Dlaczego przyszłość badań klinicznych należy do analiz wielkich zbiorów danych z realnej praktyki medycznej

Dlaczego klasyczne badania kliniczne nie wystarczają

Granice „złotego standardu” randomizowanych badań klinicznych

Randomizowane badania kliniczne (RCT) przez dekady były – i nadal są – fundamentem medycyny opartej na dowodach. Pozwalają porównać nową terapię z placebo lub standardem leczenia w ściśle kontrolowanych warunkach. Pacjenci są losowo przydzielani do grup, badacze stosują zaślepienie, a protokoły są dopięte w najmniejszych szczegółach.

Taki model pozwala minimalizować wpływ czynników zakłócających i uzyskać „czysty” sygnał: czy lek działa, w jakiej dawce i z jakim ryzykiem powikłań. Statystycy lubią RCT, bo dobrze się je analizuje. Regulatorzy je cenią, bo dają stosunkowo jednoznaczne odpowiedzi.

Problem w tym, że świat opisywany w RCT jest światem niemal laboratoryjnym. Pacjenci są starannie selekcjonowani, ich zachowania są kontrolowane, a wizyty odbywają się według sztywnego harmonogramu. Tymczasem prawdziwy pacjent żyje w kompletnym chaosie – stres, inne choroby, nieregularne przyjmowanie leków, zmieniający się lekarze. W takiej rzeczywistości wyniki z RCT często przestają być tak imponujące.

Coraz częściej pojawia się więc pytanie: czy „złoty standard” wystarcza, gdy chcemy zrozumieć działanie terapii w prawdziwej populacji, a nie w idealnie wybranej grupie kilku tysięcy osób?

Ograniczona reprezentatywność: pacjent w badaniu vs pacjent w gabinecie

Typowy protokół badania klinicznego zawiera listę kryteriów włączenia i wyłączenia, które w praktyce działa jak filtr sitka o coraz drobniejszych oczkach. Wykluczani są pacjenci z:

• wieloma chorobami współistniejącymi,
• zaawansowaną niewydolnością narządów,
• nietypowym przebiegiem choroby,
• niestabilną sytuacją socjalną utrudniającą regularne wizyty,
• wiekami skrajnymi (bardzo młodzi i bardzo starsi).

Efekt? W badaniu biorą udział osoby relatywnie „zdrowsze” niż typowy pacjent w poradni. Mają mniej leków, lepiej funkcjonujące narządy, często większą motywację i wsparcie rodziny. Tymczasem w przychodni pojawia się 70-latek z cukrzycą, niewydolnością serca, POChP, depresją i politerapią. Czy wyniki RCT naprawdę opisują jego szansę na korzyść i ryzyko powikłań?

Obraz komplikuje się jeszcze bardziej w chorobach rzadkich, onkologii czy psychiatrii, gdzie zróżnicowanie pacjentów jest ogromne. Nawet bardzo duże badanie nie wyłapie wszystkich kombinacji cech klinicznych, genetycznych i środowiskowych. Dane z realnej praktyki medycznej pozwalają zobaczyć terapię w całym spektrum prawdziwych pacjentów, a nie tylko w „wygranej loterii” idealnych kandydatów.

Koszty, czas trwania i trudność rekrutacji

Przeprowadzenie dużego, dobrze zaprojektowanego RCT to inwestycja na lata i koszt rzędu setek milionów dolarów. Od pierwszego szkicu protokołu do ostatniego raportu mija często dekada. W tym czasie zmieniają się standardy leczenia, pojawiają się nowe konkurencyjne terapie, a sam system ochrony zdrowia ewoluuje.

Do tego dochodzi problem rekrutacji. Ośrodki badań klinicznych walczą o tych samych pacjentów, pacjenci obawiają się udziału w badaniu lub nie spełniają restrykcyjnych kryteriów. W niektórych wskazaniach, zwłaszcza rzadkich, rekrutacja potrafi ciągnąć się latami mimo globalnej sieci ośrodków.

Dane z realnej praktyki medycznej i analizy big data w ochronie zdrowia skracają ten cykl. Zamiast czekać lata na wyniki jednego badania, można analizować miliony rekordów elektronicznej dokumentacji medycznej (EDM), rejestrów medycznych i baz płatnika, by szybciej odpowiedzieć na konkretne pytania. RCT nadal będą potrzebne, ale ich rola przesuwa się z „jednego źródła prawdy” do jednego z elementów szerszego ekosystemu dowodów.

Brak odpowiedzi na pytania z codziennej praktyki

RCT odpowiadają świetnie na pytanie: „Czy lek X jest lepszy niż placebo lub standard Y u wybranej populacji?”. Nie odpowiadają natomiast na wiele pytań, które nurtują lekarzy i decydentów:

• Jak często pacjent realnie przerywa terapię lub nie przyjmuje leków zgodnie z zaleceniem (adherencja)?
• Jak wygląda skuteczność terapii po kilku latach, gdy pacjenci starzeją się, pojawiają się nowe leki, zmienia się styl życia?
• Jaki jest wpływ leczenia na jakość życia w codziennym funkcjonowaniu, nie tylko w skali kwestionariusza?
• Jak terapia działa w konkretnych podgrupach: pacjenci z chorobą nerek, mieszkańcy wsi, osoby w wieku powyżej 80 lat?

Te pytania wymagają danych z realnego świata – nie tylko z wąsko zdefiniowanego protokołu. Rejestry medyczne, systemy EDM, dane z ubezpieczycieli czy nawet aplikacje mobilne dają możliwość obserwowania skuteczności i bezpieczeństwa leczenia w długim czasie, w różnych populacjach i warunkach. Dopiero połączenie sygnału z RCT z obserwacjami z praktyki klinicznej tworzy pełny obraz wartości terapii.

Gdy świetny lek „nie działa” w zwykłej poradni

Dobrym ilustracyjnym przykładem jest sytuacja, gdy nowy lek przeciwcukrzycowy w badaniach RCT spektakularnie obniżał poziom HbA1c i redukował ryzyko powikłań. Gdy trafił do codziennej praktyki, efekty były znacznie słabsze. W analizie danych z EDM wyszło na jaw, że około połowa pacjentów przyjmowała lek nieregularnie lub przerywała terapię po kilku miesiącach.

