Digitale Use-Cases und Real-World-Daten entlang des Patient Pathways bei Hypertonie
Ziel ist, die Zeit von der Diagnose bis zur wirksamen Therapie zu verkürzen, messbar für jede Patientengruppe. Real-World-Daten steuern das gezielter als Aggregatstatistik, vorausgesetzt Fachbereich, Medizin, Daten, Versorger und Kostenträger arbeiten auf derselben Datengrundlage.
Bevölkerungsstudien mit gemessenem Blutdruck und internationale Berichte vergleichen tatsächliche mit dokumentierter Versorgung. Sie belegen die Lücken, allerdings als Durchschnittswerte. Für gezielte Interventionen reicht das nicht.
der Erwachsenen zwischen 30 und 79 Jahren in Deutschland haben Bluthochdruck, etwa 20 Millionen Menschen.2
weiß nichts von der eigenen Erkrankung, denn Hypertonie verläuft symptomlos.2
Warum das zählt: Erhöhter Blutdruck gilt als Ursache für rund 54 % aller Schlaganfälle und 47 % aller Fälle ischämischer Herzkrankheit, so die in der DEGS1-Auswertung zitierte Datenlage.1 Hinter den Prozentpunkten stehen damit vermeidbare Schlaganfälle und Herzinfarkte sowie Menschen, die länger als nötig ohne die passende Therapie bleiben.
Zur Einordnung: Deutschland zählt in der internationalen Vergleichsanalyse zu den Ländern mit den höchsten Behandlungs- und Kontrollraten.4 Auch gut aufgestellte Systeme erreichen also nur etwa die Hälfte der Betroffenen im Zielbereich. Die Lücke ist kein deutsches Sonderproblem, sondern ein strukturelles.
Was der Durchschnitt verdeckt. Ein Durchschnittswert sagt, dass eine Lücke existiert. Verknüpfte Behandlungs-, Labor- und Mortalitätsdaten sagen, wo sie entsteht, wen sie trifft und was sie kostet: reale Behandlungsverläufe, Therapiewechsel, die Zeit bis zur Blutdruckkontrolle und der Bezug zu Ereignissen und Mortalität, longitudinal und je Kohorte statt als Landesmittelwert. Erst damit lässt sich eine Intervention dimensionieren: Wie groß ist die adressierbare Gruppe, an welcher Stufe des Pfades bricht die Versorgung ab, und welcher Effekt ist realistisch?
Wie groß diese Streuung ist, zeigt eine Auswertung von Routinedaten aus 89 englischen Hausarztpraxen: Zwischen der schwächsten und der stärksten Praxis lag ein mehr als zehnfacher Unterschied in der Wahrscheinlichkeit, den Hypertonie-Qualitätsindikator zu erreichen. Der größte Teil dieser Streuung ließ sich nicht durch die routinemäßig erfassten Patienten- oder Praxismerkmale erklären.6 Eine deutsche Routinedatenanalyse kommt zum gleichen Bild: Bis zu 80 % der Unterschiede in den Qualitätsindikatoren gingen dort auf die einzelne Praxis zurück, allerdings auf Basis von nur acht Praxen.5 Genau diese Streuung verschwindet in jedem Mittelwert, und mit ihr der Ansatzpunkt für jede gezielte Maßnahme.
Die drei Use-Cases verbessern die Versorgungssituation an unterschiedlichen Stellen des Behandlungspfades. Weil sie gezielt dort ansetzen, wo Versorgung tatsächlich abbricht, wirken sie nicht nach dem Gießkannenprinzip: Ressourcen des Systems, also Praxiszeit, Diagnostik und vermeidbare Hospitalisierungen, werden dort eingesetzt, wo sie den größten Effekt haben, und an anderer Stelle eingespart. Sie unterscheiden sich vor allem darin, wie schnell und mit welchem Aufwand sie umsetzbar sind.
Verknüpfte Real-World-Daten, also Behandlungs-, Labor- und Mortalitätsdaten in einem einheitlichen Datenmodell, zeigen anonymisiert und prozessnah, wo, bei wem und wann Versorgung abbricht. Ergebnis: Heatmap und Kohorten-Dashboard statt Durchschnittswert.
Wirkung im Pfad: priorisiert und dimensioniert jede weitere Maßnahme und ist damit Voraussetzung dafür, Interventionen überhaupt gezielt zu setzen.
