Biologische Sicherheitsbewertung nach ISO 10993

Das echte Ausmaß des Problems

Die biologische Sicherheitsbewertung (BSB) ist kein Randthema der Medizintechnik-Regulatorik — sie ist einer der häufigsten Flaschenhälse im Zulassungsprozess. Jede Materialänderung, jeder neue Lieferant für ein Ausgangsmaterial, jede Formulierungsanpassung kann eine vollständige Neubewertung nach ISO 10993-1 auslösen. Bei Unternehmen, die mehrere Produktlinien betreiben, summiert sich das auf mehrere BSBs pro Jahr.

Das zentrale Problem ist kein fehlender Wille, sondern ein strukturelles Informationsdefizit: Die relevanten toxikologischen Daten liegen verteilt über mindestens fünf verschiedene Datenbanken, die jeweils unterschiedliche Substanzklassen, Studiendesigns und Expositionsszenarien abdecken. Eine vollständige manuelle Recherche über alle diese Quellen ist in der Praxis selten möglich — der Zeitdruck führt dazu, dass Lücken entweder mit In-vivo-Tests geschlossen oder mit unvollständiger Datenbasis an den Notified Body übergeben werden.

Die Konsequenzen sind teuer in beide Richtungen:

• Unnötige Tierversuche: Ein einzelner In-vivo-Sensibilisierungstest nach OECD-Richtlinie kostet 5.000–10.000 Euro und dauert 14–16 Wochen (laut Testerfahrungen aus dem europäischen CRO-Markt). Die vollständige Biokompatibilitätsbatterie für ein permanent implantiertes Gerät kann 35.000–70.000 US-Dollar übersteigen (Quelle: cruxi.ai Lab-Preis-Aggregator, 2024). Ein erheblicher Teil dieser Tests wäre bei vollständiger Literaturabdeckung vermeidbar.
• Rückfragen vom Notified Body: Unvollständige BSB-Dokumentation ist einer der häufigsten Gründe für Rückfragen und Verzögerungen im Zertifizierungsverfahren unter EU MDR 2017/745. Jede Rückfrage kostet Zeit — und Notified Bodies sind schon ohne Rückfragen ausgelastet.
• Zeitverlust bei Markteinführung: Für Unternehmen, die auf schnelle Produktiteration angewiesen sind, bedeutet jeder Monat Verzögerung im Zulassungsprozess bares Geld.

Die ISO 10993-1:2025 (sechste Ausgabe, grundlegende Überarbeitung) stärkt den Vorrang der Literaturbasierung ausdrücklich: Tierversuche sind nur gerechtfertigt, wenn alle anderen Quellen — Materialcharakterisierung, In-vitro-Tests, Literaturdaten — keine ausreichende Evidenz liefern. Wer diesen Vorrang nicht konsequent ausnutzt, verschwendet Ressourcen und widerspricht dem Geist der Norm.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechtsberatung und kein Ersatz für eine qualifizierte toxikologische Bewertung. Die biologische Sicherheitsbewertung nach ISO 10993 erfordert fachkundiges Personal; KI-gestützte Vorarbeiten müssen durch eine qualifizierte Person (Toxikologe, Regulatory-Affairs-Spezialist) geprüft und freigegeben werden.

Regulatorischer Kontext: Was EU MDR und ISO 10993 tatsächlich verlangen

Wer eine biologische Sicherheitsbewertung durchführt, bewegt sich in einem Geflecht aus EU-Recht, harmonisierten Normen und internationalen Testleitlinien. Das sollte klar sein, bevor die KI-Unterstützung beginnt — denn der Kontext bestimmt, welche Daten relevant sind und wie lückenlos die Recherche sein muss.

EU MDR 2017/745, Anhang I (GSPR) und Anhang XIV verlangen, dass Hersteller die biologische Sicherheit ihres Produkts systematisch nachweisen. Die BSB ist integraler Bestandteil der klinischen Bewertung (Anhang XIV) und des Risikomanagements nach ISO 14971. Nicht jede Materialänderung löst automatisch eine klinische Prüfung aus — aber sie löst fast immer eine BSB-Aktualisierung aus.

ISO 10993-1:2025 (EN ISO 10993-1:2023 auf europäischer Ebene) definiert das Rahmenprozessmodell für die biologische Bewertung. Die Norm ist vollständig in den Risikomanagement-Prozess nach ISO 14971 integriert und verlangt eine stufenweise Vorgehensweise: Materialcharakterisierung → In-vitro-Daten → Literaturdaten → In-vivo-Tests (nur wenn die vorherigen Stufen unzureichend sind).

ISO 10993-17:2023 (toxikologische Risikoabschätzung) und ISO 10993-18 (chemische Charakterisierung) ergänzen ISO 10993-1 für die substanzspezifische Expositions- und Gefährdungsanalyse. Diese Teile sind besonders relevant, wenn Extraktionsstudien vorliegen oder wenn Abbauprodukte bewertet werden müssen.

