Beschwerdemanagement für Medizinprodukte automatisieren

Das echte Ausmaß des Problems

Nach MDR 2017/745 ist die Handhabung von Beschwerden eines der kritischsten Compliance-Prozesse im gesamten Produktlebenszyklus. Die Anforderungen sind eng:

• MDR Artikel 87–92 regeln die Vigilanz, Art. 83 bis 86 die Überwachung nach dem Inverkehrbringen
• Meldefristen sind kurz: Schwerwiegende Vorkommnisse spätestens 15 Tage nach Kenntnis, bei Tod oder unvorhergesehener schwerwiegender Verschlechterung des Gesundheitszustands 10 Tage, bei schwerwiegender Gefahr für die öffentliche Gesundheit 2 Tage (Art. 87 Abs. 3 bis 5)
• Schwerwiegend ist mehr als der eingetretene Schaden: Ein Vorkommnis ist schwerwiegend, wenn es eine dieser Folgen hatte, hätte haben können oder haben könnte (Art. 2 Nr. 65). Der Beinahe-Schaden aus dem Beispiel oben gehört dazu. Als Vorkommnis zählen auch Anwendungsfehler aufgrund ergonomischer Merkmale (Art. 2 Nr. 64)
• Jede Beschwerde ist zu bewerten und zu dokumentieren: ISO 13485 verlangt eine dokumentierte Beschwerdehandhabung, auch für Fälle, die am Ende nicht meldepflichtig sind
• Trend-Analyse ist Pflicht: Nicht schwerwiegende Vorkommnisse werden systematisch ausgewertet; einen statistisch signifikanten Anstieg ihrer Häufigkeit oder Schwere meldet der Hersteller nach Art. 88

Wie viele Beschwerden ein Hersteller mittlerer Größe im Jahr bearbeitet, dazu kennen wir keine veröffentlichte Zahl. Diese Seite rechnet mit 300 Fällen im Jahr, verteilt über E-Mails, Telefonanrufe, Ticketsysteme und Partner, und mit 2 bis 4 Stunden für die Erstbewertung eines Falls, also Schweregrad, Meldepflicht ja/nein und zuständige Behörde. Das sind Annahmen, einfache Fälle wie Transportschäden sind in Minuten erledigt, unklare technische Ausfälle brauchen Tage. Dabei passieren Fehler: Ein Fall wird übersehen, falsch klassifiziert oder die Frist wird versäumt, und im nächsten Audit beanstandet die Benannte Stelle oder die Behörde eine Nichtkonformität.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Annahme dieser Seite, keine Messung. Belastbare Quoten zu Vollständigkeit oder Fristeinhaltung mit und ohne KI haben wir nicht gefunden, deshalb stehen in der Tabelle die Größen, die du selbst zählen kannst.

Die wichtigste Zeile ist die zweite: Eine KI kann Beschwerdetexte normalisieren und jeden Fall gegen dieselben strukturierten Schweregrad-Kriterien prüfen, auch an Tagen, an denen fünf Fälle gleichzeitig hereinkommen und niemand Zeit hat.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5)
Halbiert sich die Erstbewertung, sind das 1,5 bis 1,8 Stunden je Beschwerde, wenn man die 2 bis 4 Stunden der Annahme mit 50 bis 60 Prozent Ersparnis rechnet. Das ist nicht die höchste Zeiteinsparung unter den verglichenen Anwendungsfällen. Technische Dokumentation und PMS-Berichte sparen mehr absolute Zeit, weil dort mehrwöchige Projekte auf Tage verkürzt werden. Eine Beschwerde-KI optimiert einen Durchsatzprozess, keine Blockieraufgabe. Bei 300 Fällen pro Jahr sind das 450 bis 540 Stunden, also rund 56 bis 68 Personentage.

Kosteneinsparung, niedrig (2/5)
Die gesparten Stunden werden nur Geld, wenn dafür eine Stelle nicht nachbesetzt wird oder Überstunden wegfallen. Die übrige Wirkung ist indirekt: weniger Beanstandungen im Audit, schnellere Reaktion auf Sicherheitstrends. Und die laufenden Kosten einer QMS-integrierten Lösung liegen in derselben Größenordnung wie der Wert der gesparten Stunden, die Rechnung steht unten. Bei der Prüfung von Zulassungsunterlagen ist der Hebel größer, weil dort jede vermiedene Rückfragerunde Wochen spart.

