Quali dati di vita reale possono essere raccolti durante uno studio clinico?
Gli studi clinici tradizionali catturano solo una frazione della realtà dei pazienti. I dati di vita reale — raccolti tramite applicazioni mobili, dispositivi connessi, EMA e registri — rivoluzionano la nostra comprensione dei disturbi cognitivi e mentali. Guida completa per ricercatori, clinici e pazienti.
Definizioni: RWD, RWE e le loro differenze fondamentali
Prima di esplorare i tipi di dati e i metodi di raccolta, è essenziale chiarire il vocabolario — poiché i termini sono spesso usati in modo intercambiabile in modo errato.
I Real-World Data (RWD) — o dati di vita reale — sono tutti i dati relativi allo stato di salute dei pazienti e alla fornitura di cure raccolti al di fuori degli studi clinici randomizzati controllati. Possono provenire da cartelle cliniche elettroniche, database di rimborso, registri di pazienti, sensori indossabili, applicazioni mobili, reti sociali di salute o studi osservazionali.
I Real-World Evidence (RWE) — prove di vita reale — sono le prove cliniche generate dall'analisi rigorosa dei RWD. I RWD sono il materiale grezzo; le RWE sono il risultato dell'applicazione di una metodologia scientifica a questo materiale. La FDA e l'EMA hanno entrambi sviluppato quadri per accettare le RWE nei dossier di autorizzazione alla commercializzazione — una trasformazione importante per l'industria farmaceutica e la ricerca biomedica.
Perché i RWD sono cruciali in salute mentale e cognitiva?
I disturbi mentali e cognitivi presentano caratteristiche che li rendono particolarmente difficili da studiare nel contesto degli studi clinici classici. La variabilità intra-individuale è considerevole — un paziente depresso può sentirsi molto diversamente da lunedì a venerdì, o a seconda della stagione, o in base al suo contesto relazionale. Questa variabilità è invisibile in una valutazione mensile in consultazione. Allo stesso modo, le manifestazioni cognitive di disturbi come l'ADHD, le conseguenze di un Ictus o le fasi precoci dell'Alzheimer sono profondamente contestuali — l'ambiente, la fatica, lo stress le modulano in tempo reale.
I RWD consentono di cogliere questa complessità dinamica. Rendono visibile ciò che accade tra le consultazioni, nella vita reale dei pazienti — che rappresenta il 99% della loro esistenza.
Le grandi categorie di dati di vita reale in clinica
1. I dati dei sistemi sanitari (dati amministrativi e clinici)
Questi sono i RWD più utilizzati nella ricerca osservazionale. Comprendono le cartelle cliniche elettroniche (DME), i dati di rimborso dell'Assicurazione Malattia (SNDS in Francia — Sistema Nazionale dei Dati di Salute), i registri di pazienti (registri tumori, registri malattie rare, registri Alzheimer), le basi ospedaliere (PMSI, basi farmaci), e i dati delle prescrizioni. Queste basi sono preziose per studi epidemiologici su larga scala — consentono di analizzare centinaia di migliaia se non milioni di percorsi di cura. La loro limitazione è che catturano solo ciò che è codificato e rimborsato — mancano i dati soggettivi, comportamentali e contestuali.
Il più grande deposito di dati sanitari europeo
Il Sistema Nazionale dei Dati di Salute (SNDS) copre tutti i rimborsi delle cure per i 67 milioni di assicurati francesi, ovvero una delle più grandi banche dati di salute al mondo. Il suo accesso è regolato dal Health Data Hub e richiede un'autorizzazione della CNIL. Per la ricerca in salute mentale, consente di studiare le traiettorie di cura, l'aderenza ai trattamenti, le comorbidità e le ospedalizzazioni su larga scala — ma non contiene dati sui sintomi, il funzionamento quotidiano o la qualità della vita.
2. I dati raccolti dai pazienti stessi (PRO)
I Patient-Reported Outcomes (PRO) sono dati riportati direttamente dai pazienti, senza interpretazione da parte di un clinico — punteggi di qualità della vita, livelli di dolore, intensità dei sintomi, soddisfazione, aderenza ai trattamenti. In salute mentale, sono particolarmente preziosi poiché molti sintomi chiave (umore, ansia, energia, pensieri intrusivi) sono accessibili solo tramite auto-riferimento.
I questionari cartacei tradizionali (PHQ-9 per la depressione, GAD-7 per l'ansia, MADRS) rimangono riferimenti clinici. Ma la loro somministrazione puntuale in consultazione non cattura la variabilità temporale. È per questo che i metodi di EMA (vedi sotto) rivoluzionano la raccolta di PRO nella ricerca contemporanea.