REACH (EU) 1907/2006 und die SVHC-Liste der ECHA sind für die chemische Charakterisierung der verwendeten Materialien relevant: Substanzen auf der SVHC-Liste haben besondere Sicherheitsanforderungen, die in der BSB berücksichtigt werden müssen.

OECD-Testrichtlinien definieren die Standardmethodik für In-vivo- und In-vitro-Tests (z. B. OECD TG 442C/D für Sensibilisierung ohne Tierversuch). KI kann helfen, passende Alternativmethoden aus der OECD-Testrichtlinien-Datenbank zu identifizieren.

EU AI Act: Wenn die KI selbst als Teil eines Medizinprodukts (z. B. diagnostischer Software) eingesetzt wird, gelten zusätzliche Anforderungen. Für KI-gestützte BSB-Dokumentationsunterstützung — also KI als Werkzeug des Herstellers, nicht als Produktbestandteil — sind die AI-Act-Anforderungen dagegen nicht unmittelbar anwendbar.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechtsberatung und kein Ersatz für eine qualifizierte toxikologische Bewertung. Die biologische Sicherheitsbewertung nach ISO 10993 erfordert fachkundiges Personal; KI-gestützte Vorarbeiten müssen durch eine qualifizierte Person (Toxikologe, Regulatory-Affairs-Spezialist) geprüft und freigegeben werden.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitersparnis entsteht nicht durch Abkürzen — sondern durch Systematisierung. Was vorher manuell über PubMed, ECVAM, REACH-SVHC und Reaxys sequenziell gesucht wurde, kann mit KI-gestützten Tools parallel und vollständiger erfasst werden.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die KI beschleunigt die Literaturrecherche und Dokumentation erheblich — 15–30 Stunden pro Bewertung sind realistisch. Das ist aber nur ein Teil des Gesamtaufwands: Laboranalysen, chemische Charakterisierung, Notified-Body-Kommunikation und die eigentlichen Tests (wenn nötig) werden durch KI nicht beschleunigt. Verglichen mit der Post-Market-Surveillance-Automatisierung oder dem Beschwerdemanagement, wo KI die tägliche Routinearbeit transformiert, ist der BSB-Effekt konzentrierter aber begrenzter. Mittelfeldposition im Branchenvergleich.

Kosteneinsparung — hoch (4/5) Das Einsparpotenzial ist greifbar: Ein vermiedener In-vivo-Sensibilisierungstest spart 5.000–10.000 Euro und 14–16 Wochen. Wer zwei bis drei BSBs pro Jahr durchführt und durch bessere Literaturabdeckung auch nur einen Test einspart, hat die Investition in das Tool-Setup in wenigen Monaten zurück. Das ist eine der wenigen Stellen in der Medizintechnik-Regulatorik, wo KI-Unterstützung zu direkt messbaren Kostenvermeidungen führt. Nur UC05 (Zulassungsunterlagen, Notified-Body-Effizienz) und einzelne Compliance-Cases erzielen ähnliche direkte Hebel.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrliche Bremspunkt: Wer diese Arbeitsabläufe mit KI unterstützen will, braucht ISO-10993-Domänenwissen im Haus, um die KI-Ausgaben zu bewerten und zu validieren. Der Setup-Aufwand — Datenbankzugänge, Prompt-Strukturen, interne Freigabeprozesse — erfordert 14–20 Wochen bis zum produktiven Pilotbetrieb. Kein Tool mit Knopfdruck. Vergleichbar mit der Risikoanalyse nach ISO 14971 in der Implementierungskomplexität.

ROI-Sicherheit — hoch (4/5) Wer Tests vermeidet, kann das direkt zählen — anders als bei Prozessverbesserungen, deren ROI erst nach Monaten sichtbar wird. Der Nutzen tritt mit der ersten vollständig KI-recherchierten BSB ein und ist sofort dokumentierbar. Das erhöht die interne Überzeugungskraft erheblich.

Skalierbarkeit — mittel (3/5) KI-Rechercheprotokolle lassen sich auf neue Materialien und Produktlinien übertragen. Aber jede neue Materialkombination braucht noch immer einen qualifizierten Experten, der die Ergebnisse bewertet. Die Skalierung ist linear, nicht exponentiell — jedes neue Produkt kostet anteilig Expertenzeit.

Richtwerte — stark abhängig von Produktportfolio, vorhandenen Datenbanklizenzen und interner Toxikologie-Expertise.

Was das KI-System konkret macht

Die biologische Sicherheitsbewertung folgt einem klar definierten Prozess nach ISO 10993-1: Für jeden relevanten biologischen Endpunkt (Zytotoxizität, Sensibilisierung, Irritation, Systemische Toxizität, Genotoxizität, Reproduktionstoxizität usw.) muss belegt werden, ob vorhandene Daten ausreichen oder neue Tests erforderlich sind.

