Post-Market Clinical Follow-up (PMCF) Studien effizient verwalten

Das echte Ausmaß des Problems

PMCF, Post-Market Clinical Follow-up nach MDR Anhang XIV Teil B, ist keine Option. Die klinische Bewertung, die jeder Hersteller nach Art. 10 Abs. 3 MDR durchführt, umfasst die klinische Nachbeobachtung, unabhängig von der Klasse. Zur technischen Dokumentation gehören PMCF-Plan und Bewertungsbericht oder eine Begründung, warum PMCF nicht angebracht ist (Anhang II Abschnitt 6.1). Bei Klasse IIb und III, vor allem bei Implantaten, läuft es fast immer auf eigene Datenerhebung hinaus, während des gesamten Produktlebenszyklus.

Wie groß der Aufwand ist, zeigt eine Umfrage des EDC-Anbieters Climedo von 2020, also noch vor dem Geltungsbeginn der MDR: Mehr als die Hälfte der Befragten investierte über fünf Stunden pro Woche in die neuen MDR-Anforderungen, zwei Drittel stellten mindestens eine zusätzliche Person ein, und viele erwarteten Kosten von mehr als fünf Prozent ihres Jahresumsatzes. Mehr als zwei Drittel arbeiteten damals mit Excel, nur 11 Prozent mit einem EDC-System. Neuere Zahlen dazu haben wir nicht gefunden.

Der konkrete Engpass liegt in der Literaturrecherche. Ein PMCF-Evaluierungsbericht für ein Implantat erfordert typischerweise:

• Eine systematische Datenbanksuche (PubMed, Embase, Cochrane, produktspezifische Register) mit 500–3.000 Treffern
• Dual-Reviewer-Screening nach PICO-definierten Ein- und Ausschlusskriterien
• Manuelle Datenextraktion aus 30–150 eingeschlossenen Studien
• Bewertung der Studienqualität, adverse-event-Analyse und Signalabgleich mit dem Risikoregister
• Strukturierte Berichterstellung nach MDR Anhang XIV Teil B, als Vorlage dient MDCG 2020-8 (PMCF-Evaluierungsbericht). Die alte MEDDEV 2.12/2 stammt aus der Richtlinienzeit

Wer das mit Tabellenkalkulationen und geteilten Word-Dokumenten angeht, verbringt mit diesem Zyklus nach unserer Annahme sechs bis zehn Wochen pro Produktfamilie. Wer mehrere Klasse-III-Produkte hat, läuft dauerhaft dem nächsten Fristenkalender hinterher.

Das Risiko ist greifbar: Deficiency Letters wie im Beispiel oben verzögern Rezertifizierungen. QServe Group nennt in einem Blogbeitrag (September 2025) fünf typische Gründe, warum PMCF-Pläne bei der Benannten Stelle scheitern, an erster Stelle: Der Plan schließt die klinischen Datenlücken nicht. Im schlimmsten Fall kann die Benannte Stelle das Zertifikat aussetzen, einschränken oder widerrufen (Art. 56 Abs. 6 MDR).

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Annahmen dieser Seite, keine Messung: rund 40 bis 50 Prozent weniger Aufwand, weil die Prüfung durch Menschen bleibt. Die Anbieterzahlen liegen weit auseinander: DistillerSR berichtet aus einer Fallstudie mit NuVasive rund 30 Prozent Zeitreduktion bei CER-Literaturreviews, aus einer Philips-Fallstudie über 70 Prozent schnelleres Screening.

Der entscheidende Punkt ist nicht allein die Zeitersparnis. Es ist die Konsistenz: Ein KI-gestützter Workflow, der dieselben PICO-Kriterien, dieselbe Suchstrategie und dieselben Extraktionsfelder auf jede Produktfamilie anwendet, produziert einen Audit-Trail, den Benannte Stellen nachvollziehen können. Das ist strukturell wertvoller als ein manuell erstellter Bericht, den niemand außer dem Autor reproduzieren kann.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Sechs bis zehn Wochen Aufwand pro PMCF-Evaluierungsbericht lassen sich nach unserer Annahme um 40–50 Prozent komprimieren, das sind drei bis vier Wochen, die das Clinical-Affairs-Team für andere Aufgaben nutzen kann. Höher bewertet als Schulungsunterlagen oder Installationsprotokolle; etwas unterhalb der rein textbasierten Anwendungsfälle wie Technische Dokumentation oder Beschwerdemanagement, weil die manuelle Verifikation von KI-extrahierten Endpunkten nicht entfällt.

