全球生命科学 AI · 2026 年 11 月 16 日出版 · HERMS 咨询公司 DMCC
当研究问题、数据、设计和分析适合做出的决策时,现实世界的证据可以支持监管和市场准入决策。 从重要的不确定性开始,选择具有足够相关性和可靠性的数据,解决偏差和混杂问题,并保留从源记录到结论的可追溯路径。 仅大型数据集并不能确定治疗效果或付款人价值。 可信的研究使他们的假设、局限性和不确定性足够清晰,足以进行独立评估。 现实世界的证据 使用真实世界数据和真实世界证据支持药物和生物产品的监管决策的考虑因素 不错的现实世界证据框架
什么是现实世界的证据——它与现实世界的数据有何不同?
真实世界的数据(RWD)描述了常规来源(如电子健康记录、索赔和注册处)中捕获的健康状况或医疗保健服务。 现实世界的证据或 RWE 是通过分析这些数据而获得的临床证据。 因此,数据库是输入,而不是研究结论。 RWE 可以来自回顾性观察研究; 随机研究也可以使用常规收集的数据。 现实世界的证据
这种区别在商业和科学上很重要。 数据集可以很好地描述治疗模式,但缺乏比较有效性所需的疾病严重程度。 索赔可以比症状或生活质量更直接地衡量计费利用率。 研究适用性特定于问题、人口和预期用途,而不是附属于数据供应商的永久徽章。 不错的现实世界证据框架
从决定开始,而不是数据库
在谈判访问或运行分析之前,写一份决策优先证据简报。 确定谁将使用这些证据,哪些决定悬而未决,哪些不确定性可以改变该决定,以及该研究可以合法支持的主张。 将描述性问题与因果主张分开。
| 决策背景 | 示例问题 | 相关证据 | 解决的关键限制 |
|---|---|---|---|
| 监管有效性 | 发起 A 而不是 B 是否会改善 A 确定的结果? | 对齐队列和随访的比较设计 | 混杂、终点有效性和适用的证据标准 |
| 上市后安全 | 暴露是否与特定的不良结果相关? | 适当的药物流行病学研究 | 曝光时间、检测和混杂 |
| HTA 比较值 | 该技术如何与相关的当地护理相提并论? | 比较效果加上适用性评估 | 比较器和人口相关性 |
| 经济评估 | 哪些资源使用、效用或长期结果为该模型提供了信息? | 具有不确定性的特定情境估计 | 可转移性和外推 |
| 预算影响 | 有多少符合条件的患者可以接受治疗,费用是多少? | 人口、吸收和利用投入 | 当地途径、价格和假设 |
| 证据发展 | 未来的收集应该减少哪些不确定性? | 可行性评估和前瞻性证据计划 | 跟进、治理和可衡量的结果 |
监管部门的批准和报销是不同的决定。 与安全或有效性相关的证据可能无法回答付款人关于当地比较器、资源使用或可负担性的问题。 NICE 的框架支持使用 RWD 来表征护理并为经济模型提供信息,但它没有设定普遍的最低接受标准。 使用真实世界数据和真实世界证据支持药物和生物产品的监管决策的考虑因素 不错的现实世界证据框架
围绕相关性和可靠性构建适合目的的数据
评估相关性:人口、暴露、结果、混杂因素、护理环境和日历期是否合适? 然后评估可靠性:如何捕获、策划、链接和检查记录? 记录与驱动推理的变量相关的准确性、完整性和可追溯性。 一个整体完整性分数可以隐藏缺失的基本混杂因素。 使用真实世界数据和真实世界证据支持药物和生物产品的监管决策的考虑因素 M14 利用真实世界数据进行药物安全评估的非干预性研究的规划、设计、分析和报告的一般原则 不错的现实世界证据框架
| 数据源 | 潜在贡献 | 使用前要解决的问题 |
|---|---|---|
| 电子健康记录 | 临床测量、诊断和护理环境 | 是否捕获了严重性、时间和网络外结果? |
| 行政索赔 | 利用、分配和报销服务 | 代码是否代表了临床概念和付款人的观点? |
| 疾病或产品登记处 | 疾病特定细节和纵向结果 | 参与者是如何选择和遵循的? |
| 死亡率或其他相关记录 | 额外的结果确定 | 哪些链接错误、延迟和权限适用? |
| 患者报告的信息 | 症状、功能和生活质量 | 措施是否适当和缺失的响应信息? |
| 数字健康来源 | 访问次数重复测量 | 是否理解设备、算法和缺失? |
在承诺进行全面研究之前,创建一个可变级别的可行性表。 包括编码算法、观察窗口、验证证据、缺失、链接成功和已知随时间的变化。 如果缺少关键端点,请考虑另一个来源或附加集合; 分析中的复杂性不能制造缺失的测量值。 不错的现实世界证据框架 比较效应的实际研究方法
在检查比较结果之前设计研究
对于因果问题,请指定观察性研究试图模仿的假设试验。 定义资格、治疗策略、分配、随访、结果、兴趣和分析的因果影响。 这种目标试验方法使设计选择变得明确,并暴露了理想问题和可用数据之间的差距。 它不会将观察性治疗分配转变为随机化。 比较效应的实际研究方法
