¿Qué datos de vida real se pueden recoger en un estudio clínico?
Los ensayos clínicos tradicionales solo capturan una fracción de la realidad de los pacientes. Los datos de vida real — recolectados a través de aplicaciones móviles, objetos conectados, EMA y registros — revolucionan nuestra comprensión de los trastornos cognitivos y mentales. Guía completa para investigadores, clínicos y pacientes.
Definiciones: RWD, RWE y sus diferencias fundamentales
Antes de explorar los tipos de datos y los métodos de recolección, es esencial aclarar el vocabulario — ya que los términos a menudo se utilizan de manera intercambiable de forma incorrecta.
Los Real-World Data (RWD) — o datos de vida real — son todos los datos relativos al estado de salud de los pacientes y a la entrega de cuidados recolectados fuera de los ensayos clínicos aleatorios controlados. Pueden provenir de registros médicos electrónicos, bases de datos de reembolso, registros de pacientes, sensores portátiles, aplicaciones móviles, redes sociales de salud o estudios observacionales.
Las Real-World Evidence (RWE) — evidencias de la vida real — son las pruebas clínicas generadas por el análisis riguroso de los RWD. Los RWD son la materia prima; los RWE son el resultado de la aplicación de una metodología científica a esta materia. La FDA y la EMA han desarrollado marcos para aceptar los RWE en los expedientes de autorización de comercialización — una transformación importante para la industria farmacéutica y la investigación biomédica.
¿Por qué son cruciales los RWD en salud mental y cognitiva?
Los trastornos mentales y cognitivos presentan características que los hacen particularmente difíciles de estudiar en el marco de los ensayos clínicos clásicos. La variabilidad intraindividual es considerable — un paciente depresivo puede sentirse muy diferente de un lunes a un viernes, o según la temporada, o según su contexto relacional. Esta variabilidad es invisible en una evaluación mensual en consulta. Del mismo modo, las manifestaciones cognitivas de trastornos como el TDAH, las secuelas de ACV o las etapas tempranas de Alzheimer son profundamente contextuales — el entorno, la fatiga, el estrés las modulan en tiempo real.
Los RWD permiten captar esta complejidad dinámica. Hacen visible lo que sucede entre las consultas, en la vida real de los pacientes — lo que representa el 99 % de su existencia.
Las grandes categorías de datos de vida real en clínica
1. Los datos de los sistemas de salud (datos administrativos y clínicos)
Estos son los RWD más utilizados en investigación observacional. Incluyen los registros médicos electrónicos (DME), los datos de reembolso de la Seguridad Social (SNDS en Francia — Sistema Nacional de Datos de Salud), los registros de pacientes (registros de cáncer, registros de enfermedades raras, registros de Alzheimer), las bases hospitalarias (PMSI, bases de medicamentos), y los datos de las prescripciones. Estas bases son valiosas para los estudios epidemiológicos a gran escala — permiten analizar cientos de miles e incluso millones de trayectorias de cuidados. Su límite es que solo capturan lo que está codificado y reembolsado — carecen de datos subjetivos, conductuales y contextuales.
El mayor almacén de datos de salud europeo
El Sistema Nacional de Datos de Salud (SNDS) cubre todos los reembolsos de cuidados para los 67 millones de asegurados franceses, siendo una de las mayores bases de datos de salud del mundo. Su acceso está regulado por el Health Data Hub y requiere autorización de la CNIL. Para la investigación en salud mental, permite estudiar las trayectorias de cuidados, la adherencia a los tratamientos, las comorbilidades y las hospitalizaciones a gran escala — pero no contiene datos sobre los síntomas, el funcionamiento diario o la calidad de vida.
2. Los datos recolectados por los propios pacientes (PRO)
Los Patient-Reported Outcomes (PRO) son datos reportados directamente por los pacientes, sin interpretación por un clínico — puntuaciones de calidad de vida, niveles de dolor, intensidad de los síntomas, satisfacción, adherencia a los tratamientos. En salud mental, son particularmente valiosos porque muchos síntomas clave (humor, ansiedad, energía, pensamientos intrusivos) solo son accesibles a través del auto-reporte.
Los cuestionarios en papel tradicionales (PHQ-9 para la depresión, GAD-7 para la ansiedad, MADRS) siguen siendo referencias clínicas. Pero su administración puntual en consulta no captura la variabilidad temporal. Por eso, los métodos de EMA (ver abajo) revolucionan la recolección de PRO en la investigación contemporánea.