3. I dati comportamentali digitali (Biomarcatori Digitali)
Una delle innovazioni più spettacolari degli ultimi anni è la possibilità di raccogliere biomarcatori digitali — misure oggettive del comportamento e della fisiologia catturate in continuazione da dispositivi digitali. Questi dati comprendono la frequenza cardiaca e la sua variabilità (tramite smartwatch), i modelli di attività fisica e sedentarietà (accelerometri), la qualità e la durata del sonno (actigrafi), i modelli di spostamento geografico (GPS), la frequenza delle chiamate telefoniche e dei messaggi, i modelli di battitura sulla tastiera (dinamica di battitura), e i dati vocali (prosodia, fluidità, pause).
Questi biomarcatori digitali passivi — raccolti senza che il paziente debba "fare nulla" — sono particolarmente preziosi nella ricerca sulla salute mentale. Studi hanno dimostrato che i cambiamenti nei modelli di sonno, attività e comunicazione possono precedere di diversi giorni gli episodi depressivi o maniacali documentati — aprendo prospettive senza precedenti per la prevenzione delle ricadute.
4. I dati dei test cognitivi digitali
I test cognitivi somministrati tramite applicazioni mobili rappresentano una rivoluzione per la ricerca nelle neuroscienze cognitive e nella psichiatria. A differenza delle valutazioni neuropsicologiche annuali effettuate in clinica, test digitali brevi possono essere somministrati quotidianamente o settimanalmente — catturando la variabilità temporale delle prestazioni cognitive.
Test come il Trail Making Test, lo Stroop, i test di memoria di lavoro N-back, o i test di tempo di reazione possono essere somministrati in 2-5 minuti su smartphone. I dati raccolti consentono di rilevare cambiamenti sottili nelle prestazioni cognitive che precedono le manifestazioni cliniche — un'applicazione promettente per la rilevazione precoce dell'Alzheimer, il monitoraggio delle conseguenze di un Ictus o il follow-up dell'efficacia dei trattamenti.
I test cognitivi DYNSEO — Test Memoria, Test Concentrazione e Attenzione, Test delle Funzioni Esecutive — sono esempi di strumenti digitali che consentono una valutazione regolare e accessibile delle funzioni cognitive al di fuori del contesto clinico. Questi dati, raccolti in modo ripetuto, costituiscono un profilo dinamico dell'evoluzione cognitiva — prezioso sia per il follow-up clinico che per la ricerca.
L'EMA (Ecological Momentary Assessment): la rivoluzione della cattura in tempo reale
L'Ecological Momentary Assessment (EMA) — chiamato anche metodo di campionamento dell'esperienza — è un metodo di raccolta dati che consiste nell'interrogare i partecipanti sul loro stato (umore, sintomi, comportamenti, contesto) in momenti multipli e variabili nella loro vita quotidiana, tramite uno smartphone o un'app dedicata.
Perché l'EMA cambia tutto per la ricerca in salute mentale
Il problema fondamentale della valutazione clinica classica è che è retrospettiva e puntuale. Quando un paziente compila un questionario settimanale sulla depressione, cerca di "mediarsi" la settimana — il che genera notevoli bias (bias di richiamo, effetto del momento della valutazione, bias di ancoraggio). L'EMA risolve questo problema catturando lo stato reale della persona nel momento stesso in cui risponde.
In pratica, l'EMA invia notifiche più volte al giorno (generalmente 3-8 volte) in momenti casuali o semi-casuali. La persona risponde a 5-15 domande brevi sul suo stato emotivo, i suoi sintomi, il suo contesto sociale, i suoi comportamenti. L'insieme delle risposte su più settimane costituisce una curva di dati densa che rivela i modelli, i fattori scatenanti, i cicli e la variabilità individuale che le valutazioni puntuali non avrebbero mai rilevato.
🔬 Esempi di ciò che l'EMA può rivelare che le valutazioni classiche mancano
In depressione: le ore della giornata in cui l'umore è sistematicamente più basso, le situazioni sociali scatenanti, la relazione tra qualità del sonno della notte precedente e umore del mattino seguente.
In ADHD: i momenti della giornata in cui l'attenzione è massima (permettendo di pianificare i compiti impegnativi), l'impatto dell'alimentazione e dell'esercizio sulla concentrazione, i fattori scatenanti dell'impulsività.
In Alzheimer precoce: le prime fluttuazioni delle capacità cognitive, i fattori ambientali che migliorano o deteriorano le prestazioni, la progressione delle difficoltà nel corso delle settimane.
