Welche Real-World-Daten können bei einer klinischen Studie gesammelt werden?
Traditionelle klinische Studien erfassen nur einen Bruchteil der Realität der Patienten. Die Real-World-Daten — gesammelt über mobile Anwendungen, vernetzte Geräte, EMA und Register — revolutionieren unser Verständnis von kognitiven und psychischen Störungen. Umfassender Leitfaden für Forscher, Kliniker und Patienten.
Definitionen: RWD, RWE und ihre grundlegenden Unterschiede
Bevor wir die Datentypen und Erhebungsmethoden erkunden, ist es wichtig, die Terminologie zu klären — da die Begriffe oft fälschlicherweise synonym verwendet werden.
Die Real-World-Daten (RWD) — oder Real-World-Daten — sind alle Daten, die den Gesundheitszustand der Patienten und die Bereitstellung von Pflege außerhalb von randomisierten kontrollierten klinischen Studien betreffen. Sie können aus elektronischen Patientenakten, Erstattungsdatenbanken, Patientenregistern, tragbaren Sensoren, mobilen Anwendungen, Gesundheits-Social-Media oder Beobachtungsstudien stammen.
Die Real-World-Evidence (RWE) — Beweise aus der realen Welt — sind die klinischen Beweise, die durch die rigorose Analyse der RWD generiert werden. Die RWD sind das Rohmaterial; die RWE sind das Ergebnis der Anwendung einer wissenschaftlichen Methodologie auf dieses Material. Sowohl die FDA als auch die EMA haben Rahmenbedingungen entwickelt, um die RWE in die Zulassungsunterlagen aufzunehmen — eine wesentliche Transformation für die Pharmaindustrie und die biomedizinische Forschung.
Warum sind RWD in der psychischen und kognitiven Gesundheit entscheidend?
Psychische und kognitive Störungen weisen Merkmale auf, die sie besonders schwierig zu studieren machen im Rahmen klassischer klinischer Studien. Die intraindividuelle Variabilität ist erheblich — ein depressiver Patient kann sich von Montag bis Freitag oder je nach Jahreszeit oder Beziehungskontext sehr unterschiedlich fühlen. Diese Variabilität ist in einer monatlichen Bewertung in der Sprechstunde unsichtbar. Ebenso sind die kognitiven Manifestationen von Störungen wie ADHS, den Folgen eines Schlaganfalls oder frühen Stadien der Alzheimer-Krankheit stark kontextabhängig — die Umgebung, Müdigkeit, Stress modulieren sie in Echtzeit.
Die RWD ermöglichen es, diese dynamische Komplexität zu erfassen. Sie machen sichtbar, was zwischen den Sprechstunden im echten Leben der Patienten passiert — was 99 % ihrer Existenz ausmacht.
Die großen Kategorien von Real-World-Daten in der Klinik
1. Die Daten der Gesundheitssysteme (administrative und klinische Daten)
Dies sind die am häufigsten verwendeten RWD in der Beobachtungsforschung. Sie umfassen elektronische Patientenakten (EPA), Erstattungsdaten der Krankenversicherung (SNDS in Frankreich — Nationales System der Gesundheitsdaten), Patientenregister (Krebsregister, Register seltener Krankheiten, Alzheimer-Register), Krankenhausdaten (PMSI, Arzneimittelbasen) und Verschreibungsdaten. Diese Daten sind wertvoll für großangelegte epidemiologische Studien — sie ermöglichen die Analyse von Hunderttausenden oder sogar Millionen von Behandlungsverläufen. Ihre Einschränkung besteht darin, dass sie nur das erfassen, was kodiert und erstattet wird — sie fehlen subjektive, verhaltensbezogene und kontextuelle Daten.