3. Los datos de biomarcadores digitales (Digital Biomarkers)
Una de las innovaciones más espectaculares de los últimos años es la posibilidad de recolectar biomarcadores digitales — medidas objetivas del comportamiento y la fisiología capturadas de forma continua por dispositivos digitales. Estos datos incluyen la frecuencia cardíaca y su variabilidad (a través de smartwatches), los patrones de actividad física y sedentarismo (acelerómetros), la calidad y duración del sueño (actígrafos), los patrones de desplazamiento geográfico (GPS), la frecuencia de llamadas telefónicas y mensajes, los patrones de escritura en el teclado (dinámica de escritura), y los datos vocales (prosodia, fluidez, pausas).
Estos biomarcadores digitales pasivos — recolectados sin que el paciente tenga que "hacer nada" — son particularmente valiosos en la investigación sobre salud mental. Estudios han demostrado que los cambios en los patrones de sueño, actividad y comunicación pueden preceder por varios días a episodios depresivos o maníacos documentados — abriendo perspectivas inéditas para la prevención de recaídas.
4. Los datos de pruebas cognitivas digitales
Las pruebas cognitivas administradas a través de aplicaciones móviles representan una revolución para la investigación en neurociencias cognitivas y psiquiatría. A diferencia de las evaluaciones neuropsicológicas anuales realizadas en clínica, se pueden administrar pruebas digitales cortas diariamente o semanalmente — capturando la variabilidad temporal del rendimiento cognitivo.
Pruebas como el Trail Making Test, el Stroop, las pruebas de memoria de trabajo N-back, o las pruebas de tiempo de reacción pueden ser administradas en 2 a 5 minutos en un smartphone. Los datos recolectados permiten detectar cambios sutiles en el rendimiento cognitivo que preceden a las manifestaciones clínicas — una aplicación prometedora para la detección temprana de Alzheimer, el monitoreo de las secuelas de ACV o el seguimiento de la eficacia de los tratamientos.
Las pruebas cognitivas DYNSEO — Test Memoria, Test Concentración y Atención, Test de Funciones Ejecutivas — son ejemplos de herramientas digitales que permiten una evaluación regular y accesible de las funciones cognitivas fuera del contexto clínico. Estos datos, recolectados de forma repetida, constituyen un perfil dinámico de la evolución cognitiva — valioso tanto para el seguimiento clínico como para la investigación.
La EMA (Evaluación Ecológica Momentánea): la revolución de la captura en tiempo real
La Evaluación Ecológica Momentánea (EMA) — también llamada método de muestreo de experiencias — es un método de recolección de datos que consiste en interrogar a los participantes sobre su estado (humor, síntomas, comportamientos, contexto) en múltiples momentos y variados de su vida cotidiana, a través de un smartphone o una aplicación dedicada.
¿Por qué la EMA lo cambia todo para la investigación en salud mental?
El problema fundamental de la evaluación clínica clásica es que es retrospectiva y puntual. Cuando un paciente completa un cuestionario de depresión semanal, intenta "promediar" su semana — lo que genera sesgos considerables (sesgo de recuerdo, efecto del momento de la evaluación, sesgo de anclaje). La EMA resuelve este problema al capturar el estado real de la persona en el mismo momento en que responde.
En la práctica, la EMA envía notificaciones varias veces al día (generalmente de 3 a 8 veces) en momentos aleatorios o semi-aleatorios. La persona responde a 5-15 preguntas cortas sobre su estado emocional, sus síntomas, su contexto social, sus comportamientos. El conjunto de respuestas a lo largo de varias semanas constituye una curva de datos densa que revela los patrones, los desencadenantes, los ciclos y la variabilidad individual que las evaluaciones puntuales nunca habrían detectado.
🔬 Ejemplos de lo que la EMA puede revelar que las evaluaciones clásicas no capturan
En depresión: las horas del día en las que el estado de ánimo es sistemáticamente más bajo, las situaciones sociales desencadenantes, la relación entre la calidad del sueño de la noche anterior y el estado de ánimo de la mañana siguiente.
En TDAH: los momentos del día en los que la atención es máxima (lo que permite planificar las tareas exigentes), el impacto de la alimentación y el ejercicio en la concentración, los desencadenantes de impulsividad.
En Alzheimer precoz: las primeras fluctuaciones de las capacidades cognitivas, los factores ambientales que mejoran o deterioran el rendimiento, la progresión de las dificultades a lo largo de las semanas.
Los desafíos de la EMA
La EMA no está exenta de límites. La carga (carga para el participante) es real: responder a notificaciones varias veces al día durante semanas genera fatiga y puede afectar la adherencia. Las tasas de abandono en los estudios de EMA son altas si la carga no está bien calibrada. Los sesgos de selección (los participantes que completan son diferentes de aquellos que abandonan) pueden afectar la validez externa. Y la confidencialidad de los datos muy granulares (comportamientos, localizaciones, estados emocionales) plantea importantes cuestiones éticas.
