Dynamische Biomarker in der Precision Oncology: Von der Vision zur Realität

Zehn Jahre nach der Precision Medicine Initiative bleibt eine zentrale Frage: Hat Precision Medicine ihre Versprechen eingelöst? Eine aktuelle Analyse in *Communications Medicine* zeigt, dass erfolgreiche Precision-Medicine-Programme fast ausschließlich "klare Fälle" betreffen – gut definierte Biomarker mit direktem Wirkungsmechanismus[1]. Doch wie können wir diesen Ansatz auf komplexere Erkrankungen ausweiten?

Der Status Quo: Erfolg in "Klar-Fällen"

Die systematische Analyse von über 30 FDA-Zulassungen zeigt ein klares Muster. Erfolgreiche Precision-Medicine-Programme teilten gemeinsame Merkmale: prädefinierte Biomarker (wie FRα-Überexpression, KRAS G12C-Mutationen oder AQP4-IgG-Antikörper), minimale explorative Biomarker-Entwicklung und ein Fokus auf Onkologie und seltene Erkrankungen[1].

Das Problem: Biomarker-basierte Übergänge von "All-Comers" zu präzisen Subpopulationen waren in der Praxis selten. Die vielversprechendsten Ansätze blieben auf Bereiche mit gut verstandener Krankheitsbiologie beschränkt.

Dynamische Biomarker: Eine neue Perspektive

Eine aktuelle Übersicht in *npj Breast Cancer* zeigt, wie sich das Paradigma verschiebt[2]. Statt statischer Baseline-Messungen erfassen dynamische Biomarker Tumorveränderungen unter Therapie – und eröffnen damit völlig neue Möglichkeiten für adaptive Behandlungsstrategien.

Die POETIC-Studie demonstrierte dies eindrucksvoll bei HR+/HER2- Brustkrebs: Patienten mit persistierend hohem Ki67 nach 2-wöchiger endokriner Therapie zeigten ein 5-Jahres-Rezidivrisiko von 21,5% gegenüber nur 4,3% bei Respondern[2]. Eine einfache zeitlich begrenzte pathologische Evaluation dient als dynamischer Indikator für endokrine Sensitivität.

Statistische Strategien für den Durchbruch

Die *Communications Medicine*-Autoren identifizieren fünf Schlüsselstrategien:

**Enrichment-Designs konsequent anwenden** – Rekrutierung von Patienten mit hoher Wahrscheinlichkeit des Ansprechens bereits in frühen Phasen

**Robuste Subgruppen-Identifikation** – Frühzeitige Bestimmung prädiktiver Biomarker und Cut-off-Optimierung

**Adaptive Studiendesigns** – Mid-Trial-Modifikationen ermöglichen flexible Exploration biomarker-definierter Subgruppen

**Biomarker-Strategie integrieren** – Biomarker-Statistiker von Anfang an einbinden, statt nur explorative Analysen

**KI/ML für große Datensätze nutzen** – OMICS-Daten aus Phase III/IV für Back-Translation und neue Biomarker-Identifikation[1]

Klinische Relevanz

Die praktische Umsetzung bleibt herausfordernd. Dr. Margaret Gatti-Mays nennt zentrale Hürden: Test-Verfügbarkeit, Gewebe-Limitierungen, Versicherungsschwierigkeiten und – entscheidend – die Frage der optimalen Test-Frequenz[2].

Für ctDNA-basierte Liquid Biopsies existieren verschiedene Plattformen mit unterschiedlichen Sensitivitäten und Spezifitäten. Standardisierung und Reproduzierbarkeit sind Voraussetzungen für breite klinische Anwendung.

Fazit

Precision Medicine ist keine Täuschung – sie muss nur konsequenter umgesetzt werden. Die Kombination aus statistischem Denken, datengetriebener Entscheidungsfindung und dynamischen Biomarkern kann den Versprechen der personalisierten Medizin über die etablierten "Klar-Fälle" hinaus Realität werden lassen. Der Schlüssel liegt in der frühen Integration dieser Strategien in den gesamten Entwicklungsprozess.

References

Desachy G, Köchert K, Krämer N, et al. Turning precision medicine into reality with statistics and data-driven decision making across pharmaceutical development. *Commun Med* 6, 186 (2026). https://doi.org/10.1038/s43856-026-01524-7

Di Grazia G, et al. Dynamic biomarkers in hormone receptor-positive/HER2-negative breast cancer trials: a new hope for precision oncology. *npj Breast Cancer* 12, 34 (2026). https://doi.org/10.1038/s41523-026-00904-5

---

Ten years after the Precision Medicine Initiative, a central question remains: Has precision medicine delivered on its promises? A recent analysis in *Communications Medicine* reveals that successful precision medicine programs have been almost exclusively in "clear-cut cases"—well-defined biomarkers with direct mechanisms of action[1]. But how can we extend this approach to more complex diseases?

Status Quo: Success in "Clear-Cut Cases"

A systematic analysis of over 30 FDA approvals reveals a clear pattern. Successful precision medicine programs shared common characteristics: predefined biomarkers (such as FRα overexpression, KRAS G12C mutations, or AQP4-IgG antibodies), minimal exploratory biomarker development, and a focus on oncology and rare diseases[1].

The problem: Biomarker-based transitions from "all-comers" to precise subpopulations were rare in practice. The most promising approaches remained limited to areas with well-understood disease biology.

Dynamic Biomarkers: A New Perspective

A recent review in *npj Breast Cancer* demonstrates how the paradigm is shifting[2]. Rather than static baseline measurements, dynamic biomarkers capture tumor changes under therapy—opening entirely new possibilities for adaptive treatment strategies.

The POETIC trial impressively demonstrated this in HR+/HER2- breast cancer: Patients with persistently high Ki67 after 2-week endocrine therapy showed a 5-year recurrence risk of 21.5% versus only 4.3% in responders[2]. A simple time-limited pathological evaluation serves as a dynamic indicator of endocrine sensitivity.

Statistical Strategies for Breakthrough

The *Communications Medicine* authors identify five key strategies:

**Consistently apply enrichment designs** – Recruit patients with high probability of response early in development

**Robust subgroup identification** – Early determination of predictive biomarkers and cut-off optimization

**Adaptive trial designs** – Mid-trial modifications enable flexible exploration of biomarker-defined subgroups

**Integrate biomarker strategy** – Involve biomarker statisticians from the start, rather than only exploratory analyses

**Leverage AI/ML for large datasets** – Use OMICS data from Phase III/IV for back-translation and novel biomarker identification[1]

Clinical Relevance

Practical implementation remains challenging. Dr. Margaret Gatti-Mays identifies key barriers: test availability, tissue limitations, insurance issues, and—crucially—the question of optimal testing frequency[2].

For ctDNA-based liquid biopsies, various platforms exist with different sensitivities and specificities. Standardization and reproducibility are prerequisites for broad clinical adoption.

Conclusion

Precision medicine is not a fluke—it just needs to be implemented more consistently. The combination of statistical thinking, data-driven decision making, and dynamic biomarkers can make the promise of personalized medicine a reality beyond established "clear-cut cases." The key lies in early integration of these strategies throughout the entire development process.