Risiken: Datenqualität und Repräsentativität (Panel-Bias)14, begrenzte Datenverfügbarkeit in Deutschland, DSGVO-Anforderungen, Korrelation ist keine Kausalität.
Leitliniennahe Empfehlungen und risikostratifizierte Signaturen im Praxissystem, am Punkt der Therapieentscheidung.8 In einem cluster-randomisierten Versuch in der chinesischen Primärversorgung (n = 12.137) erhöhte ein leitlinienbasiertes CDSS den Anteil leitlinienkonformer Therapie um 15,2 Prozentpunkte.7
Wirkung im Pfad: stärkster inhaltlicher Hebel auf die Behandlungsqualität, direkt an der Stelle, an der die Therapie festgelegt wird.
Risiken: MDR und Hochrisiko-KI nach EU AI Act15, Haftungs- und Vergütungsfragen, fragmentierte Systemlandschaft, Automation Bias. Die Studienlage stammt aus einem anderen Versorgungssystem und ist nicht unbesehen übertragbar.
Blutdruck-Selbstmessung mit Eskalationslogik und patientennahe Begleitung schließen die Lücke zwischen den Praxiskontakten, also dort, wo Therapietreue tatsächlich entschieden wird.
Wirkung im Pfad: hält Patient:innen im Zielbereich und verhindert stille Abbrüche auf der Stufe, an der die meisten Menschen verloren gehen.
Risiken: MDR, Eskalationslogik als Hochrisiko-KI, Personenbezug, Selektionsbias, Personalaufwand, offene Erstattungsfrage.
Alle drei Use-Cases konkurrieren um dieselben Ressourcen. Geprüft werden sie gegen dieselben Kriterien: Wirkung, Umsetzbarkeit, Time-to-Value, regulatorische Anforderungen, strategischer Fit und Akzeptanz. Und zwar nicht im Alleingang, sondern von Fachbereich, Medical und Daten gemeinsam. Die Reihenfolge, die dabei entsteht, beginnt bei der Care-Gap-Landkarte.
Der erste Schritt ist deshalb kein Plattformprojekt, sondern die Klärung des Datenzugangs: Ein Pharmaunternehmen verfügt in der Regel nicht über eigene Daten aus der Routineversorgung und braucht dafür Kooperation oder Zukauf. Hinzu kommt die Zweckbindung: Der Zugang zu Versorgungsdaten ist reguliert und auf zuvor festgelegte Zwecke beschränkt.16, 17 Welcher Zweck verfolgt wird, muss deshalb intern definiert, dokumentiert und mit Datenschutz und Compliance abgestimmt sein, bevor eine Datenanfrage überhaupt gestellt wird. Er begrenzt zugleich, welche Auswertungen später zulässig sind.
Ziel ist eine granuläre Darstellung der Versorgungssituation, um Interventionen gezielt durchzuführen. Ein Vorhaben dieser Art beginnt deshalb nicht mit einer Plattform, sondern mit einer präzisen Datenanfrage und einem geklärten Compliance-Weg. Drei Schritte reichen, um zu einer belastbaren Entscheidungsgrundlage zu kommen.
Zieldefinition und Bewertungskriterien festlegen, die fachlichen Fragen abstimmen, die Datenanfrage formulieren und den Compliance- und Datenschutzprozess durchlaufen.
Care-Gap-Dashboards nach Region, Segment und Komorbidität aufbauen und vor jeder Interpretation Datenqualität, Vollständigkeit und Repräsentativität prüfen.14
Bezifferte Care-Gap-Landkarte, geprüfte Erfolgskriterien und eine Entscheidungsvorlage: Datenbasis stärken, eine Intervention aufsetzen oder begründet lassen.
Erfolgskriterium ist nicht das Dashboard, sondern eine Entscheidung: An welcher Stelle ist eine Intervention wichtig, um die Versorgungsqualität zu verbessern, wie groß ist die betroffene Gruppe und ist die Datenbasis gut genug, um darauf aufzubauen? Die Daten beantworten das entlang von vier Dimensionen; in Klammern stehen Beispiele: wo Versorgungslücken entstehen (Region, Praxis, Versorgungskontext), welche Patientengruppen betroffen sind (Risikoprofil, Alter, Komorbidität), wann Patientinnen und Patienten im Behandlungsverlauf verloren gehen (Diagnose, Therapiestart, Eskalation, Adhärenz) und welche Konsequenz das hat (Blutdruckkontrolle, Ereignisse, Morbidität, Mortalität).
