Zehn Jahre regulatorische Entwicklung: Globale Regelungen und Forschung zu KI-Medizinprodukten 2015–2025

Ein Jahrzehnt regulatorischer Entwicklung: Globale Regeln und Forschung zu KI-Medizinprodukten 2015—2025

Einleitung

Wenn sich der Algorithmus eines Medical-AI-Produkts alle paar Monate aufgrund neuer Daten aktualisiert, was genau sollten Regulierungsbehörden dann eigentlich genehmigen? Eine feste Softwareversion – oder einen Regelrahmen, der es ihr erlaubt, sich innerhalb definierter Grenzen kontinuierlich weiterzuentwickeln?

Diese Frage hat sich in den vergangenen zehn Jahren von einer akademischen Hypothese zu echtem Policy-Engineering entwickelt. Am 17. Juli 2025 veröffentlichte die Rubrik „Regulatory Science“ der Zeitschrift Frontiers in Medicine die Übersichtsarbeit „A decade of review in global regulation and research of artificial intelligence medical devices (2015–2025)“, die gemeinsam von Forschenden der Shenyang Pharmaceutical University und des Peking Union Medical College Hospital der Chinesischen Akademie der Medizinischen Wissenschaften erstellt wurde. Die Studie untersuchte mithilfe des PRISMA-Verfahrens systematisch die AIMD-Regulierungspolitiken und die akademische Forschung in den fünf großen Märkten USA, Europäische Union, China, Japan und Südkorea zwischen 2015 und 2025 und schloss letztlich 73 wissenschaftliche Artikel und 27 Policy-Studien ein.

Dies ist keine technische Übersichtsarbeit. Sie befasst sich mit Regeln – und Regeln werden allmählich zur realistischsten Variable der Industrialisierung der KI-Medizin.

Branchenkontext

KI-Medizinprodukte (AIMD) bezeichnen Software oder Software-Hardware-Kombinationen, die mit Algorithmen des maschinellen Lernens multimodale medizinische Daten analysieren und als Medizinprodukte reguliert werden. Zu den Anwendungsszenarien zählen unter anderem Echtzeit-Sepsisvorhersage, automatisiertes Retinopathie-Screening und Krebsrisikostratifizierung.

Das Problem liegt in zwei technischen Merkmalen: adaptivem Lernen (adaptive learning) und algorithmischer Intransparenz (algorithmic opacity).

Die Regulierungslogik traditioneller Medical Devices beruht auf einer impliziten Prämisse – die Form, in der ein Produkt zugelassen wird, ist die Form, in der es auf den Markt kommt. Auf maschinellem Lernen basierende SaMD (Software als Medizinprodukt) ist dagegen das genaue Gegenteil: Sie verändert sich mit zunehmender Datenmenge kontinuierlich. Dadurch müssen Regulierungsbehörden gleichzeitig zwei einander widerstreitende Fragen beantworten: wie die Patientensicherheit gewährleistet werden kann und wie verhindert werden kann, dass Healthcare-Innovation im Zulassungsprozess erstickt wird.

Wichtige Entwicklungen

USA: Von der Pre-Cert-Pilotphase zum vordefinierten Änderungskontrollplan. Der Weg der FDA ist der umfassendste. Der Digital Health Innovation Action Plan von 2017 trieb die Regulierungsmodernisierung digitaler Gesundheitsprodukte voran und startete Pilotprojekte wie die Software-Vorzertifizierung (Pre-Cert); das Diskussionspapier von 2019, *Proposed Regulatory Framework for Modifications to AI/ML-Driven Software as a Medical Device*, schlug ein am gesamten Produktlebenszyklus (TPLC) ausgerichtetes Regulierungsmodell vor, dessen Kernmechanismus der vordefinierte Änderungskontrollplan (PCCP) ist. Dieser erlaubt Herstellern, Parameter für Algorithmus-Aktualisierungen bereits in der Pre-Market-Einreichung festzulegen, sodass nach der Genehmigung Änderungen innerhalb der genehmigten Sicherheitsgrenzen vorgenommen werden können. Der AI/ML-Software-Aktionsplan von 2021 formalisierte diesen Rahmen und betonte die Leistungsüberwachung nach dem Inverkehrbringen; der Entwurf der PCCP-Leitlinie für Markteinreichungen von 2023 präzisierte weiter die zulässigen Bedingungen und Einreichungsanforderungen für Algorithmusänderungen.

EU: Einstieg über die Risikoklassifizierung. Die EU-Verordnung über künstliche Intelligenz (AI Act) führt risikobasierte Klassifizierungsanforderungen für AIMD ein und verknüpft die Compliance-Pflichten von KI-Systemen mit ihrer Risikostufe für Gesundheit und Sicherheit.

China: Technische Prüfleitlinien gehen voran. Die National Medical Products Administration (NMPA) Chinas veröffentlichte 2022 Leitprinzipien für die technische Prüfung von KI-Medizinprodukten und bietet damit für AIMD-Anträge im Inland eine vergleichsweise klare Prüfungsgrundlage.

Japan: Ein Rahmen für „KI, die sich verändert“. Die japanische Pharmaceuticals and Medical Devices Agency (PMDA) hat einen Regulierungsrahmen für adaptive KI aufgebaut, der Algorithmus-Verantwortlichkeit und regulatorische Flexibilität ausbalancieren soll.

Südkorea: Gleichzeitiger Vorstoß. Die koreanische Ministry of Food and Drug Safety (MFDS) baut ebenfalls einen eigenen AIMD-Regulierungspfad auf.