Das größte Gesundheitsdatenlager in Europa
Das Nationale System der Gesundheitsdaten (SNDS) deckt alle Erstattungen von Behandlungen für die 67 Millionen französischen Versicherten ab, was es zu einer der größten Gesundheitsdatenbanken der Welt macht. Der Zugang wird durch den Health Data Hub geregelt und erfordert eine Genehmigung der CNIL. Für die Forschung im Bereich der psychischen Gesundheit ermöglicht es die Untersuchung von Behandlungsverläufen, der Therapietreue, Komorbiditäten und großangelegten Krankenhausaufenthalten — enthält jedoch keine Daten zu Symptomen, täglichem Funktionieren oder Lebensqualität.
2. Die von den Patienten selbst gesammelten Daten (PRO)
Die Patient-Reported Outcomes (PRO) sind Daten, die direkt von den Patienten ohne Interpretation durch einen Kliniker berichtet werden — Lebensqualitätswerte, Schmerzintensität, Schwere der Symptome, Zufriedenheit, Therapietreue. In der psychischen Gesundheit sind sie besonders wertvoll, da viele Schlüsselsymptome (Stimmung, Angst, Energie, intrusive Gedanken) nur durch Selbstberichte zugänglich sind.
Traditionelle Papierfragebögen (PHQ-9 für Depression, GAD-7 für Angst, MADRS) bleiben klinische Referenzen. Aber ihre punktuelle Anwendung in der Sprechstunde erfasst nicht die zeitliche Variabilität. Deshalb revolutionieren die EMA-Methoden (siehe unten) die Erhebung von PRO in der zeitgenössischen Forschung.
3. Die digitalen Verhaltensdaten (Digitale Biomarker)
Eine der spektakulärsten Innovationen der letzten Jahre ist die Möglichkeit, digitale Biomarker zu sammeln — objektive Messungen des Verhaltens und der Physiologie, die kontinuierlich durch digitale Geräte erfasst werden. Diese Daten umfassen die Herzfrequenz und ihre Variabilität (über Smartwatches), Muster der körperlichen Aktivität und Inaktivität (Beschleunigungssensoren), die Qualität und Dauer des Schlafs (Aktigraphen), geografische Bewegungsmuster (GPS), die Häufigkeit von Telefonanrufen und Nachrichten, Tippmuster auf der Tastatur (Tippdynamik) und Sprachdaten (Prosodie, Flüssigkeit, Pausen).
Diese passiven digitalen Biomarker — gesammelt, ohne dass der Patient "etwas tun muss" — sind besonders wertvoll in der Forschung zur psychischen Gesundheit. Studien haben gezeigt, dass Veränderungen in den Mustern von Schlaf, Aktivität und Kommunikation mehrere Tage vor dokumentierten depressiven oder manischen Episoden auftreten können — was neue Perspektiven für die Rückfallprävention eröffnet.
4. Die Daten aus digitalen kognitiven Tests
Die kognitiven Tests, die über mobile Anwendungen durchgeführt werden, stellen eine Revolution für die Forschung in der kognitiven Neurowissenschaft und Psychiatrie dar. Im Gegensatz zu den jährlichen neuropsychologischen Bewertungen in der Klinik können kurze digitale Tests täglich oder wöchentlich durchgeführt werden — und erfassen die zeitliche Variabilität der kognitiven Leistungen.
Tests wie der Trail Making Test, der Stroop-Test, N-back Arbeitsgedächtnistests oder Reaktionszeit-Tests können in 2 bis 5 Minuten auf einem Smartphone durchgeführt werden. Die gesammelten Daten ermöglichen es, subtile Veränderungen der kognitiven Leistung zu erkennen, die den klinischen Manifestationen vorausgehen — eine vielversprechende Anwendung zur frühzeitigen Erkennung von Alzheimer, zur Überwachung der Folgen eines Schlaganfalls oder zur Evaluierung der Wirksamkeit von Behandlungen.
Die DYNSEO kognitiven Tests — Gedächtnistest, Konzentrations- und Aufmerksamkeits-Test, Test der Exekutivfunktionen — sind Beispiele für digitale Werkzeuge, die eine regelmäßige und zugängliche Bewertung der kognitiven Funktionen außerhalb des klinischen Kontexts ermöglichen. Diese wiederholt gesammelten Daten bilden ein dynamisches Profil der kognitiven Entwicklung — wertvoll sowohl für die klinische Nachverfolgung als auch für die Forschung.
