Disease Interception 2026: Wenn KI früher ansetzt als die Krankheit
- Titus Kaletta
- 16. Apr.
- 8 Min. Lesezeit
Disease Interception verspricht, Krankheiten zu unterbrechen, bevor sie klinisch sichtbar werden. Was lange nach Forschungsvision klang, wird 2026 zur Managementfrage. Der NHS-Galleri-Trial zeigt: Die Technologie ist nicht das Problem. Die Übersetzung in Versorgung ist es. Was bedeutet das für KMU in MedTech, Diagnostics und Biotech? Wo liegen die Weichen, die heute gestellt werden müssen? Wir ordnen das Feld ein, zeigen an einem konkreten KMU-Beispiel, wo Projekte scheitern, und trennen Reifung von Hype.
Das Wichtigste auf einen Blick
Disease Interception will biologische Prozesse unterbrechen, bevor irreversible Schäden entstehen, nicht nur Krankheiten früher diagnostizieren.
Grosse Programme wie der NHS-Galleri-Trial zeigen: Die Technologie ist nicht das Problem. Die Übersetzung in Versorgung ist es.
Für KMU in MedTech, Diagnostics und Biotech verschiebt sich die Marktlogik. Wer das ignoriert, entwickelt am Markt vorbei.
Die kritischen Weichen liegen nicht am Ende eines Projekts, sondern am Anfang: Endpunkte, Datenstrategie, regulatorische Voraussicht.
Inhaltsverzeichnis
Was Disease Interception eigentlich bedeutet
Ein Bluttest, der Krebs erkennt, bevor der Patient Symptome hat. Die Idee klingt bestechend. Der NHS hat sie mit 142.000 Freiwilligen und dem Galleri-Trial in die Versorgungsrealität gebracht. Die Ergebnisse vom Februar 2026 (1, 2):
Der primäre Endpunkt, eine statistisch signifikante Reduktion kombinierter Stadium-III/IV-Krebserkrankungen, wurde nicht erreicht.
Gleichzeitig zeigte der Trial bei zwölf besonders tödlichen Krebsarten eine substanzielle Reduktion von Stadium-IV-Diagnosen und eine vervierfachte Detektionsrate.
Das ist keine einfache Erfolgsgeschichte. Aber auch kein Scheitern. Es ist eine Reifungskrise. Und für Entscheider im Life-Science-Bereich ist genau das der interessanteste Moment, um hinzuschauen.
Disease Interception ist keine neue Idee. Die Entfernung von Kolonpolypen, bevor sie maligne werden, ist seit Jahrzehnten etablierte Praxis. Was neu ist, ist der Anspruch: Dieses Prinzip auf Krankheitsfelder auszuweiten, bei denen der präklinische Verlauf bisher unsichtbar war. Alzheimer, bestimmte Krebsarten, chronisch-entzündliche Erkrankungen.
Der entscheidende Unterschied zur klassischen Früherkennung liegt nicht im Zeitpunkt, sondern im Eingriff. Früherkennung findet eine Erkrankung früher. Disease Interception will den biologischen Prozess unterbrechen, bevor er irreversiblen Schaden anrichtet. Konzeptuell ein grosser Schritt. Klinisch erst recht.
Vier Kriterien grenzen das Konzept von verwandten Ansätzen wie Krebs-Screening oder Gentests ab:
Der Krankheitsverlauf hat bereits begonnen, ist klinisch aber noch unauffällig.
Ohne Eingriff wird sich mit hoher Wahrscheinlichkeit das volle klinische Bild entwickeln.
Es gibt ein begrenztes Zeitfenster für eine Intervention.
Eine wirksame, individuell angepasste Therapie ist verfügbar oder in Entwicklung.
Jede dieser Bedingungen ist für sich schon schwer zu erfüllen. Alle vier gleichzeitig? Das ist nicht die Kirsche auf dem Kuchen. Das ist der Kuchen.
Warum 2026 ein Wendepunkt ist
Disease Interception war lange Forschungssprache. Was sich 2026 verändert, ist nicht die Idee, sondern die Infrastruktur dahinter. Institutionen wie das Einstein Center for Early Disease Interception in Berlin bündeln zwölf Berliner Forschungseinrichtungen unter einer gemeinsamen Logik: Krankheiten auf Ebene einzelner Zellen oder früher molekularer Veränderungen erkennen und stoppen, bevor Symptome auftreten (3). Das Programm ist auf sechs Jahre angelegt, mit 6 Millionen Euro gefördert und explizit auf Transfer in Klinik, Industrie und Investorenwelt ausgerichtet.
