle Schäden für Patienten bedeutet und für Sponsoren erhebliche Kosten erzeugt, ist das ein handfester Wert.

Schwächen ehrlich betrachtet

US-zentriertes Design. Deep 6 AI ist für den nordamerikanischen Markt entwickelt. Die EHR-Integrations-Roadmap priorisiert Epic und Cerner, die in Europa verbreiteten Systeme (Agfa Orbis, Dedalus, CGM CompuMed, Meierhofer) sind nicht im Standardprofil. Für europäische Sites bedeutet das erheblichen Integrationsaufwand oder faktische Nicht-Nutzbarkeit.

DSGVO ist strukturell schwierig. Klinische EHR-Daten sind besonders sensible Gesundheitsdaten nach Art. 9 DSGVO. Das US-Hosting ohne EU-Deployment-Option, kombiniertem mit dem fehlenden offiziellen EU-Datenverarbeitungsframework, macht regulatorisch saubere europäische Deployments praktisch unmöglich ohne erhebliche Zusatzarbeit.

NLP-Qualität hängt von Dokumentationsqualität ab. Die NLP-Engine kann nur extrahieren, was dokumentiert ist. Sites mit unterschiedlichen Dokumentationsstandards, verschiedene Ärzte, verschiedene Formulierungspraktiken, produzieren inkonsistente Matching-Ergebnisse. Das ist keine Kritik an Deep 6 AI, aber eine strukturelle Einschränkung, die in der Praxis Validierungsaufwand erzeugt.

Black-Box-Risiko bei regulatorischen Anforderungen. Der EU AI Act klassifiziert KI-Systeme im Gesundheitsbereich, die Entscheidungsunterstützung für Patienten bieten, als hochriskant. Das bedeutet Transparenz-, Erklärungs- und Dokumentationsanforderungen, die ein Machine-Learning-Matching-Score nicht ohne Weiteres erfüllt. Für europäische Sponsoren ist das ein wachsendes Risiko.

Kein Self-Service, keine transparente Preisliste. Wer Deep 6 AI evaluieren will, muss ein Sales-Gespräch führen. Das ist branchenüblich für Enterprise-Clinical-Software, verhindert aber schnelle Vorab-Einschätzungen und verlängert Beschaffungszyklen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine DSGVO-konforme Lösung für europäische Studienseiten brauchst
Daten aus klinischen Studien zentral verwalten und auswerten willst
Ein breites Real-World-Evidence-Netzwerk für Feasibility-Analysen ohne Site-Deployment brauchst

Erwähnenswert ohne eigene Tool-Seite: Flatiron Health (onkologie-spezialisiert, inzwischen Roche-Tochter) bietet ähnliche EHR-basierte Analysen mit starkem Onkologie-Fokus. Veeva Site Connect adressiert Studienmanagement auf Site-Seite, nicht das Patientenmatching selbst. Medidata AI bietet Vorhersagen für Studienplanung und Rekrutierung auf Basis historischer Daten. Deep 6 AI ist am stärksten, wenn aktives Prescreening an US-Sites mit unstrukturierten EHR-Daten das Problem ist, außerhalb dieses Kontexts gibt es bessere oder zugänglichere Alternativen.

So steigst du ein

Schritt 1: Kontakt über deep6.ai aufnehmen. Deep 6 AI arbeitet primär mit CROs, Sponsoren und Academic Medical Centers, Einzelsite-Deployments sind möglich, aber nicht die Kernzielgruppe. Beschreibe dein Rekrutierungsproblem konkret: Studienindikation, Anzahl der Sites, aktuell genutztes EHR-System, typische Rekrutierungsrate.

Schritt 2: EHR-Integration konfigurieren. Deep 6 AI verbindet sich über FHIR-APIs mit Epic, Cerner und anderen Systemen. Das klinische Informatik-Team der Site muss IRB-Genehmigung und Datenzugriffsberechtigungen vorab klären, das ist der Zeitpuffer vor dem Go-Live, typisch 4–8 Wochen.

Schritt 3: Studienprotokoll-Kriterien in das System einpflegen. Deep 6 AI übersetzt Ein-/Ausschlusskriterien in Suchalgorithmen, das erfordert eine Validierungsphase mit dem klinischen Team, um die False-Positive-Rate auf ein handhabbares Maß zu reduzieren. Ein erster Proof-of-Concept auf einer retrospektiven Patientenkohorte (bekannte Ein-/Ausschlusskriterien, bekannte tatsächliche Eignung) ist ein sinnvoller Startpunkt.

Ein konkretes Beispiel

Ein US-amerikanisches Academic Medical Center führt eine Phase-II-Onkologiestudie für ein neues Lungenkrebsmittel durch. Study Coordinators, die bisher täglich 4–6 Stunden mit manuellem Chart Review verbrachten, erhalten jetzt priorisierte Listen potenziell geeigneter Patienten direkt in ihr Dashboard. Die NLP-Engine liest nicht nur ICD-10-Codes (C34.1, C34.2), sondern auch Pathologieberichte (“KRAS G12C mutation detected”) und Onkologienotizen, entscheidend, weil Mutationsstatus und Staging-Informationen im Arztbrief stehen, nicht in strukturierten Feldern. Die Zeit bis zur Identifikation des ersten geeigneten Kandidaten sinkt von 19 Tagen auf unter 2 Stunden. Die Gesamtrekrutierungszeit für 60 Patienten sinkt von geplanten 18 auf 11 Monate, was dem Sponsor eine erhebliche Verzögerungskostenvermeidung einbringt.

