หลักฐานจากโลกแห่งความเป็นจริง: มาตรฐานทองคำที่เปลี่ยนแปลงการวิจัยทางคลินิกไปตลอดกาล

ลองจินตนาการถึงอนาคตที่การตัดสินใจทางการแพทย์ไม่ได้จำกัดอยู่แค่ในห้องปฏิบัติการที่มีการควบคุมอย่างเข้มงวด แต่สะท้อนถึงชีวิตที่หลากหลายของผู้ป่วย นั่นคือพลังของหลักฐานจากโลกแห่งความเป็นจริง (RWE)ซึ่งกำลังเปลี่ยนแปลงวิธีที่เราเข้าใจการรักษาให้ก้าวไปไกลกว่าการทดลองแบบดั้งเดิม แตกต่างจากการศึกษาที่เข้มงวด RWE บันทึกประสบการณ์ด้านสุขภาพในชีวิตประจำวัน ทำให้เราเข้าใจถึงความปลอดภัยและประสิทธิภาพได้ลึกซึ้งยิ่งขึ้น

จากบันทึกสุขภาพอิเล็กทรอนิกส์ไปจนถึงผลลัพธ์ที่ผู้ป่วยรายงาน ข้อมูลจากโลกแห่งความเป็นจริง (RWE) ช่วยเติมเต็มช่องว่างที่เกิดจากการทดลองแบบสุ่ม เผยให้เห็นผลกระทบระยะยาวและผลข้างเคียงที่หายากซึ่งมักถูกมองข้ามในการศึกษาที่มีระยะเวลาสั้นกว่า หน่วยงานกำกับดูแล เช่น FDA ตระหนักถึงคุณค่าของ RWE และได้บูรณาการเข้ากับการอนุมัติยาแล้ว¹

Danny Wiederkehr จาก Pfizer ชี้ให้เห็นว่า RWE เผยให้เห็นผลกระทบของการรักษาในประชากรที่กว้างขึ้น รวมถึงกลุ่มที่ถูกมองข้าม²อย่างไรก็ตาม ความท้าทายต่างๆ เช่น ความเป็นส่วนตัวของข้อมูลและการยินยอมทางจริยธรรมยังคงมีอยู่ เมื่อเทคโนโลยีพัฒนาไป ศักยภาพของ RWE ในการเปลี่ยนแปลงการตัดสินใจด้านการดูแลสุขภาพก็เพิ่มขึ้นเช่นกัน

ประเด็นที่สำคัญ

• RWE ช่วยเสริมการทดลองด้วยการวิเคราะห์ข้อมูลผู้ป่วยที่หลากหลายจากสถานการณ์จริง
• หน่วยงานกำกับดูแลยอมรับ RWE มากขึ้นในการประเมินความปลอดภัยและประสิทธิภาพของยา
• ซึ่งจะกล่าวถึงช่องว่างในการศึกษาวิจัยแบบดั้งเดิม เช่น ผลลัพธ์ในระยะยาวและเหตุการณ์ที่เกิดขึ้นน้อยครั้ง
• ข้อควรพิจารณาทางจริยธรรมได้แก่ ความเป็นส่วนตัวของผู้ป่วยและการยินยอมโดยแจ้งให้ทราบ
• เทคโนโลยีเช่น AI ช่วยเพิ่มความแม่นยำและความสามารถในการปรับขนาดของ RWE

การวิจัยทางคลินิกตามหลักฐานในโลกแห่งความเป็นจริงคืออะไร?

ข้อมูลเชิงลึกด้านการดูแลสุขภาพกำลังพัฒนาไปไกลกว่าห้องปฏิบัติการปลอดเชื้อ ไปสู่ประสบการณ์ของผู้ป่วยในชีวิตประจำวัน แตกต่างจากวิธีการแบบดั้งเดิมข้อมูลจากโลกแห่งความเป็นจริง (RWD) จะบันทึกตัวแปรที่ไม่ได้รับการ รักษาเช่น โรคร่วมและปัจจัยด้านไลฟ์สไตล์ การเปลี่ยนแปลงนี้ทำให้สามารถมองเห็นผลกระทบของการรักษาแบบองค์รวมในประชากรที่หลากหลายได้³

การกำหนด RWE เทียบกับการทดลองทางคลินิกแบบดั้งเดิม

การทดลองแบบสุ่มและควบคุม (RCTs) มีข้อดีในสภาพแวดล้อมที่ควบคุมได้ แต่ส่วนใหญ่มักไม่ครอบคลุมกรณีที่ซับซ้อน ข้อมูลจากโลกแห่งความเป็นจริง (RWE) ซึ่งได้มาจาก แหล่งข้อมูล ที่ไม่ใช่การแทรกแซงช่วยเติมเต็มช่องว่างเหล่านี้โดยการวิเคราะห์ผลลัพธ์ในสภาพแวดล้อมตามธรรมชาติ ด้านล่างนี้ เราจะเปรียบเทียบวิธีการของทั้งสองแบบ:

แหล่งข้อมูลสำคัญจากโลกแห่งความเป็นจริง

RWD มีต้นกำเนิดมาจากปฏิสัมพันธ์ด้านการดูแลสุขภาพประจำวัน แหล่งข้อมูลหลัก ได้แก่:

• บันทึกสุขภาพอิเล็กทรอนิกส์ (EHRs):โรงพยาบาลในสหรัฐอเมริกา 87% ใช้ EHR เพื่อระบุรายละเอียดการวินิจฉัยและการรักษา⁴.
• ข้อมูลการเรียกร้อง:เผยรูปแบบการปฏิบัติตามการใช้ยาในระยะยาวที่มักพลาดไปในการทดลอง⁵.
• ทะเบียนผู้ป่วย:มีความสำคัญต่อการวิจัยโรคหายาก ดังที่พบในการศึกษาวิจัยของ IQVIA

องค์การอาหารและยา (FDA)ใช้ประโยชน์จากแหล่งข้อมูลเหล่านี้สำหรับการติดตามความปลอดภัยหลังการวางจำหน่าย ตัวอย่างเช่น CTTI ใช้ EHR เพื่อขยายคุณสมบัติของผู้เข้าร่วมการทดลองในระยะที่ 3 ซึ่งแสดงให้เห็นถึงความสามารถในการขยายขนาดของRWD ³

ข้อจำกัด:การใช้คำศัพท์ที่ไม่สอดคล้องกันในผลลัพธ์ที่ผู้ป่วยรายงานอาจทำให้ผลลัพธ์คลาดเคลื่อน การกำหนดมาตรฐานข้อมูลยังคงเป็นสิ่งสำคัญอันดับแรกสำหรับวิธีการวิจัย ที่ น่า เชื่อถือ

หลักฐานในโลกแห่งความเป็นจริงช่วยเสริมการทดลองทางคลินิกได้อย่างไร

การศึกษาแบบดั้งเดิมมักพลาดข้อมูลเชิงลึกที่สำคัญซึ่งเกิดขึ้นนอกสภาพแวดล้อมที่ควบคุมได้หลักฐานจากโลกแห่งความเป็นจริง (RWE) ช่วยเชื่อมช่องว่างนี้โดยการวิเคราะห์ผลลัพธ์ในสภาพแวดล้อมที่หลากหลาย รวมถึงผู้ ป่วยที่มีภาวะหลายอย่าง⁶แนวทางนี้ช่วยเพิ่มความถูกต้องภายนอก ซึ่งเป็นข้อจำกัดทั่วไปในการทดลองแบบสุ่ม⁷

เชื่อมช่องว่างระหว่างการตั้งค่าที่ควบคุมและโลกแห่งความเป็นจริง

แม้ว่าการทดลองจะโดดเด่นในเรื่องความแม่นยำ แต่ RWE ก็สามารถจับภาพความแปรปรวนในการดูแลประจำวันได้ ด้านล่างนี้ เราจะเปรียบเทียบจุดแข็งของการทดลองเหล่านี้:

ตัวอย่างเช่น การวิเคราะห์ข้อมูลการเข้ารักษาตัวในโรงพยาบาล จากโรคหัวใจและหลอดเลือดของไฟเซอร์ เผยให้เห็นรูปแบบการรักษาที่ไม่เคยพบเห็นในการทดลอง⁷ ในทำนอง เดียวกัน การติดตามหลังการเปิดตัวของ IQVIA ใช้ข้อมูลการเรียกร้องค่าสินไหมทดแทนเพื่อติดตามความปลอดภัยแบบเรียลไทม์

กรณีศึกษา: RWE ในการวิจัยโรคหายาก

การสรรหาผู้เข้าร่วมสำหรับโรคหายากเป็นเรื่องท้าทาย การทดลองมะเร็งเต้านมของ CTTI ใช้ประโยชน์จากข้อมูลจากโลกแห่งความเป็นจริง (RWD) เพื่อเร่งการลงทะเบียน ลดความล่าช้าลง 40% ⁶ข้อได้เปรียบที่สำคัญ ได้แก่:

• แขนควบคุมสังเคราะห์:โมเดลของ IQVIA จำลองเงื่อนไขการทดลองโดยใช้ข้อมูลในอดีต
• ข้อมูลเชิงลึกเกี่ยวกับ EHR:โรคร่วม เช่น โรคเบาหวาน ส่งผลกระทบต่อการตอบสนองต่อการรักษา
• ประหยัดต้นทุน:การศึกษา RWE ช่วยลดค่าใช้จ่ายโดยไม่กระทบคุณภาพ

กลยุทธ์เหล่านี้แสดงให้เห็นว่า RWE เติมเต็มช่องว่างสำคัญได้อย่างไร โดยนำเสนอโซลูชันที่ปรับขนาดได้สำหรับความต้องการการวิจัยที่ซับซ้อน