Die EMA (Ecological Momentary Assessment): die Revolution der Echtzeiterfassung
Die Ecological Momentary Assessment (EMA) — auch als Experience Sampling Method bezeichnet — ist eine Datenerhebungsmethode, bei der die Teilnehmer zu verschiedenen Zeitpunkten und in unterschiedlichen Kontexten in ihrem Alltag über ihren Zustand (Stimmung, Symptome, Verhalten, Kontext) befragt werden, über ein Smartphone oder eine spezielle Anwendung.
Warum die EMA alles für die Forschung im Bereich der psychischen Gesundheit verändert
Das grundlegende Problem der klassischen klinischen Bewertung ist, dass sie retrospektiv und punktuell ist. Wenn ein Patient einen wöchentlichen Depressionsfragebogen ausfüllt, versucht er, seine Woche zu "durchschnittlich" zu erfassen — was erhebliche Verzerrungen erzeugt (Erinnerungsverzerrungen, Effekt des Bewertungszeitpunkts, Ankerverzerrung). Die EMA löst dieses Problem, indem sie den tatsächlichen Zustand der Person genau zu dem Zeitpunkt erfasst, an dem sie antwortet.
In der Praxis sendet die EMA mehrmals täglich (in der Regel 3 bis 8 Mal) Benachrichtigungen zu zufälligen oder halb zufälligen Zeitpunkten. Die Person beantwortet 5-15 kurze Fragen zu ihrem emotionalen Zustand, ihren Symptomen, ihrem sozialen Kontext und ihrem Verhalten. Die Gesamtheit der Antworten über mehrere Wochen hinweg bildet eine dichte Datenkurve, die Muster, Auslöser, Zyklen und individuelle Variabilität offenbart, die durch punktuelle Bewertungen niemals erkannt worden wären.
🔬 Beispiele dafür, was EMA offenbaren kann, was klassische Bewertungen übersehen
Bei Depression: die Tageszeiten, an denen die Stimmung systematisch niedriger ist, die auslösenden sozialen Situationen, die Beziehung zwischen der Schlafqualität der vorherigen Nacht und der Stimmung am nächsten Morgen.
Bei ADHS: die Tageszeiten, an denen die Aufmerksamkeit maximal ist (was es ermöglicht, anspruchsvolle Aufgaben zu planen), der Einfluss von Ernährung und Bewegung auf die Konzentration, die Auslöser von Impulsivität.
Bei früher Alzheimer-Krankheit: die ersten Schwankungen der kognitiven Fähigkeiten, die Umweltfaktoren, die die Leistung verbessern oder verschlechtern, der Fortschritt der Schwierigkeiten im Laufe der Wochen.
Die Herausforderungen der EMA
Die EMA ist nicht ohne Grenzen. Die Belastung (Last für den Teilnehmer) ist real — mehrmals täglich über Wochen auf Benachrichtigungen zu antworten, führt zu Müdigkeit und kann die Compliance beeinträchtigen. Die Abbruchraten in EMA-Studien sind hoch, wenn die Belastung nicht gut abgestimmt ist. Die Selektionsverzerrungen (die Teilnehmer, die abschließen, unterscheiden sich von denen, die abbrechen) können die externe Validität beeinträchtigen. Und die Vertraulichkeit der sehr granularen Daten (Verhalten, Standorte, emotionale Zustände) wirft wichtige ethische Fragen auf.
Die vernetzten Objekte und Wearables: passive Sensoren des realen Lebens
Aktigraphen und Smartwatches
Aktigraphen (fortschrittliche Schrittzähler) und Smartwatches (Apple Watch, Garmin, Fitbit, Withings) sammeln kontinuierlich Daten über körperliche Aktivität, Schlaf (Dauer, Phasen, nächtliches Aufwachen) und Herzfrequenz. Diese passiven Daten sind besonders wertvoll in der Forschung zur psychischen Gesundheit, da sie Konstrukte objektivieren, die oft subjektiv berichtet werden: "Ich schlafe schlecht", "Ich bin erschöpft", "Ich mache nichts mehr".