在合适的情况下,一个主动比较器,新用户队列可以提高可比性。 比较在同一治疗阶段启动临床相关替代方案的患者,而不是混合事件和长期使用者。 调整合格性、治疗开始和随访的开始,以避免给一组人人为的结果,无法发生结果。 比较效应的实际研究方法
定义估计:打算哪些人群、治疗对比、结果、时间范围和处理切换或中止等事件? 治疗起始效应和治疗效果回答不同的问题。 如果转换与预后有关,在他们切换时审查可能会产生偏差; 陈述假设和方法,而不是将审查视为行政管家。 比较效应的实际研究方法
控制混杂而不声称它已经消失
当因素影响治疗选择和结果时,就会出现混淆。 从临床知识、文献和明确的因果推理中识别出合理的混杂因素。 避免仅仅因为它们具有统计学意义而选择调整变量。 有向无环图可以帮助区分混杂因素与中介和碰撞者。 比较效应的实际研究方法
选择与估计和数据一致的方法:限制、匹配、分层、回归或倾向评分方法可能是合适的。 评估协变量平衡和治疗重叠,并报告排除或极端权重的后果。 倾向分数平衡假设下的测量信息; 它不能保证在无法衡量的严重性或临床医生判断中的平衡。 比较效应的实际研究方法
时变混杂可能需要超出标准基线调整的方法。 在先前的治疗影响也影响后续治疗和结果的混杂因素的情况下获得专家统计输入。 不要仅仅因为它产生更有利的结果而选择复杂的方法。 比较效应的实际研究方法
解决缺失的数据、偏差和端点有效性
| 威胁 | 它如何破坏推理 | 建议的回应 |
|---|---|---|
| 指示混淆 | 治疗反映疾病严重程度或预后 | 临床适当的比较器; 测量的严重程度; 敏感性分析 |
| 不朽的时间偏差 | 暴露定义需要在一个时期内存活 | 调整时间和治疗策略 |
| 结果错误分类 | 代码不代表预期的事件 | 验证算法; 评估差分测量 |
| 内容丰富的审查 | 随访丢失与预后有关 | 定义原因; 使用合适的方法和灵敏度分析 |
| 缺少数据 | 记录取决于护理或健康状况 | 描述模式和机制; 证明处理假设是合理的 |
| 日历/站点差异 | 跨时间或机构的护理变化 | 评估可比性; 酌情限制、调整或分层 |
| 不良重叠 | 组缺乏可比的患者 | 报告支持、排除和更改的目标人群 |
| 选择性分析/报告 | 方法遵循有利的发现 | 预先指定的协议/SAP; 标签偏差和探索性工作 |
按治疗组和相关的时间报告缺失情况。 多重归因不是普遍的修复:其有效性取决于假设和模型。 当缺失、未测量的混杂或错误分类可能会实质性地改变解释时,考虑敏感性或定量偏差分析。 比较效应的实际研究方法
在适当的情况下具有不确定性和临床上有意义的绝对量的当前效应估计,而不仅仅是 p 值。 如果敏感性分析得出不同的结论,请解释哪些假设推动了差异。 统计精度并不能建立对系统偏差的自由。 不错的现实世界证据框架 比较效应的实际研究方法
谨慎使用外部控制,特别是在罕见病和先进疗法中
当合适的随机比较无法获得时,外部对照可以帮助解决证据差距,但仅凭诊断的相似性就不足。 评估资格、疾病阶段、先前治疗、指数日期、支持性护理、终点定义、评估频率和日历期。 试验参与者和常规护理患者之间的差异会产生与技术无关的明显影响。 比较效应的实际研究方法
对于细胞和基因疗法,稀疏种群和长期不确定性使得仔细的自然历史和后续计划变得重要。 数据无法建立可信比较的状态。 单臂研究加上大型外部数据集不会自动证明因果利益; 可行性可能表明需要额外的收集。 不错的现实世界证据框架 比较效应的实际研究方法
将 RWE 转化为市场准入证据——而不是不受支持的价值索赔
将每个提议的付款人索赔连接到指定的分析和决策上下文。 区分临床有效性、医疗保健资源利用、成本、健康州公用事业和预算影响。 观察到的较低支出可能反映了病例组合、较短的随访或不完整的捕获,而不是治疗效果。 不错的现实世界证据框架 比较效应的实际研究方法
对于经济模型,记录每个 RWE 输入的作用:基线风险、事件发生率、治疗持续时间、利用率或长期结果。 解释它与试验证据的关系、不确定性如何传播以及它适用于目标卫生系统的原因。 预算影响的情景应暴露符合条件的人口和采用假设,而不是将单一的估计呈现为不可避免的。 这些是基于透明证据生成的提议实施实践。 不错的现实世界证据框架
可转移性值得自己评估。 来自一个国家的研究可能会告知另一个但不直接提供当地价格、护理途径或基线事件率的信息。 将内部有效性与适用性分开; 重新加权无法纠正设置之间的所有未测量差异。 比较效应的实际研究方法
保留从源到声明的可追溯分析
