Dai dati agli insight: 5 considerazioni per migliorare la strategia per dati ed evidenze del mondo reale

Per le organizzazioni del settore life sciences, i dati del mondo reale (RWD) sono diventati una delle risorse aziendali più preziose. Operativizzate come evidenze del mondo reale (RWE), possono mostrare come le terapie si comportano al di fuori degli studi clinici controllati, rivelando carenze nell’assistenza, barriere di accesso, difficoltà di aderenza, segnali di rischio-beneficio, opportunità di espansione di mercato e risultati su popolazioni di pazienti più ampie e diversificate.

Tuttavia, la sfida principale non è la mancanza di dati. La maggior parte delle organizzazioni dispone di più dati di quanti sia in grado di utilizzare efficacemente. La domanda più interessante è se siano in grado di trasformare questi dati in un contesto affidabile e utilizzabile, con una rapidità che faccia davvero la differenza. Le strategie RWD si stanno orientando verso una data foundation aggiornata in modo continuo e pronta per gli agenti AI, a supporto della generazione di evidenze, del processo decisionale e di azioni tempestive.

Le organizzazioni del settore life sciences hanno bisogno di strategie di evidenza in grado di tenere il passo con l’accelerazione delle pipeline, un’assistenza più personalizzata, aspettative crescenti sui risultati e la pressione di lanciare prodotti in mercati globali complessi. Questo significa trasformare la generazione di evidenze in una capacità aziendale più proattiva, in grado di supportare decisioni migliori nelle aree di sviluppo, medica, commerciale e di market access.

Ecco cinque considerazioni per migliorare le strategie di generazione di evidenze.

1. Progettare per dati connessi e multimodali e un contesto semantico condiviso

Una singola sorgente dati non può fornire una visione completa del percorso del paziente, della progressione della malattia, del comportamento terapeutico o delle dinamiche di mercato. I dati claims evidenziano i pattern di utilizzo, mentre i dati di cartella clinica elettronica (EHR), di laboratorio, imaging, genomica, registri, dispositivi wearable e generati dai pazienti aggiungono profondità clinica e comportamentale. Collegare queste modalità è necessario, ma limitarsi a spostare tutto in un unico repository non è sufficiente, e spesso non è nemmeno possibile nel rispetto di normative rigorose sulla protezione della privacy. Provenienza, definizioni, consenso, uso consentito, lineage, qualità, freschezza e idoneità allo scopo devono sempre rimanere associati ai dati. La privacy e la sovranità dei dati devono guidare, come principio non negoziabile fin dall’inizio, il modo in cui i dati dei pazienti vengono collegati, consultati, condivisi e utilizzati.

Questo richiede un approccio aziendale ai dati RWD, in cui i diversi team possano lavorare partendo da visioni affidabili e connesse del paziente, della malattia, del trattamento e del mercato. La tecnologia conta, ma la domanda strategica viene prima di tutto: quali decisioni dovrebbero diventare più rapide, più ripetibili o più incentrate sul paziente quando queste sorgenti dati vengono collegate?

È una responsabilità collettiva:

• Gli originatori dei dati possono aumentare il valore dei dati attraverso provenienza chiara, consenso, limiti di uso consentito, segnali di qualità e controlli a tutela della privacy.

• Gli aggregatori possono andare oltre i set di dati statici con prodotti aggiornati, definizioni comuni, limitazioni trasparenti e un contesto pronto per generare evidenze, dimostrando così il valore per il business.

• I fornitori di tecnologie abilitanti possono supportare collegamenti che tutelano la privacy, la collaborazione sicura, il rispetto delle policy e applicazioni utilizzabili.

• Le organizzazioni del settore life sciences possono sviluppare capacità di evidenza riutilizzabili, invece di assemblare estrazioni disconnesse e ripetitive per ogni domanda.

L’obiettivo è preservare il contesto, rendendo al contempo i dati multimodali utilizzabili e conformi lungo tutto il ciclo di vita delle evidenze. È il lavoro meno affascinante, ma spesso più determinante, della trasformazione basata sull’AI: definire correttamente definizioni, lineage, policy di accesso e pipeline di qualità dei dati, in modo che il prossimo caso d’uso o la prossima applicazione non debbano ripartire da zero. 

2. Considerare le RWE come un ecosistema di prodotti collaborativi, non come una sequenza di progetti

Le RWE sono state spesso trattate come una capacità specialistica di competenza dei team R&D, health economics and outcomes research (HEOR), epidemiologia, medical o market access. Queste funzioni restano essenziali, ma il valore strategico della generazione di evidenze si estende oggi a tutta la catena del valore del settore life sciences e al più ampio ecosistema sanitario.

