Die britische Medicines and Healthcare products Regulatory Agency eröffnete am 22. September 2026 eine Befragung zu Beyond ADMET: AI for medicines safety. Die Behörde bittet Organisationen aus Toxikologie, präklinischer Forschung, klinischer Prüfung, Life Sciences, Biotechnologie und KI darum zu erklären, wie sie KI für die Bewertung der Arzneimittelsicherheit nutzen oder nutzen wollen.
Das ist eine Compliance-Nachricht, aber nicht, weil sie eine neue Regel schafft. Die MHRA sagt, die Antworten sollen eine Beyond-ADMET-Regulatory-Sandbox und künftige regulatorische Arbeit informieren. Das nützliche Signal ist, dass sich der Regulierer von allgemeinen KI-Prinzipien zu den Nachweisen bewegt, die für ein KI-Modell in einem bestimmten Sicherheitskontext nötig sind.
Was die MHRA fragt
ADMET steht für Absorption, Distribution, Metabolism, Excretion und Toxicity. Diese Fragen sind zentral in der Arzneimittelentwicklung, weil sie zeigen, wie sich ein Wirkstoff im Körper verhält und wo Sicherheitsprobleme entstehen können.
Die MHRA sagt, KI könne helfen, indem klassische präklinische Daten mit klinischen und Real-World-Daten über Bevölkerungsgruppen, Krankheitszustände und klinische Bedingungen hinweg integriert werden. Die Behörde fragt nicht nur, ob Modelle gute Ergebnisse erzielen. Sie fragt nach Modellentwicklung, Validierung, Datenzugang, Datenteilung und regulatorischen Erwägungen.
Diese Liste ist entscheidend. Bei regulierter KI ist ein beeindruckendes Ergebnis nicht dasselbe wie akzeptable Evidenz. Ein Modell für Arzneimittelsicherheit muss möglicherweise zeigen, woher seine Daten stammen, welche Patientengruppen vertreten sind, wie die Leistung geprüft wurde, welche Grenzen bleiben, wem die Evidenz gehört und wann das Modell neu bewertet werden muss.
Das Signal der Sandbox
Die Befragung ist mit einer künftigen Regulatory Sandbox verbunden. Eine Sandbox ist keine finale Leitlinie. Sie ist ein kontrollierter Weg, mit dem Regulierer und Innovatoren praktische Fälle testen, bevor Erwartungen festgeschrieben werden.
Das kann für KI in der Arzneimittelsicherheit hilfreich sein, weil der Kontext die Evidenzlast verändert. Ein Modell, das zusätzliche Prüfungen priorisiert, ist nicht dasselbe wie ein Modell, das eine regulatorische Einreichung stützt oder eine Sicherheitsentscheidung beeinflusst. Je näher die KI-Ausgabe an einer folgenreichen Entscheidung liegt, desto stärker müssen Validierungs- und Änderungskontrollnachweise sein.
AIforPharma beschrieb die Initiative unabhängig ähnlich und hob hervor, dass die zentrale Frage lautet, welche Evidenz ein Regulierer braucht, bevor er sich auf KI-Ausgaben verlassen kann. Außerdem wurden Datenverlässlichkeit, Lebenszykluskontrolle und Nutzungskontext als die schwierigen Probleme hinter der Befragung benannt.
Was Teams vorbereiten sollten
Die unmittelbare Handlung für Pharma-, Biotech- und KI-Teams ist nicht, zu behaupten, die MHRA habe ein Modell gebilligt. Das hat sie nicht. Die praktische Handlung besteht darin, Evidenz um den beabsichtigten Modellzweck zu ordnen.
Nützliche Aufzeichnungen umfassen Modellzweck, unterstützte Entscheidung, Datenherkunft, Abdeckung von Bevölkerungsgruppen, Validierungsmethode, bekannte Grenzen, Überwachungsplan, Auslöser für erneutes Training, Eigentümer, Freigabeverlauf und einen Weg, geänderte Ergebnisse zu erklären. Die Maetra-Checkliste für KI-Compliance-Evidenz bietet eine wiederverwendbare Struktur, um solche Nachweise in aktuelle, verantwortete Evidenz statt verstreute Dokumente zu verwandeln.
Bei agentischen Systemen wird die Evidenzfrage schärfer. Ein KI-Ablauf, der Daten durchsucht, Tools aufruft oder Empfehlungen weiterleitet, braucht ein Inventar der berührten Systeme und eine Audit-Spur dessen, was passiert ist. Der Maetra-Leitfaden zum KI-Agenteninventar ist ein guter Startpunkt, weil Teams keinen Ablauf validieren können, den sie nicht kartiert haben.
Was offen bleibt
Die öffentliche Quelle ist eine Befragung zur Evidenzsammlung. Sie schafft keine neue Compliance-Pflicht, genehmigt kein KI-Modell, definiert keine finalen Validierungskriterien und sagt nicht, dass KI-generierte Evidenz zur Arzneimittelsicherheit in Einreichungen akzeptiert wird.
Sie löst auch das Datenteilungsproblem nicht. Evidenz zur Arzneimittelsicherheit verteilt sich oft über klinische, präklinische, Pharmakovigilanz- und Real-World-Datensätze. Das Verbinden dieser Quellen kann Datenschutz-, Herkunfts-, Repräsentativitäts- und Interoperabilitätsfragen auslösen, die ein leistungsstarkes Modell nicht ausräumt.
Maetra-Analyse
Die MHRA-Befragung ist wichtig, weil sie die nächste Stufe der KI-Regulierung konkreter macht. Die Frage lautet nicht mehr nur, ob KI transparent, sicher oder menschlich beaufsichtigt sein sollte. Sie lautet, welche Evidenz beweist, dass eine KI-Ausgabe für einen klar definierten Sicherheitszweck glaubwürdig ist.
Teams, die KI in der Arzneimittelsicherheit nutzen wollen, sollten die Befragung als Anlass nehmen, jetzt eine Evidenzakte aufzubauen. Definieren Sie den Nutzungskontext, verbinden Sie jeden Datensatz mit Herkunft und Abdeckung, legen Sie Validierungs- und Neubewertungsregeln fest und bewahren Sie eine prüfbare Änderungshistorie. Falls die Sandbox später in Leitlinien mündet, stehen Teams mit aktueller Evidenz besser da als Teams mit einer Model Card und einer Präsentation.