Der Überblicksartikel stellt die Unterschiede in den regulatorischen Ansätzen der fünf Regionen in Form einer Vergleichstabelle nebeneinander dar – und genau diese Unterschiede sind die eigentliche Quelle der Compliance-Kosten multinationaler Unternehmen.Die betroffenen Segmente sind recht klar: Entwickler von KI für medizinische Bildgebung und von SaMD sind zuerst betroffen; Digital-Health-Plattformen sowie Anbieter von Wearables und Fernüberwachungsgeräten mit Fähigkeiten zur Erfassung von Real-World-Daten und zur Leistungsüberwachung werden neue Wertschöpfungspotenziale gewinnen, weil die Evidenzanforderungen der Kostenträger steigen; die Krankenhäuser wiederum sind letztlich die Endadressaten der Regeln – Beschaffungs- und Erstattungsentscheidungen stützen sich zunehmend auf verifizierbare klinische Evidenz.

Doch die Übersichtsarbeit liefert zugleich zwei ernüchternde Datenpunkte. Erstens: Weniger als 30 % der AIMD legen die demografische Vielfalt ihrer Trainingsdatensätze offen, weshalb algorithmische Verzerrung keine auditierbare Grundlage hat. Zweitens: Etwa 43 % der von der FDA zugelassenen oder freigegebenen AIMD verfügen über keine klinischen Validierungsdaten, und nur 28 % wurden einem prospektiven Gerätevalidierungstest unterzogen.

Für die Healthcare-Industrie bedeutet dies, dass Regulierungslockerheit nicht mit einem lockeren Markt gleichzusetzen ist. Kostenträger, Krankenhaus-Beschaffungsausschüsse und klinische Abteilungen werden Medical-AI-Produkte anhand strengerer Standards als die Regulierung auswählen.

Herausforderungen und Risiken

Globalisierungskosten durch divergierende Standards. Die Regeln der fünf großen Märkte zeigen zwar Konvergenztendenzen, doch Risikoklassifizierung, Änderungskontrollanforderungen und Evidenzstandards bleiben uneinheitlich; wiederholte Investitionen für länderübergreifende Einreichungen sind kaum zu vermeiden.

Das Problem der Post-Market-Überwachung adaptiver Algorithmen. Wenn Algorithmen in der realen Welt kontinuierlich dazulernen, brauchen Regulierungsbehörden kontinuierliche Überwachungsfähigkeiten statt einer einmaligen Zulassungsentscheidung – dies stellt neue Anforderungen an die technischen Fähigkeiten der Regulierungsbehörden selbst.

Datendiversität und algorithmische Fairness. Die unzureichende Offenlegung von Trainingsdaten erschwert es, Verzerrungen zu quantifizieren und Verantwortlichkeiten in Regulierungsdokumenten zuzuweisen.

Lücke bei der klinischen Validierung. Viele bereits zugelassene AIMD entbehren einer prospektiven Validierung; diese Lücke wird nicht automatisch durch einen ausgereifteren Regulierungsrahmen geschlossen, sondern erfordert gemeinsame Investitionen von Healthcare-Technology-Unternehmen und medizinischen Einrichtungen in Real-World-Forschung.

Der relative Rückstand der Regulierungswissenschaft. Die technologische Entwicklung ist weiterhin schneller als die Iteration der Regeln; dies ist eine seit Langem bestehende strukturelle Spannung in den Bereichen Biotech-Innovation und Medizinprodukte.

Zukünftige Aussichten

In den nächsten 3 bis 5 Jahren wird die AIMD-Regulierung mit hoher Wahrscheinlichkeit entlang von drei Linien voranschreiten.

Erstens: vom „Genehmigungspunkt“ zur „Lebenszyklus-Governance“. Änderungsmanagementmechanismen nach dem PCCP-Ansatz könnten von mehr Jurisdiktionen übernommen oder lokal angepasst werden; die Post-Market-Leistungsüberwachung wird von einer freiwilligen Handlung zu einer verpflichtenden Compliance-Anforderung.

Zweitens: Real-World-Evidenz rückt in den Kern von Regulierung und Vergütung. Da die 43-prozentige Validierungslücke immer wieder genannt wird, werden die Anforderungen von Regulierungsbehörden, Krankenhäusern und Kostenträgern an Post-Market-Real-World-Leistungsdaten im gleichen Maße steigen.Drittens: Die transnationale Koordinierung entwickelt sich von einer Initiative zur operativen Ebene. Der risikobasierte Ansatz des EU AI Act könnte als Referenzvorlage dienen, wenn andere Märkte Klassifizierungsregeln für AIMD entwerfen, und die gegenseitige Anerkennung von Standards zwischen den fünf großen Märkten wird die entscheidende Variable für die Geschwindigkeit sein, mit der AI-Healthcare-Produkte globalisiert werden.

Schlussfolgerung

Innerhalb von zehn Jahren hat die AIMD-Regulierung einen Paradigmenwechsel vollzogen: Regulierungsbehörden fragen nicht mehr nur „Ist dieser Algorithmus genau?“, sondern beginnen zu fragen: „Wie wird sich dieser Algorithmus im realen klinischen Umfeld verändern, und wer ist für die Veränderungen verantwortlich?“ Für HealthTech-Unternehmen bedeutet das, dass Compliance keine Hürde mehr ist, die man einmal passiert und dann vergisst, sondern eine Fähigkeit, die langfristig betrieben werden muss. Wenn Regeln beginnen, die Technologie einzuholen, entsteht auch die eigentliche Wasserscheide – im nächsten Wettbewerbsabschnitt der AI-Medizin geht es nicht darum, wessen Modell mehr Parameter hat, sondern darum, wer kontinuierlich nachweisen kann, dass sein Modell in der realen Welt weiterhin sicher, wirksam und erklärbar ist.