KI-Unterstützung greift an vier Stellen ein:

Schritt 1 — Systematische Datenbankrecherche. Elicit und Semantic Scholar durchsuchen PubMed und Semantic Scholar nach toxikologischen Publikationen zu den relevanten Inhaltsstoffen und deren bekannten Metaboliten. Suchanfragen werden so formuliert, dass sie sowohl die Substanzklasse als auch die spezifischen ISO-10993-Endpunkte abdecken. Reaxys ergänzt die Suche um experimentelle Eigenschaften und Synthesedaten für chemisch verwandte Verbindungen.

Schritt 2 — Abgleich mit Regulatorik-Datenbanken. Parallel zur wissenschaftlichen Literatur müssen REACH-Dossiers (ECHA), SVHC-Status und ECVAM/DB-ALM-Einträge geprüft werden. Perplexity kann hier für schnelle Ersteinschätzungen des Regulierungsstatus genutzt werden — als Orientierung, nicht als Entscheidungsgrundlage.

Schritt 3 — Gap-Analyse gegen ISO-10993-Checkliste. Mit Claude oder ChatGPT werden die gesammelten Daten gegen die ISO-10993-1-Endpunkt-Checkliste gemappt: Welche Endpunkte sind durch Literaturdaten belegt? Welche durch In-vitro-Daten? Wo bleibt eine echte Datenlücke, die In-vivo-Tests erfordert? Das Ergebnis ist ein strukturiertes Gap-Dokument — Grundlage für den Biologischen Bewertungsplan (BEP).

Schritt 4 — Entwurf von Textbausteinen für den BSB-Report. Claude entwirft auf Basis der recherchierten Daten erste Abschnitte des BSB-Reports: Materialcharakterisierung, Expositionsszenarien, Begründungen für die Datenzureichlichkeit oder -unzureichlichkeit. Diese Entwürfe sind Arbeitsmaterial — kein fertiges Dokument, das ohne Prüfung eingereicht wird.

Was KI nicht tut: KI führt keine toxikologische Risikobewertung durch. Die Entscheidung, ob eine Datenlücke tatsächlich einen Test erfordert oder ob eine wissenschaftliche Begründung ausreicht, trifft die qualifizierte Person — nicht das Sprachmodell.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechtsberatung und kein Ersatz für eine qualifizierte toxikologische Bewertung. Die biologische Sicherheitsbewertung nach ISO 10993 erfordert fachkundiges Personal; KI-gestützte Vorarbeiten müssen durch eine qualifizierte Person (Toxikologe, Regulatory-Affairs-Spezialist) geprüft und freigegeben werden.

Datenbanklandschaft: Wo die toxikologischen Daten liegen

Das ist das Kernwissen, das die meisten BSB-Recherchen ineffizient macht: Wer nicht alle relevanten Datenquellen kennt, sucht unvollständig — und kann deshalb nicht beurteilen, ob eine Datenlücke eine echte Lücke ist oder ein Recherchedefizit.

ECVAM/DB-ALM (EU Reference Laboratory for Alternatives to Animal Testing) — die europäische Referenzdatenbank für alternative Testmethoden. Hier sind validierte In-vitro-Methoden katalogisiert, die von Notified Bodies akzeptiert werden. Kostenlos zugänglich über das Joint Research Centre der EU-Kommission. KI kann die Relevanz spezifischer Methoden für eine gegebene Substanzklasse schnell einschätzen.

ECHA REACH-Dossiers und SVHC-Liste — für jeden in der EU registrierten Stoff sind Sicherheitsdossiers öffentlich. SVHC-Substanzen (Substances of Very High Concern) haben besondere Dokumentationsanforderungen. Kostenlos über das ECHA-Portal abrufbar. Perplexity kann hier für schnelle Statusabfragen genutzt werden, ECHA-Direktsuche bleibt aber die verlässlichere Quelle.

PubMed / Semantic Scholar — die Hauptquelle für experimentelle Toxizitätsdaten aus peer-reviewed Publikationen. Elicit (Pro-Plan) durchsucht über 138 Millionen Paper semantisch und extrahiert automatisch Studiendesigns, Stichprobengrößen und Endpunkte — erheblich effizienter als manuelle PubMed-Suchen. Semantic Scholar ist kostenlos und bietet eine gute Erstrecherche.

Reaxys (Elsevier) — unverzichtbar für chemische Charakterisierungsdaten: experimentelle Schmelzpunkte, Siedepunkte, Löslichkeiten, bekannte Reaktionsprodukte und Abbauprodukte. Institutionelle Lizenz erforderlich (ca. 20.000–60.000 €/Jahr je nach Umfang).

ToxNet / ChemIDplus / IRIS (EPA) — US-amerikanische Datenbanken, die für international vermarktete Produkte relevant sind. ToxNet wird zunehmend durch PubChem und EPA-Datenbanken abgelöst; EPA IRIS enthält Referenzdosen (RfD) für chronische Exposition, die für ISO 10993-17 (toxikologische Risikoabschätzung) relevant sind.