Los objetos conectados y wearables: sensores pasivos de la vida real
Actígrafos y relojes conectados
Los actígrafos (podómetros avanzados) y los relojes conectados (Apple Watch, Garmin, Fitbit, Withings) recopilan continuamente datos sobre la actividad física, el sueño (duración, etapas, despertares nocturnos) y la frecuencia cardíaca. Estos datos pasivos son particularmente valiosos en la investigación sobre la salud mental, ya que objetivan construcciones que a menudo se informan subjetivamente: "duermo mal", "estoy agotado", "no hago nada".
Estudios han demostrado que la variabilidad de la frecuencia cardíaca (HRV — Variabilidad de la Frecuencia Cardíaca) medida de forma continua es un proxy del funcionamiento del sistema nervioso autónomo — y refleja el estado de estrés, ansiedad y regulación emocional. Aplicaciones como Garmin Health o Apple Health generan datos de HRV diarios que pueden constituir biomarcadores en estudios de salud mental.
Sensores vocales y análisis del discurso
El análisis automático de la voz representa una de las fronteras más prometedoras de los biomarcadores digitales en salud mental. Características vocales como la velocidad del habla, las pausas, el tono, la energía, la latencia de respuesta y los patrones de entonación cambian de manera medible en la depresión, la esquizofrenia, la demencia y otros trastornos mentales. Algoritmos de machine learning entrenados en miles de horas de grabaciones pueden detectar estos cambios con una precisión que se compara favorablemente con las evaluaciones clínicas estandarizadas.
Analíticas de comportamiento a través del smartphone
El smartphone en sí mismo es un sensor del comportamiento diario. La frecuencia y duración de las llamadas, los patrones de mensajería, la geolocalización (movilidad, lugares frecuentados), la luminosidad ambiental (indicador de salidas al exterior), e incluso los micro-patrones de desbloqueo de la pantalla constituyen datos de comportamiento densos. Estudios han demostrado que estos datos pasivos permiten predecir episodios de depresión, ansiedad y psicosis con una precisión notable — abriendo perspectivas para sistemas de alerta temprana.
Las aplicaciones móviles de salud en los estudios clínicos
Las aplicaciones móviles de salud — desde la simple aplicación de seguimiento del estado de ánimo hasta herramientas de estimulación cognitiva validadas — juegan un doble papel en los estudios RWD: recopilación de datos (a través de los registros de uso y los resultados de los ejercicios) e intervención terapéutica (cuya adherencia y eficacia pueden medirse en tiempo real).
Aplicaciones de regulación emocional y seguimiento de síntomas
Aplicaciones como Daylio, Moodpath o Woebot permiten a los usuarios rastrear su estado de ánimo, comportamientos y pensamientos diariamente. En un contexto de investigación, los datos agregados y anonimizados de estas aplicaciones constituyen una fuente de RWD valiosa para estudiar los patrones emocionales de amplias poblaciones.
Herramientas clínicas como el Termómetro de las emociones DYNSEO, la Caja de herramientas de regulación emocional y las 12 estrategias de retorno a la calma permiten recopilar datos sobre el uso real de las técnicas de regulación — qué estrategia se elige, en qué contextos, con qué eficacia. Estos datos de uso ecológico enriquecen considerablemente nuestra comprensión de la eficacia de las intervenciones en salud mental.
Aplicaciones de estimulación y pruebas cognitivas
Las aplicaciones de estimulación cognitiva — como JOE para adultos o EDITH para mayores — generan datos valiosos sobre el rendimiento cognitivo longitudinal. Los registros de uso (frecuencia, duración de las sesiones, resultados en los ejercicios, nivel alcanzado, abandono) constituyen RWD que permiten estudiar el compromiso en la estimulación cognitiva, su evolución en el tiempo, y los factores asociados a la adherencia o al abandono.
Para la investigación sobre intervenciones digitales en Alzheimer, Parkinson o después de un ACV, estos datos de uso real aportan una dimensión ecológica que los estudios de eficacia en laboratorio no pueden proporcionar. Una aplicación puede mostrar excelentes resultados en un ensayo clínico controlado — pero si los pacientes no la utilizan en la vida real, su impacto poblacional será limitado. Los RWD permiten estudiar precisamente estas cuestiones de adopción y compromiso.