Le sfide dell'EMA
L'EMA non è priva di limiti. Il burden (carico per il partecipante) è reale — rispondere a notifiche più volte al giorno per settimane genera fatica e può influenzare la compliance. I tassi di abbandono negli studi EMA sono elevati se il carico non è ben calibrato. I bias di selezione (i partecipanti che completano sono diversi da quelli che abbandonano) possono influenzare la validità esterna. E la riservatezza dei dati molto granulari (comportamenti, localizzazioni, stati emotivi) solleva importanti questioni etiche.
Dispositivi connessi e wearable: sensori passivi della vita reale
Actigrafi e orologi connessi
Gli actigrafi (contapassi avanzati) e gli orologi connessi (Apple Watch, Garmin, Fitbit, Withings) raccolgono continuamente dati sull'attività fisica, il sonno (durata, stadi, risvegli notturni) e la frequenza cardiaca. Questi dati passivi sono particolarmente preziosi nella ricerca sulla salute mentale poiché oggettivano costrutti spesso riportati soggettivamente: "dormo male", "sono esausto", "non faccio più nulla".
Studi hanno dimostrato che la variabilità della frequenza cardiaca (HRV — Heart Rate Variability) misurata continuamente è un proxy del funzionamento del sistema nervoso autonomo — e riflette lo stato di stress, ansia e regolazione emotiva. App come Garmin Health o Apple Health generano dati HRV quotidiani che possono costituire biomarcatori negli studi di salute mentale.
Sensori vocali e analisi del discorso
L'analisi automatica della voce rappresenta una delle frontiere più promettenti dei biomarcatori digitali in salute mentale. Caratteristiche vocali come la velocità di parola, le pause, il tono, l'energia, la latenza di risposta e i modelli di intonazione cambiano in modo misurabile nella depressione, nella schizofrenia, nella demenza e in altri disturbi mentali. Algoritmi di machine learning addestrati su migliaia di ore di registrazioni possono rilevare questi cambiamenti con una precisione che si confronta favorevolmente con le valutazioni cliniche standardizzate.
Analisi comportamentali tramite smartphone
Lo smartphone stesso è un sensore del comportamento quotidiano. La frequenza e la durata delle chiamate, i modelli di messaggistica, la geolocalizzazione (mobilità, luoghi frequentati), la luminosità ambientale (indicatore delle uscite all'aperto), e persino i micro-modelli di sblocco dello schermo costituiscono dati comportamentali densi. Studi hanno dimostrato che questi dati passivi permettono di prevedere episodi di depressione, ansia e psicosi con una precisione notevole — aprendo prospettive per sistemi di allerta precoce.
Le applicazioni mobili di salute negli studi clinici
Le applicazioni mobili di salute — dall'app semplice di monitoraggio dell'umore agli strumenti di stimolazione cognitiva validati — svolgono un doppio ruolo negli studi RWD: raccolta di dati (tramite i log di utilizzo e i risultati degli esercizi) e intervento terapeutico (di cui l'aderenza e l'efficacia possono essere misurate in tempo reale).
Applicazioni di regolazione emotiva e monitoraggio dei sintomi
Applicazioni come Daylio, Moodpath o Woebot permettono agli utenti di monitorare il loro umore, i loro comportamenti e i loro pensieri quotidianamente. In un contesto di ricerca, i dati aggregati e anonimizzati di queste applicazioni costituiscono una fonte di RWD preziosa per studiare i modelli emotivi di ampie popolazioni.
Strumenti clinici come il Termometro delle emozioni DYNSEO, la Scatola degli attrezzi per la regolazione emotiva e le 12 strategie di ritorno alla calma permettono di raccogliere dati sull'utilizzo reale delle tecniche di regolazione — quale strategia viene scelta, in quali contesti, con quale efficacia. Questi dati di utilizzo ecologico arricchiscono notevolmente la nostra comprensione dell'efficacia delle interventi in salute mentale.
Applicazioni di stimolazione e test cognitivi
Le applicazioni di stimolazione cognitiva — come ROBERTO per gli adulti o SOFIA per gli anziani — generano dati preziosi sulle performance cognitive longitudinali. I log di utilizzo (frequenza, durata delle sessioni, risultati agli esercizi, livello raggiunto, abbandono) costituiscono RWD che permettono di studiare l'impegno nella stimolazione cognitiva, la sua evoluzione nel tempo, e i fattori associati all'aderenza o all'abbandono.
Per la ricerca sulle interventi digitali in Alzheimer, Parkinson o dopo un Ictus, questi dati di utilizzo reale apportano una dimensione ecologica che gli studi di efficacia in laboratorio non possono fornire. Un'app può mostrare risultati eccellenti in un trial clinico controllato — ma se i pazienti non la utilizzano nella vita reale, il suo impatto sulla popolazione sarà limitato. I RWD permettono di studiare precisamente queste questioni di adozione e impegno.