W protokole RCT pacjenci mieli regularne wizyty, wsparcie edukatorów, ścisły monitoring parametrów, a leki były im dostarczane bez kosztów. W poradni rejonowej wiele z tych elementów nie występuje. Z perspektywy producenta i regulatora – lek działa tak, jak potwierdziły badania. Z perspektywy systemu i pacjenta – rezultat jest daleki od obietnicy. RWD odsłania tę lukę i pozwala projektować interwencje (np. programy wsparcia adherencji), które czynią terapię skuteczną nie tylko „na papierze”.

Czym są dane z realnej praktyki medycznej i real-world evidence

Definicje: RWD vs RWE – dane a wnioski

Wokół terminów real-world data (RWD) i real-world evidence (RWE) narosło sporo nieporozumień. Najprościej rozdzielić je tak:

• RWD (dane z realnej praktyki medycznej) – surowe dane zbierane w codziennym funkcjonowaniu systemu ochrony zdrowia, bez specjalnego protokołu badawczego: zapisy wizyt, wypisy szpitalne, recepty, wyniki badań, dane z aplikacji, pomiary z urządzeń.
• RWE (real-world evidence) – dowody powstałe dzięki analizie RWD, z zastosowaniem odpowiednich metod statystycznych, walidacji i interpretacji klinicznej.

Sam fakt posiadania milionów rekordów EDM jeszcze nie oznacza posiadania „real-world evidence”. Dopiero ustrukturyzowana analiza, uwzględniająca jakość danych, biasy, metody kontroli zmiennych zakłócających, pozwala mówić o dowodach, które można zestawiać z wynikami RCT i wykorzystywać w decyzjach klinicznych czy refundacyjnych.

Główne źródła danych z realnej praktyki medycznej

RWD to mozaika informacji pochodzących z wielu systemów i urządzeń. Najczęściej wykorzystywane źródła to:

• Elektroniczna dokumentacja medyczna (EDM/EHR) – dane z gabinetów, szpitali, poradni specjalistycznych: rozpoznania, wyniki badań, procedury, zalecenia.
• Systemy rozliczeniowe i bazy płatnika – informacje o hospitalizacjach, świadczeniach, refundowanych lekach, kosztach.
• Rejestry chorobowe i rejestry zabiegów – np. rejestry onkologiczne, kardiologiczne, transplantacyjne, z danymi o przebiegu choroby i wynikach leczenia.
• Bazy apteczne i systemy recept – dane o realizacji recept, wymianach leków, kontynuacji terapii.
• Aplikacje mobilne i telemedycyna – dzienniczki objawów, pomiary glikemii, ankiety jakości życia, dane z wideokonsultacji.
• Urządzenia wearables i sprzęt domowy – zegarki, opaski, ciśnieniomierze, glukometry przesyłające dane online, pulsoksymetry.

Siła RWD tkwi w możliwości łączenia tych źródeł. Pojedynczy system mówi niewiele. Po integracji EDM, danych refundacyjnych i rejestru chorobowego można już śledzić ścieżki terapeutyczne, efekty leczenia i zdarzenia niepożądane w skali całej populacji.

Cykl życia danych: od łóżka pacjenta do panelu analitycznego

Gdy lekarz wypisuje receptę lub pielęgniarka wprowadza wynik pomiaru do systemu, rodzi się pojedynczy fragment RWD. Zanim jednak stanie się on częścią wartościowego zbioru danych, przechodzi kilka etapów:

1. Powstanie danych – wpis w EDM, kod ICD-10, wynik badania laboratoryjnego, notatka tekstowa, zapis z urządzenia wearable.
2. Zapis i przechowywanie – dane trafiają do lokalnego systemu gabinetowego lub szpitalnego, czasem w różnych formatach i strukturach.
3. Ekstrakcja i integracja – dane są eksportowane, mapowane do wspólnych słowników (ICD, ATC, LOINC) i łączone w hurtowniach danych lub repozytoriach RWD.
4. Oczyszczanie i standaryzacja – identyfikacja duplikatów, braków, sprzecznych zapisów, ujednolicanie jednostek i nazw.
5. Anonimizacja lub pseudonimizacja – usuwanie lub szyfrowanie identyfikatorów osobistych, aby chronić prywatność pacjenta.
6. Analiza i modelowanie – statystyka opisowa, modele predykcyjne, analizy kohortowe, emulacje badań klinicznych.
7. Wizualizacja i interpretacja – przekształcenie liczb i wykresów w zrozumiałe dla klinicystów i decydentów wnioski.

Na każdym z tych etapów można albo zbudować wartość, albo ją utracić. Źle opisany lek, brak daty zdarzenia czy nieprawidłowo zmapowany kod procedury potrafią wypaczyć wyniki analizy. Dlatego budowa zaufanej „fabryki RWD” wymaga ścisłej współpracy informatyków, analityków, lekarzy i specjalistów od jakości danych.

Charakterystyczne cechy RWD: skala, rozproszenie i brak randomizacji

Dane z realnej praktyki medycznej różnią się od danych z RCT w kilku fundamentalnych aspektach:

• Skala – w RCT jest zwykle od kilkuset do kilkunastu tysięcy pacjentów. RWD może obejmować setki tysięcy, a nawet miliony chorych.
• Rozproszenie – dane powstają w dziesiątkach systemów, według różnych schematów, z odmienną kulturą dokumentowania.
• Brak randomizacji – pacjenci nie są losowo przydzielani do terapii; wybór leczenia zależy od lekarza, pacjenta, lokalnych praktyk, dostępności leków.
• Wiele zmiennych zakłócających – styl życia, status społeczno-ekonomiczny, różnice regionalne, preferencje lekarzy.
• Zróżnicowana jakość – są dane bardzo dokładne (np. wyniki lab), ale też pola wpisywane w pośpiechu czy wolne teksty pełne skrótów i błędów.