I team R&D, Clinical Ops, Medical Affairs e Commercial si basano tutti sui dati RWD, dalla progettazione dei protocolli e dalla selezione dei siti all’analisi delle carenze assistenziali e alla pianificazione dei lanci. Con l’espandersi di questi casi d’uso, l’unità di valore sta cambiando. Il futuro non è una raccolta di studi isolati costruiti a partire da file grezzi. È un portfolio di prodotti riutilizzabili basati su dati e insight, tra cui:

• Percorsi longitudinali dei pazienti, stati del paziente computabili e percorsi terapeutici

• Carenze assistenziali, coorti di risultati, segnali di sicurezza e di rischio-beneficio

• Modelli di copertura e accesso relativi a provider, siti ed enti pagatori

• Popolazioni simili a quelle degli studi clinici e coorti di confronto esterne

• Fenotipi riutilizzabili, piani di analisi, pacchetti di evidenze e app di insight e reporting

Questo crea opportunità in tutto l’ecosistema. Le RWE diventano quindi davvero uno sport di squadra: quanto più il contributo di ciascun partecipante diventa riutilizzabile e interoperabile, tanto più velocemente l’ecosistema può rispondere alla domanda successiva. 

3. Passare da una generazione di evidenze episodica a una continua

Per molte organizzazioni, i flussi di lavoro RWD tradizionali iniziano ancora con richieste isolate: viene commissionato uno studio, i dati vengono assemblati, viene condotta l’analisi e i risultati vengono riportati. Questo crea un ritardo inaccettabile (spesso di mesi) tra le domande poste e le evidenze disponibili per rispondervi, considerando le esigenze sanitarie in continua evoluzione di oggi.

La generazione di evidenze di nuova generazione sarà mantenuta come una capacità viva. Pipeline persistenti e governate possono aggiornarsi non appena diventano disponibili nuove porzioni di dati, popolazioni e modalità. I modelli di stato del paziente e di traiettoria possono organizzare eventi multimodali nel tempo, aiutando i team a seguire l’esposizione al trattamento, la risposta, la progressione, gli eventi avversi e i risultati con un’attribuzione sempre più precisa.

Le pipeline continue rendono possibile la generazione di evidenze in tempo quasi reale, consentendo ai team di ridurre il divario tra un segnale rilevato nel mondo reale, la sua validazione e la decisione successiva. In pratica, questo può aiutare i team a:

• Individuare prima i segnali post-marketing, come rischi per la sicurezza, carenze assistenziali, diagnosi mancate e nuovi pattern nel percorso del paziente

• Monitorare in tempo reale le risposte al trattamento, gli ostacoli di accesso e i cambiamenti nell’aderenza

• Adeguare la fattibilità degli studi, gli obiettivi di reclutamento e gli obiettivi di diversità al variare delle dinamiche dei pazienti

• Abbinare i pazienti giusti a gruppi di controllo esterni, studi di follow-up o programmi di supporto

• Integrare le RWE nelle strategie di lancio e di market access al variare delle condizioni

Raggiungere questo obiettivo richiede più dei semplici dati streaming. Un aggiornamento continuo richiede una governance continua, che includa standard chiari per qualità, provenienza, uso consentito e controllo delle modifiche. Gli agenti AI possono gestire il monitoraggio e la preparazione ripetibili, ma i responsabili umani devono restare responsabili dell’interpretazione, dell’azione e della decisione su quando le conclusioni precedenti non sono più valide. Il risultato è rappresentato da cicli di fattibilità più rapidi, segnali di sicurezza anticipati e decisioni migliori con l’accumularsi delle evidenze cliniche.

4. Sviluppare flussi di lavoro a ciclo chiuso per la generazione di evidenze, non un altro chatbot

L’AI può aiutare i team a cercare, riassumere, classificare, estrarre, prevedere e ragionare su grandi volumi di dati RWD. L’opportunità più grande è coordinare il flusso di lavoro delle evidenze stesso, dalla definizione delle domande e dalla valutazione della fattibilità fino all’analisi, alla revisione e alla comunicazione.

Un flusso di lavoro agentico può trasformare tutto questo in un processo aziendale ripetibile:

• Definire la decisione e lo standard di evidenza

• Individuare sorgenti adeguate allo scopo e valutare fattibilità, limitazioni, permessi e implicazioni per la privacy

• Sviluppare e revisionare l’analisi

• Fornire un package di evidenze solido e tracciabile, in grado di orientare la decisione successiva invece di diventare un report isolato

Le persone approvano i gate principali, mentre gli agenti AI svolgono il lavoro ripetibile previsto dal contratto al loro interno.

Questo è fondamentalmente diverso dal chiedere a un chatbot di riassumere un set di dati. L’implementazione tecnica è importante, ma deve essere al servizio del flusso di lavoro. Quando la domanda cambia, il processo riutilizzabile e i diritti decisionali devono restare invariati, anche se i dati, i metodi o i modelli evolvono.