Schnelle Umsetzung, mittel (3/5)
Klassifizierungsregeln nach MDR sind standardisiert, kein individueller Zuschnitt wie bei anderen Branchenthemen. Aber: Die Beschwerdetexte müssen ins System gelangen, Altsysteme müssen angebunden und Arbeitsabläufe neu definiert werden. 10–16 Wochen Einführung, davon 4–6 Wochen allein für den Pilotaufbau mit echten Daten.

ROI-Sicherheit, hoch (4/5)
Der Nutzen ist früh messbar: Bei 300 Fällen im Jahr hast du nach wenigen Monaten genug Fälle, um Bearbeitungszeit und Fristreserve vorher und nachher zu vergleichen. Anders als bei PMS-Berichten (Nutzen über Jahre verteilt) oder technischer Dokumentation (Nutzen abhängig vom Produktvolumen) ist jede Beschwerde sofort ein Prüffall. Nicht 5, weil der wichtigste Nutzen, ein Vorkommnis nicht zu übersehen, nur wirkt, wenn ein Mensch den Vorschlag prüft und die Meldung rechtzeitig abschickt. Die KI erkennt, melden muss der Hersteller.

Skalierbarkeit, hoch (4/5)
Eine Beschwerde-KI wächst mit: Mehr Fälle, neue Märkte, neue Produktlinien, ohne dass die Einrichtung neu anfällt. Die menschliche Prüfung je Fall wächst allerdings mit. Der zweite Pflegepunkt ist die kontinuierliche Feinabstimmung: Wenn sich MDR-Anforderungen ändern oder neue regulatorische Definitionen hinzukommen, muss das Modell aktualisiert werden, aber das ist eine jährliche Aufgabe, nicht eine monatliche.

Richtwerte, abhängig von Fallvolumen, Produktkomplexität und vorhandenen Integrationspunkten.

Was ein Beschwerde-Management-System konkret macht

Das System bearbeitet eingehende Beschwerde-Meldungen in drei Schritten:

Schritt 1: Normalisierung und Strukturextraktion
Der Beschwerde-Text, ob E-Mail, PDF oder Telefonat-Mitschrift, wird analysiert. Das System extrahiert strukturierte Informationen: Datum des Ereignisses, betroffene Produktlinien und Serien, Symptome, Konsequenzen, geografischer Ort. Das geschieht automatisch ohne manuelle Datenerfassung.

Schritt 2: Schweregrad-Klassifizierung nach MDR
Die KI prüft die dokumentierten Fakten gegen die MDR-Definition des schwerwiegenden Vorkommnisses (Art. 2 Nr. 65): ein Vorkommnis, das direkt oder indirekt den Tod, eine vorübergehende oder dauerhafte schwerwiegende Verschlechterung des Gesundheitszustands oder eine schwerwiegende Gefahr für die öffentliche Gesundheit zur Folge hatte, hätte haben können oder haben könnte. Daneben werden Unterkategorien geprüft: Verletzung, Infektionsrisiko, Funktionsverlust, ungeplante Intervention. Das System schlägt eine Klassifizierung vor, Regulatory Affairs entscheidet. Wie oft die Vorschläge stimmen, musst du an eigenen, bereits entschiedenen Fällen messen, eine belastbare Trefferquote für diesen Zweck kennen wir nicht.

Schritt 3: Meldepflicht und Behördenwahl
Basierend auf Schweregrad, Produktklasse und Ort des Vorkommnisses schlägt das System vor: Ist das meldepflichtig ja/nein, welche Frist gilt (2, 10 oder 15 Tage), an welche Behörde. Gemeldet wird an die zuständige Behörde des Mitgliedstaats, in dem das Vorkommnis aufgetreten ist, in Deutschland das BfArM, nicht an die Benannte Stelle. Ein Meldungsentwurf wird erstellt und im Workflow-System eingeplant.

Was passiert mit älteren Fällen?