Studien haben gezeigt, dass die kontinuierlich gemessene Herzfrequenzvariabilität (HRV — Herzfrequenzvariabilität) ein Proxy für die Funktionsweise des autonomen Nervensystems ist — und den Zustand von Stress, Angst und emotionaler Regulation widerspiegelt. Apps wie Garmin Health oder Apple Health generieren tägliche HRV-Daten, die in Studien zur psychischen Gesundheit als Biomarker dienen können.
Sprachsensoren und Sprachanalyse
Die automatische Analyse der Stimme stellt eine der vielversprechendsten Grenzen der digitalen Biomarker in der psychischen Gesundheit dar. Sprachmerkmale wie Sprechgeschwindigkeit, Pausen, Tonhöhe, Energie, Reaktionslatenz und Intonationsmuster ändern sich messbar bei Depression, Schizophrenie, Demenz und anderen psychischen Störungen. Machine-Learning-Algorithmen, die auf Tausenden von Stunden an Aufnahmen trainiert wurden, können diese Veränderungen mit einer Genauigkeit erkennen, die sich positiv mit standardisierten klinischen Bewertungen vergleicht.
Verhaltensanalysen über Smartphones
Das Smartphone selbst ist ein Sensor für das tägliche Verhalten. Die Häufigkeit und Dauer von Anrufen, die Messaging-Muster, die Geolokalisierung (Mobilität, besuchte Orte), die Umgebungshelligkeit (Indikator für Außenaktivitäten) und sogar die Mikro-Muster beim Entsperren des Bildschirms stellen dichte Verhaltensdaten dar. Studien haben gezeigt, dass diese passiven Daten Episoden von Depression, Angst und Psychose mit bemerkenswerter Genauigkeit vorhersagen können — was Perspektiven für Frühwarnsysteme eröffnet.
Mobile Gesundheitsanwendungen in klinischen Studien
Mobile Gesundheitsanwendungen — von einfachen Stimmungs-Tracking-Apps bis hin zu validierten kognitiven Stimulationswerkzeugen — spielen eine doppelte Rolle in RWD-Studien: Datensammlung (über Nutzungsprotokolle und Ergebnisse der Übungen) und therapeutische Intervention (deren Adhärenz und Wirksamkeit in Echtzeit gemessen werden können).
Emotionale Regulierung und Symptomverfolgung
Apps wie Daylio, Moodpath oder Woebot ermöglichen es den Nutzern, ihre Stimmung, ihr Verhalten und ihre Gedanken täglich zu verfolgen. Im Forschungskontext stellen die aggregierten und anonymisierten Daten dieser Apps eine wertvolle Quelle für RWD dar, um die emotionalen Muster großer Populationen zu untersuchen.
Klinische Werkzeuge wie der DYNSEO Emotionsthermometer, die Werkzeugkiste zur emotionalen Regulierung und die 12 Strategien zur Beruhigung ermöglichen die Sammlung von Daten über die tatsächliche Nutzung von Regulierungstechniken — welche Strategie gewählt wird, in welchen Kontexten, mit welcher Effektivität. Diese ökologischen Nutzungsdaten bereichern unser Verständnis der Wirksamkeit von Interventionen in der psychischen Gesundheit erheblich.
Stimulationsanwendungen und kognitive Tests
Kognitive Stimulation Apps — wie JOE für Erwachsene oder EDITH für Senioren — generieren wertvolle Daten über die langfristige kognitive Leistung. Die Nutzungsprotokolle (Häufigkeit, Dauer der Sitzungen, Ergebnisse der Übungen, erreichter Level, Abbruch) stellen RWD dar, die es ermöglichen, das Engagement in der kognitiven Stimulation, deren Entwicklung im Laufe der Zeit und die Faktoren, die mit Adhärenz oder Abbruch verbunden sind, zu untersuchen.