OECD-Testrichtlinien-Datenbank — für die Identifikation validierter alternativer Testmethoden: OECD TG 442C (DPRA, ohne Tier), OECD TG 442D (KeratinoSens, ohne Tier), OECD TG 442E (h-CLAT, ohne Tier) für Sensibilisierung. Alle drei werden von Notified Bodies als Alternativen zu GPMT-Tierversuchen akzeptiert.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechtsberatung und kein Ersatz für eine qualifizierte toxikologische Bewertung. Die biologische Sicherheitsbewertung nach ISO 10993 erfordert fachkundiges Personal; KI-gestützte Vorarbeiten müssen durch eine qualifizierte Person (Toxikologe, Regulatory-Affairs-Spezialist) geprüft und freigegeben werden.

Konkrete Werkzeuge — was wann passt

Die BSB-Recherche braucht unterschiedliche Tools für unterschiedliche Phasen. Kein einzelnes Werkzeug deckt alles ab.

Elicit (Pro-Plan) — für die systematische Primärrecherche Elicit ist das stärkste Tool für die wissenschaftliche Literaturrecherche. Im Pro-Plan durchsucht es 138 Millionen Paper und extrahiert automatisch Studiendesigns, Endpunkte und Stichprobengrößen. Für die BSB besonders wertvoll: die Tabellen-Funktion, die für jedes gefundene Paper automatisch Felder wie „Testmethode”, „Expositionsdauer” und „beobachtete Toxizität” ausweist. Preis: ca. 49 USD/Monat im Jahresplan. Einschränkung: Datenhaltung in den USA — für eigene interne Substanzdaten nicht geeignet, für öffentliche Literaturrecherche unbedenklich.

Semantic Scholar — für die kostenlose Erstrecherche Vollständig kostenlos, kein Setup erforderlich. Für erste Orientierung zu einem Stoff ideal — wer nicht sicher ist, wie viel Datenlage vorhanden ist, startet hier. Schwächer als Elicit bei der Datenextraktion, aber ausreichend für eine schnelle Einschätzung.

scite_ — für die Qualitätsprüfung toxikologischer Schlüsselstudien Wenn ein Schlüsselnachweis für die BSB auf einer bestimmten Studie basiert: Prüfen, ob diese Studie in der Folgeforschung gestützt oder widerlegt wurde. Ein „Contrasting Citations”-Überhang bei einer Studie, auf die die gesamte Zytotoxizitätsbewertung gestützt wird, ist ein ernstes Warnsignal. Preis: 20 USD/Monat.

Reaxys — für chemische Charakterisierungsdaten Unverzichtbar für Hersteller mit eigenem Formulierungslabor oder wenn die chemische Identität von Ausgangsstoffen und Abbauprodukten präzise belegt werden muss. Institutionelle Lizenz erforderlich — kein Singleuser-Modell.

NotebookLM — für die Analyse heruntergeladener Paper Wenn die relevanten Studien als PDFs vorliegen: NotebookLM erlaubt es, bis zu 50 PDFs hochzuladen und gezielte Fragen zu stellen — beispielsweise „Welches Expositionsszenario wurde in dieser Studie verwendet und ist es auf Kontakt < 24 h übertragbar?” Kostenlos für bis zu 50 Quellen. Datenhaltung in den USA — nur für nicht-proprietäre Daten verwenden.

Claude — für Gap-Analyse und Report-Textbausteine Claude ist das geeignetste Sprachmodell für strukturierte Dokumentenarbeit: Gap-Dokument auf Basis der Rechercheergebnisse erstellen, ISO-10993-1-Endpunkt-Checkliste befüllen, erste Textbausteine für den BSB-Report entwerfen. Wichtig: Nur mit EU-konformer Infrastruktur (AWS Bedrock Frankfurt oder Google Vertex AI europe-west) für regulatorische Dokumente einsetzen — nicht über claude.ai Consumer-Interface.

Zusammenfassung: Wann welches Tool

• Erstrecherche, kostenlos → Semantic Scholar
• Systematische Literaturauswertung, automatisierte Datenextraktion → Elicit Pro
• Qualitätsprüfung von Schlüsselstudien → scite_
• Chemische Charakterisierungsdaten → Reaxys (Lizenz nötig)
• Analyse eigener heruntergeladener PDFs → NotebookLM
• Gap-Analyse und Textbausteine → Claude (EU-konform)

Datenschutz und Datenhaltung

Die BSB-Recherche enthält üblicherweise keine personenbezogenen Daten — aber proprietäre Formulations- und Substanzdaten, die für das Unternehmen geschäftskritisch sind.

Was in die Cloud darf und was nicht: Öffentliche Literaturdaten (Paper-Titel, Abstracts, publizierte Studien) können unproblematisch in Cloud-Systemen wie Elicit oder Semantic Scholar genutzt werden — das sind ohnehin öffentliche Informationen. Eigene Formulierungsgeheimnisse, interne Testergebnisse und unpublizierte chemische Charakterisierungen gehören dagegen nicht in Consumer-Cloud-Dienste.