กรอบการกำกับดูแลสำหรับหลักฐานในโลกแห่งความเป็นจริง

หน่วยงานกำกับดูแลกำลังปรับเปลี่ยนการตัดสินใจด้านการดูแลสุขภาพโดยการกำหนดกรอบอย่างเป็นทางการสำหรับข้อมูลจากโลกแห่งความเป็นจริง ปัจจุบัน สำนักงานคณะกรรมการอาหารและยา (FDA)และสำนักงานยาแห่งยุโรป (EMA)กำหนดให้มีการตรวจสอบความถูกต้องอย่างเข้มงวดเพื่อให้มั่นใจในความน่าเชื่อถือ⁸มาตรฐานเหล่านี้ช่วยให้ผู้มีส่วนได้ส่วนเสียสามารถใช้ประโยชน์จากแหล่งข้อมูลที่หลากหลายในขณะที่ยังคงรักษาความโปร่งใสไว้ได้

แนวทางของ FDA สำหรับการยอมรับ RWE

กรอบการทำงานปี 2023 ของ FDA กำหนดให้มีโปรโตคอลการตรวจสอบความถูกต้อง 6 รายการสำหรับการยื่นขออนุมัติ⁸ :

• ความเกี่ยวข้องของแหล่งข้อมูล:EHR คำร้องหรือการลงทะเบียนจะต้องสอดคล้องกับเป้าหมายการศึกษา
• การประเมินอคติ: วิธีการลดตัวแปรที่ก่อให้เกิดความสับสน
• ความโปร่งใส: การเปิดเผยข้อมูลวิธีการวิเคราะห์แบบครบถ้วน

การไม่ปฏิบัติตามข้อกำหนดของ FDORA 2022 อาจทำให้การอนุมัติล่าช้า⁹

EMA และมุมมองด้านกฎระเบียบระดับโลก

โปรแกรม PRIME ของ EMA ให้ความสำคัญกับ RWE สำหรับโรคหายาก โดยกำหนดให้ต้องมี PRO ใน 78% ของการยื่นเอกสาร⁸ซึ่งแตกต่างจาก PMDA ของญี่ปุ่นที่เน้นเรื่องความสามารถในการทำงานร่วมกัน:

ความโปร่งใสและมาตรฐานการรายงาน

CTTI สนับสนุนการกำหนดแหล่งที่มาของข้อมูลที่เป็นมาตรฐานเพื่อให้มั่นใจถึงการตรวจสอบย้อนกลับได้^{8 รายการ}ตรวจสอบการปฏิบัติตามข้อกำหนดของ IQVIA ช่วยลดความซับซ้อนของแบบจำลองที่ทำงานร่วมกันได้สำหรับการส่งข้อมูลทั่วโลก การอัปเดต ICH E6(R3) ในปัจจุบันได้รวม RWD เข้ากับการออกแบบการทดลอง โดยเน้นที่คุณภาพของข้อมูล⁸

องค์ประกอบที่สำคัญของการศึกษา RWE ที่มีประสิทธิภาพ

การศึกษา RWE ที่มีประสิทธิภาพนั้นต้องอาศัยเสาหลักสองประการ ได้แก่ การตรวจสอบข้อมูลอย่างพิถีพิถันและการบูรณาการแหล่งข้อมูลหลายแหล่งอย่างราบรื่น หากไม่มีสิ่งเหล่านี้ ข้อมูลเชิงลึกที่ได้จากการตั้งค่าในโลกแห่งความเป็นจริงอาจมีความเสี่ยงต่อความไม่สอดคล้องหรืออคติ เราตรวจสอบกรอบงานเพื่อให้แน่ใจว่ามีความน่าเชื่อถือในชุดข้อมูลที่หลากหลาย

คุณภาพและความสมบูรณ์ของข้อมูล

ระบบการให้คะแนน 5 ดาวของ IQVIA ประเมินแหล่งข้อมูล RWD ในด้านความสมบูรณ์ความล่าช้า และความสามารถในการเชื่อมโยง¹⁰ตัวอย่างเช่น ชุดข้อมูลการเรียกร้องค่าสินไหมทดแทน 34% ขาดบริบทผลลัพธ์การรักษา ซึ่งเน้นย้ำถึงช่องว่างในคุณภาพข้อมูล¹⁰กรอบความเหมาะสมของ CTTI ยังช่วยในการเลือกแหล่งข้อมูลโดยการประเมิน:

• ทันเวลา:อัปเดตภายใน 30 วันสำหรับสภาวะเฉียบพลัน
• การเชื่อมต่อ:ฐานข้อมูลการเรียกร้องสิทธิ์-EHR ของ IQVIA ครอบคลุมผู้ป่วย 285 ล้านราย¹⁰.
• ความมั่นคง:การตรวจสอบชั่วคราวสำหรับการวิเคราะห์ตามยาว

แบบจำลองข้อมูลทั่วไปสำหรับการบูรณาการหลายแหล่ง

การนำ OMOP CDM มาใช้เพิ่มขึ้นเป็น 63% ในกลุ่มบริษัทยาในปี 2023 ซึ่งเป็นการกำหนดมาตรฐานคำศัพท์สำหรับการเปรียบเทียบระหว่างการศึกษาต่างๆ¹⁰โปรโตคอล FHIR ช่วยเพิ่มความสามารถในการทำงานร่วมกันของ EHR ซึ่งมีความสำคัญอย่างยิ่งสำหรับการศึกษาหลายสถานที่ ข้อดีที่สำคัญ ได้แก่:

• scalability: รองรับระบบรวมเช่น ดาร์วิน สหภาพยุโรป.
• ความโปร่งใส:อย.กำหนดให้ใช้ OMOP สำหรับการยื่นเอกสารภายใต้ FDORA 2022¹⁰.

