„AI im Market Access: Haben wir den Schneid dazu?"
Ein Experteninterview mit Menasheh Fogel, Fractional CIO und ehemaliger IT-Führungskraft in der multinationalen Pharmaindustrie
Moderatorin (Barbara Walter): Market Access ist das Herzstück des kommerziellen Erfolgs eines jeden Medikaments. Dennoch liegen Daten oft in Silos und die Automatisierung lässt auf sich warten. Menasheh Fogel hat über zwei Jahrzehnte lang die IT-Infrastruktur in den Life Sciences aufgebaut – zuletzt leitete er IT-Teams, die sich in der multinationalen Pharmaindustrie dezidiert dem Market Access widmeten. Er kennt die Reibungspunkte von innen. Wir haben uns mit ihm zusammengesetzt, um zu verstehen, was dem Fortschritt tatsächlich im Weg steht und wie wir das ändern können.
Menasheh, du hast den digitalen Wandel im Market Access aus nächster Nähe miterlebt. Was bremst die KI-Einführung in diesem Bereich wirklich aus? Ist es Technologie, Datenqualität oder etwas ganz anderes?
MF: Um ehrlich zu sein: Es liegt zumindest nicht primär an der Technik oder den Daten. Ich beobachte eher, dass Market Access nach wie vor extrem auf persönliche Erfahrung, Verhandlungsgeschick und das eigene Netzwerk setzt, wenn es darum geht, Produkte in die Erstattungslisten der Kostenträger zu bekommen – und eben nicht auf Automatisierung.
Moderatorin: Also weniger ein technisches als vielmehr ein kulturelles und organisatorisches Problem?
MF: Die Organisationsstruktur spielt definitiv eine Rolle. Market Access muss von Anfang an als kritischer Erfolgsfaktor und strategischer Partner für die Kolleginnen und Kollegen aus der Forschung und Entwicklung (R&D) verstanden werden. In der Realität sind R&D-Teams jedoch ungleich besser ausgestattet – was Ressourcen, Budgets und das interne Standing angeht. Der Stimme von Market Access Gehör zu verschaffen, ist eine echte Herausforderung, besonders wenn die Entwicklungsteams primär darauf fokussiert sind, klinische Zeitpläne zu verkürzen. Selbst wenn wir unsere klinischen Ziele erreichen, müssen wir uns doch viel früher fragen: Gibt es für diesen Wirkstoff überhaupt einen kommerziellen Markt – und zwar zu dem Preis, den wir benötigen?
Eine kleine Randnotiz zum Thema KI: Die Erstellung von Dossiers ist extrem textlastig. Ich vermute, dass viele Market-Access-Mitarbeitende hier insgeheim schon mit LLMs arbeiten, allerdings noch unstrukturiert und ohne den nötigen cross-funktionalen Datenkontext.
Moderatorin: Das deckt sich absolut mit unserer Erfahrung. Isolierte KI-Tools schöpfen ihr Potenzial selten aus. Erst wenn man sie mit Daten aus den angrenzenden Abteilungen füttert, verändert sich das Bild grundlegend. Wie tief reichen diese Abhängigkeiten im Market Access wirklich?
MF: Market Access hängt massiv von der Zusammenarbeit mit anderen Fachbereichen ab, allen voran der klinischen Entwicklung. Klinische Studiendaten und das Erreichen von Endpunkten fließen direkt in die Preisfindung ein. Eine erfolgsbasierte Preisgestaltung (Outcome-based Pricing) erfordert zudem umfassende Real-World-Evidence, um die tatsächliche Wirkung im Alltag nachzuweisen. Dabei stößt man jedoch auf ganz andere Hürden: Wie läuft die Datenerhebung ab? Vertrauen die Kostenträger dem Hersteller überhaupt bei der Erfolgsmessung? Und sollte ein Pharmaunternehmen überhaupt Zugriff auf sensible, individuelle Patientendaten haben?
Moderatorin: Was funktioniert denn in der Praxis bereits gut?