Te cechy jednocześnie stanowią wyzwanie i przewagę. Brak randomizacji wymusza zaawansowane metody statystyczne (propensity score, metody instrumentalne), ale dzięki temu można analizować działanie terapii w warunkach, których RCT nigdy w pełni nie odwzoruje.

Dane z kontrolowanego badania vs dane z zatłoczonej izby przyjęć

Porównanie RCT do RWD przypomina różnicę między jazdą testową samochodem na torze a codziennym poruszaniem się po zakorkowanym mieście zimą. Na torze da się zmierzyć przyspieszenie, drogę hamowania i spalanie w idealnych warunkach. W mieście natomiast pojawiają się dziury w drodze, śliska nawierzchnia, inni kierowcy, nieprzewidziane sytuacje.

Podobnie jest z danymi. W RCT wizyty odbywają się według planu, dane są kompletne, a pacjent jest zmotywowany. W izbie przyjęć liczy się czas, dokumentacja bywa skrótowa, a chory trafia z całym bagażem chorób, przyjmowanych leków i problemów socjalnych. Analiza danych z takiego środowiska jest trudniejsza, ale oddaje to, co rzeczywiście dzieje się w systemie.

Dlaczego przyszłość badań klinicznych przesuwa się w stronę RWD/RWE

Nowe oczekiwania płatników i regulatorów

Agencje refundacyjne, płatnicy publiczni i prywatni ubezpieczyciele coraz rzadziej zadowalają się wyłącznie wynikami klasycznych badań klinicznych. Chcą wiedzieć:

• jak terapia działa w ich populacji pacjentów,
• jak wpływa na hospitalizacje, powikłania i koszty,
• czy przynosi przewagę nad alternatywnymi opcjami w praktyce, a nie tylko w protokołach badań.

Presja na pokazanie „efektu w systemie”, a nie tylko „efektu w badaniu”

Kiedy budżety ochrony zdrowia są napięte do granic, samo wykazanie przewagi nad placebo przestaje wystarczać. Coraz częściej płatnik pyta: czy ta terapia zmniejszy liczbę hospitalizacji w naszym regionie? Czy obniży liczbę zwolnień lekarskich? Czy rzeczywiście ograniczy koszty dializ czy opieki długoterminowej?

Odpowiedź na takie pytania rzadko da się wyczytać z RCT. Potrzebne są:

• dane o wykorzystaniu świadczeń (hospitalizacje, SOR, AOS),
• informacje o długoterminowej adherencji do leczenia,
• realne koszty ponoszone przez płatnika i pacjenta.

To właśnie obszar, w którym RWD staje się głównym „językiem rozmowy” z decydentami. Na podstawie dużych zbiorów danych można pokazać, że np. wprowadzenie terapii biologicznej w reumatoidalnym zapaleniu stawów zmniejsza liczbę hospitalizacji ortopedycznych i zabiegów protezoplastyki. RCT potwierdza skuteczność kliniczną, a RWE – korzyść systemową.

Przyspieszenie innowacji i potrzeba szybszego uczenia się na danych

Cykle rozwoju terapii skracają się. Pojawiają się platformy mRNA, terapie genowe, CAR-T, kombinacje terapii w onkologii. Klasyczny model „duże RCT → rejestracja → po latach pierwsze rejestry” nie nadąża za tempem zmian. System ochrony zdrowia potrzebuje mechanizmu szybkiego uczenia się: wprowadzić terapię, a następnie w czasie rzeczywistym obserwować, jak sprawdza się w populacji.

RWD umożliwia budowę takiego „uczącego się systemu zdrowia”. Zamiast czekać kilka lat na wyniki wielkiego, kosztownego badania, można np. co kwartał analizować dane z EDM i rejestrów, aktualizując wytyczne. Gdy pojawią się sygnały, że określona podgrupa pacjentów odnosi szczególne korzyści lub – przeciwnie – ma więcej powikłań, możliwa jest szybka korekta strategii leczenia.

RWD jako odpowiedź na pytania, których RCT nie zadaje

Każdy, kto uczestniczył w planowaniu badania klinicznego, wie, jak wiele kompromisów trzeba podjąć. Liczba ramion badania jest ograniczona, czas obserwacji ma swoje granice, a próba musi być paliwalna organizacyjnie i finansowo. W efekcie z definicji bada się tylko część tego, co interesuje klinicystów i pacjentów.

Dane z praktyki codziennej pozwalają nadrabiać te braki. Dobrze zbudowana analiza RWD może odpowiedzieć na pytania:

• Jak terapia działa u osób z wielochorobowością, które zostały wykluczone z RCT?
• Jakie są długoterminowe skutki uboczne po 5–10 latach stosowania?
• Jak lek funkcjonuje w kombinacji z innymi terapiami, które weszły na rynek później?
• Jak realnie wygląda switch pomiędzy terapiami – po jakim czasie, z jakich powodów?

Na przykład w onkologii nowe leki często są rejestrowane na podstawie badań z jednym, ściśle zdefiniowanym schematem leczenia. Tymczasem onkolog w poradni widzi pacjenta, który ma już za sobą kilka linii terapii, powikłania i choroby współistniejące. RWD, obejmujące różne kombinacje i sekwencje leczenia, daje obraz zbliżony do tego, co dzieje się w realnych gabinetach.

Rozwój metodologii: od „obserwacji” do quasi-eksperymentów

Przez lata pokutowało przekonanie, że badania obserwacyjne oparte na RWD są „gorszą kategorią” dowodu. Część tego sceptycyzmu była uzasadniona – proste porównania grup bez kontroli biasów prowadziły do błędnych wniosków. W ostatniej dekadzie nastąpił jednak ogromny postęp metodologiczny.

W praktyce oznacza to, że analizy RWD coraz częściej przypominają pod względem rygoru eksperyment, choć bez formalnej randomizacji. Stosuje się m.in.:

• dobieranie pacjentów metodą propensity score, aby zrównoważyć grupy,
• modele przyczynowe, które pozwalają oszacować efekt leczenia w obecności wielu zmiennych zakłócających,
• emulacje badań klinicznych, w których najpierw „odtwarza się” RCT na danych rzeczywistych, a następnie bada nowe pytania.