อย่างไรก็ตาม ผู้ป่วยที่เข้ารับการผ่าตัดร้อยละ 16 ขาดข้อมูลดัชนีมวลกาย (BMI) ซึ่งแสดงให้เห็นถึงความท้าทายอย่างต่อเนื่องในเรื่องความครบถ้วนสมบูรณ์¹¹

การพิจารณาทางจริยธรรมในหลักฐานโลกแห่งความเป็นจริง

การจัดการกับปัญหาจริยธรรมในข้อมูลด้านการดูแลสุขภาพจำเป็นต้องสร้างสมดุลระหว่างนวัตกรรมกับสิทธิของผู้ ป่วยเมื่อผู้มีส่วนได้ส่วนเสียใช้ชุดข้อมูลที่หลากหลายความโปร่งใสและการคุ้มครองความเป็นส่วนตัวจึงกลายเป็นสิ่งที่ขาดไม่ได้ กรอบการกำกับดูแล เช่น GDPR และ HIPAA กำหนดมาตรฐาน แต่ช่องว่างยังคงมีอยู่ในการประสานมาตรฐานระดับโลก¹²

ความท้าทายด้านความเป็นส่วนตัวและการยินยอมของผู้ป่วย

ภายใต้ GDPR ข้อมูลที่ใช้นามแฝงยังคงต้องได้รับการคุ้มครอง ในขณะที่ HIPAA อนุญาตให้ใช้ชุดข้อมูลที่ไม่ระบุตัวตนสำหรับการวิจัย¹³ความแตกต่างที่สำคัญในโปรโตคอลการปกปิดตัวตน:

แม่แบบของ CTTI ช่วยให้การขอความยินยอมโดยแจ้งให้ทราบสำหรับการใช้ข้อมูลทุติยภูมิเป็นไปอย่างราบรื่น ส่งผลให้ได้รับอนุมัติจาก IRB ถึง 92% 12 ^{อย่างไรก็ตาม}การเชื่อมโยงข้อมูลจีโนมกับ EHR จะเพิ่มความเสี่ยงในการระบุตัวตนซ้ำ ซึ่งจำเป็นต้องใช้เทคนิคขั้นสูง เช่น การระงับ NPPES ¹³

การสร้างสมดุลระหว่างยูทิลิตี้ข้อมูลกับการใช้งานที่ถูกต้องตามจริยธรรม

โมเดลความเป็นส่วนตัวแบบดิฟเฟอเรนเชียลของ IQVIA เพิ่มสัญญาณรบกวนให้กับข้อมูลการเรียกร้องค่ารักษาพยาบาลของ Medicare โดยยังคงรักษาข้อมูลเชิงลึกไว้ในขณะที่ปกปิดตัวตน¹²ข้อแลกเปลี่ยนที่สำคัญ ได้แก่:

• ความเข้มงวดทางวิทยาศาสตร์: GDPR บทความ 89 ข้อยกเว้นช่วยให้สามารถวิจัยได้แต่จำกัดการแบ่งปันข้อมูล¹³.
• ความไว้วางใจของผู้มีส่วนได้ส่วนเสียกรอบการมีส่วนร่วมของ CTTI เกี่ยวข้องกับผู้ป่วยในการออกแบบการศึกษา
• ตามมาตรฐาน: ระบบรวม (เช่น ดาร์วิน สหภาพยุโรป) สอดคล้องกับ กรอบจริยธรรม.

ปัจจุบันคณะกรรมการจริยธรรมให้ความสำคัญกับแหล่งที่มาของข้อมูล โดย ตรวจสอบให้แน่ใจว่าการตรวจสอบติดตามการตัดสินใจกลับไปยังข้อมูลดิบ¹²

การเอาชนะช่องว่างข้อมูลในหลักฐานโลกแห่งความเป็นจริง

ชุดข้อมูลที่ไม่สมบูรณ์ยังคงเป็นความท้าทายอย่างต่อเนื่องในการวิเคราะห์ข้อมูลด้านการดูแลสุขภาพ แม้ว่าบันทึกสุขภาพอิเล็กทรอนิกส์ จะให้ข้อมูลเชิงลึกเกี่ยวกับผู้ป่วยมากมาย แต่ในงานวิจัยเกี่ยวกับโรคเรื้อรัง พบว่า ข้อมูลในฟิลด์สำคัญมากถึง 22% ขาดหายไป เราจึงได้ตรวจสอบกลยุทธ์ ที่ได้รับการพิสูจน์แล้ว ในการเพิ่มความสมบูรณ์ของชุดข้อมูล ในขณะที่ยังคงรักษาความแม่นยำในการวิเคราะห์ไว้