Métodos de análisis de datos de vida real: los desafíos metodológicos
El sesgo de confusión: el desafío central
La principal limitación de los estudios RWD en comparación con los ensayos aleatorizados es la ausencia de aleatorización — y, por lo tanto, la presencia potencial de sesgos de confusión. Si los pacientes que reciben un tratamiento A son sistemáticamente diferentes de aquellos que reciben un tratamiento B (más jóvenes, menos enfermos, con mejor acceso a la atención), la comparación de sus resultados refleja estas diferencias tanto como el efecto del tratamiento. Varias técnicas estadísticas permiten corregir estos sesgos: el puntaje de propensión (propensity score matching), los análisis instrumentales, los estudios de casos cruzados, y los modelos causales estructurales (Directed Acyclic Graphs).
El análisis de series temporales y datos longitudinales
Los datos de EMA y wearables generan series temporales densas — cientos o miles de puntos de medida por participante durante semanas o meses. El análisis de estos datos requiere métodos estadísticos especializados que capturan su estructura temporal: modelos mixtos de efectos aleatorios, modelos vectoriales autorregresivos (VAR) para estudiar las relaciones entre variables a lo largo del tiempo, análisis de red (network analysis) para mapear las interacciones dinámicas entre síntomas.
Una revolución metodológica para la salud mental
El enfoque de red, desarrollado principalmente por Borsboom y Cramer, conceptualiza los trastornos psiquiátricos no como entidades discretas (una "enfermedad" que causa síntomas) sino como redes de síntomas interconectados que se autoalimentan. En este modelo, los RWD longitudinales permiten identificar qué síntomas son los más "centrales" (los que más influyen en los demás), qué vínculos se activan primero durante una recaída, y qué intervenciones podrían desactivar de manera más efectiva la red patológica. Este enfoque abre perspectivas terapéuticas personalizadas sin precedentes.
La inteligencia artificial y el machine learning
El volumen y la complejidad de los RWD han hecho indispensables los enfoques de machine learning e inteligencia artificial. Algoritmos de deep learning pueden detectar patrones en los datos vocales, conductuales y fisiológicos que escapan al análisis estadístico clásico. El Coach IA DYNSEO ilustra esta dirección: un sistema de acompañamiento inteligente que aprende de los patrones de uso para personalizar las recomendaciones.
El marco ético y regulatorio de los RWD en salud
RGPD, HDS y gobernanza de los datos de salud
Los datos de salud son datos personales sensibles, protegidos por el RGPD (Reglamento General de Protección de Datos) y, para los datos de salud alojados, por la certificación HDS (Alojador de Datos de Salud) en Francia. Cualquier recolección de datos de salud en un marco de investigación requiere el consentimiento informado de los participantes, la aprobación de un Comité de Protección de Personas (CPP) y a menudo una autorización de la CNIL (Comisión Nacional de Informática y Libertades).
El Health Data Hub francés (GIE que facilita el acceso a los datos del SNDS y su cruce con otras bases) se ha convertido en la herramienta central de la investigación en RWD en Francia. Su uso está regulado por comités de expertos que evalúan el interés científico, la proporcionalidad de los datos solicitados y las garantías de protección de las personas.
Los sesgos de selección en los datos digitales
Un desafío ético y metodológico importante de los RWD digitales es su potencial de sesgo de representatividad. Los usuarios de smartwatches, smartphones y aplicaciones de salud no son representativos de la población general: son en promedio más jóvenes, más acomodados, más educados y más comprometidos con su salud. Los estudios que se basan en estos datos corren el riesgo de producir pruebas válidas para estas poblaciones pero difícilmente generalizables a las personas mayores, desfavorecidas o con poca alfabetización digital.
⚠️ La fractura digital: un ángulo muerto de los RWD
Las personas más vulnerables en salud mental — personas mayores con demencia, personas sin hogar, personas en gran precariedad — son a menudo las menos representadas en los RWD digitales. Los estudios que ignoran esta fractura digital corren el riesgo de producir pruebas relevantes para las poblaciones mejor dotadas, pero agravar las desigualdades en salud al dirigir las innovaciones hacia las poblaciones que quizás menos lo necesiten.
Aplicaciones prácticas para la investigación en salud mental y cognitiva
Detección temprana de la demencia
Una de las aplicaciones más prometedoras de los RWD en neurociencias clínicas es la detección temprana de los trastornos cognitivos, años antes de la manifestación clínica de la demencia. Equipos de investigación han demostrado que biomarcadores digitales — cambios sutiles en los patrones de desplazamiento GPS, en la velocidad de escritura en el teclado, en el rendimiento en pruebas cognitivas cortas — permiten detectar cambios que preceden de 2 a 5 años los primeros síntomas clínicos de Alzheimer.
