Dati che curano, dati che spiegano: cosa sono i Real-World Data e perché contano

In questo momento, in qualche ospedale, un medico sta completando la cartella di un paziente dimesso. Diagnosi, terapia somministrata, esami del sangue, note cliniche, data di ricovero e di dimissione. Poi salva, chiude, passa al paziente successivo. Non sta facendo ricerca. Sta documentando una cura.

Quello che non sa — o non ci pensa, perché non è il suo lavoro in quel momento — è che quella cartella, insieme a milioni di altre come quella, contiene informazioni che nessun trial clinico potrà mai raccogliere. Informazioni su come i farmaci funzionano davvero, su quali pazienti rispondono e quali no, su cosa succede dopo cinque anni invece che dopo due, su come la malattia si comporta in un centro di provincia invece che in un ospedale universitario.

Questi dati esistono da sempre. La novità degli ultimi vent’anni è che abbiamo iniziato a capire come usarli e cosa fare perché diventino conoscenza scientifica affidabile invece di un archivio inerte.

Cosa sono i Real-World Data

Con il termineReal-World Data(RWD) si indicano tutti i dati sanitari raccolti al di fuori di un protocollo sperimentale, nella routine assistenziale quotidiana, non in condizioni controllate. Non sono dati pensati per rispondere a una domanda di ricerca: sono dati generati dal flusso normale della cura. Una prescrizione farmaceutica, un referto di laboratorio, una nota di dimissione, un accesso al pronto soccorso, un valore registrato da un dispositivo indossabile.

La caratteristica che li definisce non è la fonte — possono venire da ospedali, farmacie, assicurazioni sanitarie, app per smartphone — ma il contesto in cui sono stati prodotti: la pratica clinica reale, con tutta la sua complessità e tutta la sua irregolarità.

Questa origine li rende fondamentalmente diversi dai dati di un trial clinico. In un trial, ogni dato viene raccolto secondo un protocollo rigido: stesso strumento di misura, stessa finestra temporale, stesso formato. Nei dati real-world, nessuna di queste garanzie esiste. Un valore di pressione arteriosa può essere stato misurato con strumenti diversi, in momenti diversi della giornata, da operatori con diversa esperienza, in centri con diverse procedure. La variabilità è strutturale, non accidentale.

Preziosi e al contempo complicati

La stessa caratteristica che rende i dati real-world preziosi li rende anche complicati. Vale la pena capire entrambe le cose, perché sono due facce dello stesso fenomeno.

Sono preziosi perché riflettono la realtà senza filtri. Contengono pazienti anziani con tre comorbilità e cinque farmaci in corso — quelli che i trial escludono sistematicamente per mantenere il controllo sperimentale. Contengono percorsi irregolari, aderenze parziali, cambi di terapia a metà follow-up. Contengono la medicina praticata ogni giorno, non la medicina ideale di un protocollo. E proprio per questo possono rispondere a domande che i trial non possono nemmeno porsi.

Sono complicati perché sono stati raccolti per altri scopi. Una cartella clinica viene compilata per documentare una visita, non per rispondere a una domanda di ricerca. Il medico non pensa alla coerenza della codifica diagnostica tra centri diversi. L’infermiere non verifica che il valore inserito sia comparabile con quello del mese scorso. Il sistema informatico non è stato progettato per facilitare l’estrazione dei dati a fini statistici. Il risultato è inevitabile: dati incompleti, codifiche incoerenti, valori mancanti non casuali, strutture diverse tra una fonte e l’altra.

I dati real-world sono lo specchio della realtà clinica — con tutta la sua ricchezza e tutta la sua imperfezione. Il compito del ricercatore non è lamentarsi dell’imperfezione: è imparare a lavorarci.

Le fonti: un ecosistema, non un archivio

Parlare di dati real-world come se fossero un insieme omogeneo è fuorviante. Sono invece un ecosistema di fonti molto diverse, ciascuna con caratteristiche proprie — e capire queste differenze è il primo passo per usarle correttamente.

Cartelle cliniche elettroniche

Le cartelle cliniche elettroniche — EHR, dall’inglese Electronic Health Records — sono la fonte più ricca e più complessa. Contengono l’intero percorso clinico del paziente: diagnosi, terapie, esami di laboratorio, referti di imaging, note cliniche, accessi al pronto soccorso, ricoveri. Seguono il paziente nel tempo e attraverso strutture diverse, con un livello di dettaglio che nessun’altra fonte può eguagliare.