Kosteneinsparung, hoch (4/5) Die Referenz ist der Outsourcing-Preis: Ein PMCF-Evaluierungsbericht bei einem spezialisierten CRO kostet nach unserer Annahme 15.000–50.000 Euro pro Produktfamilie und Zyklus. Mit einem internen KI-gestützten Workflow wird daraus Tool-Lizenz plus interner Personalanteil, und der ist nur dann billiger, wenn das Team die Kapazität hat, ohne neu einzustellen. Wer heute nicht auslagert, spart kein Geld, sondern Zeit. Ähnlich stark bewertet wie die Technische Dokumentation MDR, bei der externe Beratungskosten den Vergleichswert setzen.

Schnelle Umsetzung, mittel (3/5) Bis zum validierten, Notified-Body-ready Pilotbetrieb vergehen realistisch zehn bis sechzehn Wochen: Suchstrategie dokumentieren, Tool-Workflow konfigurieren, mit echten Reviews testen, intern validieren und genehmigen lassen. Das ist der gleiche Schwierigkeitsgrad wie die meisten anderen regulatorisch getriebenen Anwendungsfälle im Medizintechnik-Portfolio, mehr als für rein textbasierte Aufgaben, weniger als für vollständige EDC-Systemimplementierungen.

ROI-Sicherheit, mittel (3/5) Der ROI ist real, aber er drückt sich hauptsächlich in Compliance-Schutz aus, nicht in direkten Umsatzgewinnen. Die regulatorische Pflicht besteht ohnehin; KI reduziert den Erfüllungsaufwand. Wie stark hängt davon ab, wie viele PMCF-pflichtige Produkte ihr habt, wie oft die Berichte aktualisiert werden müssen und ob ihr bisher auf CRO-Outsourcing angewiesen wart. Vergleichbar mit der Klinischen Bewertung MDR Anhang XIV: Nutzen messbar, aber kein Direkthebel auf den Deckungsbeitrag.

Skalierbarkeit, hoch (4/5) Der eingerichtete Workflow, Suchstrategie, Extraktionsfelder, Berichtsvorlage, ist auf jede weitere PMCF-pflichtige Produktfamilie übertragbar. Mit zehn Produkten spart der Ansatz zehnfach, ohne proportional mehr Setup-Aufwand. Nicht ganz maximal bewertet, weil jede neue Indikation oder Produktklasse eine Anpassung der PICO-Kriterien und Suchbegriffe erfordert, das ist Arbeit, aber keine Neuerfindung.

Richtwerte, stark abhängig von Anzahl der PMCF-pflichtigen Produkte, Komplexität der klinischen Evidenzlage und vorhandenem Clinical-Affairs-Know-how.

Was die KI-gestützte Literaturdurchsuchung konkret macht

Der Prozess lässt sich in vier Phasen unterteilen:

Phase 1: Systematische Literatursuche Die Suche läuft in PubMed, Embase, CINAHL und, bei implantierbaren Produkten, in produktspezifischen Registern nach einer vordefinierten Suchstrategie. Die Treffer werden in ein Review-Werkzeug wie DistillerSR übernommen. Elicit durchsucht laut unserer Toolseite Semantic Scholar und PubMed, Embase und Register deckt es nicht ab. Die Suche ist nicht semantisch geraten, sondern nach PICO-Schema strukturiert: Population, Intervention, Comparator, Outcome. Das Ergebnis ist reproduzierbar und dokumentierbar, was Benannte Stellen explizit verlangen.

Phase 2: KI-gestütztes Titelscreening Aus 500–3.000 Treffern sind typischerweise 30–150 wirklich relevant. Ein lernender Screening-Algorithmus (in DistillerSR: „AI Rerank”) lernt aus den ersten manuellen Reviewer-Entscheidungen und priorisiert die verbleibenden Treffer nach Relevanzwahrscheinlichkeit. Der Anbieter nennt bis zu 70 Prozent weniger Screeningzeit. Treffer werden dabei nicht gelöscht: Wer alle Records screent, spart durch die Reihenfolge, wer früher aufhört, weil nur noch Irrelevantes kommt, muss dieses Abbruchkriterium im Protokoll begründen.

Phase 3: Datenextraktion und Signalbewertung Aus den eingeschlossenen Studien extrahiert das System vorab definierte Datenpunkte: Stichprobengröße, Follow-up-Dauer, Primär- und Sekundärendpunkte, adverse events, Device-Deficiencies. Ein Generative KI-Modul (in DistillerSR: „Smart Evidence Extraction”) schlägt Werte für jedes Extraktionsfeld aus dem Volltext vor. Der Reviewer bestätigt oder korrigiert, jeder Schritt protokolliert mit Zeitstempel und Begründung.

