Blog · 13.09.2026
Wenn Daten über Gesundheit entscheiden: Impulse von der ACDM26 in Berlin
Clinical Data Management, künstliche Intelligenz und neue Anforderungen an Datenqualität, Standards und Weiterbildung
Von Pardus EducationACDM26 in Berlin: Clinical Data im Wandel
Clinical Data Management verändert sich grundlegend. Künstliche Intelligenz, neue Datenstandards und steigende regulatorische Anforderungen verschieben die Grenzen dessen, was modernes Datenmanagement in klinischen Studien leisten muss. Die ACDM26 in Berlin zeigte, wie eng Datenqualität, Technologie und verantwortungsvolle Automatisierung inzwischen miteinander verbunden sind.
Vom 15. bis 17. März 2026 traf sich die internationale Clinical-Data-Management-Community zur ACDM26 Annual Conference in Berlin. Im Mittelpunkt standen aktuelle Entwicklungen in Clinical Data Management, Technologie, Regulierung und datengetriebenen Arbeitsprozessen.
Im Jahr 2024 integrierte Prof. Dr. Ado Ampofo die intensive Beschäftigung mit klinischen Daten und deren Verarbeitung durch Machine-Learning- und Neuronale-Netz-Algorithmen verstärkt in die Lehr- und Weiterbildungskonzepte von PARDUS. Damit wurde ein Themenfeld aufgegriffen, das die Verbindung von Datenqualität, statistischer Modellierung und künstlicher Intelligenz besonders deutlich macht.
Die Teilnahme an der ACDM26 in Berlin knüpfte an diese Entwicklung an. Die Konferenz bot einen fachlichen Rahmen, in dem sich beobachten ließ, wie stark sich Clinical Data Management inzwischen mit künstlicher Intelligenz, Automatisierung, Datenstandards und neuen regulatorischen Anforderungen verbindet.
Clinical Data Management wird technologischer
Klinische Studien erzeugen große Mengen heterogener Daten. Diese stammen längst nicht mehr ausschließlich aus klassischen Studiendatenbanken. Elektronische Erfassungssysteme, digitale Endpunkte, externe Datenquellen und zunehmend automatisierte Prozesse erweitern die Datenlandschaft kontinuierlich.
Damit verändert sich auch die Rolle des Clinical Data Managements. Es geht nicht mehr nur darum, Daten vollständig und korrekt zu erfassen. Moderne Systeme müssen Informationen aus unterschiedlichen Quellen zusammenführen, Auffälligkeiten erkennen, Prozesse überwachen und gleichzeitig regulatorische Anforderungen erfüllen.
Genau diese Entwicklung wurde auf der ACDM26 sichtbar. Diskutiert wurden unter anderem praktische Anwendungen künstlicher Intelligenz, Technology & Innovation, Risk-Based Quality Management, USDM, eCOA sowie neue regulatorische Rahmenbedingungen.
Künstliche Intelligenz erreicht das operative Datenmanagement
Besonders relevant ist die zunehmende Verschiebung von KI aus experimentellen Anwendungen in operative Prozesse.
Während künstliche Intelligenz im Gesundheitsbereich häufig mit Diagnostik oder medizinischer Bildanalyse verbunden wird, entstehen parallel zahlreiche Anwendungen direkt innerhalb der Datenverarbeitung. Machine-Learning-Systeme können beispielsweise dabei unterstützen, ungewöhnliche Datenmuster zu erkennen, Qualitätskontrollen zu automatisieren, Eingabefehler frühzeitig zu identifizieren und große Datenbestände effizienter zu prüfen.
Auch neuronale Netze gewinnen dort an Bedeutung, wo komplexe Zusammenhänge in umfangreichen Datenstrukturen erkannt werden sollen. Entscheidend ist dabei jedoch nicht allein die Leistungsfähigkeit eines Algorithmus. Die Qualität der Ergebnisse hängt maßgeblich von der Qualität, Struktur und Nachvollziehbarkeit der zugrunde liegenden Daten ab.