W połączeniu z dużą skalą danych, takie podejście zaczyna dawać wyniki, które są coraz częściej akceptowane przez regulatorów jako uzupełnienie (a czasem substytut) klasycznych badań. Dotyczy to zwłaszcza sytuacji, gdy RCT jest trudne lub wręcz niemożliwe – jak w rzadkich chorobach czy nagłych zdarzeniach medycznych.

Transformacja roli lekarza i pacjenta w procesie decyzyjnym

RWE zmienia także dynamikę rozmowy w gabinecie. Lekarz nie musi już opierać się wyłącznie na wynikach globalnego badania, ale może posługiwać się danymi bardziej zbliżonymi do swojej populacji. Przykładowo, kardiolog z regionu o wysokim odsetku otyłości może pokazać, jak pacjenci o podobnym profilu reagowali na określoną terapię w lokalnej bazie danych.

Pacjent z kolei przestaje być wyłącznie „dostarczającym danych”, a zaczyna być partnerem, który współtworzy obraz RWD: korzysta z aplikacji, monitoruje objawy, raportuje jakość życia. Te informacje, po odpowiedniej agregacji, stają się elementem dowodów RWE, które później wracają do systemu jako zaktualizowane rekomendacje. To swoista pętla zwrotna: dane od pacjentów pomagają poprawiać opiekę nad kolejnymi pacjentami.

Najważniejsze zastosowania RWD w całym cyklu życia terapii

Identyfikacja potrzeb i luk terapeutycznych przed opracowaniem leku

Zanim powstanie cząsteczka, ktoś musi zadać pytanie: jaki problem chcemy rozwiązać? Klasycznie punktem wyjścia bywały publikacje naukowe, opinie ekspertów, przeglądy wytycznych. Dziś do gry wchodzą ogromne zbiory danych, które pokazują, gdzie system „nie domaga”.

Analiza RWD pozwala m.in.:

• zidentyfikować obszary z wysoką śmiertelnością lub częstością powikłań pomimo dostępnych terapii,
• wykryć miejsca, gdzie ścieżka pacjenta jest niespójna (przerwy w leczeniu, częste rehospitalizacje),
• oszacować wielkość populacji z określonym profilem ryzyka, która nie mieści się w obecnych wskazaniach refundacyjnych.

W praktyce firma farmaceutyczna, analizując dane z kilku krajów, może zauważyć, że u pacjentów z niewydolnością serca i współistniejącą chorobą nerek określona grupa leków jest rzadko stosowana lub daje gorsze wyniki. To jasny sygnał, że warto poszukać terapii dedykowanej tej właśnie grupie.

Projektowanie badań klinicznych z użyciem symulacji na danych rzeczywistych

RWD jest rosnąco wykorzystywane w fazie planowania RCT. Zamiast „zgadywać”, jakie kryteria włączenia przyjąć i jaki będzie spodziewany odsetek zdarzeń, można zasymulować badanie na danych historycznych.

Takie podejście pomaga odpowiedzieć na kilka kluczowych pytań:

• Jak szerokie mogą być kryteria włączenia, aby badanie było nadal wykonalne i reprezentatywne?
• Ile czasu zajmie rekrutacja pacjentów przy założonych wymaganiach?
• Jaki jest spodziewany odsetek punktów końcowych, biorąc pod uwagę rzeczywisty przebieg choroby w danej populacji?
• Jakie ośrodki (szpitale, regiony) mają profil pacjentów najbardziej odpowiadający zamierzonemu badaniu?

Wyobraźmy sobie badanie nad nowym lekiem przeciwzakrzepowym. Zamiast przyjmować konserwatywne założenia o liczbie incydentów zakrzepowo-zatorowych, analityk może przejrzeć dane z ostatnich kilku lat z kilkudziesięciu szpitali i sprawdzić rzeczywiste wskaźniki w podobnej populacji. Dzięki temu wielkość próby jest lepiej dopasowana, a badanie ma większą szansę na sensowne wyniki w rozsądnym czasie.

Wykorzystanie ramion syntetycznych i zewnętrznych grup kontrolnych

Jednym z najbardziej obiecujących zastosowań RWD jest budowa tzw. ramion syntetycznych (synthetic arms) lub zewnętrznych grup porównawczych. Idea jest prosta: zamiast randomizować część pacjentów do standardu leczenia, można porównać nową terapię z grupą „historycznych bliźniaków” wyłonionych z dużej bazy danych.

Taka strategia ma kilka korzyści:

• zmniejsza liczbę pacjentów otrzymujących mniej korzystne leczenie,
• przyspiesza rekrutację (więcej pacjentów trafia do ramienia aktywnego),
• pozwala lepiej odzwierciedlić zróżnicowanie populacji, jeśli baza RWD jest szeroka.

To szczególnie istotne w chorobach rzadkich i w onkologii, gdzie każdy pacjent jest „na wagę złota”. Oczywiście wymaga to bardzo starannego doboru i dopasowania danych zewnętrznych, ale regulatorzy zaczynają akceptować takie rozwiązania, zwłaszcza w badaniach wczesnych faz lub w sytuacjach wysokiego niezaspokojonego potrzeby klinicznej.

Monitorowanie bezpieczeństwa (farmakowigilancja 2.0)

Klasyczne zgłaszanie działań niepożądanych opiera się na raportach lekarzy i pacjentów. Ten system jest ważny, ale z natury niekompletny. RWD dodaje nową warstwę: automatyczną obserwację sygnałów bezpieczeństwa w dużych zbiorach danych.

Jak to wygląda w praktyce? Można np.:

• śledzić nieoczekiwane wzrosty określonych diagnoz (np. zapaleń wątroby) u pacjentów rozpoczynających nowy lek,
• kojarzyć nagłe hospitalizacje lub zgon z określoną zmianą terapii,
• analizować sekwencje zdarzeń (np. włączenie leku → zmiany w parametrach lab → hospitalizacja).