Phase 4: Berichtsgenerierung Aus dem strukturierten Datensatz generiert das System einen Entwurf des PMCF-Evaluierungsberichts nach MDR-Anhang-XIV-Schema: Zusammenfassung der klinischen Evidenz, Signalbewertung, Abgleich mit dem Risikoregister, Schlussfolgerung zur Sicherheit und Leistung. Das ist kein Fertig-Bericht, ein Medical Writer muss interpretieren und freigeben. Aber es ist ein fundierter Entwurf statt eines leeren Dokuments.

Was dabei nicht ersetzt wird: Die regulatorische Bewertung, ob die kumulierte Evidenz ausreicht, Signale klinisch relevant sind, Sicherheitsbedenken eine Produktänderung erfordern, bleibt menschliche Fachentscheidung. KI beschleunigt den Datenzugang, nicht das Urteil.

Konkrete Werkzeuge, was wann passt

Für die systematische Literaturrecherche:

DistillerSR ist die Erstempfehlung für regulatorische Literaturreviews unter EU-MDR. Das Tool hat Workflow-Vorlagen für CER und PMCF, einen lernenden KI-Algorithmus (AI Rerank, laut Anbieter bis zu 70 % weniger Screeningzeit), vollständige Audit-Trail-Dokumentation und ist laut Anbieter bei rund 80 % der größten Pharma- und Medizinproduktehersteller im Einsatz. NuVasive, ein Wirbelsäulenimplantat-Hersteller, berichtet in einer Fallstudie des Anbieters von ca. 30 % Zeitreduktion pro CER-Submission. Einschränkung: Preise nur auf Anfrage, Hosting in Nordamerika ohne EU-Region, für sensible Patientenregister-Daten relevant.

Elicit ist günstiger (Pro 49 USD/Monat im Jahresabo) und für erste Sondierungen und Scoping-Searches gut geeignet. Wichtige Einschränkung für PMCF-Kontexte: Elicit durchsucht laut unserer Toolseite Semantic Scholar und PubMed, nicht Embase, CINAHL oder Register. Für regulatorisch valide PMCF-Searches ist Elicit daher kein Ersatz für klassische Datenbanksuchen, es eignet sich als Ergänzung, nicht als alleinige Quelle.

Covidence bietet einen strukturierten Dual-Reviewer-Workflow mit Konfliktdokumentation, verbreitet bei Cochrane-Reviews. Gut geeignet, wenn zwei unabhängige Reviewer Pflicht sind und PRISMA-Dokumentation für den Bericht erstellt werden soll. Einzelreview 339 USD/Jahr; kein MDR-spezifisches Template, aber PRISMA-Compliance ist ausreichend.

Für die Datenerhebung im Feld (PMCF-Surveys):

Climedo ist ein europäisches EDC-System mit eigenem Paket für Medizintechnik und PMCF unter EU MDR. Digitale Patientenbefragungen per SMS/E-Mail/QR-Code, automatische Erinnerungen, GCP-konformer Audit-Trail, EU-Hosting. Die beworbenen Rücklauf- und Compliance-Quoten sind laut unserer Toolseite Marketing-Aggregate, in der Praxis hängen sie stark vom Studiendesign ab. Preise nur auf Anfrage nach einem Scoping-Gespräch.

Für komplexere klinische Studien im PMCF-Kontext (nicht nur Surveys, sondern kontrollierte Beobachtungsstudien mit mehreren Sites) sind Medidata Rave EDC oder Veeva Vault die etablierten Plattformen, mit dem entsprechend höheren Implementierungsaufwand und Enterprise-Preisen.

Für das Berichtsschreiben:

Sowohl Claude als auch ChatGPT lassen sich für die Berichtsgenerierung aus strukturierten Datensätzen einsetzen, mit einem sorgfältig konstruierten Prompt, der den MDR-Anhang-XIV-Berichtsrahmen vorgibt und explizit auf Halluzinationsschutz ausgelegt ist. Das erzeugt keinen publikationsfertigen Text, aber eine Rohfassung, die menschliche Überarbeitung drastisch beschleunigt. Für höhere Sicherheitsanforderungen empfiehlt sich der Einsatz über AWS Bedrock (EU-Region) statt der Consumer-Apps.