MF: Am besten laufen outcome-basierte Modelle, die an glasklare, leicht messbare Kriterien gekoppelt sind – zum Beispiel die Wiederaufnahmerate von Patienten innerhalb eines bestimmten Zeitfensters. In diesen Fällen fordert der Kostenträger ganz unkompliziert den Rabatt beim Hersteller ein. Ein weiterer kritischer Datenpunkt kommt aus dem Bereich Medical Affairs. Sie definieren die genaue Patientenpopulation und die vorgesehene Anwendung des Wirkstoffs. Diese Informationen bilden wiederum das Fundament für die gesamte Nutzenbewertung.
Moderatorin: Die Daten sind also da, aber verstreut über R&D, Medical Affairs und Commercial – und selten so vernetzt, dass eine KI sinnvoll damit arbeiten kann. Wo fängt ein Market Access Leader unter diesen Voraussetzungen überhaupt an?
MF: Der pragmatischste Einstieg ist die Dossier-Erstellung. Wie gesagt, mich würde es nicht wundern, wenn das viele ohnehin schon informell nutzen. Darüber hinaus sehe ich drei konkrete Bereiche. Erstens: ein HTA-Listening-Agent (Health Technology Assessment), der in das Launch Sequencing einfließt — das war tatsächlich einer der ersten Use Cases, an den ich beim Vorbereiten dieses Interviews gedacht habe. Zweitens würde ich den Aufbau eines Agenten zur Ausschreibungsüberwachung (Tender-Tracking) in Betracht ziehen. Wer systematisch mehr Ausschreibungen auf dem Schirm hat, erhöht automatisch seine Erfolgsquote. Drittens die Quantifizierung von Behandlungsergebnissen — ein zentraler Hebel für Preisverhandlungen. Das ist eine mathematisch anspruchsvolle Disziplin, die allerdings genügend menschliche und erfahrungsbasierte Faktoren enthält, die eine KI hervorragend modellieren kann.
Moderatorin: Kannst du dafür ein konkretes Beispiel nennen?
MF: Das NICE in Großbritannien nutzt beispielsweise einen sehr klar definierten Ansatz zur Berechnung von QALYs (Quality Adjusted Life Years). Das ist eine mathematische Formel, die bestimmt, wie sich ein neuer Wirkstoff auf die Lebensqualität und die Prognose eines Patienten auswirkt. Genau bei solchen strukturierten Modellen sollte man ansetzen.
Moderatorin: Wie bewertest du den wirtschaftlichen Nutzen dieser Use Cases? Wo liegt der echte „Return on AI“?
MF: Jeder noch so kleine Fortschritt in der Marktzugangsqualität wirkt sich direkt und massiv auf den Umsatz aus. Wir sprechen hier über fundamentale Fragen: Welchen Preis erzielt das Produkt? Wie gut lässt es sich vermarkten? Wird es überhaupt erstattet?
Die automatisierte Dossiererstellung verkürzt die Durchlaufzeiten und sorgt für eine schnellere Time-to-Market. Ein intelligentes Launch-Sequencing inklusive Referenzpreis-Optimierung verhindert eine vorzeitige Preiserosion beim Markteintritt. Das Tender-Tracking treibt die Ausschreibungsquote und damit den Umsatz nach oben. Und ein digitaler QALY-Rechner beschleunigt die Nutzenargumentation, was die Positionierung in Preisgesprächen stärkt. Gerade bei hochpreisigen Therapien wie Zell- und Gentherapien sind Pay-for-Performance-Modelle oft unumgänglich – hier von Tag eins an richtig zu agieren, schützt vor massiven Umsatzverlusten.
Moderatorin: Und wo verbirgt sich das absolut größte ROI-Potenzial?