Takie algorytmy nie zastępują zgłoszeń spontanicznych, ale je uzupełniają, tworząc system wczesnego ostrzegania. Zdarza się, że na poziomie pojedynczego lekarza nietypowe działanie niepożądane wygląda jak „jednostkowy przypadek”. Dopiero gdy zbierze się kilkaset podobnych historii w danych ogólnokrajowych, widać, że to powtarzalny wzorzec.

Ocena skuteczności w „prawdziwym życiu” po wprowadzeniu na rynek

Po rejestracji leku najważniejsze pytanie brzmi: czy uzyskane w badaniach korzyści powtarzają się w realnych warunkach? Tu RWE staje się partnerem RCT.

Analizy RWD mogą pokazać m.in.:

• jak zmienia się śmiertelność lub częstość powikłań po kilku latach szerokiego stosowania terapii,
• czy istnieją podgrupy pacjentów, które odnoszą wyjątkowo dużą lub niewielką korzyść,
• jak adherencja i rzeczywiste dawki wpływają na efekty leczenia.

Dobrym przykładem są terapie przeciwpłytkowe po zawale serca. W RCT pacjenci zwykle przestrzegają zaleceń, wizyty odbywają się według harmonogramu. W populacji ogólnej część chorych przerywa przyjmowanie leku, zmniejsza dawki, gubi recepty. RWD pozwala zmierzyć, jaki jest „realny efekt netto” – czyli jak terapia działa uwzględniając wszystkie te zakłócenia.

Renegocjacje warunków refundacji i modele oparte na wynikach

Coraz częściej umowy między producentem a płatnikiem zawierają elementy „płatności za efekt” (outcome-based agreements). Oznacza to, że część wynagrodzenia zależy od tego, czy lek rzeczywiście osiągnie określone wyniki w populacji pacjentów objętych refundacją.

Bez rzetelnych RWD taki model jest praktycznie niewykonalny. Strony muszą wspólnie ustalić:

• jakie wskaźniki będą mierzone (np. liczba hospitalizacji z powodu zaostrzenia choroby, przeżycie bez progresji),
• z jakich źródeł danych będą pochodzić (EDM, rejestry, bazy płatnika),
• jak zapewnić jakość i niezależność analizy.

Jeśli dane pokażą, że terapia nie przynosi oczekiwanej redukcji powikłań, umowa może przewidywać zwrot części kosztów lub renegocjację ceny. W ten sposób RWD staje się podstawą nie tylko decyzji klinicznych, ale także finansowych.

Wsparcie optymalizacji terapii i deeskalacji leczenia

Nie zawsze celem jest „więcej leczenia”. Czasami kluczowe pytanie brzmi: czy możemy leczyć krócej, mniejszą dawką, inną sekwencją? RWE, z jego długimi obserwacjami i różnorodnością praktyk klinicznych, pomaga testować scenariusze deeskalacji terapii.

Można np. porównać pacjentów, u których lek onkologiczny odstawiono po określonym czasie remisji, z tymi, u których leczenie kontynuowano dłużej. Jeśli różnica w wynikach jest niewielka, a profil bezpieczeństwa i koszty przemawiają za krótszą terapią, pojawia się przestrzeń do zmiany wytycznych. Tego typu wnioski niezwykle trudno uzyskać w klasycznym RCT, bo projektowanie badania tylko po to, by skrócić terapię, rzadko jest priorytetem.

Rozwój medycyny personalizowanej i odkrywanie podgrup respondentów

Medycyna personalizowana nie polega wyłącznie na badaniach genetycznych. To także umiejętność wyłuskania spośród dużej populacji pacjentów tych, którzy reagują na terapię szczególnie dobrze lub źle, na podstawie bogatego profilu klinicznego i demograficznego.

RWD, w połączeniu z metodami uczenia maszynowego, pozwala:

Odkrywanie fenotypów chorób i nowych biomarkerów

RWD pozwala spojrzeć na choroby jak na „rodziny” złożone z kilku fenotypów, a nie jeden, uśredniony byt. Dwóch pacjentów z tą samą diagnozą ICD może mieć zupełnie różną dynamikę choroby, współchorobowości i odpowiedź na lek. W małym badaniu klinicznym takie różnice łatwo się maskują. W milionach rekordów – zaczynają układać się w powtarzalne wzorce.

Analitycy, korzystając z algorytmów klasteryzacji i sieci neuronowych, są w stanie wyłonić podgrupy pacjentów różniące się np. tempem narastania niewydolności narządu, ryzykiem zaostrzeń czy typowym „łańcuchem” kolejnych terapii. Kiedy połączy się te wzorce z danymi laboratoryjnymi, obrazowaniem czy danymi genomowymi, pojawiają się kandydaci na nowe biomarkery predykcyjne – sygnały, że dana terapia zadziała szczególnie dobrze właśnie u tego fenotypu choroby.

Przykładowo, w przewlekłej obturacyjnej chorobie płuc, długie szeregi danych z wizyt, hospitalizacji i badań spirometrycznych pomagają odróżnić pacjentów „często zaostrzających się” od tych, u których choroba przebiega stabilnie. Jeśli okaże się, że konkretna bioterapia szczególnie poprawia los tej pierwszej grupy, można zmodyfikować kryteria refundacyjne i kierować terapię tam, gdzie efekt jest największy.

Uczenie modeli predykcyjnych do podejmowania decyzji terapeutycznych

RWE to nie tylko opis przeszłości, ale także sposób na prognozowanie przyszłości konkretnego pacjenta. Z perspektywy lekarza pytanie brzmi: „Co się stanie z tym chorym, jeśli zastosuję terapię A zamiast B?” Klasyczne wytyczne odpowiadają na to na poziomie średniej populacyjnej. Modele predykcyjne budowane na RWD próbują odpowiedzieć na to pytanie dla pojedynczej osoby.

Na bazie dużych, zanonimizowanych zbiorów można trenować algorytmy, które szacują ryzyko zdarzeń (np. udaru, zawału, progresji nowotworu) w zależności od zestawu cech pacjenta i wybranej interwencji. Taki model po „wpięciu” do systemu EDM podpowiada lekarzowi, że u konkretnego chorego zmiana leku na alternatywny może istotnie obniżyć ryzyko powikłań w horyzoncie kilku lat, mimo że obie terapie w RCT wypadły podobnie.