Wann welcher Ansatz:

• Erstrecherche / Scoping: Elicit (günstig, gut für Überblick)
• Regulatorisch valider Review, MDR-Audit-Trail nötig: DistillerSR
• Dual-Reviewer-PRISMA-Workflow mit Konfliktverwaltung: Covidence
• PMCF-Surveys und eCOA, EU-DSGVO-Pflicht: Climedo
• Komplexe Beobachtungsstudie mit Site-Management: Medidata Rave / Veeva Vault

Datenschutz und Datenhaltung

PMCF-Daten sind in zwei Kategorien zu trennen: bibliografische Literaturdaten (publizierte Paper aus PubMed, Embase, Registern) und patientenbezogene Primärdaten aus eigenen klinischen Studien oder Befragungen.

Für bibliografische Daten (der Löwenanteil der Literaturdatenbankarbeit): Hier werden keine Patientendaten verarbeitet, die Daten sind publiziert und anonymisiert. Die Nutzung von DistillerSR oder Elicit ist aus DSGVO-Sicht unkritisch, auch wenn beide in Nordamerika hosten. Ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist sinnvoll, aber der Risikohorizont ist niedrig.

Für patientenbezogene Primärdaten aus PMCF-Surveys, Registern oder klinischen Sites gilt: Pseudonymisierung vor jeder Übertragung an externe Systeme ist Pflicht. Climedo speichert Daten auf EU-Servern und bietet GCP-konformen Audit-Trail, das ist die sauberste Lösung für DSGVO-konforme PMCF-Befragungen ohne Datentransfer in Drittstaaten. Medidata Rave und Veeva Vault bieten ebenfalls EU-Hosting-Optionen, die im Vertrag explizit vereinbart werden müssen.

Besonderheit für KI-Berichtsmodule: Wenn strukturierte Extraktionsdaten aus eigenen Studien, auch ohne direkte Patientenidentifikation, in Consumer-Apps wie ChatGPT Plus landen, fehlt der Auftragsverarbeitungsvertrag, und pseudonymisierte Gesundheitsdaten bleiben personenbezogen. Für regulatorisch sensible Berichtsauswertungen empfiehlt sich der Einsatz über Enterprise-Zugänge (OpenAI Enterprise, AWS Bedrock, Azure OpenAI), die keine Trainingsdatennutzung der Eingaben und EU-Regionalverarbeitung garantieren.

Ethikkommissions-Anforderungen: Ob eine PMCF-Maßnahme einer Ethikkommissionsanmeldung bedarf, hängt vom Studiendesign ab. Eine klinische Prüfung nach dem Inverkehrbringen, bei der Teilnehmende zusätzlichen invasiven oder belastenden Verfahren unterzogen werden, ist nach Art. 74 Abs. 1 MDR vorab anzuzeigen. Reine Registerdatenauswertungen und anonymisierte Befragungen ohne Eingriff fallen meist nicht darunter, aber das muss je nach Einrichtung und Ethikkommission individuell geprüft werden.

Was es kostet, realistisch gerechnet

Einstiegskosten für Tools:

• Elicit Pro: 49 USD/Monat im Jahresabo, also 12 mal 49 = 588 USD/Jahr, geeignet für erste Recherchen
• Covidence Single: 339 USD/Jahr für ein Review
• DistillerSR: Enterprise-Preismodell nur auf Anfrage; nach unserer Annahme im mittleren vierstelligen bis niedrigen fünfstelligen Euro-Bereich pro Jahr
• Climedo: nur auf Anfrage; abhängig von Studienanzahl und Umfang

Interne Einrichtungskosten:

• Suchstrategie dokumentieren und validieren: 3–5 Tage Aufwand Clinical Affairs + Regulatory
• Tool-Konfiguration (Extraktionsfelder, Berichtsvorlage): 1–2 Wochen
• Interne Validierung des Workflows: 2–4 Wochen (regulatorische Pflicht, wenn der Output in Notified-Body-Dokumentation einfließt)

Gesamtkosten im ersten Jahr: 15.000–30.000 Euro inklusive Tool-Lizenzen, interner Einrichtung und erster Validierungsrunde (Annahme).

Was du dagegenstellen kannst: Der Preis für einen ausgelagerten PMCF-Evaluierungsbericht bei einer spezialisierten CRO liegt nach unserer Annahme bei 15.000–50.000 Euro pro Produktfamilie und Zyklus, abhängig von Komplexität der Indikation, Menge der Treffer und Berichtstiefe. Holt ihr die Berichte ins Haus, fällt der CRO-Preis weg, dafür bleiben 3–6 Wochen interne Arbeit je Bericht laut Tabelle. Das rechnet sich, wenn das Team diese Wochen hat, ohne jemanden einzustellen. Bei drei oder mehr PMCF-pflichtigen Produkten mit jährlichem Zyklus sind das 9 bis 18 Wochen im Jahr, eher eine halbe Stelle als eine Nebenaufgabe. Wer nur ein einziges Produkt hat, sollte die Rechnung ehrlich aufmachen: Outsourcing ist dort womöglich günstiger als eigene Tool-Infrastruktur.