MF: Den mit Abstand größten Hebel sehe ich in der Bewertung von Endpunkten und Zielstrukturen während der laufenden klinischen Studien. Die finanziellen Auswirkungen spürt man hier zwar erst Jahre später, aber stellen wir uns eine KI vor, die den Wirkstoffkandidaten analysiert, den ungedeckten medizinischen Bedarf bewertet und die Gesamteffekte auf das Gesundheitssystem simuliert. Kostenträger nicken höhere Preise ab, wenn man schwarz auf weiß nachweisen kann, dass ein Wirkstoff nicht nur das Leben des einzelnen Patienten verbessert, sondern an anderer Stelle extrem kostspielige Folgeeingriffe im Gesundheitssystem vermeidet. Diese Weichenstellung entscheidet über den Markteintrittspreis – Jahre bevor überhaupt die erste Verhandlungsrunde startet.
Moderatorin: Weg von der Taktik, hin zum großen Ganzen: Was muss sich auf Führungsebene ändern, damit aus isolierten Pilotprojekten eine integrierte Plattform wird?
MF: Wie bei fast jedem Transformationsprozess ist die Kultur die größte Hürde. Sind wir als Unternehmen wirklich bereit, die kommerzielle Bewertung ganz früh in die Arzneimittelentwicklung einzubetten – oder als langfristiges Ziel sogar schon in die frühe Wirkstoffforschung? Meiner Erfahrung nach haben die Market-Access-Teams das längst verstanden. Jetzt gilt es, den Rest der Organisation mitzuziehen.
Wir müssen offen für völlig neue Arbeitsweisen sein. Gleichzeitig müssen wir Technologen diese Aufgaben mit einer gewissen Demut angehen. Und letztlich braucht es handfeste Erfolgsgeschichten von Early Adopters. Klare Beispiele, die zeigen, wo der Mehrwert liegt, werden den Wandel maßgeblich beschleunigen.
Moderatorin: Ein Ansatz, den wir absolut teilen und unterstützen. Wenn die Pharmaindustrie das Thema richtig anpackt – könnte KI dann der lang ersehnte Wegbereiter für Value-based Reimbursement im großen Stil sein? Also etwas, worüber die Branche seit Jahren spricht, aber selten liefert?
MF: Ich glaube durchaus, dass KI das massiv erleichtern kann – insbesondere dort, wo klinische Ergebnisse komplex zu messen sind. Aber jenseits der reinen Messbarkeit bleiben die dicken Bretter zu bohren: Wie standardisieren wir die Datenerhebung? Wie garantieren wir die Privatsphäre von Patienten und Ärzten? Wer haftet für die Richtigkeit der Ergebnisse und unter welchen Bedingungen? Wie steuern wir die Patienteneinwilligungen? Das sind hochkomplexe Fragen in einem Markt mit extrem vielen Stakeholdern. Das löst man nicht mal eben nebenbei.
Moderatorin: Wenn du einen realistischen 12-Monats-Fahrplan aufstellen müsstest – wie sähe der aus und wo lauern die versteckten Stolpersteine, die viele übersehen?
MF: Die Use Cases, die ich eben genannt habe, sind im Grunde schon in der richtigen Reihenfolge für eine Roadmap. Ich würde mit Anwendungsfällen starten, die eine geringe Datenkomplexität aufweisen: dem Dossier-Assistenten, der Ausschreibungsüberwachung und dem QALY-Rechner.
Der Use Case rund um die Launch-Reihenfolge birgt allerdings eine mathematische Optimierungskomplexität, die weit über reines HTA-Monitoring hinausgeht. Man muss sich das wie eine riesige, dynamische Ländermatrix vorstellen: Welches Land verweist bei welchen Indikationen und unter welchen Bedingungen auf welches andere Land? Diese Matrix muss permanent mit Echtzeitdaten gefüttert werden. Das ist alles andere als trivial.
Pay-for-Performance ist aufgrund der zersplitterten Stakeholder- und Datenlandschaft technologisch und regulatorisch der komplexeste Fall. Hier stellt sich auch die Frage, welche Akteure im Markt am Ende wirklich den Schneid haben, das konsequent durchzuziehen.