Wichtig: Ein neu eingeführtes System kann auch historische Beschwerde-Archive durchsuchen. Das ist häufig wertvoll: Viele Teams haben 5–10 Jahre Beschwerdedateien, aber nie systematisch nach Trends ausgewertet. Wenn das System neu eingeführt wird, arbeitet es die Historie durch und schlägt für ältere Fälle rückwirkend eine Einstufung vor. Das dauert 2–3 Wochen an Datenbankabfragen, ermöglicht dann aber Trend-Analyse über Jahre. Plane vorher, was passiert, wenn dabei ein Fall auftaucht, der als schwerwiegendes Vorkommnis hätte gemeldet werden müssen: Dann ist die Meldung nachzuholen, und das entscheidet die verantwortliche Person nach Art. 15 MDR, nicht die KI.

Konkrete Werkzeuge, was wann passt

Für Beschwerde-Management in Medizinprodukten gibt es zwei Ansätze:

Generische KI-Assistenten mit regulatorischem Kontext-Prompt
ChatGPT , Claude oder Gemini können mit einem gut strukturierten Prompt (siehe Abschnitt „Das kannst du heute noch tun”) als Klassifizierungshelfer dienen. Für echte Beschwerden nur im Business- oder Team-Tarif mit Auftragsverarbeitungsvertrag, beide ab zwei Plätzen. Vorteil: Sofort einsatzbereit, geringe Kosten. Nachteil: Jeder Fall wird einzeln verarbeitet, keine Anbindung an das bestehende Beschwerdesystem, keine automatisierte Workflow-Auslösung. Sinnvoll für: Teams mit einigen Dutzend bis rund 250 Beschwerden pro Jahr und als Pilotphase vor einer größeren Investition.

Spezialisierte QMS/Vigilanz-Plattformen mit KI-Erweiterung
SimplerQMS ist ein validiertes eQMS auf Basis von Microsoft 365, mit dem sich Beschwerden strukturiert erfassen und in Workflows führen lassen. Einen eigenen KI-Assistenten hat es laut unserer Toolseite nicht, KI-Funktionen kommen über Microsoft Copilot, das separat lizenziert wird. Ob und wie sich eine eigene Klassifizierung anbinden lässt, etwa über Microsoft 365, klärst du vor dem Kauf konkret, unsere Toolseite belegt keine offene Schnittstelle dafür. Lizenz laut Toolseite ab rund 17.500 US-Dollar im Jahr für bis zu 15 Nutzer, dazu die KI-Anbindung. Sinnvoll für: Teams mit 250+ Fällen pro Jahr, komplexem Multi-Markt-Portfolio, bestehender Dokumentenablage in SharePoint/Teams.

Eigenentwicklung mit Claude-API und Dokumentenverarbeitung
Für Hersteller mit komplexen Besonderheiten, z. B. mehrsprachige Beschwerdeerfassung, spezielle Produktklassen-Logik oder Anbindung an Laborinformationssysteme, ist eine Eigenentwicklung oft schneller als das Anpassen von Enterprise-Software. Ein erster Prototyp, der Beschwerden aus dem bestehenden System liest und Vorschläge zurückschreibt, ist in 40–60 Entwicklerstunden gebaut. Mit Validierung, vollständiger Anbindung und Archiv landet man bei den 45.000–100.000 Euro aus der Kostentabelle unten. Sinnvoll für: Unternehmen mit 500+ Fällen pro Jahr oder sehr speziellen Anforderungen.

Datenschutz und Datenhaltung

Beschwerde-Daten sind sensitiv: Sie enthalten oft Patientendaten, medizinische Konsequenzen, geografische Hinweise und produktspezifische Details. Das bedeutet:

• Die DSGVO gilt, Angaben zum Gesundheitszustand von Patienten sind besondere Kategorien nach Art. 9. Beschwerdetexte dürfen nur bei Diensten mit Auftragsverarbeitungsvertrag landen
• Nicht alle Cloud-Dienste sind automatisch DSGVO-konform; Microsoft ist es über die EU Data Boundary (Konfiguration nötig). Claude und ChatGPT verarbeiten Daten laut unseren Toolseiten in den USA, einen AVV gibt es nur in den Business-, Team- und API-Angeboten, nicht in Plus oder Pro
• SimplerQMS hostet in der EU-Region
• Eine Eigenentwicklung auf EU-gehosteter Infrastruktur (z. B. Azure EU-Region) ist die sicherste Wahl für besonders sensible Daten, bei US-Anbietern bleibt der US CLOUD Act auch in der EU-Region ein Thema für die DSFA

Regulatorischer Zusatz: Die Beschwerde- und Vigilanzunterlagen gehören zur technischen Dokumentation über die Überwachung nach dem Inverkehrbringen (Anhang III MDR). Nach Art. 10 Abs. 8 MDR hält der Hersteller die technische Dokumentation mindestens zehn Jahre nach dem Inverkehrbringen des letzten Produkts bereit, bei implantierbaren Produkten 15 Jahre. Das System braucht also eine Archivfunktion, nicht nur die laufende Verarbeitung.