Metodi di analisi dei dati di vita reale: le sfide metodologiche
Il bias di confusione: la sfida centrale
La principale limitazione degli studi RWD rispetto agli studi randomizzati è l'assenza di randomizzazione — e quindi la presenza potenziale di bias di confusione. Se i pazienti che ricevono un trattamento A sono sistematicamente diversi da quelli che ricevono un trattamento B (più giovani, meno malati, con un migliore accesso alle cure), il confronto dei loro risultati riflette queste differenze tanto quanto l'effetto del trattamento. Diverse tecniche statistiche permettono di correggere questi bias: il punteggio di propensione (propensity score matching), le analisi strumentali, gli studi caso-controllo, e i modelli causali strutturali (Directed Acyclic Graphs).
L'analisi delle serie temporali e dei dati longitudinali
I dati EMA e wearable generano serie temporali dense — centinaia o migliaia di punti di misura per partecipante nel corso di settimane o mesi. L'analisi di questi dati richiede metodi statistici specializzati che catturano la loro struttura temporale: modelli misti a effetti casuali, modelli vettoriali autoregressivi (VAR) per studiare le relazioni tra variabili nel tempo, analisi di rete (network analysis) per mappare le interazioni dinamiche tra sintomi.
Una rivoluzione metodologica per la salute mentale
L'approccio rete, sviluppato in particolare da Borsboom e Cramer, concettualizza i disturbi psichiatrici non come entità discrete (una "malattia" che causa sintomi) ma come reti di sintomi interconnessi che si autoalimentano. In questo modello, i RWD longitudinali permettono di identificare quali sintomi sono i più "centrali" (che influenzano di più gli altri), quali legami si attivano per primi durante una ricaduta e quali interventi potrebbero disattivare più efficacemente la rete patologica. Questo approccio apre prospettive terapeutiche personalizzate senza precedenti.
L'intelligenza artificiale e il machine learning
Il volume e la complessità dei RWD hanno reso indispensabili gli approcci di machine learning e intelligenza artificiale. Algoritmi di deep learning possono rilevare schemi nei dati vocali, comportamentali e fisiologici che sfuggono all'analisi statistica classica. Il Coach IA DYNSEO illustra questa direzione: un sistema di accompagnamento intelligente che apprende dai modelli di utilizzo per personalizzare le raccomandazioni.
Il quadro etico e normativo dei RWD in salute
RGPD, HDS e governance dei dati sanitari
I dati sanitari sono dati personali sensibili, protetti dal RGPD (Regolamento Generale sulla Protezione dei Dati) e, per i dati sanitari ospitati, dalla certificazione HDS (Hosting di Dati Sanitari) in Francia. Qualsiasi raccolta di dati sanitari in un contesto di ricerca richiede il consenso informato dei partecipanti, l'approvazione di un Comitato di Protezione delle Persone (CPP) e spesso un'autorizzazione della CNIL (Commissione Nazionale per l'Informatica e le Libertà).
Il Health Data Hub francese (GIE che facilita l'accesso ai dati del SNDS e il loro incrocio con altre basi) è diventato lo strumento centrale della ricerca in RWD in Francia. Il suo utilizzo è regolato da comitati di esperti che valutano l'interesse scientifico, la proporzionalità dei dati richiesti e le garanzie di protezione delle persone.
I bias di selezione nei dati digitali
Una sfida etica e metodologica importante dei RWD digitali è il loro potenziale di bias di rappresentatività. Gli utenti di smartwatch, smartphone e applicazioni di salute non sono rappresentativi della popolazione generale — sono in media più giovani, più agiati, più istruiti e più impegnati nella loro salute. Gli studi che si basano su questi dati rischiano di produrre prove valide per queste popolazioni ma difficilmente generalizzabili a persone anziane, svantaggiate o poco alfabetizzate digitalmente.
⚠️ La frattura digitale: un angolo morto dei RWD
Le persone più vulnerabili in salute mentale — persone anziane con demenza, persone senza fissa dimora, persone in grande precarietà — sono spesso le meno rappresentate nei RWD digitali. Gli studi che ignorano questa frattura digitale rischiano di produrre prove pertinenti per le popolazioni più avvantaggiate ma di aggravare le disuguaglianze di salute indirizzando le innovazioni verso le popolazioni che ne hanno forse meno bisogno.