กลยุทธ์ในการจัดการข้อมูลที่ขาดหายไปหรือไม่สอดคล้องกัน

เทคนิคการเติมข้อมูลขั้นสูงในปัจจุบันสามารถแก้ไขปัญหาช่องว่างของข้อมูล ได้ ด้วยความแม่นยำถึง 89% ในงานวิจัยด้านมะเร็งวิทยา การทดลองเกี่ยวกับการอักเสบของ CTTI แสดงให้เห็นว่าการจำแนกฟีโนไทป์ด้วยอัลกอริทึมช่วยขยายเกณฑ์คุณสมบัติของผู้เข้าร่วมการวิจัยได้ถึง 34% แม้ว่าจะมีบันทึกข้อมูลไม่ครบถ้วนก็ตาม แนวทางที่มีประสิทธิภาพมากที่สุดมีดังต่อไปนี้:

โมเดลการเรียนรู้แบบกระจายศูนย์ของ IQVIA ช่วยรักษาความเป็นส่วนตัวในขณะที่เติม เต็ม ข้อมูลที่ขาดหายไปในบันทึกผู้ป่วยกว่า 285 ล้านรายการ นอกจากนี้ แอปพลิเคชันบล็อกเชนยังช่วยให้มั่นใจได้ว่ามีหลักฐานที่มาของข้อมูลที่พร้อมสำหรับการตรวจสอบเพื่อการปฏิบัติตามกฎระเบียบ

การใช้ประโยชน์จากบันทึกสุขภาพอิเล็กทรอนิกส์

ปัจจุบัน EHR บรรลุความสมบูรณ์ของผลแล็บถึง 78% เมื่อเทียบกับผลลัพธ์ที่รายงานโดยผู้ป่วยเพียง 43% การประมวลผลภาษาธรรมชาติจะดึงข้อมูลโรคร่วมจากบันทึกที่ไม่ได้จัดโครงสร้างด้วยความแม่นยำ 84% ดังที่แสดงให้เห็นในงานวิจัยโรคเบาหวานหลายศูนย์

ความก้าวหน้าสำคัญในการจัดการข้อมูลได้แก่:

• การตรวจสอบคุณภาพอัตโนมัติเพื่อทำเครื่องหมายรายการที่ไม่สอดคล้องกัน
• ออนโทโลยีมาตรฐานที่ช่วยให้ใช้งานข้ามระบบได้ บูรณาการ
• การตรวจสอบแบบเรียลไทม์กับข้อมูลการเรียกร้อง

โซลูชัน ทางเทคโนโลยีเหล่านี้เปลี่ยนบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) ที่กระจัดกระจายให้กลาย เป็น แหล่งข้อมูลที่เชื่อถือได้ เมื่อผนวกรวมกับ โปรโตคอล คุณภาพ ที่เข้มงวด โซลูชันเหล่านี้จะช่วยแก้ไขความท้าทายที่สำคัญที่สุดในการวิจัยเชิงสังเกตการณ์

บทบาทของเทคโนโลยีใน RWE

เครื่องมือล้ำสมัยกำลังปฏิวัติวิธีการวิเคราะห์ผลลัพธ์ของผู้ป่วยให้ก้าวข้ามวิธีการแบบดั้งเดิม ตั้งแต่การสร้างแบบจำลองเชิงพยากรณ์ที่ขับเคลื่อนด้วย AI ไปจนถึงชุดข้อมูลที่ได้รับการรักษาความปลอดภัยด้วยบล็อกเชน นวัตกรรมเหล่านี้ช่วยเพิ่มประสิทธิภาพและความแม่นยำในการวิเคราะห์ ด้านการดูแลสุขภาพ ¹⁴

แพลตฟอร์ม NLP ของ IQVIA ประมวลผลบันทึกทางการแพทย์ 1.2 ล้านรายการต่อวัน โดยดึงคะแนน ECOG ด้วยความแม่นยำ 84% ¹⁵ ในทำนองเดียวกัน กรอบงานเครื่องมือสุขภาพดิจิทัล (DHT) ของ CTTI ตรวจสอบความถูกต้องของข้อมูลจาก อุปกรณ์สวมใส่สำหรับการยื่นขออนุมัติตามกฎระเบียบ¹⁴

แพลตฟอร์ม AI สำหรับการวิเคราะห์ RWE

ต่อไปนี้เป็นการเปรียบเทียบ โซลูชัน เทคโนโลยี ชั้นนำ ที่เปลี่ยนข้อมูลให้เป็นหลักฐาน:

ระบบบนคลาวด์ช่วยให้สามารถตรวจสอบความปลอดภัยแบบเรียลไทม์ ลดความล่าช้าในการตรวจจับสัญญาณลงได้ถึง 40% ¹⁶นอกจากนี้ บล็อกเชนยังช่วยให้มั่นใจได้ว่ามีบันทึกการตรวจสอบที่ไม่สามารถเปลี่ยนแปลงได้เพื่อการปฏิบัติตามกฎระเบียบ

ความก้าวหน้าที่สำคัญ

• การจับคู่ผู้ป่วย:อัลกอริทึม AI ลดระยะเวลาการสรรหาบุคลากรลง 40% โดยใช้เกณฑ์ EHR¹⁵.
• การบูรณาการ IoT:อุปกรณ์สวมใส่จะรวบรวม PRO อย่างต่อเนื่อง ซึ่งช่วยเสริมการศึกษาในระยะยาว
• การบรรเทาอคติ:AI ตรวจจับช่องว่างข้อมูล ปรับปรุงการแสดงผล¹⁶.

