John's OrganizationVisit Website →
← Back to blog

Regulatory‑Grade Data vs. Forschungsdaten: Der entscheidende Unterschied

October 6, 2026
Regulatory‑Grade Data vs. Forschungsdaten: Der entscheidende Unterschied

Regulatory‑grade Daten sind keine eigene Datenkategorie, sondern eine fit‑for‑purpose‑Bewertung durch Regulierende: Relevanz plus Zuverlässigkeit, angewendet auf eine konkrete Fragestellung. Forschungsdaten erfüllen diese Kriterien nicht automatisch. Ohne Governance, Audit‑Trail und nachvollziehbare Quelldaten bleiben selbst methodisch saubere Studien für ein Zulassungsdossier oft wertlos.

Kurz gesagt:

  • Regulatorisch nutzbare Daten erfordern eine klare Bewertung ihrer Relevanz und Zuverlässigkeit, die über reine Forschungsergebnisse hinausgeht.
  • Systemvalidierungen, Metadaten, Audit-Trails und Source-Data-Access sind essenziell, um Daten für Zulassungen brauchbar zu machen.
  • Frühzeitige Planung, Dokumentation und behördliche Abstimmung verhindern teure Fehlentwicklungen bei Datenprojekten.
  • Real-World Data kann bei seltenen Erkrankungen und Zulassungsanträgen eine wichtige Rolle spielen, erfordert aber strenge Governance.
  • Fehlerhafte oder unzureichende Dokumentation führt häufig zu Ablehnungen im Zulassungsprozess, weshalb das Datenmappen vor der Erhebung entscheidend ist.
Hopeatrarelabs
Patientenspezifische Modelle für seltene Erkrankungen
RareLabs entwickelt aus patienteneigenen Zellen personalisierte Krankheitsmodelle und testet potenzielle Therapieoptionen mit wissenschaftlicher Sorgfalt.
RareLabs kennenlernen

Inhaltsverzeichnis

Was genau heißt „regulatory‑grade“ gegenüber klassischen Forschungsdaten?

Der Unterschied liegt nicht im Datensatz selbst, sondern im Kontext seiner Verwendung. Dieselben Patientendaten können für eine explorative Publikation völlig ausreichen und für einen Zulassungsantrag durchfallen. Die FDA macht deutlich: Real‑World Data kann unter bestimmten Umständen zu verwertbarer Real‑World Evidence werden, aber nur, wenn Relevanz und Zuverlässigkeit für die jeweilige Fragestellung belegt sind.

Forschungsdaten entstehen oft explorativ: ein Register ohne systematische Validierung, eine retrospektive Kohorte ohne Audit‑Trail. Regulatorisch brauchbare Daten durchlaufen dagegen einen dokumentierten Prüfprozess. Ein Beispiel: Elektronische Patientenakten eignen sich gut für Pharmakovigilanz‑Signale, aber selten für einen primären Wirksamkeitsnachweis, weil die Quelldaten meist nicht lückenlos nachverfolgbar sind.

Kernelemente regulatorischer Daten: Relevanz und Zuverlässigkeit

Beide Prüfgrößen lassen sich operationalisieren. Relevanz fragt, ob die Daten zur Fragestellung passen, Zuverlässigkeit fragt, ob man ihnen vertrauen kann.

Für die Relevanz prüfen Teams:

  • Entspricht die Population der Zielgruppe des Antrags?
  • Sind die Endpunkte klinisch sinnvoll definiert und konsistent erhoben?
  • Decken die Beobachtungsperioden den relevanten Krankheitsverlauf ab?
  • Sind Kovariaten vollständig genug, um Confounding zu kontrollieren?

Für die Zuverlässigkeit zählt, ob die Datenerhebung vollständig, attributierbar und mit Audit‑Trail versehen ist, und ob Metadaten den Ursprung jedes Werts belegen. Die Bewertung selbst gehört nicht in eine Schublade, sondern in den Studienbericht oder einen eigenen Appendix, der Relevanz und Zuverlässigkeit getrennt begründet.

Profi-Tipp: Dokumentieren Sie die Relevanz‑ und Zuverlässigkeitsbewertung schon während der Datensammlung, nicht erst beim Dossier‑Schreiben.

Regulatorische Leitlinien und Standards, die Fachleute kennen müssen

Mehrere Rahmenwerke bestimmen, was als regulatorisch verwertbar gilt:

  • Die FDA verlangt für Real‑World Evidence in Zulassungsentscheidungen eine nachvollziehbare Relevanz‑ und Zuverlässigkeitsprüfung des zugrunde liegenden Real‑World Data.
  • ICH E6(R3) Annex 2 verschiebt die Erwartung von punktuellen Kontrollen zu einem durchgängigen Quality‑bei‑Design‑Ansatz mit risikoproportionaler Governance, besonders für Studien mit dezentralen Elementen oder Real‑World Data.
  • 21 CFR Part 11 regelt elektronische Aufzeichnungen und Signaturen und bildet die technische Grundlage für Audit‑Trails.
  • ALCOA definiert die Attribute attributable, legible, contemporaneous, original und akkurate als Maßstab für Datenintegrität.