Il rovescio della medaglia è che sono progettate per la cura, non per la ricerca. Le note cliniche sono testo libero — preziose per il medico, difficili da analizzare automaticamente. Le codifiche diagnostiche variano tra centri e cambiano nel tempo con i sistemi di classificazione. I campi obbligatori differiscono da un’istituzione all’altra. Estrarre dati comparabili da EHR di centri diversi richiede un lavoro di armonizzazione che può essere lungo e complesso quanto l’analisi stessa.

Database amministrativi e registri

I database amministrativi — flussi di prescrizione, dati di ricovero, rimborsi assicurativi — sono molto più strutturati e omogenei delle EHR. Coprono popolazioni ampie, a volte intere nazioni, e si prestano bene ad analisi su larga scala. Il prezzo è la scarsa profondità clinica: sanno che un paziente ha ricevuto una certa molecola, ma non sanno perché, né con quale dosaggio effettivo, né se l’ha effettivamente assunta o è rimasta in fondo al cassetto.

I registri di patologia occupano una posizione intermedia. Sono strutturati e spesso validati da revisioni cliniche, ma coprono popolazioni specifiche — tutti i pazienti con una certa diagnosi in una certa area — e richiedono uno sforzo di raccolta attiva che li rende più costosi da mantenere. In compenso, la qualità del dato è generalmente superiore a quella dei database amministrativi.

Dati generati dai pazienti

La frontiera più recente è quella dei dati prodotti direttamente dai pazienti: dispositivi indossabili che misurano frequenza cardiaca, attività fisica, saturazione, sonno; app che raccolgono sintomi, aderenza terapeutica, qualità della vita; piattaforme di telemedicina che registrano interazioni e misurazioni a distanza. Consentono un monitoraggio continuo e ad alta frequenza che sarebbe impossibile in qualsiasi contesto assistenziale tradizionale.

Il problema è la rappresentatività. Chi usa questi dispositivi e queste app è tipicamente più giovane, più istruito, più motivato, più agiato della popolazione generale. I dati che producono non sono un campione casuale della realtà clinica — sono il ritratto di una fascia specifica di pazienti. Usarli senza tenere conto di questo rischia di produrre evidenza che vale per quella fascia, non per tutti.

Dal dato all’evidenza: un passaggio che non è automatico

C’è una distinzione fondamentale che vale la pena fissare con precisione, perché è la base di tutto quello che viene dopo. I Real-World Data — per quanto abbondanti, dettagliati, ben conservati — non sono ancoraevidenza. Sono materia prima. L’evidenza nasce solo quando quei dati vengono analizzati con metodi statistici appropriati, secondo un disegno di studio rigoroso, con ipotesi esplicite e procedure trasparenti. È questo processo — non la quantità di dati disponibili — che trasforma un archivio in conoscenza scientifica.

LaReal-World Evidence(RWE) è esattamente questo: l’evidenza che emerge dall’analisi metodologicamente rigorosa dei dati real-world. Non è un tipo di conoscenza alternativa a quella prodotta dai trial clinici — è una conoscenza complementare, che risponde a domande diverse con strumenti diversi. Ma come i trial, dipende interamente dalla qualità del metodo con cui viene prodotta. Gli stessi dati possono generare evidenza solida o risultati fuorvianti: la differenza non sta nei dati, sta in come vengono trattati.

Questo è il punto di partenza. I dati real-world esistono, sono disponibili, sono ricchi di informazioni che nessun trial potrà mai raccogliere. La domanda è: come si trasformano in evidenza affidabile? Come si costruisce uno studio su dati osservazionali che produca conclusioni su cui si possa davvero fare affidamento? È la domanda a cui cercano di rispondere la metodologia e la statistica della Real-World Evidence — e il punto da cui partono i ragionamenti che seguono.

I dati real-world non sono una scorciatoia.Sono uno strumento potente — forse il più ricco che la ricerca clinica abbia mai avuto a disposizione. Ma come tutti gli strumenti potenti, richiedono competenza per essere usati bene. La ricchezza dei dati non compensa la debolezza del metodo: la amplifica. E capire questo — prima ancora di aprire un dataset — è il punto di partenza di qualsiasi analisi seria.