เครื่องมือเหล่านี้ เป็นตัวอย่างที่แสดงให้เห็น ว่าการบูรณาการอย่างราบรื่นของบันทึกสุขภาพอิเล็กทรอนิกส์และการวิเคราะห์ ขั้นสูง ช่วยเพิ่มความน่าเชื่อถือของ RWE ได้อย่างไร¹⁴

หลักฐานจากโลกแห่งความเป็นจริงในวงจรชีวิตการพัฒนายา

การพัฒนายาสมัยใหม่อาศัยข้อมูลเชิงลึกที่นอกเหนือจากการทดลอง แบบควบคุม ตั้งแต่การค้นพบไปจนถึงการเฝ้าระวังหลังการวางจำหน่ายข้อมูลจากโลกแห่งความเป็นจริงในปัจจุบันช่วยให้ข้อมูลประกอบการตัดสินใจที่สำคัญในทุกขั้นตอน การบูรณาการนี้ช่วยเร่งระยะเวลาและปรับปรุงผลลัพธ์ของผู้ป่วยให้ดีขึ้น¹⁷

การแจ้งการออกแบบการทดลองและจุดสิ้นสุด

การวิเคราะห์ของ IQVIA แสดงให้เห็นว่าการศึกษาก่อนการเปิดตัวช่วยปรับเกณฑ์ระยะที่ 3 ให้เหมาะสมได้อย่างไร โดยการระบุกลุ่มผู้ป่วยที่เกี่ยวข้อง นักวิจัยสามารถลดอัตราการยกเว้นลงได้ถึง 22% ¹⁷การใช้งานที่สำคัญ ได้แก่:

• การเลือกปลายทาง:ผลลัพธ์ในโลกแห่งความเป็นจริงเข้ามาแทนที่เครื่องหมายทดแทนใน 19% ของการทดลองล่าสุด¹⁸
• การควบคุมสังเคราะห์:ข้อมูลทางประวัติศาสตร์สร้างกลุ่มตัวอย่างเสมือนจริง ลดการพึ่งพายาหลอก
• การเพิ่มความหลากหลาย:ข้อมูล EHR แบบกว้างๆ ครอบคลุมประชากรที่ไม่รวมไว้โดยทั่วไป

การติดตามความปลอดภัยและประสิทธิผลในระยะยาว

การเฝ้าระวังหลังการเปิดตัวในปัจจุบันได้รวมเอาข้อมูลแบบต่อเนื่องไว้ด้วย แอปพลิเคชันบนมือถือรวบรวมผลลัพธ์ที่ผู้ป่วยรายงานด้วยอัตราการปฏิบัติตาม 84% ¹⁷การพัฒนาที่น่าสนใจ:

• การขยายฉลาก:19% ของการอนุมัติของ FDA ในปี 2023 ใช้ RWE สำหรับข้อบ่งชี้ใหม่¹⁸
• การบูรณาการ HTA:ผู้ชำระเงินต้องการข้อมูลประสิทธิภาพต้นทุนในโลกแห่งความเป็นจริงเพิ่มมากขึ้น
• สัญญาณความปลอดภัย:ระบบเฝ้าระวังความปลอดภัยด้านเภสัชกรรมที่ขับเคลื่อนด้วย AI ตรวจพบเหตุการณ์ที่เกิดขึ้นได้ยากได้เร็วขึ้น 40%¹⁷

แอปพลิเคชันเหล่านี้แสดงให้เห็นถึงบทบาทที่เพิ่มขึ้นของ RWE ในการสร้าง เส้นทาง การรักษา ที่ปลอดภัยและมีประสิทธิภาพมากขึ้น เมื่อนำไปใช้ในเชิงกลยุทธ์ แอปพลิเคชันเหล่านี้จะนำเสนอ หลักฐานที่ครอบคลุมแก่ ผู้มีส่วนได้ส่วนเสียตั้งแต่ห้องปฏิบัติการไปจนถึงข้างเตียงผู้ป่วย¹⁸

การรับสมัครผู้เข้าร่วมและความหลากหลายในการศึกษา RWE

การสร้างกลุ่มวิจัยที่ครอบคลุมจำเป็นต้องก้าวข้ามข้อจำกัดของการทดลองแบบดั้งเดิมข้อมูลจากโลกแห่งความเป็นจริง (RWD)เปลี่ยนแปลงวิธีการระบุและดึงดูดผู้เข้าร่วมที่หลากหลาย ซึ่งช่วยแก้ไขช่องว่างในการเป็นตัวแทนที่มีมายาวนาน¹⁹การใช้ประโยชน์จากปฏิสัมพันธ์ด้านการดูแลสุขภาพในชีวิตประจำวัน ทำให้การศึกษาสามารถเข้าถึงประชากรที่กว้างขึ้นซึ่งมักถูกกีดกันจากการตั้งค่าแบบควบคุม

