IRB-Überprüfung von KI-Studien: Das Three-Stage Framework für risikobasierte Ethikbewertung
by 21Stable Team
Institutional Review Boards (IRBs) weltweit stehen vor einer neuen Herausforderung: Die ethische Bewertung von Studien, die Künstliche Intelligenz einsetzen oder entwickeln. Ein im März 2026 in *Frontiers in Systems Biology* veröffentlichtes Framework bietet nun eine strukturierte Lösung.
Die Problemstellung
Traditionelle IRB-Überprüfung folgt etablierten Paradigmen der klinischen Forschung. KI-basierte Studien brechen jedoch mit diesen Annahmen:
Die Folge: IRBs wenden oft unangemessene oder inkonsistente Bewertungsmaßstäbe an.
Das Three-Stage Framework
Das von Porsdam Mann et al. entwickelte Framework basiert auf der International Medical Device Regulatory Forum (IMDRF) Guidance von 2017 und strukturiert die IRB-Überprüfung in drei aufeinander aufbauende Stufen[1]:
Stage 1: Exploratory Data Access
Die erste Stufe umfasst den Zugriff auf Daten ohne aktive Beteiligung von Probanden. Hier geht es um:
IRB-Fokus: Datenschutzerklärungen, Data Use Agreements, Re-Identifikationsrisiken.
Risikoklassifikation: Typischerweise *minimal risk*.
Stage 2: Silent Evaluation
In der zweiten Stufe wird das KI-System in einem klinischen Kontext getestet, ohne dass die Vorhersagen die Patientenversorgung beeinflussen:
IRB-Fokus: Informierte Einwilligung, Sicherheitsüberwachung, klare Begrenzung der KI-Rolle.
Risikoklassifikation: *Low to moderate risk*, abhängig von Datenempfindlichkeit.
Stage 3: Prospective Clinical Evaluation
Die dritte Stufe umfasst den tatsächlichen klinischen Einsatz des KI-Systems:
IRB-Fokus: Vollständige klinische Prüfung mit Sicherheitsbericht, Adverse-Event-Monitoring, Daten-Safety-Monitoring-Board.
Risikoklassifikation: *Moderate to high risk*.
Die Studienergebnisse
Methodik
Das Framework wurde durch systematische Analyse bestehender KI-Ethik-Leitlinien entwickelt und mit Input aus regulatorischen Experten verfeinert. Die Autoren untersuchten drei Themenbereiche der existierenden Literatur:
Keiner dieser Ansätze adressiert direkt die Kernfrage: *Wie können IRB-Reviewer systematisch die Risiken und Vorteile von KI-Studien bewerten?*
Kernerkenntnis
Das framework bietet einen **risikobasierten Ansatz**, der die Überwachungsintensität an das Reifegrad und Risikoniveau des jeweiligen KI-Projekts anpasst. Dies ermöglicht:
Klinische Relevanz
Für Studiendesigner
Für IRBs
Für Regulatoren
Praktische Anwendung
Beispiel: Machine Learning für Radiologie
Beispiel: Prädiktives Modell für Sepsis
Fazit
Das Three-Stage Framework bietet eine praktische, risikobasierte Struktur für die ethische Bewertung von KI-Forschung. Es adressiert eine kritische Lücke: Viele KI-Ethik-Rahmenwerke articulieren Prinzipien, aber wenige operationalisieren, wie diese in der Praxis angewendet werden.
Für Biostatistiker und klinische Forscher bedeutet dies: KI-Studien können nun systematisch geplant und ethisch korrekt gestaltet werden – mit klaren Meilensteinen und proportionalem regulatorischen Aufwand.
---
Key Findings
IRBs face new challenges reviewing AI-based studies. Traditional paradigms fail to capture the dynamic nature of AI systems. The **Three-Stage Framework** (Porsdam Mann et al., 2026) provides a risk-based approach for IRB review[1]:
Stage 1: Exploratory Data Access
Stage 2: Silent Evaluation
Stage 3: Prospective Clinical Evaluation
The framework aligns with IMDRF guidance, FDA GMLP principles, and EU AI Act risk categories, enabling international harmonization.
---