Eine Care-Gap-Landkarte arbeitet mit anonymisierten Versorgungsdaten ohne Einzelfallbezug und ohne medizinische Zweckbestimmung: keine Diagnose, kein Monitoring, keine Therapieempfehlung. Verarbeitung und Speicherung finden in einem europäischen Datenraum statt, die Interpretation der Ergebnisse bleibt unter menschlicher Aufsicht. Die rechtliche Grundlage der Sekundärnutzung regelt in Deutschland heute das Gesundheitsdatennutzungsgesetz; die Regeln des Europäischen Gesundheitsdatenraums zur Sekundärnutzung gelten überwiegend ab 2029.16
Dazu gehört die Kehrseite: Anonymisierung begrenzt die Granularität und schließt jede individuelle Ansprache aus. Wer einzelne Patient:innen adressieren will, braucht einen anderen Weg und eine andere rechtliche Grundlage. Genau diese Abgrenzung entscheidet, ob ein Vorhaben schnell umsetzbar bleibt oder zum regulatorischen Großprojekt wird.
Die drei Use-Cases sind keine konkurrierenden Projektideen, sondern zeichnen eine digitale Roadmap der Hypertonieversorgung: mit jeder Stufe wachsen Datenreife und klinische Wirkung, und jede Stufe schafft die Datenbasis für die nächste.
Care-Gap-Landkarte: die Lücken mit RWD nach Region, Segment und Komorbidität quantifizieren und den Business Case belastbar machen, schnell und ohne Konformitätsbewertung als Medizinprodukt.
Telemonitoring und Coaching: mit patientengenerierten Daten die Kontrolle zwischen den Praxiskontakten verbessern, also Versorgungssteuerung nahezu in Echtzeit.
CDSS und lokal trainierte Risiko-Signaturen: erklärbar und quellenbasiert, finale Freigabe beim Menschen, sinnvoll aber erst auf einer belastbaren Datenbasis.
Dahinter steht eine größere Bewegung: Die digitale Abbildung des Versorgungspfades mit RWD wird zunehmend wichtiger, und mit ihr die Evidenzgenerierung entlang des gesamten Pfades, nicht mehr nur zum Zulassungszeitpunkt, sondern durchgehend in der Versorgungsrealität. Eine so datengetriebene Versorgung kann die Qualität deutlich verbessern, weil sie Wirkung messbar macht und Ressourcen dorthin lenkt, wo sie tatsächlich Outcomes verändern.
In den Analysen der großen Beratungshäuser verschiebt sich Real-World-Evidenz von einer Datenquelle zu einem strategischen Vermögenswert, von nachgelagerter Evidenz zur laufenden Grundlage von Versorgungs- und Portfolioentscheidungen.9, 10 Vier Kräfte treiben diese Entwicklung; sie erklären, warum eine Care-Gap-Landkarte mehr ist als ein Dashboard-Projekt.
Real-World-Evidenz geht zunehmend in Zulassungseinreichungen ein, etwa für Label-Erweiterungen und Sicherheitsnachweise.10
Payer fragen den realen Versorgungsnutzen nach, nicht nur die Studienwirksamkeit, und das bei hohem Kostendruck.9
Patientengruppen jenseits kontrollierter Studien verstehen: Subpopulationen, Non-Responder, Therapieabbrüche.13
Große Datenmengen werden schneller und günstiger auswertbar. Evidenzgenerierung wird damit skalierbar.12
Wie ernst der Markt diese Verschiebung nimmt, zeigen die Erhebungen der großen Beratungshäuser. Die Zahlen stammen aus Branchenbefragungen und Schätzmodellen, nicht aus peer-reviewter Forschung, sie beschreiben eine Richtung, keine gesicherte Wirkung:
Woraus sich die Schätzung von jährlich über 300 Mio. USD in einem Zeitraum von drei bis fünf Jahren zusammensetzt: Etwa 100 Mio. USD liegen auf der Kostenseite der Entwicklung. Real-World-Daten schärfen Ein- und Ausschlusskriterien, Endpunkte und die Auswahl der Studienzentren, beschleunigen die Rekrutierung und machen in geeigneten Fällen die Auswertung von Versorgungsdaten statt einer randomisierten Studie möglich; für einzelne Fragestellungen ersetzt ein synthetischer Kontrollarm die Kontrollgruppe. Die übrigen 200 Mio. USD oder mehr liegen auf der Umsatzseite: neue Zielstrukturen und Indikationen, ein schnellerer Weg in den Markt, eine bessere Position in Erstattungslisten und Verhandlungen mit Kostenträgern sowie Evidenz zur Differenzierung von Produkten, die bereits im Markt sind.9 Gemessen wird dieser Wert bislang nicht einheitlich: Am häufigsten wird gezählt, wie oft eine Erkenntnis eine Entscheidung beeinflusst hat (64 %).12 Wer ein solches Vorhaben startet, legt die Messgrößen deshalb vorher fest.
