ICH E20: Der erste globale Standard für adaptive Studiendesigns - und was RABOTS dazu beiträgt
by 21Stable Team
Die klinische Forschung in der Onkologie erlebt 2026 eine regulatorische Zäsur: Mit der **ICH E20 Guideline** entsteht erstmals ein international harmonisierter Standard für adaptive Studiendesigns. Parallel dazu liefert die biostatistische Methodenforschung mit **RABOTS** ein neuartiges Werkzeug, das Bayesian Optimization direkt in das Design nahtloser Phase-I/II-Studien einbettet.
Der regulatorische Meilenstein: ICH E20
Adaptive Designs - Studien, die vorab geplante Modifikationen auf Basis von Interimsdaten erlauben - sind in der Onkologie seit Jahren etabliert. Was fehlte, war ein grenzübergreifender regulatorischer Rahmen. Die Lücke schließt nun ICH E20, die im Juni 2025 als Step-2b-Draft veröffentlicht wurde und nach Abschluss der Konsultationsphase (November 2025) vor der Finalisierung im Laufe des Jahres 2026 steht[1].
Die Guideline schafft drei wesentliche Klarstellungen:
Für die Onkologie ist das kein akademisches Detail: Von 68 analysierten seamless-Studien mit konfirmatorischem Anspruch zeigte eine systematische Übersichtsarbeit, dass die häufigsten adaptiven Elemente ein Efficacy-Gating (Fortsetzung nur bei Wirksamkeit) und eine Dosis- oder Regime-Selektion waren[2]. Genau diese Design-Elemente werden durch ICH E20 nun länderübergreifend standardisiert bewertet.
RABOTS: Bayesian Optimization für das Studiendesign
Parallel zur regulatorischen Entwicklung hat die biostatistische Community das methodische Arsenal erweitert. **RABOTS** (Randomized Adaptive Bayesian Optimization Two-Stage Seamless Design) - publiziert 2026 in *Pharmaceutical Statistics* - adressiert eine fundamentale Schwäche bisheriger adaptiver Designs: die Wahl der Design-Parameter selbst[3].
Traditionell werden Parameter wie Interimsanalyse-Zeitpunkte, Futility-Grenzen oder Alpha-Splitting-Raten durch Ad-hoc-Entscheidungen oder grobe Grid-Searches festgelegt. RABOTS ersetzt dies durch **Bayesian Optimization (BO)**: ein Surrogat-Modell (meist Gaussian Process) modelliert die Operating-Characteristics als Funktion der Design-Parameter und navigiert den Parameterraum gezielt in Richtung optimaler Konfigurationen.
Konkret funktioniert das in zwei Stufen:
Die Simulationen der Autoren zeigen: RABOTS identifiziert die optimale Dosis mit substanziell geringerem Stichprobenumfang als konventionelle adaptive Grid-Search-Designs - ohne Einbußen bei Power oder Typ-I-Fehler-Kontrolle[3].
Warum ICH E20 und RABOTS zusammengehören
Die ICH E20 Guideline fordert explizit, dass "die Operating-Characteristics des finalen adaptiven Designs durch adäquate Simulationsstudien charakterisiert werden"[1]. RABOTS automatisiert genau diesen Prozess und dokumentiert ihn reproduzierbar - ein methodischer Match.
Für klinische Forscher in der Onkologie ergeben sich daraus konkrete Implikationen:
Fazit
Das Jahr 2026 markiert einen doppelten Wendepunkt für adaptive Studiendesigns: Mit ICH E20 existiert erstmals ein globaler regulatorischer Standard. Und mit RABOTS steht ein Werkzeug bereit, das die Design-Optimierung selbst optimiert - durch Bayesian Optimization statt Bauchgefühl. Für die Onkologie, deren Medikamentenentwicklung mit Zulassungsraten von nur etwa 3–5 % zu den risikoreichsten überhaupt gehört[5], sind diese Fortschritte keine akademische Spielerei, sondern ein konkreter Schritt zu schnelleren und präziseren klinischen Studien.
---
Key Findings
2026 represents a regulatory watershed for adaptive clinical trial designs. The **ICH E20 guideline** - the first internationally harmonized standard for adaptive designs - reached Step 2b in June 2025 and is expected to be finalized this year[1]. It establishes a unified framework across FDA, EMA, and PMDA, requiring rigorous simulation-based characterization of operating characteristics and full reproducibility of design evaluations.
Concurrently, Wu and colleagues published **RABOTS** (Randomized Adaptive Bayesian Optimization Two-Stage Seamless Design) in *Pharmaceutical Statistics*[3]. RABOTS replaces ad-hoc design parameter selection with Bayesian Optimization: a Gaussian Process surrogate model navigates the parameter space to identify configurations that simultaneously optimize dose selection accuracy and proof-of-concept power. Simulations demonstrate substantially smaller sample sizes compared to conventional adaptive grid-search designs without compromising power or Type I error control[3].
The synergy between ICH E20's documentation requirements and RABOTS' automated, reproducible optimization pipeline is striking. For oncology - where only about 5% of drug candidates progress from Phase I to approval[5] - these advances translate directly into shorter development timelines (estimated 12-18 months savings[2]), more robust dose selection aligned with FDA's Project Optimus[4], and reduced regulatory uncertainty in global submissions.