Was es kostet, realistisch gerechnet

Einrichtungs- und Laufkosten sind Annahmen dieser Seite. Die Lizenz einer QMS-Plattform steckt in der Laufzeile, bei SimplerQMS laut Toolseite ab rund 17.500 US-Dollar im Jahr.

Ehrliche ROI-Rechnung:
Annahme: 300 Beschwerden pro Jahr, durchschnittlich 3 Stunden Erstbewertung pro Fall (900 h/Jahr), Kostensatz Regulatory Affairs 80 €/Stunde, die KI spart 50 bis 60 Prozent davon.

• Zeiteinsparung: 900 h mal 50 bis 60 % = 450 bis 540 h, mal 80 € = 36.000 bis 43.200 € im Jahr. Geld wird das nur, wenn dafür eine Stelle nicht nachbesetzt wird oder Überstunden wegfallen.
• Laufende Kosten der Standard-Einführung: 12 mal 2.500 bis 4.000 € = 30.000 bis 48.000 € im Jahr.
• Saldo: zwischen 12.000 € Minus und 13.200 € Plus im Jahr. Die 20.000 bis 40.000 € Einrichtung kommen im besten Fall nach rund anderthalb Jahren herein, im ungünstigen nie.
• Bei 50 Fällen im Jahr rechnet sich nur der Prompt-basierte Weg: 50 mal 1,5 bis 1,8 h = 75 bis 90 h, mal 80 € = 6.000 bis 7.200 € im Jahr gegen einen Tarif von 12 mal 2 mal 25 US-Dollar.
• Vermiedenes Compliance-Risiko: schwer zu quantifizieren. Einen Bußgeldtatbestand, der auf die Meldepflicht nach Art. 87 MDR verweist, haben wir in den Straf- und Bußgeldvorschriften des MPDG (§§ 92 bis 94) nicht gefunden. Die realen Folgen einer versäumten Meldung sind Behördenmaßnahmen, Feststellungen im Audit und im Ernstfall Haftung.

Die QMS-integrierte Lösung lohnt sich in Geld erst ab einem Fallvolumen, bei dem die gesparten Stunden die laufenden Kosten sicher übersteigen, nach dieser Rechnung ab rund 250 bis 500 Fällen im Jahr. Darunter ist der Prompt-basierte Weg die ehrlichere Wahl, und der eigentliche Grund für beide ist Fristsicherheit, nicht Ersparnis.

Drei typische Einstiegsfehler

1. Vollautomatisierung ohne Vier-Augen-Prinzip
Auch eine KI, die meistens richtig liegt, irrt sich gerade bei den kritischsten Fällen: mehrdeutige Schilderungen, Kontextlücken, neu auftretende Produktprobleme. Und der teure Fehler ist der übersehene, also ein schwerwiegendes Vorkommnis, das die KI als harmlos einstuft. Was hilft: Jeder Fall bleibt eine menschliche Entscheidung. Die KI sortiert vor und schreibt Entwürfe, die verantwortliche Person nach Art. 15 MDR ist für die Meldepflichten zuständig. Teams, die diesen Schritt überspringen und blind akzeptieren, was die KI klassifiziert, bemerken den Fehler oft erst beim nächsten Behörden-Audit.

2. Anbindung vergessen, die KI läuft parallel zum eigentlichen Ablauf
Die KI läuft, klassifiziert korrekt, aber die Meldungen landen nicht automatisch im QMS, nicht bei Regulatory Affairs, nicht in der Warteschlange für Behördenmeldungen. Stattdessen muss jemand die KI-Klassifizierungen abschreiben und manuell ins QMS eintragen. Das macht die gesamte Zeiteinsparung zunichte. Was hilft: Plane die Anbindung an bestehende Systeme von Anfang an ein, sie macht rund 40 % des Einführungsaufwands aus und wird oft unterschätzt.