Il risultato non è l’eliminazione delle competenze o della delega umana, ma l’iterazione: applicare le competenze di dominio in modo più coerente, apprendere più velocemente e riservare l’attenzione umana alle decisioni che richiedono valutazione. Questo migliora la progettazione degli studi, l’accesso, la differenziazione di mercato, il targeting e la capacità di rispondere ai segnali di mercato.

5. Usare l’AI come strumento per migliorare le decisioni aziendali, non per creare un altro silo

La strategia di AI applicata ai dati RWD dovrebbe partire dalle decisioni e dai flussi di lavoro più importanti: individuare i pazienti giusti per uno studio, comprendere la risposta al trattamento, rilevare segnali di sicurezza, migliorare l’aderenza, preparare un lancio, espandere un mercato o dimostrare il valore a un ente pagatore. Il modello e l’applicazione dell’AI sono un mezzo per raggiungere quel risultato, non il risultato stesso.

Nel settore life sciences, questi flussi di lavoro devono inoltre soddisfare standard elevati in termini di privacy dei pazienti, proprietà intellettuale, conformità alle normative, verificabilità e difendibilità medica. Questo include un’adeguata de-identificazione o tokenizzazione, un accesso basato sui ruoli, un lineage tracciabile dei dati e dei modelli, una validazione adeguata allo scopo e una chiara responsabilità umana per le decisioni ad alto impatto che riguardano l’accesso e i risultati dei pazienti. L’AI dovrebbe operare con dati governati e integrarsi nei diritti decisionali, nei processi di revisione, nel modello operativo e nell’applicazione delle policy già esistenti nell’organizzazione.

I modelli foundation basati sulla traiettoria del paziente rappresentano un’evoluzione importante. Invece di trattare diagnosi, farmaci, note, claims, immagini e dati di laboratorio come record isolati, questi modelli creano una visione riutilizzabile dello stato del paziente nel tempo e tra le diverse modalità, supportando il retrieval di pazienti simili, la costruzione di coorti, la previsione della progressione e il tracciamento della traiettoria. Il vantaggio principale: i dati sensibili dei pazienti restano a riposo, mentre il contesto del paziente diventa riutilizzabile nello sviluppo, nella commercializzazione e in tutte le fasi intermedie. 

In modo decisivo, questo porta i modelli di AI e di generazione di evidenze verso i dati governati, invece di spostare i dati sensibili verso di essi. Quando i modelli operano all’interno di dati curati e specifici per dominio, piuttosto che su estrazioni disconnesse, i team ottengono controlli più solidi, un contesto più ricco e una minore movimentazione dei dati. I team dedicano meno tempo all’assemblaggio delle evidenze e più tempo ad agire su di esse, migliorando le decisioni relative agli studi, gli esiti di salute per i pazienti e la reattività di mercato, nel rispetto dei requisiti di privacy e conformità.

Dall’accumulo di dati al vantaggio basato sulle evidenze

Il prossimo vantaggio competitivo nel settore life sciences non apparterrà semplicemente alle organizzazioni che acquisiscono il maggior numero di asset RWD o adottano per prime il modello più recente. Apparterrà alle organizzazioni e agli ecosistemi in grado di trasformare osservazioni in continua evoluzione in evidenze affidabili e azioni responsabili, con maggiore velocità, ripetibilità, autonomia e scala. 

Questo richiede un cambiamento collettivo:

• Dall’acquisizione di dati a capacità di evidenza legate alle decisioni aziendali

• Da studi isolati a visioni di pazienti e popolazioni aggiornate in modo continuo

• Da code di analisi manuale a workflow agentici riutilizzabili e supervisionati da persone

• Da interfacce AI generiche a insight e azioni integrati negli strumenti di lavoro dei team

• Dalla sperimentazione tecnologica a risultati misurabili per pazienti, portfolio e mercato, nel rispetto della privacy, della conformità e di un uso responsabile delle evidenze

I dati del mondo reale diventano più potenti quando si trasformano in contesto affidabile. Le evidenze generano impatto quando raggiungono i workflow che migliorano le decisioni per pazienti, professionisti sanitari, payer e organizzazioni del settore life sciences.

Riferimenti normativi suggeriti

• FDA: Real-World Evidence: definizioni, casi d’uso normativi e linee guida selezionate.

• FDA: Assessing EHR and Medical Claims Data for Regulatory Decision-Making: dati fit-for-purpose, validazione, tracciabilità e requisiti di progettazione dello studio.

• EMA: DARWIN EU: un esempio globale di RWE in rete a supporto delle decisioni di ciclo di vita e normative.