Das ist mehr als ein Forschungssignal. Wenn aus Vision Infrastruktur wird, verändert sich das Gravitationsfeld um sie herum: Zulieferer, Entwicklungspartner, Regulatoren, Kapitalgeber – sie alle justieren ihren Kompass neu.
Gleichzeitig konkretisieren sich die regulatorischen Anforderungen. In Europa müssen MDR beziehungsweise IVDR und AI Act heute gemeinsam gedacht werden (4). In den USA zeigt die FDA mit ihrer Guidance zu Predetermined Change Control Plans, dass KI-Systeme nicht mehr als statische Produkte reguliert werden, sondern als kontrolliert veränderbare Systeme (5). Für Geschäftsführer bedeutet das: Produktentwicklung, Qualitätsmanagement und Post-Market-Strategie müssen früher verzahnt werden als bisher.
Die technologische Basis: Mehr als ein besseres Modell
Die technologische Verschiebung hinter Disease Interception ist real. Aber sie wird häufig falsch beschrieben.
Es geht nicht darum, dass KI „besser“ geworden ist. Es geht darum, was sie heute zusammenführen kann, was vorher getrennt blieb. In der Radiologie etwa markieren Foundation Models einen Perspektivwechsel: weg von eng umrissenen Einzellösungen, hin zu vortrainierten Modellarchitekturen, die für unterschiedliche klinische Aufgaben adaptiert werden können. Bilddaten, Verlaufsinformationen, klinischer Kontext, das lässt sich zunehmend in gemeinsamen Modellen auswerten, nicht nur nebeneinander (KI-basierte Diagnostik in der Dermatologie).
Für Disease Interception ist das deshalb so bedeutsam, weil frühe Krankheitsprozesse selten auf einem einzigen Signal beruhen. Sie sind biologisch diffus, zeitlich variabel und in ihrer Aussagekraft schwächer als manifeste Erkrankungsbilder. Liquid Biopsies und Multi-Omics-Ansätze versprechen hier einen Ausweg: minimalinvasive, wiederholbare Testverfahren, die genomische, epigenetische und transkriptomische Signale gemeinsam auswerten.
Das Versprechen ist attraktiv. Die Umsetzung ist es weniger. Multi-omische Datensätze sind heterogen, ihre Qualität variiert, und die Überführung in klinisch belastbare Entscheidungen ist alles andere als trivial. Und hier liegt ein Denkfehler, der Projekte teuer zu stehen kommt: Komplexität verschwindet nicht, weil ein Modell sie mathematisch integrieren kann. Sie verlagert sich nur in die Datenarchitektur, ins Validierungsdesign, in die regulatorische Nachvollziehbarkeit.
Der Realitätstest: Was Galleri wirklich zeigt
Der NHS-Galleri-Trial ist das bisher ehrlichste Experiment im Feld, nicht weil er alle Fragen beantwortet hätte, sondern weil er zeigt, welche Fragen jetzt die richtigen sind.
Die Ergebnisse im Lead dieses Artikels sind differenziert genug, um sie nicht in eine einfache Schlagzeile zu pressen. Entscheidend ist, was dahinter sichtbar wird: Multi-Cancer Early Detection kann messbar etwas leisten. Aber der Weg von beeindruckender Modellleistung zu versorgungsfähigem Produkt ist länger und verzweigter, als es in vielen Projektplänen steht. Welche Endpunkte sind die richtigen? Welche Subgruppen profitieren tatsächlich? Wie lange muss man nachbeobachten, bevor man eine Technologie beurteilt? (Wie KI in der Diagnostik von der Vision zur Praxis wird)
Das sind keine Schwächen des Trials. Es sind die Fragen, die jedes Disease-Interception-Projekt früher oder später beantworten muss. Wer Disease Interception als Technologiethema betrachtet, wird von solchen Ergebnissen überrascht. Wer es als Evidenzthema betrachtet, nicht.
Die Roadmap: Was sie in der Praxis bedeutet
Stellen Sie sich ein Diagnostikunternehmen mit 28 Mitarbeitenden vor. Sitz in der Nähe von München, spezialisiert auf molekulare Diagnostik, solide aufgestellt im Bereich Onkologie-Begleitdiagnostik. Der Geschäftsführer liest seit zwei Jahren über Liquid Biopsy, hat drei Konferenzen besucht, und ist überzeugt: Da ist etwas. Das Unternehmen hat die Expertise, die Laborinfrastruktur, und erste Gespräche mit einer Uniklinik laufen bereits.
