First-in-Human-Studien (FIH, auch als First-in-Man-Studien, FIM, bezeichnet) markieren einen der kritischsten Übergänge in der klinischen Entwicklung: den ersten Einsatz eines Wirkstoffs im Menschen. Sie werden in der Regel der Phase I zugeordnet und umfassen meist eine begrenzte Anzahl von Probanden, abhängig vom Studiendesign und der untersuchten Substanz.
Während präklinische Daten aus In-vitro-Experimenten und Tiermodellen umfangreiche Hinweise liefern, bleibt die Frage offen, wie zuverlässig sich diese Erkenntnisse auf den Menschen übertragen lassen. Genau an dieser Schnittstelle entsteht ein Spannungsfeld zwischen wissenschaftlichem Fortschritt und Patientensicherheit.
First-in-Human-Studien stehen damit vor der Herausforderung, unter begrenzter Datenlage fundierte Entscheidungen zu ermöglichen und gleichzeitig Risiken für die Probanden zu minimieren. Der folgende Artikel beleuchtet zentrale Entscheidungsprozesse, typische Fehlerquellen und methodische Besonderheiten, die FIH-Studien in der Praxis prägen.
Der folgende Artikel zeigt, welche Entscheidungsprozesse, typischen Fehlerquellen und methodischen Besonderheiten FIH-Studien in der Praxis prägen.
Was eine First-in-Human-Studie wirklich leistet
FIH-Studien liefern den ersten direkten Einblick in die Wirkung eines Wirkstoffs im Menschen. Dennoch liegt ihr Fokus nicht auf Wirksamkeit im klinischen Sinne, sondern auf Sicherheit, Verträglichkeit und grundlegenden pharmakokinetischen sowie pharmakodynamischen Zusammenhängen. Genau hier entsteht häufig ein Missverständnis: Obwohl erste Effekte beobachtet werden können, erlauben FIH-Studien keine belastbaren Aussagen zur klinischen Wirksamkeit.
Stattdessen verfolgen sie ein anderes Ziel. Sie schaffen eine Entscheidungsgrundlage für die weitere klinische Entwicklung. Dazu gehört insbesondere die Identifikation geeigneter Dosisbereiche, die Einschätzung von Nebenwirkungen sowie ein erstes Verständnis dafür, wie sich ein Wirkstoff im menschlichen Organismus verhält. Diese Informationen sind entscheidend, um nachfolgende Studien sinnvoll zu planen.
Gleichzeitig sind die Grenzen dieser Studien klar. Die Stichproben sind klein, die Population ist meist stark selektiert, und die Studiendauer ist begrenzt. Dadurch lassen sich seltene oder langfristige Effekte kaum erfassen. Zudem bleibt die Übertragbarkeit auf spätere Zielpopulationen eingeschränkt, insbesondere wenn gesunde Probanden untersucht werden.
Gerade deshalb kommt der Interpretation der Ergebnisse eine zentrale Rolle zu. Es reicht nicht aus, Daten zu erheben. Vielmehr müssen diese im Kontext präklinischer Erkenntnisse, biologischer Plausibilität und klinischer Fragestellungen bewertet werden. FIH-Studien sind damit weniger ein klassischer Wirksamkeitstest als vielmehr ein strukturierter Lernprozess unter Unsicherheit, der die Grundlage für alle weiteren Entwicklungsschritte bildet.
Die Herausforderung in FIH-Studien besteht darin, drei miteinander verknüpfte Entscheidungen aufeinander abzustimmen. Dazu gehört die Festlegung der Startdosis, die bestimmt, mit welchem Risiko die Studie beginnt. Ebenso maßgeblich ist die Eskalationsstrategie, bei der ein Spannungsfeld zwischen schneller Erkenntnisgewinnung und kontrollierter Risikominimierung besteht. Schließlich kommt dem Sicherheitskonzept eine wichtige Rolle zu, das unter anderem Sentinel-Dosierungen, also die initiale Behandlung einzelner Probanden, sowie eine kontinuierliche Überwachung der Sicherheit umfasst.
Startdosis in FIH-Studien: NOAEL, MABEL und regulatorische Realität
Die Festlegung der Startdosis gehört zu den kritischsten Entscheidungen in FIH-Studien. Sie bestimmt das initiale Sicherheitsniveau und den gesamten weiteren Studienverlauf. Im Mittelpunkt stehen dabei zwei Konzepte:
- NOAEL (No Observed Adverse Effect Level)
- MABEL (Minimum Anticipated Biological Effect Level)
Die größte Herausforderung liegt in der Unsicherheit, wie zuverlässig sich präklinische Daten auf den Menschen übertragen lassen. Traditionell wird die Startdosis über den NOAEL abgeleitet, also die höchste Dosis ohne beobachtete adverse Effekte in präklinischen Studien. Dieser Ansatz ist vor allem bei Small Molecules etabliert, deren pharmakokinetisches Verhalten im Vergleich zu Biologics oft besser vorhersagbar ist.
