Real World Evidence: opportunità metodologiche e trappole da evitare

Il Real World Evidence è sempre più richiesto da EMA e HTA per estensioni di indicazione, rivalutazioni post-marketing e decisioni di rimborsabilità. Ma i dati real-world hanno caratteristiche metodologiche radicalmente diverse dai trial clinici. Ignorarle non produce evidenza: produce rumore con un’etichetta scientifica.

Cosa si intende per Real World Evidence

Il Real World Evidence (RWE) è l’evidenza clinica derivata dall’analisi di Real World Data (RWD): dati raccolti al di fuori dei trial randomizzati controllati, nel contesto della pratica clinica ordinaria. Cartelle cliniche elettroniche, database amministrativi, registri di patologia, dati di claims assicurativi, dispositivi wearable.

La distinzione tra RWD e RWE è importante: i dati real-world sono la materia prima. L’evidenza real-world è il prodotto di un’analisi metodologicamente rigorosa di quei dati. Non tutti i RWD producono RWE: producono RWE solo le analisi che affrontano esplicitamente i bias strutturali insiti nei dati osservazionali.

Perché EMA e HTA chiedono sempre più RWE

I trial randomizzati controllati rimangono il gold standard per dimostrare causalità. Ma hanno limiti strutturali che il RWE può compensare:

• I pazienti nei trial sono selezionati con criteri di inclusione ed esclusione stretti: spesso non rappresentano la popolazione reale che userà il farmaco
• I trial hanno orizzonti temporali limitati: gli effetti a lungo termine richiedono follow-up che solo i dati real-world possono fornire
• Per malattie rare, raccogliere campioni sufficienti per un RCT può essere impossibile
• Le domande post-marketing — effectiveness nella pratica reale, comparative effectiveness, sicurezza a lungo termine — richiedono per definizione dati real-world

EMA ha pubblicato framework specifici per l’uso del RWE nelle domande regolatorie. L’HTA coordination body europeo (EUNETCHA) ha integrato il RWE nei processi di valutazione congiunta. La direzione è chiara: il RWE non è più un’alternativa al RCT, è uno strumento complementare con un ruolo regolatorio riconosciuto.

Le trappole metodologiche del RWE

I dati real-world non sono randomizzati. Questo significa che i pazienti che ricevono un trattamento differiscono sistematicamente da quelli che non lo ricevono, per caratteristiche cliniche, demografiche, e per le stesse ragioni che hanno portato il medico a prescrivere quel trattamento. Ignorare questa struttura produce stime distorte.

1. Confounding by indication

Il bias più insidioso nel RWE. I pazienti con prognosi migliore tendono a ricevere certi trattamenti, e quelli con prognosi peggiore altri. Un’analisi naif che confronta i due gruppi attribuisce al trattamento differenze che sono in realtà differenze prognostiche pre-esistenti.

Le tecniche principali per affrontarlo sono il propensity score matching (PSM), l’inverse probability of treatment weighting (IPTW) e i metodi di variabili strumentali. Nessuno elimina completamente il confounding da variabili non misurate — questo limite va documentato esplicitamente.

2. Immortal time bias

Uno dei bias più frequentemente ignorati, anche in studi pubblicati su riviste di alto impatto. Si verifica quando il periodo tra la diagnosi e l’inizio del trattamento viene conteggiato nel follow-up del gruppo trattato, un periodo in cui però il paziente non stava ancora ricevendo nulla. Chi è morto prima di iniziare il trattamento non è nel gruppo trattato: questo crea un’asimmetria che gonfia artificialmente i benefici della terapia.

Il risultato è un’apparente protezione del trattamento che è un artefatto metodologico. La soluzione è l’allineamento corretto tra index date, inizio del follow-up e definizione dell’esposizione.

3. Misclassification dell’esposizione e dell’outcome

I dati amministrativi e le cartelle cliniche non sono stati raccolti per scopi di ricerca. I codici ICD possono essere imprecisi, le prescrizioni non corrispondono necessariamente all’assunzione effettiva, gli outcome clinici rilevanti possono essere catturati in modo disomogeneo tra centri diversi.

La validazione degli algoritmi di identificazione dei casi, con studi ad hoc su sottocampioni o confronto con dati clinici primari, è un elemento che EMA considera rilevante nella valutazione della qualità di uno studio RWE.

4. Missing data strutturali

Nei database real-world, i dati mancanti raramente sono mancanti a caso (MCAR). Spesso sono mancanti perché non misurati. Un paziente senza una misurazione del colesterolo nel database non è un paziente con colesterolo ignoto: è probabilmente un paziente a cui il medico non ha ritenuto necessario misurarlo, il che è già un’informazione clinica.

Imputare i dati mancanti senza modellare correttamente questo meccanismo produce stime distorte. La sensitivity analysis sotto diverse assunzioni sul meccanismo di missing è elemento standard in uno studio RWE di qualità.

Come costruire uno studio RWE metodologicamente solido

Tre elementi non negoziabili:

1. Protocollo pre-specificato. Come per i trial clinici, la domanda di ricerca, la definizione della coorte, l’esposizione, l’outcome e i metodi analitici devono essere pre-specificati prima di accedere ai dati. La registrazione su piattaforme come EUPAS o ClinicalTrials.gov è sempre più richiesta.
2. Conformità alle linee guida RECORD e STROBE-MR. RECORD (REporting of studies Conducted using Observational Routinely-collected health Data) estende STROBE per gli studi che usano dati routinari. La conformità a questi standard è richiesta dalle riviste di impatto e sempre più considerata da EMA.
3. Analisi di sensitivity esaustive. Un risultato RWE che non regge alle sensitivity analysis non è un risultato robusto. Le sensitivity devono coprire le scelte analitiche principali: definizione alternativa dell’esposizione, finestra temporale diversa, metodo alternativo per il confounding, assunzioni diverse sui missing data.

Il RWE offre opportunità reali per rispondere a domande che i trial non possono affrontare. Ma richiede una competenza metodologica specifica che va oltre la familiarità con i software statistici. La differenza tra uno studio RWE che convince EMA e uno che viene respinto non sta nella quantità di dati — sta nella qualità del disegno e nella trasparenza con cui i bias strutturali vengono riconosciuti, gestiti e comunicati.

Mathsly Research supporta la progettazione e l’analisi di studi Real World Evidence per pharma, biotech e CRO. Propensity score, IPTW, analisi di sopravvivenza e sensitivity analysis con output pronti per submission regolatoria e HTA.