Warunkiem sensownego użycia takich narzędzi jest jednak ciągła walidacja na nowych danych i przejrzystość działania algorytmu. Jeśli model „oduczy się” aktualnej praktyki lub zacznie powielać uprzedzenia obecne w danych historycznych (np. gorszy dostęp do terapii u określonych grup społecznych), łatwo może wprowadzić system w błąd. Tu wracamy do roli RWE jako żywego środowiska testowego, w którym modele predykcyjne są stale sprawdzane i korygowane.

Jak big data i analityka zdrowotna zmieniają projekt badań klinicznych

Przejście od projektowania „od biurka” do projektowania opartego na danych

Jeszcze niedawno protokół badania powstawał głównie na podstawie literatury, doświadczenia ekspertów i kilku szacunków statystycznych wykonanych w arkuszu kalkulacyjnym. Dziś zespół projektujący RCT może oprzeć się na szczegółowych analizach przebiegu choroby w populacji docelowej, segmentacji pacjentów i symulacjach „co-jeśli” z użyciem danych historycznych.

Takie podejście zmienia dynamikę pracy nad protokołem. Zamiast kilku dużych spotkań komitetu sterującego, w których ścierają się opinie, proces bardziej przypomina iteracyjny dialog z danymi: eksperci proponują kryteria, analitycy przepuszczają je przez bazę RWD, a zespół wspólnie ocenia, co to oznacza dla liczebności populacji, czasu rekrutacji, równomierności rozkładu kluczowych cech pacjentów między ramionami badania.

W efekcie powstaje protokół bardziej „uziemiony” w realiach systemu ochrony zdrowia, z mniejszym ryzykiem, że po uruchomieniu badania okaże się ono nierealne do wykonania w zakładanym czasie czy budżecie.

Dynamiczne kryteria włączenia i wyłączenia

Kryteria kwalifikacji do badania długo były traktowane jak dogmat: raz zapisane w protokole, pozostawały niemal nietykalne. W erze big data pojawia się możliwość ich bardziej elastycznego projektowania – oczywiście w ramach zgody regulatora.

Na etapie planowania, zespół może „bawić się pokrętłami” ograniczeń: zmieniać górny i dolny próg wieku, zakres wskaźników laboratoryjnych, liczbę dopuszczalnych współchorobowości. Każda zmiana jest natychmiast testowana na danych RWD, aby policzyć, ilu realnych pacjentów spełnia nowe warunki i jaki jest ich profil ryzyka.

W niektórych badaniach, zwłaszcza fazy II, stosuje się nawet adaptacyjne podejście: pewne kryteria mogą być korygowane w trakcie rekrutacji na podstawie napływających danych o tempie włączania i bezpieczeństwie. To wymaga bardzo mocnego zaplecza analitycznego i dobrze opisanych reguł adaptacji, ale zmniejsza ryzyko „utknięcia” badania na etapie rekrutacji lub otrzymania próby całkowicie oderwanej od populacji docelowej.

Nowe rodzaje punktów końcowych: od twardych zdarzeń do cyfrowych śladów

Klasyczne badania kliniczne opierały się głównie na „twardych” punktach końcowych: zgon, zawał, udar, hospitalizacja. Tymczasem dzisiejsze systemy informatyczne zbierają dziesiątki wskaźników, które lepiej opisują stan funkcjonalny pacjenta, jego jakość życia czy stopień samodzielności.

Połączenie RWD z danymi z urządzeń noszonych (wearables), aplikacji zdrowotnych i zdalnego monitoringu otwiera drogę do tzw. cyfrowych punktów końcowych (digital endpoints). Mogą to być na przykład:

• średnia dzienna liczba kroków lub czas w pozycji stojącej u pacjentów z niewydolnością serca,
• wzorce snu i aktywności u osób z depresją lub chorobą Parkinsona,
• częstość epizodów migotania przedsionków rejestrowana przez smartwatche.

Takie dane, jeśli są odpowiednio zwalidowane, mogą stać się pełnoprawnymi punktami końcowymi lub przynajmniej ważnymi punktami pomocniczymi. Dają wgląd w efekty leczenia, których nie widać w tradycyjnych rejestrach hospitalizacji, np. poprawę wydolności na tyle, że pacjent wraca do pracy czy do swoich codziennych aktywności.

Badania zdecentralizowane i hybrydowe zasilane danymi z codziennego życia

Dzięki rozwojowi telemedycyny i urządzeń monitorujących, coraz częściej projektuje się badania zdecentralizowane (decentralized clinical trials – DCT) lub hybrydowe, w których część wizyt odbywa się zdalnie, a dane zbierane są bezpośrednio z otoczenia pacjenta. RWD jest tu jednocześnie paliwem i „rusztowaniem” takiego badania.

Po pierwsze, dane z praktyki pokazują, jak często i w jaki sposób pacjenci faktycznie korzystają z wizyt stacjonarnych, co pozwala realnie zaplanować liczbę i charakter kontaktów z ośrodkiem. Po drugie, istniejące strumienie danych – np. wyniki badań laboratoryjnych z sieci laboratoriów czy zapisy z lokalnych systemów EDM – można włączyć do badania tak, by nie dublować procedur i nie obciążać niepotrzebnie chorego.

W praktyce pacjent może np. wykonywać część badań obrazowych czy laboratoryjnych w pobliskim ośrodku według standardowych procedur, a dane trafiają zarówno do jego dokumentacji, jak i do centralnej bazy badania. Dzięki temu granica między „uczestnikiem badania” a „pacjentem w codziennej opiece” staje się mniej ostra, a generowane dowody lepiej oddają rzeczywistość.

Projektowanie badań adaptacyjnych z wykorzystaniem wczesnych sygnałów

Badania adaptacyjne (adaptive trials) pozwalają modyfikować określone elementy protokołu na podstawie napływających wyników – np. zmieniać proporcje randomizacji, eliminować nieskuteczne ramiona lub zawężać populację do lepiej reagujących podgrup. Big data i zaawansowana analityka radykalnie zwiększają możliwości takiego podejścia.