Zusammen ergibt sich kein starres Pflichtenheft, sondern ein Prüfraster: Jede Datenquelle wird daran gemessen, ob sie diesen Kriterien für den konkreten Zweck genügt.

Praktische Anforderungen: Governance, Systemvalidierung, Audit‑Trail und Source‑Data‑Access

Damit ein Datensatz regulatorisch nutzbar wird, braucht es konkrete, dokumentierte Kontrollen:

  1. Systemvalidierung nach Part 11‑Vorgaben, inklusive Zugriffsmanagement, Audit‑Trail und lückenlosem Änderungsprotokoll.
  2. Vollständige Metadaten, ein Datenmapping mit klaren Variable‑Definitionen und eine durchgängige Versionierung.
  3. Eine geplante Review‑Cadence für Monitoring und Qualitätssicherung, inklusive einer Source‑Data‑Verification‑Strategie.
  4. Dokumentierte Protokolländerungen, damit jede Abweichung vom ursprünglichen Plan nachvollziehbar bleibt.

Der ALCOA‑Rahmen betont dabei, dass Audit‑Trail‑Review geplant, dokumentiert und risikoorientiert erfolgen muss. Er ist kein nachgelagerter IT‑Prozess, sondern Teil der eigentlichen Datenprüfung. Wer Systemvalidierung und Archivierung früh in präklinischen Programmen einplant, findet dazu passende Hinweise in unserem Leitfaden zur präklinischen Validierung.

Profi-Tipp: Legen Sie das Datenmapping fest, bevor die erste Erhebung beginnt, rückwirkende Zuordnung ist der häufigste Grund für spätere Nachfragen bei Inspektionen.

Darstellung der Herkunft regulatorischer Daten

Fit‑for‑purpose‑Prozess: Von Studiendesign bis Dossier

Der Weg zu verwertbaren Daten folgt einer klaren Reihenfolge:

  1. Zweck früh definieren und, wo möglich, in einem Pre‑Submission‑Gespräch mit der Behörde abstimmen.
  2. Datenelemente, Quellen und einen Linkage‑Plan festlegen, einschließlich der Datenschutz‑ und Consent‑Anforderungen.
  3. Protokoll, statistischen Analyseplan, Datenmanagementplan und QA‑Plan schreiben, bevor die Erhebung startet.
  4. Archivierung so gestalten, dass eine Inspektion jederzeit möglich ist, inklusive aller Quelldokumente.

Wer diese Schritte in dieser Reihenfolge durchläuft, vermeidet die teuerste Falle: ein Datensatz, der wissenschaftlich überzeugt, aber regulatorisch nicht verwertbar ist. Eine frühe behördliche Abstimmung ist auch Thema in unserem Beitrag zur regulatorischen Strategie für seltene Therapien.

Use Cases und Evidenz‑Intensität: Wann reicht RWD/RWE aus?

Die erforderliche Intensität steigt mit der regulatorischen Konsequenz. Eine Fachübersicht im International Journal of Clinical Oncology beschreibt ein Gradientenmodell: Marketing‑Anträge und externe Kontrollgruppen verlangen die höchste Nachweisdichte, Pharmakovigilanz‑Analysen oder explorative Fragestellungen eine proportional geringere.

  • Bei seltenen Erkrankungen spielt Real‑World Data eine größere Rolle, weil randomisierte Kontrollgruppen oft fehlen, verlangt aber dafür umso strengere Nachweisanforderungen.
  • Externe Kontrollgruppen und Zulassungsanträge verlangen häufig vollständigen Source‑Data‑Access, nicht nur aggregierte Auswertungen.
  • Pharmakovigilanz‑Signale lassen sich oft mit weniger strengen Governance‑Anforderungen erheben als primäre Wirksamkeitsnachweise.

Passende Beispiele für diese Abstufung finden sich in unserem Beitrag zur Einordnung regulatorischer Erwartungen bei seltenen Erkrankungen.

Checkliste und häufige Fehler: Was Projektteams vermeiden sollten

Die häufigste Ursache für gescheiterte Dossiers ist, was Praktiker „data debt“ nennen: Abstriche bei der Governance, die sich erst Jahre später rächen.

  • Prüfen Sie Consent und Zugriffsrechte, bevor die Erhebung beginnt, nicht danach.
  • Legen Sie Datenmapping, Zeitstempel und Metadaten von Anfang an fest.
  • Vermeiden Sie eine rein explorative Einstufung ohne Governance‑Plan, wenn eine spätere regulatorische Nutzung denkbar ist.
  • Sichern Sie vertragliche Source‑Access‑Vereinbarungen, bevor Datenlieferanten wechseln oder Systeme migriert werden.

Regulierer prüfen laut Praktikerwissen zu fit‑for‑purpose‑Daten vor allem, ob sich ein Messwert bis zur ursprünglichen, eingestempelten Quelle zurückverfolgen lässt. Fehlende Metadaten machen sonst korrekte Werte wertlos.