Die frühzeitige Bewertung von Wirkstoffkandidaten wiederum ist primär eine technische Integrationsaufgabe, bei der interne und öffentliche historische Daten zusammengeführt werden müssen. Mit dem richtigen Rückhalt im Management lässt sich die KI-gestützte Bewertung von Endpunkten wahrscheinlich sogar schneller und reibungsloser automatisieren als gedacht – und der strategische, langfristige Wert ist hier, wie beschrieben, gigantisch.
Moderatorin: Die Herausforderungen sind real, aber der Weg zur Lösung ist klarer als viele denken. Wer jetzt mutig vorangeht, wird nicht nur bestehende Lücken schließen, sondern im Market Access völlig neue Maßstäbe setzen. Es ist an der Zeit, die Ärmel hochzukrempeln. Menasheh, vielen Dank für deine Zeit und deine erfrischend ehrliche Analyse.
Wenn du mehr über maßgeschneiderte KI-Strategien für den Bereich Market Access erfahren möchtest, freuen wir uns auf den Austausch mit dir.
Bei weiteren Fragen meldet euch gerne bei Bertram Weiss.
LinkedIn: https://www.linkedin.com/in/drbertramweiss/
E-Mail: bertram.weiss@merantix-momentum.com
ÜBer Menasheh Fogel
.jpg)
Menasheh Fogel ist Fractional CIO für wachstumsstarke Biotechs und mittelständische Unternehmen sowie Dokumentarfilmer. Mit über 20 Jahren IT-Führungserfahrung in den Life Sciences verfügt er über eine breite Expertise entlang der gesamten digitalen Wertschöpfungskette – von der Strategie und Architektur bis hin zu Betrieb und Infrastruktur. In seinen jüngsten Führungspositionen leitete er IT-Teams, die sich dem Market Access sowie Zell- und Gentherapien in der multinationalen Pharmaindustrie widmeten.
Jetzt beim Merantix Momentum Newsletter anmelden.
Weitere Artikel
Vom Engpass zum Durchbruch: Warum KI entscheidend für den Fortschritt in Gesundheitswesen und Pharma ist
.png)
.png)
.png)
„AI im Market Access: Haben wir den Schneid dazu?"
Ein Experteninterview mit Menasheh Fogel, Fractional CIO und ehemaliger IT-Führungskraft in der multinationalen Pharmaindustrie
Moderatorin (Barbara Walter): Market Access ist das Herzstück des kommerziellen Erfolgs eines jeden Medikaments. Dennoch liegen Daten oft in Silos und die Automatisierung lässt auf sich warten. Menasheh Fogel hat über zwei Jahrzehnte lang die IT-Infrastruktur in den Life Sciences aufgebaut – zuletzt leitete er IT-Teams, die sich in der multinationalen Pharmaindustrie dezidiert dem Market Access widmeten. Er kennt die Reibungspunkte von innen. Wir haben uns mit ihm zusammengesetzt, um zu verstehen, was dem Fortschritt tatsächlich im Weg steht und wie wir das ändern können.
Menasheh, du hast den digitalen Wandel im Market Access aus nächster Nähe miterlebt. Was bremst die KI-Einführung in diesem Bereich wirklich aus? Ist es Technologie, Datenqualität oder etwas ganz anderes?
MF: Um ehrlich zu sein: Es liegt zumindest nicht primär an der Technik oder den Daten. Ich beobachte eher, dass Market Access nach wie vor extrem auf persönliche Erfahrung, Verhandlungsgeschick und das eigene Netzwerk setzt, wenn es darum geht, Produkte in die Erstattungslisten der Kostenträger zu bekommen – und eben nicht auf Automatisierung.
Moderatorin: Also weniger ein technisches als vielmehr ein kulturelles und organisatorisches Problem?