Das richtige Mittel zum richtigen Zeitpunkt bei der richtigen Patientin: das ist der Schritt von einer produktzentrierten zu einer patientenzentrierten Logik.9 Er gelingt nicht in einer einzelnen Abteilung. Die Beratungsanalysen führen den Erfolg solcher Vorhaben auf interdisziplinäre Teams zurück: klinische Medizin, Epidemiologie, fortgeschrittene Analytik und Übersetzerrollen zwischen Fachbereich und Technik.13 Die entstehende Transparenz macht den Nutzen für jede beteiligte Funktion sichtbar und verkürzt den Weg der Patientin zur bestmöglichen Therapie.
Der eigentliche Hebel liegt in der Zusammenarbeit: Wenn Fachbereiche, Versorger und Kostenträger auf dieselbe Datengrundlage schauen, lässt sich die Versorgung von morgen gemeinsam gestalten. Real-World-Daten und durchgängige Datenketten sind dafür die Voraussetzung.
Der Rechtsrahmen dafür entsteht gerade: Das Gesundheitsdatennutzungsgesetz und, überwiegend ab 2029, der Europäische Gesundheitsdatenraum regeln die Sekundärnutzung von Gesundheitsdaten und machen genau solche Auswertungen in den kommenden Jahren belastbarer planbar.16
Hypertonie dient hier als Beispiel, weil die Datenlage gut belegt und die Versorgungslücke groß ist. Die Logik funktioniert bei jeder Indikation und in jedem Kontext, in dem mehrere AI- und Digital-Ideen um dieselben Ressourcen konkurrieren: klinischen Nutzen, Umsetzbarkeit und regulatorische Anforderungen in einer Entscheidungsvorlage nach gewichteten Kriterien zusammenführen und daraus eine Reihenfolge ableiten statt einer Wunschliste.
Genau hier liegt ein wichtiger Arbeitsschwerpunkt: die Orchestrierung interdisziplinärer Teams und Abteilungen, also Fachbereich, Medizin, Daten und Regulatorik an einen Tisch zu bringen, den richtigen Use-Case zuerst zu identifizieren, ihn gegen die regulatorische Realität zu prüfen und die Umsetzung bis zur Verankerung im Arbeitsalltag zu begleiten.
Was belegt ist und was nicht. Belegt ist, dass Real-World-Daten Versorgungslücken sichtbar machen und dass ein leitlinienbasiertes CDSS in einer randomisierten Studie die Leitlinienadhärenz erhöht hat, allerdings in einem anderen Versorgungssystem. Die Beratungshäuser belegen etwas anderes: erwarteten Unternehmenswert und wachsende Verbreitung.9, 10 In der Deloitte-Befragung von 150 Führungskräften priorisieren 56 Prozent Real-World-Evidenz, aber nur 21 Prozent stufen sie als sehr wichtig ein.11 Das sind Befragungs- und Schätzwerte zum Unternehmensnutzen, keine Messung besserer Versorgung. Dass datengetriebene Versorgung die Versorgungsqualität selbst verbessert, bleibt damit plausibel, aber ist noch nicht ausreichend belegt.
Abrufzeitpunkt: August 2026. Quellen 1–8 sind peer-reviewt oder institutionell, 9–14 sind Branchenanalysen, 15–17 Rechtsquellen.