Zastosowanie metod bayesowskich oraz symulacji Monte Carlo na danych historycznych umożliwia zaprojektowanie reguł adaptacji w sposób, który minimalizuje ryzyko błędnych decyzji, a jednocześnie maksymalnie wykorzystuje informacje zbierane w czasie rzeczywistym. Jeśli do tego doda się analizę sygnałów bezpieczeństwa w strumieniach RWD (np. z krajowych rejestrów), zespół nadzorujący badanie może reagować szybciej i bardziej precyzyjnie, ograniczając ekspozycję pacjentów na potencjalnie nieskuteczną lub niebezpieczną terapię.

Tego typu badania są szczególnie atrakcyjne w onkologii i chorobach rzadkich, gdzie nie można sobie pozwolić na „marnowanie” pacjentów w mało obiecujących ramionach. Jednocześnie wymagają bardzo ścisłej współpracy statystyków, klinicystów i regulatorów, aby zapewnić, że elastyczność nie podważa wiarygodności wyników.

Lepsza reprezentatywność dzięki świadomemu zarządzaniu rekrutacją

Jednym z głównych zarzutów wobec klasycznych RCT jest słaba reprezentatywność: przewaga mężczyzn, niedostateczny udział osób starszych, niedoreprezentowane grupy etniczne czy społeczne. RWD, odpowiednio użyte, pozwala temu przeciwdziałać już na etapie projektowania badania i monitorowania rekrutacji.

Na początku można przeanalizować, jak wygląda rzeczywista populacja chorych: ile jest kobiet, jaki jest rozkład wieku, statusu społecznego, miejsca zamieszkania. Na tej podstawie definiuje się docelową strukturę próby i dobiera ośrodki tak, aby pokryć kluczowe segmenty populacji. Następnie, w trakcie trwania badania, dane o aktualnie zrekrutowanych pacjentach są porównywane z danymi z praktyki. Jeśli widać, że np. zbyt mało jest pacjentów w najstarszej grupie wieku, można aktywnie wspierać rekrutację w ośrodkach opiekujących się takimi chorymi.

Taka „sterowana” rekrutacja oparta na danych nie jest jeszcze standardem, ale tam, gdzie ją zastosowano, często prowadzi do wyników, które są znacznie łatwiejsze do przełożenia na codzienną praktykę niż w przypadku tradycyjnych badań z bardzo selektywną próbą.

Integracja różnych źródeł danych w ramach jednego ekosystemu badawczego

Big data w medycynie to nie jedna wielka tabela, lecz mozaika wielu systemów: EDM, rejestrów chorób, baz płatnika, systemów laboratoryjnych, danych z urządzeń noszonych i aplikacji pacjenckich. Projektowanie nowoczesnych badań klinicznych coraz częściej oznacza zbudowanie wokół nich ekosystemu, który potrafi te źródła bezpiecznie połączyć.

Od strony technicznej wymaga to standardów interoperacyjności (np. FHIR), solidnych mechanizmów pseudonimizacji oraz jasnych reguł dostępu do danych. Od strony organizacyjnej – porozumienia między szpitalami, płatnikami, firmami technologicznymi i sponsorami badań. Nagrodą jest jednak możliwość prowadzenia badań, które „wplatają się” w działanie systemu ochrony zdrowia, zamiast działać obok niego.

Dzięki temu dane z jednego badania nie „umierają” po publikacji wyników, lecz mogą – po odpowiednim zanonimizowaniu – zasilić kolejne analizy, modele predykcyjne czy rejestry. W ten sposób każde badanie kliniczne staje się cegiełką w rosnącym murze RWE, a nie jednorazowym eksperymentem, którego efekty trudno wykorzystać szerzej.

Najczęściej zadawane pytania (FAQ)

Co to są dane z realnej praktyki medycznej (RWD) i czym różnią się od klasycznych badań klinicznych?

Dane z realnej praktyki medycznej (RWD) to informacje zbierane „przy okazji” normalnego funkcjonowania systemu ochrony zdrowia: wizyt w gabinecie, hospitalizacji, realizacji recept, teleporad czy pomiarów z urządzeń noszonych na co dzień. Nikt nie pisze pod nie specjalnego protokołu badania – po prostu rejestruje się to, co dzieje się z pacjentem w prawdziwym życiu.

Klasyczne badania kliniczne (RCT) działają odwrotnie: najpierw powstaje bardzo szczegółowy plan, potem dopiero zbiera się dane w ściśle kontrolowanych warunkach. Dzięki temu RCT świetnie odpowiadają na pytanie: „czy lek działa w idealnym scenariuszu?”, a RWD pokazują: „jak ta sama terapia sprawdza się w zwykłej poradni, u zwykłych ludzi ze wszystkimi ich problemami i nawykami”.

Dlaczego same randomizowane badania kliniczne (RCT) nie wystarczają do oceny leczenia?

RCT obejmują starannie wyselekcjonowanych pacjentów, często młodszych, z mniejszą liczbą chorób współistniejących, dobrze zmotywowanych i pod stałą opieką zespołu badawczego. To trochę jak testowanie samochodu na idealnym torze – dużo daje, ale nie mówi wszystkiego o jeździe po dziurawych drogach w zimie.

W codziennej praktyce lekarz widzi pacjentów z wieloma chorobami naraz, przyjmujących różne leki, czasem nieregularnie stosujących terapię. RCT rzadko odpowiadają na pytania o skuteczność po latach, o działanie w małych podgrupach (np. osoby po 80. roku życia, z niewydolnością nerek) czy o realną jakość życia. Tu właśnie wchodzą w grę analizy dużych zbiorów danych z realnej praktyki.

Jakie są główne źródła danych z realnej praktyki medycznej w ochronie zdrowia?

RWD powstają w wielu miejscach jednocześnie. Najczęściej wykorzystywane źródła to między innymi:

• elektroniczna dokumentacja medyczna (szpitale, poradnie, gabinety),
• systemy rozliczeniowe i bazy płatnika (np. dane o hospitalizacjach, refundacjach),
• rejestry chorób i zabiegów (np. onkologiczne, kardiologiczne),
• bazy apteczne i systemy recept (informacja, czy pacjent faktycznie wykupił lek),
• aplikacje mobilne i rozwiązania telemedyczne,
• urządzenia typu wearables i sprzęt domowy (glukometry, ciśnieniomierze, opaski).