Für die Forschung zu digitalen Interventionen bei Alzheimer, Parkinson oder nach einem Schlaganfall bringen diese realen Nutzungsdaten eine ökologische Dimension, die Laborstudien zur Wirksamkeit nicht bieten können. Eine Anwendung kann in einer kontrollierten klinischen Studie hervorragende Ergebnisse zeigen — aber wenn die Patienten sie im echten Leben nicht nutzen, wird ihre Bevölkerungswirkung begrenzt sein. Die RWD ermöglichen eine präzise Untersuchung dieser Fragen zu Adoption und Engagement.
Methoden zur Analyse von Real-World-Daten: die methodologischen Herausforderungen
Die Verwirrungsbias: die zentrale Herausforderung
Die Hauptbeschränkung von RWD-Studien im Vergleich zu randomisierten Studien ist das Fehlen von Randomisierung — und damit die potenzielle Präsenz von Verwirrungsbias. Wenn Patienten, die eine Behandlung A erhalten, systematisch anders sind als diejenigen, die eine Behandlung B erhalten (jünger, weniger krank, mit besserem Zugang zur Versorgung), spiegelt der Vergleich ihrer Ergebnisse diese Unterschiede ebenso wider wie den Effekt der Behandlung. Mehrere statistische Techniken ermöglichen es, diese Verzerrungen zu korrigieren: das Propensity-Score-Matching, instrumentelle Analysen, Fall-Kontroll-Studien und strukturelle kausale Modelle (Directed Acyclic Graphs).
Die Analyse von Zeitreihen und longitudinalen Daten
Die EMA- und Wearable-Daten generieren dichte Zeitreihen — Hunderte oder Tausende von Messpunkten pro Teilnehmer über Wochen oder Monate. Die Analyse dieser Daten erfordert spezialisierte statistische Methoden, die ihre zeitliche Struktur erfassen: gemischte Modelle mit zufälligen Effekten, vektorielle autoregressive Modelle (VAR), um die Beziehungen zwischen Variablen im Laufe der Zeit zu untersuchen, Netzwerk-Analysen, um die dynamischen Interaktionen zwischen Symptomen zu kartieren.
Eine methodologische Revolution für die psychische Gesundheit
Der Netzwerkansatz, insbesondere von Borsboom und Cramer entwickelt, konzeptualisiert psychiatrische Störungen nicht als diskrete Entitäten (eine "Krankheit", die Symptome verursacht), sondern als Netzwerke von miteinander verbundenen Symptomen, die sich selbst aufrechterhalten. In diesem Modell ermöglichen longitudinale RWD die Identifizierung, welche Symptome am "zentralsten" sind (die anderen am meisten beeinflussen), welche Verbindungen zuerst bei einem Rückfall aktiviert werden und welche Interventionen am effektivsten das pathologische Netzwerk deaktivieren könnten. Dieser Ansatz eröffnet neuartige personalisierte therapeutische Perspektiven.
Künstliche Intelligenz und maschinelles Lernen
Das Volumen und die Komplexität der RWD haben die Ansätze des maschinellen Lernens und der künstlichen Intelligenz unverzichtbar gemacht. Deep-Learning-Algorithmen können Muster in sprachlichen, verhaltensbezogenen und physiologischen Daten erkennen, die der klassischen statistischen Analyse entgehen. Der Coach IA DYNSEO veranschaulicht diese Richtung: ein intelligentes Begleitungssystem, das aus Nutzungsmustern lernt, um die Empfehlungen zu personalisieren.
Der ethische und regulatorische Rahmen der RWD im Gesundheitswesen
DSGVO, HDS und Datenverwaltung im Gesundheitswesen
Gesundheitsdaten sind sensible personenbezogene Daten, die durch die DSGVO (Datenschutz-Grundverordnung) und für gehostete Gesundheitsdaten durch die HDS-Zertifizierung (Gesundheitsdaten-Hosting) in Frankreich geschützt sind. Jede Erhebung von Gesundheitsdaten im Rahmen von Forschung erfordert die informierte Zustimmung der Teilnehmer, die Genehmigung eines Ausschusses zum Schutz von Personen (CPP) und oft eine Genehmigung der CNIL (Nationale Kommission für Informatik und Freiheiten).