Was du nicht weglassen kannst: Der menschliche Medical-Writer-Anteil entfällt nicht. KI beschleunigt das Screening und erstellt Entwürfe, die regulatorische Entscheidung, was ausreichende klinische Evidenz bedeutet, liegt beim Fachpersonal. Plane mindestens 50 % des bisherigen Zeitaufwands weiterhin ein, mehr als die Hälfte zu sparen ist nicht realistisch.

Was passiert, wenn die klinischen Daten nicht ausreichen

Dieser Abschnitt gehört zum PMCF-Thema, obwohl er unangenehm ist.

Was dann passiert: Eine Benannte Stelle kann während der Konformitätsbewertung oder eines Überwachungsaudits eine schwere Nichtkonformität feststellen, wenn die klinischen Daten qualitativ oder quantitativ nicht ausreichen, um Sicherheit und Leistung des Produktes während des gesamten Lebenszyklus zu bestätigen, wie in MDR Art. 61 und Anhang XIV Teil B gefordert. Das ist keine Routinekorrespondenz. Erfüllt der Hersteller die Anforderungen nicht mehr, setzt die Benannte Stelle die Bescheinigung aus, schränkt sie ein oder widerruft sie (Art. 56 Abs. 6 MDR), was den Verkauf des Produkts in der EU de facto unmöglich macht.

Was häufig dazu führt:

• Ein PMCF-Plan, der die im CER identifizierten Datenlücken nicht schließt (bei QServe Group der erste von fünf typischen Gründen, warum PMCF-Pläne scheitern)
• Klinische Daten, die zwar vorhanden, aber nicht statistisch ausreichend für die Risikoprofilbewertung sind
• Fehlender Abgleich der PMCF-Ergebnisse mit dem Risikoregister und den Instructions for Use
• Unrealistische Zeitpläne im PMCF-Plan, die die Benannte Stelle als Hinweis auf fehlende Ernsthaftigkeit wertet

Was KI dabei helfen kann: KI beschleunigt die Evidenzaggregation und macht bestehende Datenlücken sichtbar, automatisch markierte Vollständigkeitslücken im Bericht sind ein echter Mehrwert. Ein gut konfiguriertes Extraktionssystem zeigt: „Für diesen klinischen Endpunkt haben wir aus der Literatur n=X Patienten aus fünf Studien, die Benannte Stelle wird das voraussichtlich für ausreichend/nicht ausreichend befunden.”

Was KI nicht leisten kann: Daten, die schlicht nicht existieren, kann keine KI erschaffen. Wenn das Produkt in einem dünnen klinischen Evidenzfeld operiert, neuartige Technologie, seltene Indikation, Produktentwicklung aus dem Äquivalenzweg, ist die Grundproblematik nicht ein Prozess-, sondern ein Evidenzproblem. In diesem Fall ist die richtige Antwort nicht ein besserer PMCF-Bericht, sondern eine eigene klinische Studie nach ISO 14155, mit Ethikkommissionsanmeldung, Studienprotokoll und Site-Management. Das ist eine andere Liga als das Literaturmanagement und kein Einsatzfeld für reine Schreib-KI.

Der Auslöser für eine schwere Nichtkonformität ist selten ein schlecht geschriebener Bericht. Er ist fast immer eine strukturell unzureichende Datenbasis. KI zeigt dieses Problem früher, aber sie löst es nicht.

Vier typische Einstiegsfehler

1. Elicit als vollständige Ersatz-Datenbanksuche einsetzen. Elicit ist ein nützliches Recherchetool, aber es durchsucht laut unserer Toolseite Semantic Scholar und PubMed, nicht Embase, CINAHL oder Register, und seine KI-Suche ist nicht auf Vollständigkeit ausgelegt. Eine Vergleichsstudie in Cochrane Evidence Synthesis and Methods (Lau et al., 2025) soll einen sehr niedrigen Anteil gefundener Studien ergeben haben, den Artikel konnten wir bei der Prüfung nicht abrufen. Für einen regulatorisch validen PMCF-Review nach MDR ist die Lücke bei den Datenbanken allein schon kritisch. Die Lösung ist nicht, Elicit zu verbannen, sondern es als Ergänzung zur klassischen Datenbanksuche (PubMed, Embase, Scopus) einzusetzen, nicht als Ersatz.