An seine Grenzen stößt dieser Ansatz, wenn die Übertragbarkeit präklinischer Daten eingeschränkt ist. Dies ist insbesondere bei Biologics der Fall, also komplexen, häufig biotechnologisch hergestellten Wirkstoffen wie monoklonalen Antikörpern. Unterschiede zwischen Tier und Mensch können dazu führen, dass toxikologische Daten das tatsächliche Risiko nur unzureichend abbilden.
Vor diesem Hintergrund gewinnt der MABEL-Ansatz an Bedeutung. Statt die maximal verträgliche Dosis zu betrachten, steht hier die minimale erwartete biologische Wirkung im Fokus. Die Startdosis wird so gewählt, dass zunächst nur geringe pharmakologische Effekte zu erwarten sind. Grundlage ist die integrierte Bewertung verschiedener Datenquellen, etwa In-vitro-Untersuchungen, präklinische PK/PD-Analysen und mechanistische Überlegungen.
In der Praxis bleibt die Anwendung dieser Konzepte anspruchsvoll. Präklinische Daten sind häufig heterogen, ihre Übertragbarkeit begrenzt, und Unsicherheiten in Wirkmechanismus und PK/PD erschweren die Ableitung zusätzlich. Regulatorisch wird daher ein risikobasierter Ansatz gefordert, der alle verfügbaren Daten integriert bewertet. Die Wahl der Startdosis ist somit weniger eine rechnerische Ableitung als eine fundierte Entscheidung unter Unsicherheit.
FDA Guidance zu FIH-Studien: Was wirklich relevant ist
Regulatorische Leitlinien spielen eine wichtige Rolle bei der Planung von FIH-Studien. Insbesondere die Guidance der FDA zu First-in-Human-Studien wird häufig als Referenz herangezogen. Allerdings liegt ihr Mehrwert weniger in einzelnen Vorgaben als vielmehr in der zugrunde liegenden Denkweise: einem konsequent risikobasierten Ansatz.
Im Kern fordert die FDA, alle verfügbaren präklinischen und pharmakologischen Daten integrativ zu bewerten und daraus ein Studiendesign abzuleiten, das potenzielle Risiken frühzeitig adressiert. Dazu gehören Maßnahmen wie Sentinel-Dosierungen, bevor weitere Teilnehmer eingeschlossen werden. Ebenso wird ein zeitlich gestaffeltes Vorgehen empfohlen, bei dem Probanden nicht gleichzeitig, sondern schrittweise behandelt werden, um Sicherheitsdaten frühzeitig auswerten zu können.
Diese Prinzipien wirken auf den ersten Blick selbstverständlich. In der Praxis zeigen sich jedoch ihre eigentliche Bedeutung. Sie sind eine direkte Reaktion auf Situationen, in denen präklinische Daten die tatsächlichen Risiken im Menschen nicht ausreichend abgebildet haben. Der Fokus liegt daher nicht auf formalen Anforderungen, sondern auf der aktiven Risikosteuerung im Studiendesign.
Besonders relevant ist dabei, dass die FDA keine starren Regeln vorgibt. Stattdessen wird erwartet, dass Studienverantwortliche begründen können, warum ein bestimmtes Vorgehen gewählt wurde. Das betrifft sowohl die Ableitung der Startdosis als auch die Gestaltung der Dosiseskalation und Sicherheitsüberwachung.
Damit verschiebt sich die Verantwortung deutlich. FIH-Studien sind nicht primär ein regulatorisches „Abhaken“ von Vorgaben, sondern erfordern eine fundierte wissenschaftliche Argumentation. Die Qualität einer Studie zeigt sich daher weniger in der Einhaltung einzelner Maßnahmen als in der Konsistenz der zugrunde liegenden Risikoabwägung.
Typische Fehler in FIH-Studien: Wo Risiken unterschätzt werden
FIH-Studien folgen klaren methodischen Prinzipien. In der Praxis treten jedoch immer wieder ähnliche Fehler auf, die selten auf fehlendes Wissen zurückzuführen sind, sondern vielmehr auf die Überschätzung präklinischer Daten und die Unterschätzung systemischer Unsicherheiten.
Fehler 1: Startdosis zu stark toxikologisch abgeleitet
Problem:
Die Startdosis wird primär auf Basis von NOAEL bestimmt, ohne die minimale biologische Aktivität ausreichend zu berücksichtigen.