独立的审阅者应该能够了解来源如何成为分析数据集以及数据集如何成为结果。 保留来源描述和提取日期; 数据字典和代码列表; 链接和策展规则; 队列减员; 协议和统计分析计划版本; 可执行代码和环境详细信息; 质量检查; 偏差; 和输出到声明的映射。 不错的现实世界证据框架 比较效应的实际研究方法
为合法访问、道德审查(如适用)、隐私、允许的链接、保留和安全分析计划治理。 透明度并不意味着发布可识别的患者记录。 在无法共享原始数据的情况下,解释限制并为有意义的审查提供足够的方法、元数据和可执行规范。 不错的现实世界证据框架
人工智能可以帮助文献分类、编码提案或文档,但生成的引文、映射和提取的字段需要与其使用成比例的验证。 在负责任的人力控制下保持研究设计权限、访问权限和科学签名。 这是一种推荐的操作保障,而不是普遍强制的 AI 审查程序的主张。
假设研究:一个数据集,两个决策问题
假设一家公司想要比较开始治疗 A 与治疗 B 后的住院治疗,并通知 HTA 提交。 索赔来源捕获了配药和入院,但疾病严重程度未被完全记录。 该团队首先确定治疗阶段、新用户资格、基线观察、时间零、终点和随访。
可行性表明,链接的临床来源可以改善严重程度测量。 该协议预先指定了混杂调整、重叠评估、缺失数据处理和敏感性分析。 如果无法实现足够的可比性,团队会缩小索赔或更改证据计划,而不是宣传因果优势。
对于付款人问题,它分别评估了当地比较器相关性、单位成本、合格人口和模型不确定性。 监管分析和经济评估共享书面证据,但两者都没有被重新标记为对方的证据。 这种情况是说明性的; 它报告没有治疗结果或 HERMS 部署。
监管和 HTA 格局:消息来源的实际情况
| 源 | 状态/上下文 | 实际含义 |
|---|---|---|
| FDA RWD/RWE 注意事项 | 2023 年 8 月 最终非结合药物/生物指南 | 评估监管目的、研究可行性和合适的数据 |
| FDA 非干预性研究 | 2024 年 3 月草案; 不用于实施 | 不要将提议的建议重新标记为最终要求 |
| FDA的ICH M14 | 2026 年 3 月最终指导; 安全重点 | 计划、设计、分析和报告适合使用的非干预性研究 |
| EMA RWE / 达尔文欧盟 | 欧盟证据生成基础设施和解释性资源 | 数据发现和研究支持监管问题; 没有自动学习接受 |
| 不错的 RWE 框架 | 生活方法框架; 2022 年 6 月发布 | 使用相关数据和透明方法; 可接受性仍然是上下文的 |
FDA 2026 年 3 月的 M14 指南取代了其 2024 年 7 月的 M14 草案; 这与单独的 2024 年 3 月 FDA 非干预性研究草案不同。 M14 侧重于安全性,而 FDA 指出其建议也可以为有效性研究提供信息。 国际协调并不意味着相同的国家实施或保证批准。 使用真实世界数据和真实世界证据支持药物和生物产品的监管决策的考虑因素 现实世界的证据:对药物和生物产品的非干预性研究的考虑 M14 利用真实世界数据进行药物安全评估的非干预性研究的规划、设计、分析和报告的一般原则
EMA 的 HMA-EMA 目录有助于确定数据源和研究。 达尔文欧盟通过参与的数据合作伙伴生成解决药物监管问题的证据。 目录包含并不能证明数据集符合特定协议或赞助商的结论被接受。 现实世界的证据 数据分析和真实世界审讯网络(达尔文欧盟)
一个实际的证据准备清单
- 决定和声明:识别用户、不确定性和允许的结论。
- 设计:定义人口、比较器、时间零、估计和跟进。
- 数据:确认基本变量、出处、权限和可行性。
- 偏差:文档混杂因素、重叠、缺失和测量限制。
- 分析:预先指定主要方法、敏感性分析和解释规则。
- 可追溯性:保留代码、版本、磨损、偏差和质量检查。
- 适用性:评估目标国家护理途径和决策相关性。
- 参与:在锁定相应的设计选择之前,寻求适当的监管或 HTA 建议。
将这些项目用作拟议的项目门,而不是声称每个当局都需要相同的清单。 NICE 鼓励计划在提交中使用 RWD 的公司提供早期建议。 不错的现实世界证据框架
HERMS如何将证据生成与决策准备联系起来
Herms 将 Valtrix 描述为临床和价值证据解决方案,Valtira 作为定价、HTA 和预算影响情报,以及 Veriqis 作为证据完整性和保证。 这些是公司的定位声明,而不是独立验证的绩效索赔。 有用的评估问题是拟议的部署是否可以证明其预期用途的来源到索赔的可追溯性、适当的方法和负责任的审查。 人工智能生命科学软件 | 25 herms 解决方案
探索 HERMS 临床、价值证据和市场准入解决方案 讨论围绕您的证据差距、学习准备需求和决策要求的演示。
经常问的问题
RWD和RWE有什么区别?
