Von der epidemiologischen Gesamtpopulation zur realistisch adressierbaren Marktpopulation

Warum epidemiologische Funnel häufig strukturell falsch aufgebaut werden

Epidemiologische Modelle gehören zu den zentralen Instrumenten, wenn Life-Science-Unternehmen das Marktpotenzial neuer Therapien einschätzen. Sie bilden die Grundlage für Business Cases, Investorenpräsentationen und strategische Entwicklungsentscheidungen.

In vielen frühen Analysen wird dafür ein sogenannter epidemiologischer Funnel verwendet. Ausgangspunkt sind grundlegende epidemiologische Kennzahlen wie Prävalenz oder Inzidenz einer Erkrankung. Vor dort aus wird die potenzielle Patientenpopulation Schritt für Schritt eingegrenzt, etwa über Diagnoseraten, Therapieeignung oder tatsächliche Behandlungswahrscheinlichkeit.

Dieses Vorgehen ist grundsätzlich sinnvoll und in der Brache etabliert. Epidemiologische Modelle gehören seit Jahren zu den Standardwerkzeugen in Marktanalysen und Peal-Sales-Prognosen im Pharma- und Biotech-Sektor.¹

In der Praxis zeigt sich jedoch regelmäßig ein anderes Bild: Viele dieser Funnel wirken auf den ersten Blick plausibel, sind strukturell jedoch so aufgebaut, dass sie systematisch zu verzerrten Ergebnissen führen.

Die eigentlichen Probleme liegen dabei selten in einzelnen Zahlenwerten. Meist entstehen sie durch logische Brüche innerhalb der Modellstruktur.

Die Rolle epidemiologischer Modelle im Business Case

Epidemiologische Analysen erfüllen im Life-Science-Kontext mehrere Funktionen gleichzeitig. Zum einen liefern sie eine erste quantitative Abschätzung der adressierbaren Patientenpopulation. Zum anderen bilden sie die Grundlage für Umsatzmodelle, Marktprognosen und Investitionsbewertungen.

Wie solche Marktmodelle grundsätzlich aufgebaut sind und welche strukturellen Elemente dabei berücksichtigt werden müssen, haben wir in einem separaten Beitrag zur Modellierung von Marktgrößen im Life-Science-Bereich erläutert.

Gerade in frühen Entwicklungsphasen, wenn klinische Daten noch begrenzt sind, werden solche Modelle häufig zu einem zentralen Referenzpunkt für strategische Entscheidungen. Investoren, Managementteams und Entwicklungspartner orientieren sich an den daraus abgeleiteten Marktpotenzialen.

Damit erfüllen epidemiologische Modelle eine Rolle, die weit über reine Marktanalysen hinausgeht. Sie verbinden wissenschaftliche Entwicklung, kommerzielle Perspektive und Kapitalallokation in einem gemeinsamen analytischen Rahmen.

Gerade deshalb lohnt sich ein genauer Blick darauf, wie diese Modelle strukturiert sind.

Das Grundprinzip des epidemiologischen Funnels

Das Grundprinzip eines epidemiologischen Funnels ist vergleichsweise einfach. Eine große Ausgangspopulation wird schrittweise auf eine kleinere Zielpopulation reduziert. Typische Stufen eines solchen Modells sind beispielsweise:

• Gesamtpopulation eines Landes oder einer Region
• Prävalenz oder Inzidenz einer Erkrankung
• diagnostizierte Patienten
• therapiegeeignete Patienten
• tatsächlich behandelte Patienten
• potenzieller Marktanteil einer neuen Therapie

Mathematisch wird diese Logik häufig durch eine Reihe multiplikativer Faktoren dargestellt.² Jeder Schritt reduziert die ursprüngliche Population weiter, bis eine realistische Zielpopulation entsteht.

Diese Struktur ist intuitiv und leicht verständlich. Gerade deshalb wird sie in vielen Business Cases relativ schnell aufgebaut.

Die eigentlichen Herausforderungen entstehen jedoch häufig zwischen den einzelnen Modellstufen.

Typische strukturelle Fehler in einem epidemiologischen Funnel

1. Der falsche epidemiologische Ausgangspunkt

Ein häufiger Fehler betrifft bereits die Wahl der Ausgangsgröße.

Viele Modelle beginnen automatisch mit der Prävalenz einer Erkrankung. In bestimmten Situationen wäre jedoch die Inzidenz die geeignetere Grundlage. Der Unterschied ist erheblich:

• Prävalenz beschreibt die Gesamtzahl der Patienten zu einem bestimmten Zeitpunk.
  
• Inzidenz beschreibt die Zahl neu auftretender Fälle pro Jahr.
  

Welche Größe sinnvoller ist, hängt stark von der Therapieform ab. Während chronische Therapien häufig von Prävalenz geprägt sind, orientieren sich einmalige oder kurative Behandlungen stärker an der Inzidenz.³

Wird dieser Unterschied nicht sauber berücksichtigt, kann bereits der erste Schritt im Modell zu systematischen Verzerrungen führen.

2. Diagnoseraten werden implizit angenommen

Ein zweiter struktureller Fehler betrifft die Diagnoserate.

Viele epidemiologische Modelle setzen implizit voraus, dass ein großer Teil der Patienten diagnostiziert ist. In der Realität ist dies häufig nicht der Fall. Gerade bei seltenen Erkrankungen oder komplexen Krankheitsbildern bleibt ein erheblicher Anteil der Patienten über Jahre hinweg unerkannt. Studien zeigen, dass Diagnoselücken in vielen Indikationen einen wesentlichen Einfluss auf die tatsächlich adressierbare Population haben.⁴

Wenn dieser Faktor im Modell nicht explizit berücksichtigt wird, wird die potenzielle Marktgröße systematisch überschätzt.