Konkrete Anforderungen für DSGVO-konforme Nutzung:

• Elicit und Semantic Scholar: US-Hosting. Für öffentliche Literaturrecherche unbedenklich. Keine eigenen Substanzdaten hochladen.
• Claude für regulatorische Dokumente: Ausschließlich über AWS Bedrock (Frankfurt) oder Google Vertex AI (europe-west) nutzen — diese bieten EU-Datenresidenz und AVV nach Art. 28 DSGVO. Die Consumer-App claude.ai läuft über US-Server und ist für diesen Anwendungsfall ungeeignet.
• NotebookLM: US-Hosting. Nur für nicht-proprietäre PDFs (publizierte Studien) verwenden.
• Reaxys (Elsevier): Institutionelle Lizenz mit eigenem Datenschutzvertrag — Elsevier bietet EU-konforme Verarbeitungsoptionen.

Wer eigene unpublizierte Testergebnisse in einem KI-System analysieren möchte, benötigt eine selbst gehostete oder vertraglich abgesicherte EU-Cloud-Lösung. Das ist technisch machbar, aber mit höherem Aufwand verbunden.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Tool-Setup und Prozessdesign (intern oder mit Berater): 5.000–15.000 € für ein vollständig dokumentiertes BSB-Rechercheverfahren mit validierten Prompt-Templates
• Datenbanklizenzen: Elicit Pro ca. 600 USD/Jahr, Reaxys-Institutionslizenz verhandelbar (20.000–60.000 €/Jahr, oft bereits vorhanden in F&E-Abteilungen)
• Schulung der Nutzenden: 1–2 Tage für Regulatory-Affairs-Team

Laufende Kosten (monatlich)

• Elicit Pro: ca. 49 USD/Monat (Jahresplan)
• scite_: ca. 20 USD/Monat
• Claude API (EU via Bedrock): nutzungsabhängig, typisch 50–200 €/Monat für BSB-Volumen eines mittelständischen Unternehmens
• NotebookLM: kostenlos bis 50 Quellen

Konservatives ROI-Szenario Ein Unternehmen führt vier BSBs pro Jahr durch. Durch systematische Literaturrecherche wird in zwei Fällen ein vermeidlicher In-vivo-Sensibilisierungstest (8.000 € + 14 Wochen Wartezeit) als unnötig identifiziert. Direkte Kostenersparnis: 16.000 €/Jahr. Indirekte Ersparnis durch zwei Monate beschleunigte Markteinführung: je nach Produkt erheblich. Gegenüber stehen Tool-Kosten von ca. 5.000–8.000 €/Jahr. Das Szenario ist konservativ — in der Praxis kommt der größte Wert oft aus weniger Rückfragen des Notified Body, was schwerer zu beziffern, aber real ist.

Wie du den Nutzen tatsächlich misst: Führe ab dem ersten Einsatz ein einfaches BSB-Log: Datum, Produkt, Recherchezeit (mit und ohne KI), identifizierte Lücken, Entscheidung (Test / kein Test), Begründung. Dieses Log ist nach sechs Monaten dein belastbarster ROI-Nachweis — und gleichzeitig Teil der regulatorisch verlangten Dokumentation.

Vier typische Einstiegsfehler

1. KI als Entscheidungsträger statt als Rechercheur einsetzen. Der gefährlichste Fehler: Eine KI-gestützte Recherche produziert ein Gap-Dokument mit dem Fazit „alle Endpunkte abgedeckt” — und das Team beschließt auf dieser Basis ohne Expertenprüfung, keinen Test durchzuführen. Das ist nicht die richtige Nutzung. KI liefert Arbeitsmaterial. Die Entscheidung über Datenzureichlichkeit nach ISO 10993-1 trifft eine qualifizierte Person — Toxikologe oder Regulatory-Affairs-Spezialist — die das Ergebnis bewertet und freigibt. Wer diesen Schritt überspringt, riskiert eine fehlerhafte BSB und mögliche Rückfragen oder Auflagen durch den Notified Body.

2. Nur PubMed durchsuchen und das Ergebnis für vollständig halten. Elicit und Semantic Scholar decken wissenschaftliche Literatur ab — aber nicht REACH-Dossiers, ECVAM-validierte Alternativmethoden oder EPA-Referenzdosen. Eine BSB, die nur auf PubMed-Daten basiert, hat strukturelle Lücken — nicht weil die Daten fehlen, sondern weil die richtigen Datenbanken nicht abgefragt wurden. Der KI-Einsatz wird erst dann effektiv, wenn alle relevanten Quellen systematisch einbezogen sind.

3. Generische Prompt-Templates ohne Substanz- und Expositionsspezifität verwenden. “Suche nach Toxizitätsdaten zu [Substanzname]” ist kein nützlicher Prompt für eine BSB. Ein guter Prompt benennt die Substanz mit CAS-Nummer, die relevanten ISO-10993-Endpunkte, die Kontaktkategorie (z. B. kurzzeitiger Hautkontakt, langzeitig implantiert), die Expositionsdauer-Klasse und die erwarteten Abbauprodukte. Ohne diese Spezifität produziert die KI generische Toxizitätsdaten, die für die eigentliche BSB-Dokumentation kaum verwertbar sind.