El seguimiento regular del rendimiento cognitivo a través de pruebas como el Test Memoria DYNSEO y el Test Concentración, realizados mensualmente en casa a través de tabletas o smartphones, podría constituir un protocolo de vigilancia longitudinal ecológica para las poblaciones en riesgo.
Monitoreo de intervenciones en psiquiatría
El monitoreo en tiempo real de las respuestas a los tratamientos psiquiátricos es otro ámbito donde los RWD transforman la práctica. En lugar de esperar la consulta mensual para saber si un antidepresivo comienza a hacer efecto o si un paciente recaída, datos EMA semanales permiten un ajuste terapéutico continuo. La Ficha de reestructuración cognitiva ansiedad DYNSEO y la Caja de herramientas de regulación emocional se inscriben en esta lógica de intervención ecológica — proporcionando herramientas utilizables en la vida cotidiana y cuya utilización misma constituye un dato de investigación relevante.
Eficacia de las intervenciones digitales
Los RWD permiten evaluar la eficacia real de las intervenciones digitales — aplicaciones de TCC, herramientas de estimulación cognitiva, programas de mindfulness — en condiciones ecológicas. El compromiso (número de sesiones, duración, regularidad), la trayectoria del rendimiento (mejora, meseta, declive), y los factores predictivos de la adherencia constituyen datos valiosos para mejorar estas herramientas y personalizar las recomendaciones.
Hacia estudios pragmáticos e híbridos
El futuro de la investigación clínica está probablemente en los estudios híbridos que combinan la rigurosidad de los ensayos aleatorizados con la riqueza de los RWD. Los ensayos pragmáticos recogen datos en condiciones de atención real en lugar de en centros de investigación especializados. Los estudios de plataforma permiten evaluar varias intervenciones simultáneamente con adaptación adaptativa. Y los ensayos "in silico" — que utilizan gemelos digitales o modelos computacionales alimentados por RWD — permiten simular ensayos clínicos antes de realizarlos en la vida real, reduciendo costos y plazos.
Conclusión: los RWD, nueva frontera de la medicina personalizada
Los datos de vida real transforman nuestra capacidad para comprender los trastornos mentales y cognitivos en toda su complejidad dinámica. Permiten salir del modelo de la "foto instantánea" en consulta para acceder al "film" de la vida cotidiana del paciente. Esta revolución metodológica lleva en sí la promesa de una medicina más personalizada, más preventiva y más equitativa — siempre que se tengan en cuenta plenamente los desafíos éticos (protección de datos, brecha digital, sesgo de representatividad). DYNSEO contribuye a este ecosistema con herramientas digitales de calidad — pruebas cognitivas, aplicaciones de estimulación, herramientas de regulación emocional — cuyos datos de uso pueden alimentar la investigación del mañana.
Descubrir las pruebas cognitivas DYNSEO →FAQ
¿Qué son los datos de vida real (RWD)?
Datos de salud recopilados fuera de ensayos clínicos controlados — historiales médicos, reembolsos, aplicaciones móviles, sensores, registros. Capturan la vida real de los pacientes fuera del contexto clínico.
¿Diferencia entre RWD y RWE?
RWD = datos en bruto. RWE = evidencia científica generada por el análisis riguroso de los RWD. La distinción es crucial para las autoridades regulatorias (EMA, FDA).
¿Qué es la EMA y por qué es valiosa en salud mental?
Evaluación Ecologica Momentánea: cuestionarios enviados varias veces al día a través de smartphone para capturar el estado real en tiempo real. Revela la variabilidad de los síntomas invisible en las evaluaciones puntuales en consulta.
¿Qué desafíos éticos plantean los RWD?
Protección de datos (RGPD, HDS), consentimiento informado, riesgos de re-identificación, brecha digital, sesgo de representatividad, propiedad y gobernanza de los datos de salud.
¿Se pueden utilizar aplicaciones móviles en estudios clínicos?
Sí — para la EMA, las pruebas cognitivas repetidas, el seguimiento conductual y emocional. Necesitan una validación rigurosa como instrumentos de medida y un marco ético estricto.
¿Te ha ayudado este contenido? Apoya a DYNSEO 💙
Somos un pequeño equipo de 14 personas con sede en París. Desde hace 13 años, creamos contenido gratuito para ayudar a familias, logopedas, residencias de ancianos y profesionales del cuidado.
Tus opiniones son nuestra única forma de saber si este trabajo te es útil. Una reseña en Google nos ayuda a llegar a otras familias, cuidadores y terapeutas que lo necesitan.
Un solo gesto, 30 segundos: déjanos una reseña en Google ⭐⭐⭐⭐⭐. No cuesta nada, y lo cambia todo para nosotros.