2. Den KI-generierten Berichtsentwurf ohne Verifikation einreichen. Die größte Fehlvorstellung bei KI-Berichtsgenerierung: Das System schreibt den Bericht, wir schicken ihn raus. Auch auf echten Paper-Daten kann ein Extraktionsmodell Werte falsch zuordnen oder aus der falschen Tabelle übernehmen, jeder Wert gehört gegen den Volltext geprüft. Und die Interpretation der Befunde erfordert regulatorische Expertise. Ein KI-extrahierter adverse-event-Rate-Wert aus einer Studie kann rechnerisch korrekt sein und dennoch in einem falschen klinischen Kontext stehen. Wer diese Verifikation überspringt, riskiert genau den Befund, den der Workflow eigentlich vermeiden soll: ein Deficiency Letter mit dem Hinweis auf unzureichende klinische Bewertung.

3. Den Workflow nicht intern validieren. Ein KI-gestützter Reviewprozess, der in Notified-Body-Dokumentation einfließt, ist Software im Qualitätsmanagementsystem, deren Anwendung nach ISO 13485 validiert werden muss. Das bedeutet: Ohne interne Validierung, dokumentierter Nachweis, dass der Workflow das tut, was er soll, reproduzierbar und nachvollziehbar, fehlt die regulatorische Grundlage für den Einsatz. Diese Validierung kostet zwei bis vier Wochen, ist aber nicht optional. Wer sie überspringt, baut die nächste Angriffsfläche für den Auditor.

4. Den PMCF-Workflow ohne Verbindung zum CER aufsetzen. Ein PMCF-Plan, der die im Clinical Evaluation Report (CER) identifizierten Datenlücken nicht schließt, steht bei QServe Group an erster Stelle der typischen Gründe, warum PMCF-Pläne scheitern. KI kann die Verbindung zwischen CER-Gap-Analyse und PMCF-Evidenzerhebung strukturieren, aber nur, wenn dieser Zusammenhang im Workflow explizit abgebildet ist. Ein automatisiertes System, das Literatur aggregiert, ohne zu wissen, welche Datenlücken es schließen soll, produziert riesige Berichte ohne regulatorischen Mehrwert.

Was mit der Einführung wirklich passiert, und was nicht

Der häufigste Widerstand kommt nicht von der Technik, sondern von zwei Richtungen.

Die regulatorischen Skeptiker: Clinical Affairs Teams, die seit Jahren mit einer bestimmten Suchstrategie und einem bewährten Berichtsformat arbeiten, reagieren auf KI-gestützte Workflows oft mit: „Wir wissen nicht, ob die Benannte Stelle das akzeptiert.” Das ist eine legitime Sorge, keine Ausrede. Die Lösung ist Transparenz im Bericht: Ein KI-gestützter Workflow, der seinen Screening-Prozess vollständig dokumentiert (welche Datenbanken, welche Suchbegriffe, welcher KI-Algorithmus mit welchen Parametern, welche menschliche Review-Ebene), ist für Benannte Stellen akzeptabler als eine undokumentierte Excel-Selektion. Die Akzeptanzfrage löst sich durch Dokumentationsqualität, nicht durch Tool-Vermeidung.

Die Qualitätssicherung: Wer für den PMCF-Bericht unterschreibt, will wissen, dass die Datenextraktion stimmt. Das ist das Richtige, und der Grund, warum regulatorisch akzeptable KI-Tools wie DistillerSR jeden KI-Vorschlag unter menschlicher Verifikationspflicht stellen. Diese Pflicht ist nicht ein Ineffizienzproblem des Tools, sondern die regulatorische Grundlage, die den Einsatz überhaupt ermöglicht. Wer das erklären kann, nimmt der Sorge die Schärfe.

Was in der Praxis hilft:

• Ersten Pilot-Review parallel zur manuellen Methode durchführen, beide Ergebnisse vergleichen, Unterschiede dokumentieren. Das schafft Vertrauen, nicht durch Überzeugung, sondern durch Evidenz.
• Die Benannte Stelle frühzeitig informieren, dass ein automatisiertes Screening-Tool eingesetzt wird, nicht um Erlaubnis zu fragen, sondern um proaktiv zu zeigen, dass der Audit-Trail vollständig ist.
• Einen internen SOP für den KI-gestützten PMCF-Workflow dokumentieren, bevor der erste regulatorisch verwendete Review startet.