Der Health Data Hub in Frankreich (GIE, das den Zugang zu den Daten des SNDS erleichtert und deren Verknüpfung mit anderen Datenbanken ermöglicht) ist zum zentralen Werkzeug der RWD-Forschung in Frankreich geworden. Seine Nutzung wird von Expertengremien überwacht, die das wissenschaftliche Interesse, die Verhältnismäßigkeit der angeforderten Daten und die Schutzgarantien für Personen bewerten.
Die Selektionsbias in digitalen Daten
Eine wichtige ethische und methodologische Herausforderung der digitalen RWD ist ihr Potenzial für Repräsentativitätsbias. Die Nutzer von Smartwatches, Smartphones und Gesundheitsanwendungen sind nicht repräsentativ für die allgemeine Bevölkerung — sie sind im Durchschnitt jünger, wohlhabender, gebildeter und engagierter in ihrer Gesundheit. Studien, die sich auf diese Daten stützen, laufen Gefahr, gültige Beweise für diese Bevölkerungsgruppen zu produzieren, die jedoch schwer auf ältere, benachteiligte oder digital wenig alphabetisierte Menschen übertragbar sind.
⚠️ Die digitale Kluft: ein blinder Fleck der RWD
Die verletzlichsten Personen im Bereich der psychischen Gesundheit — ältere Menschen mit Demenz, obdachlose Personen, Menschen in großer Prekarität — sind oft am wenigsten in den digitalen RWD vertreten. Studien, die diese digitale Kluft ignorieren, riskieren, relevante Beweise für die am besten ausgestatteten Bevölkerungsgruppen zu produzieren, aber die Gesundheitsungleichheiten zu verschärfen, indem sie Innovationen in Richtung der Bevölkerungsgruppen lenken, die möglicherweise am wenigsten davon profitieren.
Praktische Anwendungen für die Forschung in der psychischen und kognitiven Gesundheit
Früherkennung von Demenz
Eine der vielversprechendsten Anwendungen von RWD in der klinischen Neurowissenschaft ist die Früherkennung von kognitiven Störungen, Jahre bevor die klinischen Symptome der Demenz auftreten. Forschungsteams haben gezeigt, dass digitale Biomarker — subtile Veränderungen in GPS-Bewegungsmustern, in der Tippgeschwindigkeit auf der Tastatur, in den Leistungen bei kurzen kognitiven Tests — Veränderungen erkennen lassen, die 2 bis 5 Jahre vor den ersten klinischen Symptomen der Alzheimer-Krankheit auftreten.
Die regelmäßige Überwachung der kognitiven Leistungen durch Tests wie den DYNSEO Gedächtnistest und den Konzentrationstest, die monatlich zu Hause auf Tablet oder Smartphone durchgeführt werden, könnte ein ökologisches Protokoll für die longitudinale Überwachung von Risikopopulationen darstellen.
Monitoring von Interventionen in der Psychiatrie
Das Echtzeit-Monitoring der Reaktionen auf psychiatrische Behandlungen ist ein weiteres Gebiet, in dem RWD die Praxis transformieren. Anstatt auf die monatliche Konsultation zu warten, um zu erfahren, ob ein Antidepressivum zu wirken beginnt oder ob ein Patient rückfällig wird, ermöglichen wöchentliche EMA-Daten eine kontinuierliche therapeutische Anpassung. Die DYNSEO Angstbewältigungsblatt und die Werkzeugkiste zur emotionalen Regulierung passen in diese Logik der ökologischen Intervention — indem sie Werkzeuge bereitstellen, die im Alltag verwendet werden können und deren Nutzung selbst eine relevante Forschungsdaten darstellt.