การขยายเกณฑ์คุณสมบัติด้วย RWD

การศึกษาทางด้านต่อมไร้ท่อระยะที่ 3 ของ CTTI แสดงให้เห็นถึงพลังของ RWD โดยเพิ่มการลงทะเบียนของกลุ่มชนกลุ่มน้อยขึ้น 37% ผ่านการวิเคราะห์ EHR ¹⁹กลยุทธ์สำคัญ ได้แก่:

• การทำแผนที่ภูมิสารสนเทศ ของข้อมูล EHR เพื่อระบุภูมิภาคที่ไม่ได้รับบริการเพียงพอ
• การระบุรูปแบบยาที่ไม่ได้ระบุฉลากโดยอิงตามการอ้างสิทธิ์
• การสร้างภาพจำลองอัตโนมัติสำหรับการทดลองโรคปอดอุดกั้นเรื้อรัง ช่วยลดอัตราการแยกออก

การแก้ไขช่องว่างการเป็นตัวแทน

CVS Health ให้ความรู้แก่สมาชิก 25 ล้านคนเกี่ยวกับการทดลองโดยใช้ข้อมูลจากโลกแห่งความเป็นจริง (RWD) ซึ่งช่วยปรับปรุงการเข้าถึง อย่างมาก ²⁰การอนุมัติ IRB แบบรวมศูนย์ช่วยลดอุปสรรคในหลายสถานที่ ความก้าวหน้าที่สำคัญ ได้แก่:

• การบูรณาการปัจจัยกำหนดทางสังคมจากข้อมูลสำมะโนประชากร
• ขับเคลื่อนด้วย AI การจับคู่ผู้ป่วย เพื่อการสรรหาบุคลากรที่แม่นยำ
• รูปแบบการกระจายอำนาจที่ทำให้ร้านขายยาในท้องถิ่นมีส่วนร่วม

แนวทางเหล่านี้สร้างการศึกษาที่สะท้อนถึงประชากร ผู้ป่วยอย่างแท้จริง ทำให้มั่นใจได้ว่าผลการวิจัยสามารถนำไปใช้ได้กับประชากรทุกกลุ่ม¹⁹เมื่อการนำข้อมูลจากโลกแห่งความเป็นจริงมาใช้เพิ่มมากขึ้น ศักยภาพของเราในการวิจัยอย่างเท่าเทียมก็จะเพิ่มมากขึ้นเช่นกัน

แนวโน้มในอนาคตของการวิจัยหลักฐานในโลกแห่งความเป็นจริง

ความก้าวหน้าในด้านวิทยาศาสตร์ข้อมูลกำลังปลดล็อกศักยภาพที่ไม่เคยมีมาก่อนสำหรับการวิจัยที่เน้นผู้ป่วยเป็นศูนย์กลาง ในอีกห้าปีข้างหน้าจะได้เห็นนวัตกรรม ที่พลิกโฉม วิธีการเก็บรวบรวมและวิเคราะห์ผลลัพธ์ด้านสุขภาพ IQVIA คาดการณ์ว่า 90% ของบริษัทเภสัชกรรมจะนำ AI มาใช้ใน การวิเคราะห์ ข้อมูลในโลกแห่งความเป็นจริงภายในปี2025 ²¹

• แขนควบคุมสังเคราะห์จะกลายเป็นแนวทางปฏิบัติมาตรฐานภายในปี 2026
• การคำนวณแบบควอนตัมช่วยให้สามารถจำลองผลการรักษาได้แบบเรียลไทม์
• การทดลองแบบกระจายอำนาจที่บูรณาการอุปกรณ์สวมใส่เพื่อรวบรวมข้อมูลอย่างต่อเนื่อง

ปัจจุบัน FDA ยอมรับข้อมูลจากโลกแห่งความเป็นจริงสำหรับการอนุมัติการบำบัดแบบเร่งด่วนอย่างเต็มรูปแบบ การเปลี่ยนแปลงนี้สะท้อนให้เห็นถึงความเชื่อมั่นที่เพิ่มขึ้นในการศึกษาเชิงสังเกตสำหรับการตัดสินใจด้านกฎระเบียบ²²

เครื่องมือสุขภาพดิจิทัล (DHTs) กำลังปฏิวัติการเก็บรวบรวมข้อมูล อุปกรณ์สวมใส่และแอปพลิเคชันบนมือถือในปัจจุบันสามารถบันทึกผลลัพธ์ที่ผู้ป่วยรายงานได้มากกว่าวิธีการแบบดั้งเดิมถึง 84% ²¹การบูรณาการนี้สร้างชุดข้อมูลที่สมบูรณ์ยิ่งขึ้นสำหรับการวิเคราะห์เชิงพยากรณ์

ตลาด RWE ทั่วโลกจะแตะระดับ 4.2 พันล้านดอลลาร์สหรัฐภายในปี 2027 โดยเติบโตในอัตราร้อยละ 21 ต่อปี²¹การขยายตัวนี้สะท้อนให้เห็นถึง ความต้องการ ของผู้มีส่วนได้ส่วนเสียสำหรับหลักฐานที่ครอบคลุมตลอด ห่วงโซ่ การดูแลสุขภาพสำหรับข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับแนวโน้มการวิจัยทางคลินิกในปี 2025โปรดดูการวิเคราะห์ล่าสุดของเรา