MF: Die Organisationsstruktur spielt definitiv eine Rolle. Market Access muss von Anfang an als kritischer Erfolgsfaktor und strategischer Partner für die Kolleginnen und Kollegen aus der Forschung und Entwicklung (R&D) verstanden werden. In der Realität sind R&D-Teams jedoch ungleich besser ausgestattet – was Ressourcen, Budgets und das interne Standing angeht. Der Stimme von Market Access Gehör zu verschaffen, ist eine echte Herausforderung, besonders wenn die Entwicklungsteams primär darauf fokussiert sind, klinische Zeitpläne zu verkürzen. Selbst wenn wir unsere klinischen Ziele erreichen, müssen wir uns doch viel früher fragen: Gibt es für diesen Wirkstoff überhaupt einen kommerziellen Markt – und zwar zu dem Preis, den wir benötigen?
Eine kleine Randnotiz zum Thema KI: Die Erstellung von Dossiers ist extrem textlastig. Ich vermute, dass viele Market-Access-Mitarbeitende hier insgeheim schon mit LLMs arbeiten, allerdings noch unstrukturiert und ohne den nötigen cross-funktionalen Datenkontext.
Moderatorin: Das deckt sich absolut mit unserer Erfahrung. Isolierte KI-Tools schöpfen ihr Potenzial selten aus. Erst wenn man sie mit Daten aus den angrenzenden Abteilungen füttert, verändert sich das Bild grundlegend. Wie tief reichen diese Abhängigkeiten im Market Access wirklich?
MF: Market Access hängt massiv von der Zusammenarbeit mit anderen Fachbereichen ab, allen voran der klinischen Entwicklung. Klinische Studiendaten und das Erreichen von Endpunkten fließen direkt in die Preisfindung ein. Eine erfolgsbasierte Preisgestaltung (Outcome-based Pricing) erfordert zudem umfassende Real-World-Evidence, um die tatsächliche Wirkung im Alltag nachzuweisen. Dabei stößt man jedoch auf ganz andere Hürden: Wie läuft die Datenerhebung ab? Vertrauen die Kostenträger dem Hersteller überhaupt bei der Erfolgsmessung? Und sollte ein Pharmaunternehmen überhaupt Zugriff auf sensible, individuelle Patientendaten haben?
Moderatorin: Was funktioniert denn in der Praxis bereits gut?
MF: Am besten laufen outcome-basierte Modelle, die an glasklare, leicht messbare Kriterien gekoppelt sind – zum Beispiel die Wiederaufnahmerate von Patienten innerhalb eines bestimmten Zeitfensters. In diesen Fällen fordert der Kostenträger ganz unkompliziert den Rabatt beim Hersteller ein. Ein weiterer kritischer Datenpunkt kommt aus dem Bereich Medical Affairs. Sie definieren die genaue Patientenpopulation und die vorgesehene Anwendung des Wirkstoffs. Diese Informationen bilden wiederum das Fundament für die gesamte Nutzenbewertung.
Moderatorin: Die Daten sind also da, aber verstreut über R&D, Medical Affairs und Commercial – und selten so vernetzt, dass eine KI sinnvoll damit arbeiten kann. Wo fängt ein Market Access Leader unter diesen Voraussetzungen überhaupt an?
MF: Der pragmatischste Einstieg ist die Dossier-Erstellung. Wie gesagt, mich würde es nicht wundern, wenn das viele ohnehin schon informell nutzen. Darüber hinaus sehe ich drei konkrete Bereiche. Erstens: ein HTA-Listening-Agent (Health Technology Assessment), der in das Launch Sequencing einfließt — das war tatsächlich einer der ersten Use Cases, an den ich beim Vorbereiten dieses Interviews gedacht habe. Zweitens würde ich den Aufbau eines Agenten zur Ausschreibungsüberwachung (Tender-Tracking) in Betracht ziehen. Wer systematisch mehr Ausschreibungen auf dem Schirm hat, erhöht automatisch seine Erfolgsquote. Drittens die Quantifizierung von Behandlungsergebnissen — ein zentraler Hebel für Preisverhandlungen. Das ist eine mathematisch anspruchsvolle Disziplin, die allerdings genügend menschliche und erfahrungsbasierte Faktoren enthält, die eine KI hervorragend modellieren kann.