Effektivität digitaler Interventionen
RWD ermöglichen die Bewertung der tatsächlichen Effektivität digitaler Interventionen — Anwendungen der kognitiven Verhaltenstherapie, Werkzeuge zur kognitiven Stimulation, Achtsamkeitsprogramme — unter ökologischen Bedingungen. Das Engagement (Anzahl der Sitzungen, Dauer, Regelmäßigkeit), die Leistungskurve (Verbesserung, Plateau, Rückgang) und die prädiktiven Faktoren für die Einhaltung sind wertvolle Daten zur Verbesserung dieser Werkzeuge und zur Personalisierung der Empfehlungen.
Richtung pragmatische und hybride Studien
Die Zukunft der klinischen Forschung liegt wahrscheinlich in hybriden Studien, die die Strenge randomisierter Studien mit dem Reichtum der RWD kombinieren. Pragmatic Trials sammeln Daten unter realen Bedingungen der Versorgung statt in spezialisierten Forschungszentren. Plattformstudien ermöglichen die gleichzeitige Bewertung mehrerer Interventionen mit adaptiver Anpassung. Und "in silico"-Studien — die digitale Zwillinge oder computergestützte Modelle verwenden, die mit RWD gespeist werden — ermöglichen die Simulation klinischer Studien, bevor sie tatsächlich durchgeführt werden, wodurch Kosten und Zeitrahmen reduziert werden.
Fazit: RWD, neue Grenze der personalisierten Medizin
Die Daten aus dem realen Leben transformieren unsere Fähigkeit, psychische und kognitive Störungen in ihrer gesamten dynamischen Komplexität zu verstehen. Sie ermöglichen es, das Modell des "Sofortbildes" in der Konsultation zu verlassen und auf den "Film" des täglichen Lebens des Patienten zuzugreifen. Diese methodologische Revolution birgt das Versprechen einer personalisierteren, präventiveren und gerechteren Medizin — vorausgesetzt, dass die ethischen Herausforderungen (Datenschutz, digitale Kluft, Repräsentativitätsbias) vollständig berücksichtigt werden. DYNSEO trägt zu diesem Ökosystem mit hochwertigen digitalen Werkzeugen bei — kognitive Tests, Stimulationsanwendungen, Werkzeuge zur emotionalen Regulierung — deren Nutzungsdaten die Forschung von morgen unterstützen können.
Die kognitiven Tests von DYNSEO entdecken →FAQ
Was sind Daten aus dem realen Leben (RWD)?
Gesundheitsdaten, die außerhalb kontrollierter klinischer Studien gesammelt werden — medizinische Akten, Erstattungen, mobile Anwendungen, Sensoren, Register. Sie erfassen das reale Leben der Patienten außerhalb des klinischen Kontexts.
Unterschied zwischen RWD und RWE?
RWD = Rohdaten. RWE = wissenschaftliche Beweise, die durch die rigorose Analyse von RWD generiert werden. Die Unterscheidung ist entscheidend für die Regulierungsbehörden (EMA, FDA).
Was ist die EMA und warum ist sie in der psychischen Gesundheit wertvoll?
Ökologische Momentaufnahme: Fragebögen, die mehrmals täglich über das Smartphone gesendet werden, um den aktuellen Zustand in Echtzeit zu erfassen. Sie offenbart die Variabilität der Symptome, die in punktuellen Bewertungen in der Konsultation unsichtbar ist.
Welche ethischen Herausforderungen stellen RWD?
Datenschutz (DSGVO, HDS), informierte Einwilligung, Risiken der Re-Identifizierung, digitale Kluft, Repräsentativitätsbias, Eigentum und Governance von Gesundheitsdaten.
Können mobile Anwendungen in klinischen Studien verwendet werden?
Ja — für die EMA, wiederholte kognitive Tests, Verhaltens- und Emotionsverfolgung. Sie erfordern eine rigorose Validierung als Messinstrumente und einen strengen ethischen Rahmen.