4. Systematisch keine Wartung der Prompt-Templates. Der Einstiegsfehler, der am stillsten entsteht: ISO 10993 wird überarbeitet, neue ECVAM-Methoden werden validiert, SVHC-Listen werden erweitert — aber die Prompt-Templates und Recherchechecklisten werden nicht aktualisiert. Nach 18 Monaten läuft das Team mit einem BSB-Workflow, der auf einer veralteten Normversion basiert. Verantwortlichkeit klären: Wer prüft halbjährlich, ob die Recherche-Checkliste noch zur aktuellen Fassung von ISO 10993-1 passt?

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechtsberatung und kein Ersatz für eine qualifizierte toxikologische Bewertung. Die biologische Sicherheitsbewertung nach ISO 10993 erfordert fachkundiges Personal; KI-gestützte Vorarbeiten müssen durch eine qualifizierte Person (Toxikologe, Regulatory-Affairs-Spezialist) geprüft und freigegeben werden.

Wann KI an ihre Grenzen stößt — und warum das kein Problem ist

Es gibt BSB-Szenarien, in denen KI-gestützte Literaturrecherche systematisch an Grenzen stößt. Das zu wissen ist wichtig — nicht um den Ansatz zu disqualifizieren, sondern um realistische Erwartungen zu haben.

Novelle Substanzen ohne Datenlage. Wenn ein neues Polymer oder ein bisher nicht charakterisierter Hilfsstoff verwendet wird, gibt es schlicht keine toxikologischen Daten in den Datenbanken — keine In-vivo-Daten, keine validierten In-vitro-Daten, keine REACH-Dossiers. KI kann diese Datenlücke nicht schließen. Hier sind neue Studien erforderlich. KI kann höchstens helfen, die strukturell ähnlichsten Verbindungen zu identifizieren, für die Daten vorliegen — als Ausgangspunkt für eine wissenschaftliche Begründung.

Hochspezialisierte Gerätedesigns. Für Produkte mit sehr spezifischen Expositionspfaden (z. B. intrakranielle Katheter, neurochirurgische Implantate) reichen generische Literaturdaten oft nicht aus — der Notified Body erwartet produktspezifische Nachweise. KI kann den Rechercheprozess strukturieren, aber die wissenschaftliche Argumentationslast bleibt beim Experten.

Widersprüchliche Literaturdaten. Wenn verschiedene Studien zu einer Substanz zu widersprüchlichen Toxizitätsbefunden kommen — was in der Toxikologie nicht selten ist — kann KI die Widersprüche aufzeigen, aber nicht auflösen. scite_ kann helfen, die wissenschaftliche Konsenslage zu einzuschätzen, aber die Entscheidung, welcher Studie die BSB folgt, bleibt eine fachliche.

Das eigentliche Gegenargument: Einige Notified Bodies akzeptieren literaturdatenbasierte Argumentationen nur bedingt — insbesondere wenn die Substanz nicht identisch ist, sondern nur strukturell ähnlich, oder wenn das Expositionsszenario von den vorhandenen Studien abweicht. Die Johner-Institut-Perspektive ist klar: Notified Bodies können eine stringente, datenbasierte Argumentation nicht ablehnen. In der Praxis führt eine unvollständige oder schlecht strukturierte Argumentation aber häufig zu Rückfragen — was die Einreichungsstrategie zeitaufwendiger macht als ein direkter In-vivo-Test. KI-gestützte Recherche ist dann am wertvollsten, wenn sie lückenlos ist und die Argumentation klar strukturiert.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechtsberatung und kein Ersatz für eine qualifizierte toxikologische Bewertung. Die biologische Sicherheitsbewertung nach ISO 10993 erfordert fachkundiges Personal; KI-gestützte Vorarbeiten müssen durch eine qualifizierte Person (Toxikologe, Regulatory-Affairs-Spezialist) geprüft und freigegeben werden.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite — Tools einrichten, Prompts bauen, Datenbanken abfragen — ist in der Regel der einfachste Teil. Die schwierigere Frage ist, wie sich der neue Ansatz in bestehende Abläufe einfügt.

Erfahrungsgemäß gibt es drei Widerstands-Muster:

Die erfahrenen Toxikologen. Regulatory-Affairs-Spezialisten, die BSBs seit Jahren manuell durchführen, haben gut begründetes Misstrauen gegenüber KI-generierten Recherche-Outputs. Dieses Misstrauen ist konstruktiv — und sollte eingebunden, nicht überwunden werden. Wer die erfahrene Fachkraft einlädt, die Recherche-Ergebnisse zu prüfen und Lücken zu benennen, bekommt die besten Korrektursignale für die Prompt-Optimierung. Und wer diesen Schritt überspringt, bekommt irgendwann eine falsche Lückenbewertung, die erst der Notified Body aufdeckt.