Moderatorin: Kannst du dafür ein konkretes Beispiel nennen?
MF: Das NICE in Großbritannien nutzt beispielsweise einen sehr klar definierten Ansatz zur Berechnung von QALYs (Quality Adjusted Life Years). Das ist eine mathematische Formel, die bestimmt, wie sich ein neuer Wirkstoff auf die Lebensqualität und die Prognose eines Patienten auswirkt. Genau bei solchen strukturierten Modellen sollte man ansetzen.
Moderatorin: Wie bewertest du den wirtschaftlichen Nutzen dieser Use Cases? Wo liegt der echte „Return on AI“?
MF: Jeder noch so kleine Fortschritt in der Marktzugangsqualität wirkt sich direkt und massiv auf den Umsatz aus. Wir sprechen hier über fundamentale Fragen: Welchen Preis erzielt das Produkt? Wie gut lässt es sich vermarkten? Wird es überhaupt erstattet?
Die automatisierte Dossiererstellung verkürzt die Durchlaufzeiten und sorgt für eine schnellere Time-to-Market. Ein intelligentes Launch-Sequencing inklusive Referenzpreis-Optimierung verhindert eine vorzeitige Preiserosion beim Markteintritt. Das Tender-Tracking treibt die Ausschreibungsquote und damit den Umsatz nach oben. Und ein digitaler QALY-Rechner beschleunigt die Nutzenargumentation, was die Positionierung in Preisgesprächen stärkt. Gerade bei hochpreisigen Therapien wie Zell- und Gentherapien sind Pay-for-Performance-Modelle oft unumgänglich – hier von Tag eins an richtig zu agieren, schützt vor massiven Umsatzverlusten.
Moderatorin: Und wo verbirgt sich das absolut größte ROI-Potenzial?
MF: Den mit Abstand größten Hebel sehe ich in der Bewertung von Endpunkten und Zielstrukturen während der laufenden klinischen Studien. Die finanziellen Auswirkungen spürt man hier zwar erst Jahre später, aber stellen wir uns eine KI vor, die den Wirkstoffkandidaten analysiert, den ungedeckten medizinischen Bedarf bewertet und die Gesamteffekte auf das Gesundheitssystem simuliert. Kostenträger nicken höhere Preise ab, wenn man schwarz auf weiß nachweisen kann, dass ein Wirkstoff nicht nur das Leben des einzelnen Patienten verbessert, sondern an anderer Stelle extrem kostspielige Folgeeingriffe im Gesundheitssystem vermeidet. Diese Weichenstellung entscheidet über den Markteintrittspreis – Jahre bevor überhaupt die erste Verhandlungsrunde startet.
Moderatorin: Weg von der Taktik, hin zum großen Ganzen: Was muss sich auf Führungsebene ändern, damit aus isolierten Pilotprojekten eine integrierte Plattform wird?
MF: Wie bei fast jedem Transformationsprozess ist die Kultur die größte Hürde. Sind wir als Unternehmen wirklich bereit, die kommerzielle Bewertung ganz früh in die Arzneimittelentwicklung einzubetten – oder als langfristiges Ziel sogar schon in die frühe Wirkstoffforschung? Meiner Erfahrung nach haben die Market-Access-Teams das längst verstanden. Jetzt gilt es, den Rest der Organisation mitzuziehen.
Wir müssen offen für völlig neue Arbeitsweisen sein. Gleichzeitig müssen wir Technologen diese Aufgaben mit einer gewissen Demut angehen. Und letztlich braucht es handfeste Erfolgsgeschichten von Early Adopters. Klare Beispiele, die zeigen, wo der Mehrwert liegt, werden den Wandel maßgeblich beschleunigen.
Moderatorin: Ein Ansatz, den wir absolut teilen und unterstützen. Wenn die Pharmaindustrie das Thema richtig anpackt – könnte KI dann der lang ersehnte Wegbereiter für Value-based Reimbursement im großen Stil sein? Also etwas, worüber die Branche seit Jahren spricht, aber selten liefert?