Prawdziwa moc ujawnia się wtedy, gdy potrafimy bezpiecznie połączyć te kropki – np. połączyć dane z recept, wizyt i hospitalizacji, żeby zobaczyć pełną ścieżkę leczenia pacjenta.

Czym różnią się RWD (real-world data) od RWE (real-world evidence)?

RWD to surowe dane: wpisy lekarza w EDM, kody rozpoznań, wyniki badań, daty wypisów, odczyty z zegarka czy glukometru. Same w sobie są tylko zbiorem faktów, często nieuporządkowanych, czasem z błędami lub brakami.

RWE (real-world evidence) pojawia się dopiero wtedy, gdy te dane zostaną zebrane, oczyszczone i przeanalizowane odpowiednimi metodami statystycznymi. To już są wnioski, które można porównywać z wynikami RCT i wykorzystywać przy decyzjach klinicznych, refundacyjnych czy organizacyjnych. Można powiedzieć: RWD to „mąka i woda”, a RWE to dopiero „upieczony chleb”.

W jaki sposób big data może poprawić skuteczność leczenia w realnej praktyce?

Analiza dużych zbiorów danych pozwala zauważyć wzorce, które pojedynczemu lekarzowi trudno dostrzec. Przykład? W RCT nowy lek na cukrzycę działa świetnie, ale w danych z poradni widać, że połowa pacjentów przerywa terapię po kilku miesiącach. To sygnał, że problemem nie jest sam lek, tylko np. skutki uboczne, cena albo brak wsparcia edukacyjnego.

Na tej podstawie można projektować konkretne działania: programy przypominające o dawkach, zmiany w refundacji, dodatkowe wizyty edukacyjne dla wybranych grup. Big data pomaga też dobrać leczenie bardziej „szyte na miarę” – na przykład wskazać, że dana terapia szczególnie dobrze sprawdza się u pacjentów z określonym profilem chorób towarzyszących.

Czy dane z realnej praktyki medycznej mogą zastąpić badania kliniczne?

RWD i RWE nie są konkurencją dla RCT, tylko ich uzupełnieniem. Randomizowane badania są niezastąpione, gdy chcemy możliwie „czysto” ocenić, czy nowy lek działa lepiej niż placebo lub obecny standard, przy kontrolowaniu wielu zmiennych.

Dane z realnego świata lepiej sprawdzają się przy innych zadaniach: sprawdzeniu skuteczności i bezpieczeństwa po wejściu leku na rynek, ocenie działania w małych podgrupach czy analizie długoterminowych efektów i kosztów. Przyszłość badań klinicznych to raczej ekosystem, w którym RCT, RWD i narzędzia big data działają razem, niż zastępowanie jednego drugim.

Jak big data i RWD wpływają na decyzje lekarzy i płatników (NFZ, ubezpieczycieli)?

Dla lekarzy analizy RWD mogą przerodzić się w praktyczne rekomendacje: które schematy leczenia działają najlepiej w ich populacji pacjentów, jakie czynniki najczęściej prowadzą do przerwania terapii, które grupy wymagają bliższego monitorowania. To trochę jak posiadanie „statystyki” z własnego podwórka, a nie tylko danych z międzynarodowych badań.

Dla płatników big data to narzędzie do podejmowania decyzji o refundacji, programach lekowych czy organizacji opieki. Na podstawie rzeczywistych kosztów i efektów mogą np. zdecydować, że bardziej opłaca się zainwestować w droższy, ale skuteczniejszy lek, jeśli dane pokazują mniejszą liczbę hospitalizacji i powikłań w dłuższym okresie.

Najważniejsze wnioski

• Randomizowane badania kliniczne dają „czysty” sygnał o skuteczności i bezpieczeństwie leku w warunkach niemal laboratoryjnych, ale ten uporządkowany świat ma niewiele wspólnego z chaotyczną, codzienną praktyką w przychodni.
• Ścisłe kryteria włączenia i wyłączenia sprawiają, że do RCT trafiają pacjenci młodsi, „zdrowsi” i lepiej zaopiekowani niż ci, których lekarz widzi na co dzień – przez co wyniki badań trudno wprost przenieść na 70-latka z kilkoma chorobami i politerapią.
• RCT są drogie, trwają latami i mają ogromne problemy z rekrutacją, zwłaszcza w chorobach rzadkich; w tym czasie zmieniają się standardy leczenia, więc odpowiedź przychodzi często z opóźnieniem względem realnych potrzeb systemu.
• Klasyczne badania nie odpowiadają na kluczowe pytania praktyków: jak wygląda długoterminowa skuteczność, kto naprawdę korzysta z terapii, jak często pacjenci przerywają leczenie i jak wpływa ono na ich codzienne funkcjonowanie.
• Dane z realnej praktyki medycznej (EDM, rejestry, bazy płatnika, aplikacje) pokazują, jak terapie działają „w naturze” – w różnych grupach pacjentów, w długim horyzoncie i przy typowej adherencji, a nie przy idealnej dyscyplinie badania.
• Analiza big data w ochronie zdrowia pozwala szybciej i taniej testować hipotezy niż pojedyncze, wieloletnie RCT, przez co RCT z pozycji „jednego źródła prawdy” stają się jednym z elementów szerszego ekosystemu dowodów.

Bibliografia i źródła

• Real-World Evidence — What Is It and What Can It Tell Us?. New England Journal of Medicine (2016) – Definicje RWD/RWE, przykłady zastosowań i ograniczeń wobec RCT
• Real-World Evidence: The Path Forward. U.S. Food and Drug Administration (2017) – Dokument FDA o wykorzystaniu RWE w regulacjach i ocenie leków
• Real-world evidence to support regulatory decision-making for medicines. European Medicines Agency (2019) – Stanowisko EMA nt. roli RWE w decyzjach regulacyjnych i farmakowigilancji