3. Das Modell veraltet, regulatorische Änderungen werden nicht nachgeführt
MDR-Anforderungen ändern sich. Die MDCG veröffentlicht Leitfaden-Updates, Urteile präzisieren Definitionen. Eine KI, die 2024 trainiert wurde, kennt 2026 keine neuen Interpretationen. Was hilft: Das Modell mindestens jährlich prüfen, dafür braucht es Prozess und Budget, nicht nur eine einmalige Einrichtung. Ein Jahr ohne Update führt zu schleichender Qualitätsdrift.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert:

• Woche 1–2: Alle ausstehenden Beschwerdedaten aus E-Mail-Archiven, CSV-Listen und dem Altsystem in eine Zwischendatenbank übertragen, überraschend mühsam
• Woche 3–6: KI-Modell auf die eigenen Beschwerdetypen und MDR-Kategorien trainieren und feinabstimmen; 50–100 historische Fälle manuell klassifizieren, um eine Baseline zu setzen
• Woche 7–10: Pilot laufen lassen: Neue Fälle werden von der KI klassifiziert, aber Regulatory Affairs prüft 100 %, noch keine vollständige Automatisierung
• Woche 11–14: Auswertung des Pilots: Wo lag die KI daneben, und in welche Richtung? Ein als harmlos eingestuftes schwerwiegendes Vorkommnis wiegt schwerer als zehn übervorsichtige Einstufungen. Mit 50 bis 100 Pilotfällen lässt sich eine Fehlerquote nur grob schätzen, bei 3 Fehlern in 100 Fällen liegt die wahre Quote irgendwo zwischen etwa 1 und 9 Prozent
• Woche 15+: Regelbetrieb, weiterhin menschliche Entscheidung in jedem Fall, monatliche Qualitätsreviews, jährliche Modell-Updates. Stichproben statt Vollprüfung höchstens für Kategorien, die im QMS vorab als nicht vigilanzrelevant festgelegt sind, etwa reine Liefer- oder Rechnungsreklamationen

Was nicht passiert:
Die KI ersetzt die Regulatory-Affairs-Fachperson nicht. Beschwerdemanagement bleibt eine Governance-Funktion, nicht nur ein IT-Prozess. Der Aufwand sinkt nach unserer Annahme um 50–60 %, nicht um 100 %.

Realistischer Zeitplan mit Risikohinweisen

Kritische Risiken:

• Wenn MDR-Klassifizierungen in der Anforderungsphase nicht exakt dokumentiert sind, verliert das Modell an Genauigkeit; plane mindestens eine Woche zusätzlich für Regulatory-Workshops ein
• Altbestand an Beschwerdedaten ist oft uneinheitlich erfasst; die Datenbereinigung kann 50 % länger dauern als erwartet
• Die Anbindung an den E-Mail-Eingang ist technisch trivial, aber die Prozessumstellung verläuft oft langsam, das Auslesen der Betreffzeile funktioniert nur bei strukturierten Beschwerde-Eingaben

Häufige Einwände, und was dahintersteckt

„Aber die KI macht doch Fehler, wir können nicht blind vertrauen”
Richtig, und niemand sollte das. Menschen machen auch Fehler, besonders unter Zeitdruck, belastbare Quoten für beide Seiten kennen wir nicht. Der Gewinn liegt darin, dass jeder Fall mit einem strukturierten Vorschlag und derselben Prüffrage auf dem Tisch landet, die Entscheidung trifft weiterhin ein Mensch. Deshalb spart das System weniger Zeit, als Anbieter versprechen, aber es spart sie an der richtigen Stelle.

„Das ist zu viel Veränderung für unser Team, wir haben gerade die Regulatory-Zertifizierung hinter uns”
Berechtigter Einwand. Aber: Das System läuft die ersten zwei Monate parallel zum alten Prozess. Kein harter Umstieg auf einen Schlag. Dann folgt ein schrittweiser Hochlauf über 4–6 Wochen. Das ist für ein Team von 3–5 Personen verdaulich.