Was nicht passiert: Der manuelle Medical Writer verschwindet nicht. Wer das erwartet, wird enttäuscht. KI beschleunigt den Prozess; sie übernimmt nicht die regulatorische Verantwortung. Wer das klar kommuniziert, vermeidet falsche Erwartungen in beide Richtungen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir wissen nicht, ob die Benannte Stelle KI-gestützte Reviews akzeptiert.” Benannte Stellen bewerten nicht das Tool, sondern den Audit-Trail und die Reproduzierbarkeit. Ein vollständig dokumentierter KI-Workflow, welche Datenbanken, welcher Algorithmus, welche menschliche Review-Ebene, ist in der Regel akzeptabler als ein undokumentierter manueller Prozess, bei dem nicht nachvollziehbar ist, nach welchen Kriterien Treffer ausgeschlossen wurden. Die Frage ist nicht „KI oder nicht?”, sondern „ist der Prozess transparent und reproduzierbar?”

„Wir haben nur ein PMCF-pflichtiges Produkt, lohnt sich das?” Ehrliche Antwort: Möglicherweise nicht. Ein einzelner Produktfamilien-Review mit einem CRO kostet nach unserer Annahme 15.000–50.000 Euro, die Tool-Infrastruktur kostet im ersten Jahr ähnlich viel, mit dem Unterschied, dass die CRO sofort loslegen kann und ihr nicht monatelang aufbauen müsst. Der Business Case für interne KI-gestützte Workflows beginnt bei zwei bis drei PMCF-pflichtigen Produktfamilien, die regelmäßige Berichtszyklen haben.

„Unsere Medical Writer beherrschen den Prozess bereits sehr gut.” Stimmt, und das ist kein Argument gegen den Ansatz, sondern dafür. Ein:e erfahrene:r Medical Writer, der/die KI-Tools für Screening und Extraktion nutzt, ist deutlich produktiver als ein:e Medical Writer ohne diese Unterstützung. Der Einsatz von DistillerSR verändert den Job nicht, er entfernt den aufwendigsten, repetitivsten Teil davon.

Woran du merkst, dass das zu dir passt

• Du hast zwei oder mehr Klasse-IIb- oder Klasse-III-Produkte mit laufender PMCF-Pflicht und der nächste Berichtszyklus ist in weniger als sechs Monaten
• Dein Clinical-Affairs-Team verbringt mehrere Wochen pro Jahr mit manueller Literaturrecherche für PMCF-Berichte, und das Volumen wächst mit jedem neuen Produkt
• Ihr habt bereits einen CER und einen PMCF-Plan, der die Datenlücken benennt, aber die systematische Evidenzerhebung fehlt noch oder ist manuell kaum skalierbar
• Eine Benannte Stelle hat euch bereits Deficiency-Hinweise zu PMCF-Evidenz gegeben, und ihr wollt beim nächsten Zyklus proaktiv Vollständigkeit nachweisen können
• Ihr outsourct PMCF-Berichte an CROs für mehr als 20.000 Euro pro Zyklus, und wollt wissen, ob sich das internalisieren lässt

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter zehn Mitarbeitenden ohne dediziertes Clinical-Affairs-Know-how. Der Einsatz von Tools wie DistillerSR setzt voraus, dass jemand Suchstrategien nach PICO formalisieren, Extraktionsfelder korrekt konfigurieren und Audit-Trails regulatorisch bewerten kann. Ohne diese Fachkompetenz produziert das Tool zwar Berichte, aber keine, die regulatorisch tragfähig sind. Wer kein Clinical-Affairs-Personal hat, braucht erst das Know-how, dann das Tool.

2. Nur ein einziges PMCF-pflichtiges Produkt mit niedrigem Risikoprofil (Klasse IIa, kein aktives Implantat). Der Setup-Aufwand für eine vollständig validierte KI-Workflow-Umgebung, Suchstrategie, Tool-Konfiguration, interne Validierung, SOP, rentiert sich nicht für einen einzigen Berichtszyklus alle drei Jahre. Hier ist CRO-Outsourcing wirtschaftlich sinnvoller.

3. Kein dokumentierter PMCF-Plan, der Datenlücken aus dem CER benennt. Ein KI-Tool beschleunigt die Evidenzerhebung für bereits definierte PMCF-Ziele. Wenn der PMCF-Plan fehlt, unvollständig oder nicht mit dem CER verknüpft ist, löst das Tool das Grundproblem nicht, es beschleunigt lediglich die Produktion eines regulatorisch unzureichenden Berichts. Erst den Plan in Ordnung bringen, dann das Tool einsetzen.