DSGVO & Datenschutz

• Datenhosting: Primär USA; Deep 6 AI, Inc. mit Sitz in Pasadena, Kalifornien. Keine dokumentierte EU-Deployment-Option für klinische Daten
• Verarbeitete Daten: Klinische EHR-Daten (Gesundheitsdaten nach Art. 9 DSGVO), höchste Schutzklasse. De-identifizierung ist Teil des Prozesses, aber de-identifizierte Gesundheitsdaten können unter bestimmten Umständen re-identifizierbar sein
• WCG-Netzwerkdaten: Aggregierte, de-identifizierte Patientendaten aus 2.000+ Sites; HIPAA-konform nach US-Recht, aber nicht per se DSGVO-konform
• Auftragsverarbeitung (AVV): Für europäische Deployments zwingend erforderlich; Verfügbarkeit auf Anfrage, für US-Sites ist ein BAA (Business Associate Agreement) nach HIPAA Standard
• EU AI Act: KI-basierte Entscheidungsunterstützung im klinischen Kontext fällt potentiell unter High-Risk-Klassifizierung (Anhang III, Art. 22), Transparenz- und Dokumentationsanforderungen sind zu beachten
• Empfehlung für europäische Nutzer: Vor jedem Deployment in Europa rechtliche Beratung zu DSGVO, EU AI Act und der nationalen klinischen Datenschutzgesetzgebung einholen. Alternativen mit EU-Hosting und klarem DSGVO-Framework bevorzugen

Gut kombiniert mit

• , Medidata Rave ist das führende EDC-System (Electronic Data Capture) für klinische Studien. Deep 6 AI übernimmt das Prescreening und die Patientenidentifikation; Medidata Rave verwaltet die Studienmaske, Randomisierung und Dateneingabe nach Einschluss. Beide decken komplementäre Phasen des klinischen Workflows ab.
• , TriNetX bietet Real-World-Evidence-Analysen auf aggregierten EHR-Daten für Feasibility-Studien ohne Site-Deployment. Für die frühe Studienplanung (Wie viele geeignete Patienten gibt es weltweit?) ist TriNetX stark; Deep 6 AI übernimmt dann das aktive Prescreening an den ausgewählten Sites.
• , für europäische Studienteile oder DSGVO-konforme Subsets: Climedo als EU-basierte Lösung deckt die europäischen Sites ab, während Deep 6 AI die US-amerikanischen Sites prescreent, sinnvoll in globalen Studien mit unterschiedlichen regulatorischen Anforderungen per Region.

Unser Testurteil

Deep 6 AI verdient 3 von 5 Sternen. Die Kernidee, NLP-basiertes Patientenmatching auf unstrukturierten EHR-Daten, ist überzeugend und adressiert ein echtes Problem. Die Ergebnisse in US-amerikanischen Onkologie-Studien sind dokumentiert. Der dritte Stern statt des vierten oder fünften liegt an der klaren US-Zentrierung (EHR-Ökosystem, Datenschutzrahmen), dem fehlenden öffentlichen Pricing und den strukturellen Schwierigkeiten für europäische Deployments unter DSGVO und EU AI Act. Für US-amerikanische Academic Medical Centers und CROs ist Deep 6 AI ein ernsthafter Kandidat; für europäische Forschungsteams gibt es zugänglichere Alternativen.

Was wir bemerkt haben

• 2023, WCG Clinical (World Clinical Trials) hat Deep 6 AI als strategischen Partner für ihr Site-Netzwerk ausgewählt. Der Zugang zu 2.000+ Sites mit aggregierten Patientendaten hat Deep 6 AI zu einer attraktiveren Option für Multi-Site-Feasibility gemacht.
• 2024, Der EU AI Act (in Kraft seit August 2024) hat die Diskussion um KI-basierte klinische Entscheidungsunterstützung in Europa intensiviert. Deep 6 AI hat bisher keine öffentliche EU-AI-Act-Compliance-Roadmap veröffentlicht, was für europäische Sponsoren ein offenes Risiko darstellt.
• Mai 2026, Die Website deep6.ai war zum Zeitpunkt unserer Überprüfung nicht erreichbar (Verbindungsfehler). Es ist unklar, ob das ein vorübergehender Ausfall oder ein strukturelles Problem ist. Interessenten sollten die aktuelle Erreichbarkeit vor einer Evaluation prüfen.
• Allgemein, Das Segment EHR-basiertes Patientenmatching für klinische Studien wird zunehmend wettbewerbsintensiver: Flatiron (Roche), TriNetX, Veeva und neue Foundation-Model-basierte Ansätze von großen Cloud-Anbietern erhöhen den Druck. Deep 6 AI muss seinen Vorteil bei unstrukturierten EHR-Texten verteidigen, während die Konkurrenz aufholt.