Datenqualität bleibt der entscheidende Faktor
Mit zunehmender Automatisierung steigt nicht nur die Leistungsfähigkeit von Systemen. Auch die Anforderungen an Kontrolle und Nachvollziehbarkeit wachsen.
Ein KI-System kann Muster erkennen und Prozesse beschleunigen. Die fachliche Bewertung der Ergebnisse, die Definition sinnvoller Qualitätsregeln und die Verantwortung für Entscheidungen bleiben jedoch zentrale Aufgaben des Menschen. Gerade im medizinischen und klinischen Umfeld ist dieser Punkt von besonderer Bedeutung.
Automatisierung darf nicht dazu führen, dass Datenprozesse weniger transparent werden. Je stärker Algorithmen in Entscheidungen und Qualitätskontrollen eingebunden werden, desto wichtiger werden dokumentierte Prozesse, nachvollziehbare Datenflüsse und klar definierte Verantwortlichkeiten.
Standards werden zur Voraussetzung für intelligente Systeme
Ein weiterer Schwerpunkt moderner Datenarchitekturen ist die Standardisierung. Systeme können nur dann effizient miteinander kommunizieren, wenn Datenstrukturen und Schnittstellen ausreichend definiert sind. Standardisierte Datenmodelle schaffen deshalb nicht nur regulatorische Sicherheit, sondern zunehmend auch die technische Grundlage für automatisierte Analysen.
Für KI-Systeme ist dieser Punkt besonders relevant. Algorithmen benötigen nicht lediglich große Datenmengen. Sie benötigen Daten, deren Bedeutung eindeutig beschrieben, deren Herkunft nachvollziehbar und deren Qualität überprüfbar ist.
Je intelligenter die Analyse werden soll, desto strukturierter und belastbarer müssen die zugrunde liegenden Daten sein.
Der Mensch bleibt Teil des Systems
Die technische Entwicklung verändert zugleich das Kompetenzprofil von Datenexperten. Neben Statistik, Datenbanken und klassischen Analysewerkzeugen gewinnen Kenntnisse über künstliche Intelligenz, Datenqualität, Governance und regulatorische Anforderungen weiter an Bedeutung.
Ebenso wichtig bleibt die Fähigkeit, Ergebnisse kritisch einzuordnen. Denn auch leistungsfähige Modelle können fehlerhafte oder irreführende Ergebnisse erzeugen, wenn Datengrundlagen unvollständig, verzerrt oder methodisch ungeeignet sind.
Gerade deshalb werden kritisches Denken, fachliches Urteilsvermögen und die Fähigkeit zur Bewertung automatisierter Systeme zu einem immer wichtigeren Bestandteil moderner Datenkompetenz.
Bedeutung für die Weiterbildung bei PARDUS
Für PARDUS ist die ACDM26 weniger als einzelne Fachveranstaltung interessant, sondern vielmehr als Ausdruck einer größeren Entwicklung. Data Science, künstliche Intelligenz und professionelles Datenmanagement wachsen zunehmend zusammen.
Wer künftig mit datengetriebenen Systemen arbeitet, muss nicht nur Modelle verstehen. Ebenso wichtig ist die Fähigkeit, beurteilen zu können, woher Daten stammen, wie zuverlässig sie sind, welche Verarbeitungsschritte sie durchlaufen haben und welche Konsequenzen automatisierte Entscheidungen besitzen.
Diese Verbindung aus Datenkompetenz, Machine Learning, neuronalen Netzen und kritischer Bewertung technologischer Systeme bildet deshalb einen wichtigen Bestandteil moderner Lehr- und Weiterbildungskonzepte.
Die ACDM26 in Berlin zeigte, dass diese Entwicklung im Clinical Data Management längst praktisch angekommen ist.
Die Zukunft künstlicher Intelligenz entscheidet sich nicht allein am Algorithmus. Sie entscheidet sich ebenso an der Qualität der Daten, auf denen er arbeitet.
Glossar
Begriffe verstehen.
Karte für Karte.
Klicke auf eine Karte, um die Erklärung aufzudecken.
Weiterdenken