Applicazioni pratiche per la ricerca in salute mentale e cognitiva
Rilevamento precoce della demenza
Una delle applicazioni più promettenti dei RWD nelle neuroscienze cliniche è il rilevamento precoce dei disturbi cognitivi, anni prima della manifestazione clinica della demenza. Team di ricerca hanno dimostrato che biomarcatori digitali — cambiamenti sottili nei modelli di spostamento GPS, nella velocità di digitazione, nelle performance a test cognitivi brevi — permettono di rilevare cambiamenti che precedono da 2 a 5 anni i primi sintomi clinici della malattia di Alzheimer.
Il monitoraggio regolare delle performance cognitive tramite test come il Test Memoria DYNSEO e il Test Concentrazione, realizzati mensilmente a domicilio su tablet o smartphone, potrebbe costituire un protocollo di monitoraggio longitudinale ecologico per le popolazioni a rischio.
Monitoraggio delle interventi in psichiatria
Il monitoraggio in tempo reale delle risposte ai trattamenti psichiatrici è un altro ambito in cui i RWD trasformano la pratica. Piuttosto che attendere la consultazione mensile per sapere se un antidepressivo inizia a fare effetto o se un paziente ricade, dati EMA settimanali permettono un aggiustamento terapeutico continuo. La Scheda di ristrutturazione cognitiva ansia DYNSEO e la Scatola degli attrezzi per la regolazione emotiva si inseriscono in questa logica di intervento ecologico — fornendo strumenti utilizzabili nella vita quotidiana e il cui utilizzo stesso costituisce un dato di ricerca pertinente.
Efficacia degli interventi digitali
I RWD permettono di valutare l'efficacia reale degli interventi digitali — applicazioni di TCC, strumenti di stimolazione cognitiva, programmi di mindfulness — in condizioni ecologiche. L'impegno (numero di sessioni, durata, regolarità), la traiettoria delle performance (miglioramento, plateau, declino), e i fattori predittivi dell'aderenza costituiscono dati preziosi per migliorare questi strumenti e personalizzare le raccomandazioni.
Verso studi pragmatici e ibridi
Il futuro della ricerca clinica è probabilmente negli studi ibridi che combinano la rigorosità degli studi randomizzati con la ricchezza dei RWD. Gli studi pragmatici raccolgono dati in condizioni di cura reali piuttosto che in centri di ricerca specializzati. Gli studi di piattaforma permettono di valutare più interventi simultaneamente con adattamento adattativo. E gli studi "in silico" — che utilizzano gemelli digitali o modelli computazionali alimentati da RWD — permettono di simulare studi clinici prima di condurli realmente, riducendo i costi e i tempi.
Conclusione: i RWD, nuova frontiera della medicina personalizzata
I dati della vita reale trasformano la nostra capacità di comprendere i disturbi mentali e cognitivi in tutta la loro complessità dinamica. Permettono di uscire dal modello della "foto istantanea" in consultazione per accedere al "film" della vita quotidiana del paziente. Questa rivoluzione metodologica porta con sé la promessa di una medicina più personalizzata, più preventiva e più equa — a condizione che le sfide etiche (protezione dei dati, frattura digitale, pregiudizi di rappresentatività) siano pienamente considerate. DYNSEO contribuisce a questo ecosistema con strumenti digitali di qualità — test cognitivi, applicazioni di stimolazione, strumenti di regolazione emotiva — i cui dati di utilizzo possono alimentare la ricerca di domani.
Scoprire i test cognitivi DYNSEO →FAQ
Che cosa sono i dati della vita reale (RWD)?
Dati sanitari raccolti al di fuori degli studi clinici controllati — cartelle cliniche, rimborsi, applicazioni mobili, sensori, registri. Catturano la vita reale dei pazienti al di fuori del contesto clinico.
Differenza tra RWD e RWE?
RWD = dati grezzi. RWE = prove scientifiche generate dall'analisi rigorosa dei RWD. La distinzione è cruciale per le autorità regolatorie (EMA, FDA).
Che cos'è l'EMA e perché è preziosa per la salute mentale?
Ecological Momentary Assessment: questionari inviati più volte al giorno tramite smartphone per catturare lo stato reale in tempo reale. Rivela la variabilità dei sintomi invisibile nelle valutazioni puntuali in consultazione.
Quali sfide etiche pongono i RWD?
Protezione dei dati (GDPR, HDS), consenso informato, rischi di re-identificazione, frattura digitale, pregiudizi di rappresentatività, proprietà e governance dei dati sanitari.
Le applicazioni mobili possono essere utilizzate negli studi clinici?
Sì — per l'EMA, i test cognitivi ripetuti, il monitoraggio comportamentale ed emotivo. Richiedono una validazione rigorosa come strumenti di misura e un quadro etico rigoroso.