Was als Nächstes passiert, entscheidet sich nicht im Labor. Sondern in vier Gesprächen, die viele Unternehmen zu spät führen.
Das erste Gespräch: Mit wem eigentlich?
Die Uniklinik ist begeistert. Aber Begeisterung ist keine Zielpopulation. Die erste echte Frage lautet: Bei welchen Patienten, mit welchem Risikoprofil, in welchem klinischen Kontext soll das Produkt einen Unterschied machen? Zu breit gedacht, und der regulatorische Pfad wird unbeherrschbar. Zu eng gedacht, und der Markt trägt das Produkt nicht.
Das Münchner Unternehmen entscheidet sich für eine klar umrissene Hochrisikogruppe bei kolorektalem Karzinom. Nicht weil das der grösste Markt ist, sondern weil dort die Evidenzlage am stärksten und der klinische Entscheidungsweg am kürzesten ist. Eine strategische Entscheidung, nicht nur eine wissenschaftliche.
Das zweite Gespräch: Was ist der Endpunkt?
Hier werden die meisten Fehler gemacht. Und hier werden sie am teuersten.
Der Geschäftsführer möchte zeigen, dass sein Test Krebs früher erkennt als bestehende Methoden. Das klingt nach einem guten Endpunkt. Ist es aber nicht, zumindest nicht als primärer. Denn früher erkennen ist schwer zu operationalisieren, schwer zu randomisieren, und regulatorisch oft nicht ausreichend. Was wirklich zählt: Verändert die frühere Erkennung den klinischen Verlauf? Werden weniger Patienten in späten Stadien diagnostiziert? Und lässt sich das in einem Studiendesign belegen, das Zulassungsbehörden akzeptieren?
Dieses Gespräch führt das Unternehmen mit seinem regulatorischen Berater. Nicht nach dem ersten Prototyp. Sondern bevor die ersten Validierungsdaten erhoben werden.
Das dritte Gespräch: Was taugen die Daten wirklich?
Die Uniklinik liefert Proben. Der Algorithmus läuft. Die internen Ergebnisse sehen vielversprechend aus. Und genau hier entsteht eine Falle, in die viele Projekte tappen.
Daten, die im eigenen Labor gut funktionieren, sind kein Beweis für klinische Generalisierbarkeit. Multi-omische Datensätze sind heterogen. Ihre Qualität variiert je nach Entnahmebedingungen, Lagerung, Labormethodik. Was algorithmisch integrierbar ist, muss noch lange nicht klinisch interpretierbar sein. Das Münchner Team entscheidet sich deshalb früh für eine externe Validierungskohorte, mit einer zweiten Klinik, anderen Patientenprofilen, anderen Laborbedingungen. Teurer. Langsamer. Und der einzige Weg, der später trägt.
Das vierte Gespräch: Wer zahlt dafür?
Das ist das Gespräch, das am häufigsten auf später verschoben wird. Und das am teuersten ist, wenn es zu spät geführt wird.
Ein Produkt, das klinisch funktioniert und regulatorisch zugelassen ist, aber keine Erstattung bekommt, ist kein Produkt. Es ist ein Forschungsprojekt mit CE-Kennzeichnung. Die Erstattungslogik muss früh mitgedacht werden, nicht als Businessplan-Anhang, sondern als Designparameter. Welche Leistung ersetzt oder ergänzt der Test? Welchen gesundheitsökonomischen Nutzen kann das Unternehmen belegen? Und für welches Versorgungssystem wird primär entwickelt?
Wo es trotzdem schiefgeht
Das Münchner Unternehmen hat vieles richtig gemacht. Und trotzdem gibt es einen Moment, in dem das Projekt ins Stocken gerät.
Der Algorithmus wurde auf Proben aus zwei Kliniken trainiert und validiert. Beide in Bayern, beide akademische Zentren, beide mit sehr ähnlichen Patientenprofilen. Als das Produkt in einer dritten Klinik, diesmal ein regionales Krankenhaus mit anderem Patientenmix, eingesetzt wird, verschlechtert sich die Performance messbar. Kein Datenfehler. Kein Modellfehler. Sondern ein Bias, der im Trainingsdesign angelegt war und erst im Real-World-Einsatz sichtbar wird.