MF: Ich glaube durchaus, dass KI das massiv erleichtern kann – insbesondere dort, wo klinische Ergebnisse komplex zu messen sind. Aber jenseits der reinen Messbarkeit bleiben die dicken Bretter zu bohren: Wie standardisieren wir die Datenerhebung? Wie garantieren wir die Privatsphäre von Patienten und Ärzten? Wer haftet für die Richtigkeit der Ergebnisse und unter welchen Bedingungen? Wie steuern wir die Patienteneinwilligungen? Das sind hochkomplexe Fragen in einem Markt mit extrem vielen Stakeholdern. Das löst man nicht mal eben nebenbei.
Moderatorin: Wenn du einen realistischen 12-Monats-Fahrplan aufstellen müsstest – wie sähe der aus und wo lauern die versteckten Stolpersteine, die viele übersehen?
MF: Die Use Cases, die ich eben genannt habe, sind im Grunde schon in der richtigen Reihenfolge für eine Roadmap. Ich würde mit Anwendungsfällen starten, die eine geringe Datenkomplexität aufweisen: dem Dossier-Assistenten, der Ausschreibungsüberwachung und dem QALY-Rechner.
Der Use Case rund um die Launch-Reihenfolge birgt allerdings eine mathematische Optimierungskomplexität, die weit über reines HTA-Monitoring hinausgeht. Man muss sich das wie eine riesige, dynamische Ländermatrix vorstellen: Welches Land verweist bei welchen Indikationen und unter welchen Bedingungen auf welches andere Land? Diese Matrix muss permanent mit Echtzeitdaten gefüttert werden. Das ist alles andere als trivial.
Pay-for-Performance ist aufgrund der zersplitterten Stakeholder- und Datenlandschaft technologisch und regulatorisch der komplexeste Fall. Hier stellt sich auch die Frage, welche Akteure im Markt am Ende wirklich den Schneid haben, das konsequent durchzuziehen.
Die frühzeitige Bewertung von Wirkstoffkandidaten wiederum ist primär eine technische Integrationsaufgabe, bei der interne und öffentliche historische Daten zusammengeführt werden müssen. Mit dem richtigen Rückhalt im Management lässt sich die KI-gestützte Bewertung von Endpunkten wahrscheinlich sogar schneller und reibungsloser automatisieren als gedacht – und der strategische, langfristige Wert ist hier, wie beschrieben, gigantisch.
Moderatorin: Die Herausforderungen sind real, aber der Weg zur Lösung ist klarer als viele denken. Wer jetzt mutig vorangeht, wird nicht nur bestehende Lücken schließen, sondern im Market Access völlig neue Maßstäbe setzen. Es ist an der Zeit, die Ärmel hochzukrempeln. Menasheh, vielen Dank für deine Zeit und deine erfrischend ehrliche Analyse.
Wenn du mehr über maßgeschneiderte KI-Strategien für den Bereich Market Access erfahren möchtest, freuen wir uns auf den Austausch mit dir.
Bei weiteren Fragen meldet euch gerne bei Bertram Weiss.
LinkedIn: https://www.linkedin.com/in/drbertramweiss/
E-Mail: bertram.weiss@merantix-momentum.com
ÜBer Menasheh Fogel
Menasheh Fogel ist Fractional CIO für wachstumsstarke Biotechs und mittelständische Unternehmen sowie Dokumentarfilmer. Mit über 20 Jahren IT-Führungserfahrung in den Life Sciences verfügt er über eine breite Expertise entlang der gesamten digitalen Wertschöpfungskette – von der Strategie und Architektur bis hin zu Betrieb und Infrastruktur. In seinen jüngsten Führungspositionen leitete er IT-Teams, die sich dem Market Access sowie Zell- und Gentherapien in der multinationalen Pharmaindustrie widmeten.
.png)
.png)