Konsequenz:
Unerwartet starke pharmakologische Effekte bereits bei niedrigen Dosen.
Besserer Ansatz:
Integration von MABEL und mechanistischen Überlegungen.
Fehler 2: Zu aggressive Dosiseskalation
Problem:
Dosissteigerungen erfolgen zu schnell oder ohne ausreichende Auswertung vorheriger Sicherheitsdaten.
Konsequenz:
Nebenwirkungen werden zu spät erkannt oder mehreren Probanden gleichzeitig ausgesetzt.
Besserer Ansatz:
Konsequente Anwendung von Sentinel-Dosierung und zeitlich gestaffeltem Vorgehen.
Fehler 3: Überschätzung präklinischer Modelle
Problem:
Tiermodelle werden als direkt übertragbar auf den Menschen interpretiert.
Konsequenz:
Fehleinschätzung von Risiken, insbesondere bei komplexen Wirkmechanismen.
Besserer Ansatz:
Kritische Bewertung der Übertragbarkeit und stärkere Gewichtung mechanistischer Daten.
Praxisbeispiel: TGN1412
Der TGN1412-Fall gilt als eines der bekanntesten Beispiele für die Grenzen präklinischer Vorhersagen. Der monoklonale Antikörper zeigte in präklinischen Studien keine kritischen Sicherheitssignale. In der FIH-Studie kam es jedoch bei allen Probanden kurz nach der Verabreichung zu schweren systemischen Immunreaktionen.
Die Ursachen lagen in einer Kombination mehrerer Faktoren: unzureichend prädiktive Tiermodelle, eine nicht ausreichend konservative Startdosis und die nahezu gleichzeitige Behandlung mehrerer Probanden.
Heute zeigt dieser Fall vor allem eines: Risiken entstehen selten durch einzelne Fehlentscheidungen, sondern durch ihr Zusammenspiel.
Zusammenhang zu Dosisfindungsdesigns: Warum das Studiendesign entscheidend ist
Die Festlegung der Startdosis ist nur der erste Schritt. Wie sich das Risiko im weiteren Studienverlauf entwickelt, hängt maßgeblich von der Eskalationsstrategie und dem gewählten Studiendesign ab. Genau hier kommen Dosisfindungsdesigns ins Spiel, die bestimmen, wie schnell und sicher neue Dosisstufen erreicht werden.
In der Praxis werden häufig regelbasierte Designs wie das 3+3-Design eingesetzt. Diese zeichnen sich durch eine einfache Struktur aus und lassen sich operativ leicht umsetzen. Allerdings reagieren sie nur eingeschränkt auf die tatsächlich beobachteten Daten. Entscheidungen zur Dosiseskalation basieren auf festen Regeln und berücksichtigen Unsicherheiten oder Trends in den Daten nur begrenzt.
Demgegenüber stehen modellbasierte Ansätze, bei denen statistische Modelle genutzt werden, um die Beziehung zwischen Dosis und Toxizität kontinuierlich zu aktualisieren. Dadurch kann die Dosisanpassung flexibler und oft auch effizienter erfolgen. Gleichzeitig steigt jedoch die methodische Komplexität, und die Anforderungen an die statistische Planung und Interpretation nehmen zu.
Entscheidungslogik in der Praxis:
- Einfaches Design (z. B. 3+3):
sinnvoll bei gut verstandenen Wirkstoffen und geringem Risiko - Modellbasiertes Design (z. B. CRM, BOIN):
sinnvoll bei hoher Unsicherheit oder komplexem Wirkmechanismus
Die Wahl des Designs bestimmt, wie Risiken im Studienverlauf gesteuert werden und wie effizient Informationen gewonnen werden können. Ein konservatives Design kann Sicherheit erhöhen, führt jedoch oft zu langsamem Erkenntnisgewinn. Ein adaptiver Ansatz kann schneller zu optimalen Dosen führen, erfordert jedoch eine fundierte statistische und klinische Einbettung.
Gerade im Kontext von FIH-Studien zeigt sich daher, dass Startdosis, Eskalationsstrategie und Studiendesign eng miteinander verknüpft sind. Eine isolierte Betrachtung einzelner Elemente greift zu kurz. Entscheidend ist vielmehr, dass alle Komponenten konsistent aufeinander abgestimmt sind und gemeinsam eine tragfähige Risiko-Nutzen-Abwägung ermöglichen.
Spezielle Herausforderungen bei Biologics und innovativen Therapien
Die in den vorherigen Abschnitten beschriebenen Prinzipien lassen sich nicht auf alle Wirkstoffe gleichermaßen übertragen. Insbesondere bei Biologics und innovativen Therapieformen stößt eine standardisierte Herangehensweise schnell an ihre Grenzen.