Das ist kein ungewöhnliches Szenario. Es ist das häufigste. Und es macht deutlich, warum Post-Market-Monitoring keine Pflichtübung ist, sondern eine Überlebensfrage. Wer Modell-Drift nicht erkennt, verliert nicht nur Produktqualität, sondern auch das Vertrauen derjenigen, die mit dem Produkt arbeiten. Und ohne dieses Vertrauen gibt es keinen Markt.
Das Unternehmen reagiert. Es baut ein systematisches Monitoring auf, erweitert die Trainingskohorte, und dokumentiert den gesamten Prozess so, dass er für Behörden nachvollziehbar ist. Aufwändig. Aber genau das ist es, was aus einem Piloten ein versorgungsfähiges Produkt macht.
Was das für Ihr Unternehmen bedeutet
Disease Interception wird in den nächsten Jahren kein Massenmarkt. Aber es wird ein Feld, das die Logik von Diagnostikentwicklung insgesamt beeinflusst. Wer in MedTech, Diagnostics oder Biotech entwickelt, wird diese Fragen beantworten müssen – egal ob das eigene Produkt „Disease Interception“ heisst oder nicht: Wie früh setzt es an? Welche Evidenz trägt regulatorisch? Passt es in einen klinischen Entscheidungsprozess?
Das sind keine Zukunftsfragen. Sie werden heute schon gestellt, von Investoren, von Partnern, von Zulassungsbehörden.
Für ein KMU im Life-Science-Bereich liegt die praktische Konsequenz nicht darin, sofort ein Disease-Interception-Programm aufzusetzen. Sie liegt darin, die eigene Entwicklungslogik an einem höheren Massstab zu messen. Endpunkte früh definieren. Validierung nicht als Phase begreifen, sondern als Designprinzip. Und regulatorische Anforderungen einbauen, bevor sie zur Hürde werden (Was der AI Act für Life-Science-KMU konkret bedeutet).
Wer das tut, ist nicht nur für Disease Interception besser aufgestellt. Er ist für die Versorgungslogik der nächsten zehn Jahre besser aufgestellt.
Am Ende setzt sich nicht das beste Modell durch. Sondern die Organisation, die Biologie, Evidenz und Versorgung als ein Problem begreift, nicht als drei. Das ist unbequem. Und es ist die einzige Frage, die zählt.
Wenn Ihnen dieser Artikel gefallen hat, freuen wir uns über Ihr Feedback in den Kommentaren. Teilen Sie Ihre Gedanken und lassen Sie uns wissen, wie wir Sie noch besser unterstützen können. Verpassen Sie außerdem nicht unsere nächste Veröffentlichung, die wie immer donnerstags und diesmal am 11. Juni erscheint.
Häufige Fragen
Was ist der Unterschied zwischen Disease Interception und klassischer Früherkennung?
Früherkennung identifiziert eine Erkrankung zu einem früheren Zeitpunkt. Disease Interception will biologische Prozesse aktiv unterbrechen, bevor irreversible Schäden entstehen. Das setzt voraus, dass ein Krankheitsverlauf bereits begonnen hat, klinisch aber noch nicht sichtbar ist, und dass eine wirksame Intervention verfügbar ist.
Was hat der NHS-Galleri-Trial gezeigt?
Der Trial hat ein differenziertes Bild geliefert. Der primäre Endpunkt, eine statistisch signifikante Reduktion kombinierter Stadium-III/IV-Krebserkrankungen, wurde nicht erreicht. Bei einer präspezifizierten Gruppe von zwölf besonders tödlichen Krebsarten zeigte sich jedoch eine substanzielle Reduktion von Stadium-IV-Diagnosen (über 20 Prozent in den Screening-Runden 2 und 3), eine vervierfachte Gesamt-Detektionsrate und mehr Früherkennungen in Stadium I und II. Die Ergebnisse zeigen deutlich: Multi-Cancer Early Detection kann messbar etwas leisten.
Was sollten KMU in MedTech und Diagnostics aus Disease Interception mitnehmen?
Nicht unbedingt ein eigenes Interception-Programm aufzusetzen. Aber die eigene Entwicklungslogik zu schärfen: Endpunkte früh definieren, Validierung als Designprinzip verstehen, regulatorische Anforderungen von Anfang an einplanen.
Quellen:
Bildhinweis: Alle verwendeten Bilder sind KI-generiert.
Disclaimer: Alle Angaben erfolgen nach bestem Wissen und Gewissen, jedoch ohne Gewähr für Vollständigkeit, Richtigkeit und Aktualität.
Das könnte Sie auch interessieren:
Kommentare