Das kannst du heute noch tun

Öffne Elicit , der Basic-Zugang ist kostenlos, kein Setup, sofort nutzbar. Formuliere die PMCF-Kernfrage für eines eurer Produkte als englische Forschungsfrage (Beispiel: „What are the complication rates and clinical outcomes of [device type] in [target population] at [follow-up period]?”) und lass Elicit die ersten Paper dazu liefern, mit automatischer Extraktion von Stichprobengröße, Follow-up-Dauer und primären Outcomes. Leg daneben eine PubMed-Suche mit denselben Begriffen, auch kostenlos.

Das dauert 20 bis 40 Minuten. Was du danach weißt: einen ersten Eindruck, wie dünn oder dicht das klinische Evidenzfeld für dein Produkt ist, und ob der nächste PMCF-Review eher ein Screeningproblem (zu viele Treffer) oder ein Evidenzproblem (zu wenige valide Studien) haben wird. Ein dünnes Ergebnis bei Elicit allein beweist noch kein dünnes Evidenzfeld, dafür deckt es zu wenige Datenbanken ab.

Für den regulatorisch validen Einsatz brauchst du eine strukturierte Suchstrategie nach dem Muster unten:

Quellen & Methodik

• Climedo, Umfrage zu den Kosten der MDR (Blogbeitrag vom 26.10.2020): Mehr als die Hälfte der befragten Hersteller investierte über 5 Stunden/Woche in die neuen MDR-Anforderungen, zwei Drittel stellten mindestens eine Person ein, viele erwarteten Kosten über 5 % des Jahresumsatzes, mehr als zwei Drittel arbeiteten mit Excel, 11 % mit EDC. Umfrage eines EDC-Anbieters, vor Geltungsbeginn der MDR. Quelle (abgerufen am 19.09.2026): climedo.de/en/blog/how-to-cut-costs-when-managing-your-pmcf-studies/
• DistillerSR, NuVasive-Fallstudie (Monique Liston, Senior Medical Writer): Ca. 30 % Zeitreduktion pro CER-Literaturreview; Spreadsheet-Workflow als „fehleranfällig, nicht reproduzierbar, inkonsistent” beschrieben. Quelle: distillersr.com/resources/case-studies/nuvasive-streamlined-literature-reviews
• DistillerSR, Philips-Fallstudie: >70 % schnelleres Screening für CER-Submissions. Quelle: distillersr.com/industries/medical-devices
• Lau et al. (2025), Cochrane Evidence Synthesis and Methods: Vergleich Elicit vs. klassische Literatursuche. Bei unserer Prüfung nicht abrufbar (Zugriff verweigert, 19.09.2026), die Zahlen daraus deshalb nicht übernommen. Quelle: onlinelibrary.wiley.com/doi/full/10.1002/cesm.70050
• QServe Group, „Top 5 Reasons PMCF Plans Fail Under MDR” (30.09.2025): fünf typische Gründe, an erster Stelle ein PMCF-Plan, der die klinischen Datenlücken nicht schließt; keine Rangfolge nach Häufigkeit. Quelle: qservegroup.com/blog/top-5-reasons-pmcf-plans-fail-under-mdr (abgerufen am 19.09.2026)
• MDR Art. 10 Abs. 3, Art. 56 Abs. 6, Art. 74 Abs. 1, Anhang II Abschnitt 6.1, Anhang VIII Regel 8, Anhang XIV Teil B: Verordnung (EU) 2017/745, konsolidierte Fassung vom 19.07.2026 (eur-lex.europa.eu, abgerufen am 19.09.2026): PMCF als Teil der klinischen Bewertung für alle Klassen, Aussetzung von Bescheinigungen, klinische Prüfungen nach dem Inverkehrbringen, Gelenkprothesen in Klasse III.
• MDCG 2020-7 und 2020-8 (April 2020): Vorlagen für PMCF-Plan und PMCF-Evaluierungsbericht.
• CRO-Preise, Zeitaufwand, Zeitersparnis: Annahmen dieser Seite, keine Erhebung.
• Datenschutz: DSGVO Art. 28 (Auftragsverarbeitung); EU MDR Anhang XIV Teil B; ICH E6(R3) für klinische PMCF-Studien nach ISO 14155.

Du willst wissen, ob sich ein KI-gestützter PMCF-Workflow für dein Produktportfolio lohnt, oder ob CRO-Outsourcing in eurem Fall die bessere Wahl bleibt? Das rechnen wir gemeinsam durch.