Der Grund liegt weniger in einzelnen Parametern als in der grundsätzlichen Unsicherheit. Während sich bei vielen Small Molecules stabile Zusammenhänge zwischen Dosis, Exposition und Wirkung beobachten lassen, sind diese Beziehungen bei Biologics häufig deutlich schwerer vorherzusagen. Komplexe Wirkmechanismen, immunologische Prozesse und nichtlineare Effekte führen dazu, dass präklinische Daten nur eingeschränkt auf den Menschen übertragbar sind.
Diese Unsicherheit hat direkte Konsequenzen für die Studienplanung. Entscheidungen zur Startdosis müssen konservativer getroffen werden, Dosiseskalationen erfordern engmaschigere Überwachung, und Sicherheitsbewertungen gewinnen zusätzlich an Bedeutung. Gleichzeitig steigt der Bedarf an mechanistischen Modellen und integrierten Datenanalysen, um Risiken besser einschätzen zu können.
Besonders deutlich wird diese Herausforderung bei neuartigen Therapieansätzen wie Zell- und Gentherapien. Hier reichen klassische Konzepte oft nicht mehr aus, da langfristige Effekte, verzögerte Reaktionen oder komplexe Interaktionen mit dem Immunsystem eine Rolle spielen können.
Für die Praxis bedeutet das: Je weniger zuverlässig sich präklinische Daten übertragen lassen, desto stärker verschiebt sich der Fokus von standardisierten Verfahren hin zu individueller, wissenschaftlich fundierter Entscheidungsfindung. Genau in diesen Situationen zeigt sich, ob ein risikobasierter Ansatz nicht nur formal umgesetzt, sondern tatsächlich verstanden wurde.
Fazit: First-in-Human-Studien erfordern integrierte Entscheidungen
First-in-Human-Studien sind geprägt von Entscheidungen unter Unsicherheit. Sie verbinden präklinische Erkenntnisse mit ersten klinischen Erfahrungen und erfordern dabei eine sorgfältige Abwägung von Risiken und Erkenntnisgewinn.
Dabei stehen insbesondere drei Elemente im Zentrum: die Wahl der Startdosis, die Strategie der Dosiseskalation und das Sicherheitskonzept. Diese Dimensionen lassen sich nicht unabhängig voneinander betrachten. Entscheidungen in einem Bereich beeinflussen unmittelbar die Anforderungen und Risiken in den anderen.
Gleichzeitig erfüllen First-in-Human-Studien eine doppelte Funktion. Sie sind nicht nur die erste klinische Anwendung eines Wirkstoffs, sondern liefern auch die Grundlage für alle weiteren Entwicklungsschritte. Die in dieser Phase getroffenen Entscheidungen wirken sich daher direkt auf nachfolgende Studienphasen aus, etwa bei der Auswahl geeigneter Dosisbereiche oder der Planung von Phase-II-Studien.
Für die Praxis bedeutet das: Der Erfolg einer First-in-Human-Studie hängt weniger von der Anwendung einzelner Methoden ab als von der Qualität der zugrunde liegenden Entscheidungsprozesse. Gerade in frühen Entwicklungsphasen zeigt sich, wie entscheidend eine fundierte und integrierte Planung ist. Eine strukturierte Bewertung der vorhandenen Daten und eine klare Entscheidungslogik können dazu beitragen, Risiken zu minimieren und den Erkenntnisgewinn gezielt zu steuern.
Weiterführende Literatur:
European Medicines Agency. (2017). Strategies to identify and mitigate risks for first-in-human and early clinical trials with investigational medicinal products – Scientific guideline. https://www.ema.europa.eu/en/strategies-identify-mitigate-risks-first-human-early-clinical-trials-investigational-medicinal-products-scientific-guideline
Paul-Ehrlich-Institut. (2007). Lektion gelernt? Klinische Studien nach TeGenero. Transkript, 13(6), 42–44. Abgerufen am 30.03.2026 von https://www.pei.de/SharedDocs/Downloads/wiss-publikationen-volltext/transkript-0607-tgn1412-lehren.pdf?__blob=publicationFile&v=2
Shen, J., Swift, B., Mamelok, R., Pine, S., Sinclair, J., & Attar, M. (2019). Design and Conduct Considerations for First-in-Human Trials. Clinical and translational science, 12(1), 6–19. https://doi.org/10.1111/cts.12582
U.S. Food and Drug Administration. (2015). Expansion Cohorts: Use in First-in-Human Clinical Trials to Expedite Development of Oncology Drugs and Biologics Guidance for Industry. Abgerufen am 30.03.2026 von https://www.fda.gov/media/115172/download