RWD 是潜在的常规护理数据。 RWE是分析得出的临床证据。 收集记录或购买数据集本身并不能产生可信的证据; 研究问题、研究设计、分析假设和数据适用性决定了可以得出什么结论。 现实世界的证据
RWE 可以支持监管机构的批准吗?
当证据满足适用标准并解决问题时,它可以支持特定的监管用途。 接受不是自动的,取决于提交的上下文。 就相应的设计选择与相关当局联系; 不要假设 RWE 在每个环境中都替换了随机证据。 现实世界的证据 使用真实世界数据和真实世界证据支持药物和生物产品的监管决策的考虑因素
RWE 如何支持市场准入和 HTA?
它可以告知疾病负担、治疗途径、比较证据、经济模型输入和对常规护理的适用性。 付款人仍然需要相关的比较器、可信的方法和不确定性评估。 对研究的监管接受并不保证报销或确定可负担性。 不错的现实世界证据框架 比较效应的实际研究方法
是什么使数据适合目的?
数据必须包含适当的患者、治疗、结果和协变量,并对特定问题进行充分的测量、随访和可追溯性。 评估相关性和可靠性。 适用于利用研究的来源可能不适合因果有效性比较。 M14 利用真实世界数据进行药物安全评估的非干预性研究的规划、设计、分析和报告的一般原则 不错的现实世界证据框架
倾向评分匹配是否消除了混杂?
如果存在合适的协变量和重叠,它可以在假设下解决测量的混杂问题。 它不保证控制未测量的因素或纠正不良的端点定义。 报告平衡、排除、残余限制和敏感性分析,而不是将匹配视为因果关系的证明。 比较效应的实际研究方法
什么是目标试验仿真?
这是围绕随机试验进行的一项观察性研究的明确设计,这是理想的情况。 指定资格、策略、分配、跟进、结果、因果效应和分析。 该方法有助于避免设计错误,但不能提供缺失的变量或使观察性治疗分配随机。 比较效应的实际研究方法
外部控制臂何时可信?
可信度取决于人群、护理、时间段、数据捕获和结果的可比性,以及适当的设计和分析。 评估哪些不能对齐以及剩余的不确定性是否会破坏索赔。 外部对照不会自动适合,因为这种疾病很少见。 比较效应的实际研究方法
人工智能能否产生一个适合决策的 RWE 研究?
人工智能可能支持选定的任务,但决策准备需要合适的数据、合理的因果推理、可重复的分析和合格的审查。 验证生成的引用、提取和代码。 没有架构或供应商标签独立建立科学有效性、监管机构接受或付款人相关性。
有用的 RWE 研究不是从最大的数据集开始的,也不是以最有利的估计结束。 它从一个决定开始,以对证据支持什么、它不支持什么以及仍然存在哪些不确定性的透明说明结束。
讨论您的下一个证据生成或市场准入问题 HERMS解决方案 ,或探索相关 HERMS生命科学见解 .
相关的 HERMS 解决方案
探索与本文讨论的工作流相关的 HERMS 解决方案: Valtrix — 临床和价值证据; Valtira — 定价、HTA 和预算影响; Exirix — 临床实验设计; Veriqis — 证据完整性和保证。 根据您的预期用途、证据和批准要求评估每种解决方案。
资料来源和进一步阅读
- 现实世界的证据
- 使用真实世界数据和真实世界证据支持药物和生物产品的监管决策的考虑因素
- 不错的现实世界证据框架
- M14 利用真实世界数据进行药物安全评估的非干预性研究的规划、设计、分析和报告的一般原则
- 比较效应的实际研究方法
- 现实世界的证据:对药物和生物产品的非干预性研究的考虑
- 现实世界的证据
- 数据分析和真实世界审讯网络(达尔文欧盟)
探索医药AI系列
探索 HERMS生命科学解决方案 和 AI 治理和可追溯性,或 请求以工作流为重点的演示.