Das Qualitätssicherungsteam. QS-Verantwortliche fragen sofort: “Wie stellen wir sicher, dass der KI-Output dem aktuellen Stand der Normen entspricht?” Das ist die richtige Frage. Die Antwort ist kein technisches Feature, sondern ein Prozess: regelmäßige Überprüfung der Recherche-Checklisten gegen aktuelle ISO-10993-Revisionen, dokumentierte Freigabe durch qualifizierte Person, Versionierung der Prompt-Templates.

Die Geschäftsführung. Erwartung: “KI macht das jetzt schneller — wir brauchen weniger externe Berater.” Realität: KI ersetzt keinen qualifizierten Toxikologen. Sie macht den Toxikologen effizienter. Externe CRO-Kosten für die eigentlichen Tests sinken nur, wenn weniger Tests notwendig sind — das ist der eigentliche Hebel, nicht eine Headcount-Reduktion.

Was konkret hilft:

• Die erste KI-gestützte BSB parallel zu einer klassischen manuellen Recherche durchführen und die Ergebnisse vergleichen — dieser Vergleich ist der beste Proof of Concept
• Eine dokumentierte Standard-Betriebsanweisung (SOP) für den KI-gestützten BSB-Workflow erstellen, bevor der erste produktive Einsatz beginnt
• Die Freigabe durch qualifizierte Person als obligatorischen Prozessschritt in der SOP festschreiben — nicht optional, nicht abhängig von Zeitdruck

Realistischer Zeitplan mit Risikohinweisen

Dieser Abschnitt beschreibt einen Erfahrungs-Richtwert, keine normative Vorgabe. Der konkrete Zeitplan hängt von vorhandener Infrastruktur, Datenbankzugängen und interner Expertise ab.

Häufige Einwände — und was dahintersteckt

„Notified Bodies akzeptieren literaturdatenbasierte Argumentationen nicht.” Das ist so nicht richtig — aber der Kern des Einwands ist berechtigt. Notified Bodies können eine stringente, vollständig belegte Datenbankrecherche nicht ablehnen (Johner Institut). Was sie ablehnen, ist eine lückenhafte oder schlecht strukturierte Argumentation — bei der sie nicht nachvollziehen können, ob die Daten tatsächlich auf die spezifische Expositionssituation übertragbar sind. KI-gestützte Recherche, die systematischer und lückenloser als eine manuelle Recherche ist, ist in dieser Hinsicht ein Vorteil, kein Risiko.

„Wir haben keinen qualifizierten Toxikologen im Haus.” Das ist das wichtigste Ausschlusskriterium — aber auch das lösbarste. Viele mittelständische Medizintechnikunternehmen arbeiten mit externen CROs oder Toxikologen für die Freigabe der BSB. Die Arbeitsteilung kann so aussehen: Internes Team führt die KI-gestützte Recherche durch und erstellt das Gap-Dokument — externer Toxikologe prüft und gibt frei. Das reduziert die externen Beratungskosten erheblich, ohne den qualifizierten Freigabeschritt zu umgehen.

„Was ist, wenn die KI Daten erfindet oder Quellen falsch zitiert?” Das ist ein reales Risiko — für generative Sprachmodelle, die ohne Quellenverankerung arbeiten. Elicit liefert ausschließlich Verweise auf real existierende Paper aus Semantic Scholar und PubMed — Halluzinationen sind dort kein Problem für den Recherche-Schritt. Wenn Claude oder ChatGPT für das Verfassen von Textbausteinen eingesetzt wird, gilt: Jede zitierte Studie muss im Original überprüft werden, bevor sie in den BSB-Report eingeht. Diese Prüfung ist kein Mehraufwand — sie ist der Schritt, den jeder Toxikologe ohnehin macht.

Woran du merkst, dass das zu dir passt

Geeignet, wenn:

• Dein Unternehmen führt mehr als zwei BSBs pro Jahr durch — bei weniger als zwei BSBs lohnt der Setup-Aufwand nur bei besonders komplexen Produktlinien
• Du hast einen qualifizierten Toxikologen oder Regulatory-Affairs-Spezialisten im Haus (oder einen verlässlichen externen), der KI-Outputs bewertet und freigibt
• Deine Produkte verwenden bekannte, in öffentlichen Datenbanken gut dokumentierte Materialien — nicht experimentelle Neusubstanzen
• Du hast bereits Datenbankzugänge (Reaxys oder ähnlich) oder bist bereit, diese zu beschaffen
• Deine BSB-Prozesse sind dokumentiert genug, dass du erkennen kannst, wo systematische Verbesserungen möglich sind

Drei harte Ausschlusskriterien — wann du es (noch) nicht tun solltest:

1. Kein qualifizierter Experte für die Freigabe. Wer keine qualifizierte Person hat, die das KI-Output fachlich bewerten und freigeben kann, sollte diesen Ansatz nicht einführen. Nicht weil KI schlechte Ergebnisse liefert — sondern weil jede BSB eine fachliche Verantwortlichkeit braucht, die kein KI-System übernehmen kann. Unternehmen ohne eigene Toxikologen müssen diese Freigabe extern organisieren, bevor der erste produktive KI-Einsatz beginnt.