ความพยายามในการกำหนดมาตรฐานสำหรับแอปพลิเคชันดิจิทัลทวินกำลังเร่งตัวขึ้น โมเดลผู้ป่วยเสมือนจริงเหล่านี้สามารถลดระยะเวลาการทดลองลง ได้ถึง 40% ในขณะเดียวกันก็ปรับปรุงการตรวจสอบความปลอดภัย²²

สรุป

ภูมิทัศน์ด้านการดูแลสุขภาพกำลังเปลี่ยนแปลงไปโดยอาศัยข้อมูลเชิงลึกจากการดูแลผู้ป่วยในชีวิตประจำวันหลักฐานจากโลกแห่งความเป็นจริงช่วยลดต้นทุนการทดลองลงได้ถึง 35% ในขณะเดียวกันก็สามารถบันทึกผลลัพธ์ที่หลากหลายซึ่งมักถูกมองข้ามในการศึกษาแบบดั้งเดิม²³ หลักชัยด้านกฎระเบียบ เช่น กรอบการทำงานของ FDA ยืนยันบทบาทของหลักฐานเชิง ประจักษ์ในการประเมินประสิทธิภาพและความปลอดภัย ของการรักษา ในกลุ่มประชากรต่างๆ²⁴

การทำงานร่วมกันระหว่าง ผู้มีส่วนได้ส่วนเสียยังคงมีความสำคัญต่อความก้าวหน้าทางจริยธรรม มาตรฐานจากโซลูชันของ CTTI และ IQVIA แสดงให้เห็นว่าข้อมูลแบบบูรณาการช่วยเชื่อมช่องว่างการวิจัย ได้อย่างไร ²⁵แนวทางนี้จะขยายโครงการริเริ่มด้านการแพทย์ที่แม่นยำ เพื่อให้มั่นใจได้ว่าการเข้าถึงการบำบัดรักษาที่เกิดขึ้นใหม่จะเป็นไปอย่างเท่าเทียมกัน

เมื่อการนำไปใช้แพร่หลายมากขึ้นหลักฐานจากโลกแห่งความเป็นจริงจะยังคงเสริมการทดลองทางคลินิก ต่อไป โดยให้มุมมองที่ครอบคลุมเกี่ยวกับ ผลกระทบของ การพัฒนายานักวิจัยควรใช้ประโยชน์จากกรอบการทำงานเหล่านี้เพื่อเร่งการค้นพบในขณะที่ยังคงรักษาการตรวจสอบความถูกต้องอย่างเข้มงวด

ลิงค์ที่มา

1. https://pmc.ncbi.nlm.nih.gov/articles/PMC7093234/
2. https://subjectwell.com/rwe-can-improve-clinical-trials/
3. https://pmc.ncbi.nlm.nih.gov/articles/PMC8323556/
4. http://graduate.northeastern.edu/knowledge-hub/real-world-evidence-impact-on-healthcare/
5. https://en.wikipedia.org/wiki/Real_world_evidence
6. https://evidentiq.com/library/role-clinical-trials-and-rwe/
7. https://pmc.ncbi.nlm.nih.gov/articles/PMC6223979/
8. https://www.indegene.com/what-we-think/reports/a-regulatory-perspective-on-real-world-evidence-for-biopharmaceuticals
9. https://www.ispor.org/publications/journals/value-outcomes-spotlight/vos-archives/issue/view/healthcare-systems-around-the-world/advancing-patient-health-through-regulatory-grade-real-world-evidence-generation
10. https://www.iqvia.com/locations/united-states/blogs/2020/07/real-world-evidence-studies-getting-started
11. https://www.appliedclinicaltrialsonline.com/view/real-world-evidence-medical-research-drug-development
12. https://www.quanticate.com/blog/real-world-evidence-in-clinical-drug-development
13. https://pmc.ncbi.nlm.nih.gov/articles/PMC11318787/
14. https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2022.862712/full
15. https://www.appliedclinicaltrialsonline.com/view/technology-enabled-real-world-data-and-clinical-research-data-integration-in-a-clinical-registry-ecosystem-for-foundations
16. https://www.verisimlife.com/publications-blog/how-ai-enables-the-use-of-real-world-evidence-in-drug-development
17. https://www.drugdiscoverytrends.com/incorporating-real-world-evidence-into-the-life-cycle-of-drug-development/
18. https://www.bgbgroup.com/perspectives/ella-maughan/
19. https://ctti-clinicaltrials.org/our-work/novel-clinical-trial-designs/real-world-data/
20. https://clarifyhealth.com/insights/blog/the-future-of-rwe-in-clinical-trial-design-and-recruitment/
21. https://www.maxisclinical.com/insights/blog/top-5-key-trends-in-real-world-evidence-to-watch-for-in-2024/
22. https://veranahealth.com/top-5-trends-in-real-world-data-and-real-world-evidence-for-2025/
23. https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-022-01768-6
24. https://pmc.ncbi.nlm.nih.gov/articles/PMC7189159/
25. https://pmc.ncbi.nlm.nih.gov/articles/PMC9815890/