Profi-Tipp: Bei bereits bestehenden, lückenhaft dokumentierten Datensätzen lohnt sich eine Sensitivitätsanalyse plus dokumentierte Begründung, statt die Daten ungeprüft nachzureichen.

Praxisbeispiel: Wie wir regulatorisch nutzbare Datenpakete erstellen

Bei der Entwicklung patientenspezifischer Krankheitsmodelle bauen wir Governance von Anfang an ein. Unsere Programme kombinieren patienteneigene iPSC‑Modelle, ein paralleles Screening zugelassener Wirkstoffe und darauf aufbauend maßgeschneiderte Antisense‑Oligonukleotide. Jeder Schritt wird so dokumentiert, dass er Teil eines umfassenden, IND‑vorbereitenden Datenpakets werden kann, mit nachvollziehbarer Herkunft jedes Messwerts. Mehr zu unserem Vorgehen bei der präklinischen Validierung finden interessierte Fachleute in unserem Vergleich patientenspezifischer Modellierungsdienste.

Perspektive: Warum Fit‑for‑Purpose die Forschungspraxis verändern wird

Governance nachträglich einzubauen kostet mehr als sie von Anfang an zu planen. Die ICH‑ und FDA‑Entwicklungen der letzten Jahre beschleunigen diesen Wandel: Wer Relevanz und Zuverlässigkeit früh mitdenkt, spart sich später die teuerste Überraschung im Dossier‑Prozess.

— John

Kurz: Wie wir bei regulatorisch verwertbaren Daten unterstützen

Für Patienten, Familien, Stiftungen und biopharmazeutische Partner, die bei ultra‑seltenen Erkrankungen belastbare Daten brauchen, bauen wir unsere Programme von Beginn an regulatorisch mitdenkend auf: patienteneigene iPSC‑Modelle, paralleles Wirkstoffscreening, maßgeschneiderte ASO‑Entwicklung und daraus abgeleitete IND‑vorbereitende Datenpakete.

Hopeatrarelabs

Wer ein konkretes Programm für eine seltene oder undiagnostizierte Erkrankung plant, findet die Leistungsübersicht und Kontaktmöglichkeiten auf unserer Website.

Dieser Artikel enthält allgemeine Informationen und ersetzt nicht die Beratung durch einen qualifizierten Arzt. Wenden Sie sich an eine qualifizierte medizinische Fachperson zu Ihrer persönlichen Lage, bevor Sie auf Grundlage dieses Inhalts handeln.

FAQ

Was ist der Unterschied zwischen regulatorischen Daten und Forschungsdaten?

Regulatorische Daten sind keine eigene Datenart, sondern eine fit‑for‑purpose‑Bewertung bestehender Daten anhand von Relevanz und Zuverlässigkeit für eine konkrete behördliche Fragestellung. Forschungsdaten erfüllen diese Kriterien oft nicht automatisch, weil Governance, Audit‑Trail und Source‑Data‑Access häufig fehlen, wie die FDA betont.

Was ist der Unterschied zwischen RWE und RWD?

Real‑World Data (RWD) sind die rohen Beobachtungsdaten, etwa aus elektronischen Patientenakten oder Registern. Real‑World Evidence (RWE) entsteht erst, wenn diese Daten analysiert und, bei ausreichender Relevanz und Zuverlässigkeit, für eine klinische oder regulatorische Aussage herangezogen werden, so die FDA‑Guidance.

Warum ist Real‑World Evidence so gefragt?

Real‑World Evidence gewinnt an Bedeutung, weil sie Lücken schließen kann, wo randomisierte Studien schwer durchführbar sind, etwa bei seltenen Erkrankungen oder für externe Kontrollgruppen. Eine Fachübersicht beschreibt dafür ein Gradientenmodell, das die nötige Nachweisdichte an die jeweilige regulatorische Konsequenz anpasst.

Was bedeuten RCT und RWE im Vergleich?

Ein randomisiert kontrollierter Trial (RCT) erzeugt Evidenz durch zufällige Zuteilung und kontrollierte Bedingungen, während Real‑World Evidence aus Beobachtungsdaten im klinischen Alltag abgeleitet wird. Beide können regulatorisch verwertbar sein, wenn sie den jeweils erforderlichen Grad an Relevanz und Zuverlässigkeit belegen, wie ICH E6(R3) Annex 2 für Studien mit dezentralen Elementen festhält.

Ist Regulatory Affairs oder klinische Forschung der bessere Karriereweg?

Diese Frage lässt sich nicht pauschal beantworten, da beide Bereiche unterschiedliche Stärken verlangen: Regulatory Affairs fokussiert auf Compliance und Dossier‑Strategie, klinische Forschung auf Studiendesign und Datenerhebung. Für Fachleute, die an der Schnittstelle beider Welten arbeiten wollen, lohnt sich ein Verständnis der fit‑for‑purpose‑Kriterien aus beiden Perspektiven.

Quellen

Empfehlungen