2. Ausschließlich neuartige Substanzen ohne bestehende Datenlage. Wer primär mit experimentellen Biopolymeren, neuartigen Beschichtungen oder Substanzen arbeitet, die in keiner der relevanten Datenbanken erfasst sind, kann durch bessere Literaturrecherche keine Datenlücken schließen — weil die Daten schlicht nicht existieren. In diesem Szenario bleibt nur die Generierung neuer Daten. KI-Unterstützung lohnt sich hier erst in der späteren Phase (chemische Charakterisierung ähnlicher Verbindungen, Ableitung von Grenzwerten).

3. Keine dokumentierten BSB-Prozesse vorhanden. Ein KI-gestützter Workflow verbessert einen vorhandenen Prozess — er ersetzt keinen fehlenden. Wer BSBs bisher ad hoc und ohne Standardisierung durchgeführt hat, muss zuerst die Basisprozesse dokumentieren. Sonst entsteht ein KI-gestützter Workflow ohne Validierungsbasis — und bei einem Notified-Body-Audit ist das die schwächste Position.

Das kannst du heute noch tun

Öffne Semantic Scholar — kostenlos, kein Setup, keine Registrierung erforderlich. Suche nach einem der Wirkstoffe oder Polymere, die in einem eurer aktuellen Medizinprodukte verwendet werden. Füge einen der ISO-10993-Endpunkte in die Suche ein — z. B. “cytotoxicity [Substanzname]” oder “sensitization [Substanzname] in vitro”. Schau, wie viele relevante Studien du in 15 Minuten findest — und vergleiche das mit dem Ergebnis, das du aus einer typischen manuellen Recherche erwartest.

Das zeigt dir in einer halben Stunde, ob der KI-gestützte Ansatz für euer Produktportfolio relevante Datenlücken schließen kann.

Für die erste strukturierte Gap-Analyse kannst du diesen Prompt direkt verwenden:

Quellen & Methodik

• ISO 10993-1:2025 (sechste Ausgabe): Biological evaluation of medical devices — Part 1: Requirements and general principles for the evaluation of biological safety within a risk management process. ISO (2025). Enthält vollständige Überarbeitung mit Ausrichtung auf ISO 14971, neue Annex-Struktur und gestärkte Priorisierung von In-vitro- und Literaturdaten vor In-vivo-Tests. URL: https://www.iso.org/standard/10993-1

• EURL ECVAM Status Report 2024: “Non-Animal Methods in Science and Regulation.” European Commission Joint Research Centre (2024). Beschreibt Fortschritte bei der Validierung von In-vitro-Methoden und KI-Anwendungen in der Sicherheitsbewertung für Medizinprodukte, Chemikalien und Kosmetika. URL: https://eurl-ecvam.jrc.ec.europa.eu

• Frontiers in Toxicology (2023): “The ‘Big Three’ in biocompatibility testing of medical devices: implementation of alternatives to animal experimentation — are we there yet?” Frontiers (2023). Peer-reviewed Überblick zu In-vitro-Alternativen für Zytotoxizität, Sensibilisierung und Irritation nach ISO 10993. URL: https://www.frontiersin.org/journals/toxicology/articles/10.3389/ftox.2023.1337468/full

• Johner Institut (2024): “Verzicht auf Tierversuche zum Nachweis der Biokompatibilität.” Praxisblog zu den regulatorischen Anforderungen und der Akzeptanz von Literaturdaten durch Notified Bodies. URL: https://www.johner-institut.de/blog/regulatory-affairs/tierversuche/

• Eurofins Medical Device (2024): Case Study “Aktualisierung der Biokompatibilitätsdokumentation.” Dokumentiert, wie durch konsequente Gap-Analyse vorhandener Literaturdaten unnötige Tests vermieden wurden. URL: https://www.eurofins.de/medical-device/case-studies/aktualisierung-der-dokumentation-zur-biokompatibilitaet/

• Kosten Biokompatibilitätstests: Einzelner In-vivo-Sensibilisierungstest: 5.000–10.000 € bei 14–16 Wochen Turnaround (Erfahrungswert aus europäischem CRO-Markt, bestätigt durch: European Biomedical Institute https://ebi.bio, Methode: Abfragen bei mehreren EU-CROs). Vollständige Implantatbatterie: 35.000–70.000 USD (cruxi.ai Lab-Preis-Aggregator 2024, https://cruxi.ai/pages/directories/biocompatibility-testing/).

• EU MDR 2017/745: Anhang I (Allgemeine Sicherheits- und Leistungsanforderungen) und Anhang XIV (Klinische Bewertung). Maßgebende Rechtsgrundlage für die biologische Sicherheitsbewertung im europäischen Markt.

• OECD-Testrichtlinien 442C/D/E: Validated Non-Animal Methods for Skin Sensitization Testing (2024). Basis für die Anerkennung von In-vitro-Sensibilisierungsassays durch Notified Bodies.

Du willst wissen, welche eurer BSB-Prozesse sich als Erstes für KI-Unterstützung eignen — und wo ihr zuerst anfangen solltet? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.