3. Therapieeignung wird zu grob modelliert

Selbst innerhalb der diagnostizierten Population ist nicht jeder Patient automatisch ein geeigneter Kandidat für eine neue Therapie.

Die tatsächliche Zielpopulation kann durch verschiedene Faktoren eingeschränkt sein:

• Krankheitsstadium
  
• Komorbiditäten
  
• biomarkerbasierte Patientenselektion
  
• regulatorische Zulassungsindikationen
  

Gerade bei modernen Therapieansätzen, wie etwa in der Präzisionsonkologie oder bei Gentherapien, kann dieser Filter einen erheblichen Teil der Population ausschließen.

Wenn diese Einschränkungen im Funnel nicht sauber modelliert werden, entstehen Marktgrößen, die mathematisch korrekt erscheinen, aber klinisch nicht realistisch sind.

4. Abhängigkeiten zwischen den Funnel-Stufen werden ignoriert

Ein weiteres strukturelles Problem vieler Modelle besteht darin, dass die einzelnen Filter als voneinander unabhängig behandelt werden.

In der Realität sind viele dieser Faktoren jedoch eng miteinander verknüpft. Beispielsweise:

• hängen Diagnoseraten häufig vom Krankheitsstadium ab.
  
• beeinflussen Screening-Programme sowohl Diagnoseraten als auch Therapieeignung.
  
• verändern neue Therapieoptionen langfristig auch das Diagnoseverhalten.
  

Wenn diese Wechselwirkungen im Modell nicht berücksichtigt werden, können sich kleine Fehler über mehrere Modellstufen hinweg erheblich verstärken.

5. Der Funnel wird an gewünschte Ergebnisse angepasst

Ein besonders problematisches Muster entsteht, wenn epidemiologische Modelle rückwärts aufgebaut werden.

Dabei wird zunächst ein gewünschtes Marktpotenzial definiert, beispielsweise auf Basis vergleichbarer Präparate, und anschließend der Funnel so angepasst, dass dieses Ergebnis erreicht wird. In solcehn fällen erfüllt das Modell zwar eine kommunikative Funktion, besitzt jedoch nur begrenzten analytischen Wert.

Warum diese Fehler so häufig auftreten

Viele strukturelle Probleme epidemiologischer Modelle entstehen nicht aus mangelnder Fachkenntnis, sondern aus den Rahmenbedingungen früher Entwicklungsphasen. Zu diesem Zeitpunkt sind zahlreiche Variablen noch unsicher:

• tatsächliche Diagnoseraten
  
• zukünftige Screeningprogramme
  
• regulatorische Indikationsdefinitionen
  
• Wettbewerbsdynamik
  

Epidemiologische Modelle müssen daher zwangsläufig mit Annahmen arbeiten.

Entscheidend ist jedoch, ob diese Annahmen transparent strukturiert und systematisch geprüft werden.

Epidemiologische Modelle als Instrument strategischer Entscheidungsfindung

Der größte Fehler im Umgang mit epidemiologischen Funnel liegt häufig in ihrer Interpretation. Sie werden of als Werkzeug zur Darstellung der Marktgröße verstanden. Tatsächlich erfüllen sie eine deutlich wichtigere Funktion. Ein gut aufgebautes epidemiologisches Modell ermöglicht es,

• zentrale Annahmen transparent zu machen
  
• kritische Unsicherheiten sichtbar zu machen
  
• Sensitivitäten im Business Case zu identifizieren
  

Gerade in frühen Entwicklungsphasen ist diese Transparenz oft wertvoller als eine scheinbar präzise Zahl für die Marktgröße. Der epidemiologische Funnel wird damit weniger zu einer statischen Marktanalyse, sondern zu einem Instrument zur Strukturierung strategischer Entscheidungen.

Fazit

Epidemiologische Funnel sind ein zentrales Werkzeug der Marktmodellierung im Life-Science-Bereich. Richtig aufgebaut ermöglichen sie eine strukturierte Ableitung der tatsächlich adressierbaren Patientenpopulation.

In der Praxis entstehen jedoch viele Modelle, deren Ergebnisse weniger durch belastbare Daten als durch strukturelle Annahmen im Modell selbst bestimmt werden. Ein belastbarer epidemiologischer Funnel zeichnet sich deshalb nicht nur durch valide Datenquellen aus, sondern vor allem durch eine logisch konsistente Modellstruktur.

Erst wenn epidemiologische Daten, Diagnoseprozesse, klinische Kriterien und Versorgungssysteme zusammen betrachtet werden, entsteht ein realistisches Bild des Marktpotenzials einer neuen Therapie.

Über Excellere LifeScience Consulting

Excellere LifeScience Consulting unterstützt Life-Science-Unternehmen und Investoren bei der strukturierten Bewertung von Marktpotenzialen, der Entwicklung belastbarer Business Cases sowie der strategischen Vorbereitung von Markteintritten.

Weitere Informationen zum Leistungsbereich Business Case Development finden Sie hier: 

https://www.excellere-lifescience.com/de/leistungen/vc-readiness/business-case-development/

Quellen

¹ McKinsey & Company. The blockbuster model: How it has shaped the pharmaceutical industry.
https://www.mckinsey.com/industries/life-sciences/our-insights/the-blockbuster-model
² BiopharmaVantage. Market Size Analysis in Life Sciences Commercial Due Diligence.
https://www.biopharmavantage.com/market-size-life-sciences-commercial-due-diligence
³ Alacrita. When to Use Incidence vs Prevalence in Pharma Forecasting.
https://www.alacrita.com/blog/pharma-valuations-when-to-use-incidence-prevalence
⁴ IQVIA Institute. Global Trends in R&D.
https://www.iqvia.com/insights/the-iqvia-institute/reports/global-trends-in-r-and-d