„Wir haben zu wenig Beschwerdevolumen, das lohnt sich nicht”
Für eine QMS-integrierte Lösung stimmt das unterhalb von rund 250 Fällen im Jahr, darunter decken die gesparten Stunden die laufenden Kosten nicht. Ein Prompt-basierter Ansatz im Business-Tarif (ChatGPT oder Claude) lohnt sich schon ab einigen Dutzend Fällen: ca. 3.000–5.000 € Einrichtung, laufend 2 mal 25 US-Dollar im Monat, Break-Even nach 5–11 Monaten, wenn die gesparten Stunden genutzt werden.

Woran du merkst, dass das zu dir passt

✓ Ihr habt mindestens einige Dutzend Produktbeschwerden pro Jahr, für eine QMS-integrierte Lösung eher 250 und mehr
✓ Mehr als ein Produkt oder mehrere geografische Märkte
✓ Mindestens eine Person arbeitet fest am Beschwerdemanagement
✓ Euer Regulatory-Affairs-Team steht häufig unter Druck, weil Fristen eng sind

✗ Ausschluss-Kriterium 1: Ihr habt nur Klasse-I-Produkte (sehr niedriges Risiko), dann ist Beschwerdemanagement weniger kritisch und eine KI-Investition weniger gerechtfertigt.

✗ Ausschluss-Kriterium 2: Eure Beschwerde-Eingangskanäle sind völlig unstrukturiert (handschriftliche Zettel, mündlich übergebene Meldungen), eine KI braucht Text als Eingabe. Die Texterfassung muss zuerst aufgebaut sein.

✗ Ausschluss-Kriterium 3: Ihr habt kein QMS und keine Dokumentenlenkung, dann müsst ihr zuerst das grundsätzliche Governance-System aufbauen; KI kommt dann in der zweiten Welle, nicht in der ersten.

Das kannst du heute noch tun

1. Prüfe deine eingehenden Beschwerdekanäle: Wo kommen Kundenbeschwerden rein, E-Mail, Telefon, Ticketsystem, Partner-Meldungen? Eine Woche lang alles dokumentieren, um Volumen und Format zu verstehen.

2. Nimm 20 historische Beschwerdefälle und klassifiziere sie selbst nach MDR: Schweregrad, Meldepflicht, zuständige Behörde. Notiere auch: Wie sicher warst du? Wo musstest du nachrecherchieren? Das zeigt dir, wo eine KI Mehrwert bringt.

3. Schreib einen Klassifizierungs-Prompt und teste ihn (siehe unten): Nimm 5 bereits entschiedene Beschwerden, entferne Namen, Kliniken, Daten und alles, was auf einen Patienten schließen lässt, und schicke sie mit dem Prompt an ChatGPT Business oder Claude Team, nicht an ein privates Abo. Vergleiche die Ergebnisse mit eurer damaligen Entscheidung. Das kostet höchstens einen Monatsbeitrag des Tarifs und zeigt dir, ob das Modell taugt.

Quellen & Methodik

• MDR Art. 2 Nr. 64 und 65, Art. 10 Abs. 8, Art. 15, Art. 87 und 88: Verordnung (EU) 2017/745, konsolidierte Fassung vom 19.07.2026 (eur-lex.europa.eu, abgerufen am 19.09.2026): Definition von Vorkommnis und schwerwiegendem Vorkommnis, Aufbewahrungsfrist, verantwortliche Person, Meldefristen 2, 10 und 15 Tage, Trendmeldung.
• MDCG 2023-3 rev. 2 (Januar 2025): „Questions and Answers on vigilance terms and concepts as outlined in the Regulation (EU) 2017/745 on medical devices and Regulation (EU) 2017/746” (Übersicht der MDCG-Leitlinien, abgerufen am 19.09.2026)
• Sanktionen: §§ 92 bis 94 MPDG (gesetze-im-internet.de, abgerufen am 19.09.2026), kein Tatbestand mit Verweis auf Art. 87 MDR gefunden.
• Vigilanz-System, Übersicht (Johner Institut)
• Fallzahlen, Bearbeitungszeiten, Kosten: Annahmen dieser Seite, keine Messung
• Complaint Handling Challenges, Qualityze Blog, praktische Insights zu Automation
• Medical Device Complaint Handling with AI, Use-Case von Assurx