Quais dados da vida real podem ser coletados durante um estudo clínico?

Definições: RWD, RWE e suas diferenças fundamentais

Antes de explorar os tipos de dados e os métodos de coleta, é essencial esclarecer o vocabulário — pois os termos são frequentemente usados de forma intercambiável de maneira errada.

Os Real-World Data (RWD) — ou dados da vida real — são todos os dados relativos ao estado de saúde dos pacientes e à prestação de cuidados coletados fora dos ensaios clínicos randomizados controlados. Eles podem vir de prontuários eletrônicos, bases de dados de reembolso, registros de pacientes, sensores vestíveis, aplicativos móveis, redes sociais de saúde ou estudos observacionais.

As Real-World Evidence (RWE) — evidências da vida real — são as evidências clínicas geradas pela análise rigorosa dos RWD. Os RWD são a matéria-prima; os RWE são o resultado da aplicação de uma metodologia científica a esse material. A FDA e a EMA desenvolveram ambos quadros para aceitar os RWE nos registros de autorização de comercialização — uma transformação significativa para a indústria farmacêutica e a pesquisa biomédica.

Por que os RWD são cruciais em saúde mental e cognitiva?

Os distúrbios mentais e cognitivos apresentam características que os tornam particularmente difíceis de estudar no contexto dos ensaios clínicos clássicos. A variabilidade intraindividual é considerável — um paciente depressivo pode se sentir muito diferente de uma segunda-feira para uma sexta-feira, ou de acordo com a estação do ano, ou segundo seu contexto relacional. Essa variabilidade é invisível em uma avaliação mensal em consulta. Da mesma forma, as manifestações cognitivas de distúrbios como TDAH, sequelas de AVC ou estágios iniciais de Alzheimer são profundamente contextuais — o ambiente, a fadiga, o estresse as modulam em tempo real.

Os RWD permitem capturar essa complexidade dinâmica. Eles tornam visível o que acontece entre as consultas, na vida real dos pacientes — o que representa 99% de sua existência.

As grandes categorias de dados da vida real em clínica

1. Os dados dos sistemas de saúde (dados administrativos e clínicos)

Esses são os RWD mais utilizados em pesquisa observacional. Eles incluem prontuários eletrônicos (DME), dados de reembolso da Saúde (SNDS na França — Sistema Nacional de Dados de Saúde), registros de pacientes (registros de câncer, registros de doenças raras, registros de Alzheimer), bases hospitalares (PMSI, bases de medicamentos) e dados de prescrições. Essas bases são valiosas para estudos epidemiológicos em larga escala — permitindo analisar centenas de milhares ou até milhões de trajetórias de cuidados. Sua limitação é que capturam apenas o que está codificado e reembolsado — faltam dados subjetivos, comportamentais e contextuais.

2. Os dados coletados pelos próprios pacientes (PRO)

Os Patient-Reported Outcomes (PRO) são dados relatados diretamente pelos pacientes, sem interpretação por um clínico — escores de qualidade de vida, níveis de dor, intensidade dos sintomas, satisfação, adesão aos tratamentos. Em saúde mental, eles são particularmente valiosos porque muitos sintomas-chave (humor, ansiedade, energia, pensamentos intrusivos) só são acessíveis por meio do auto-relato.

Os questionários em papel tradicionais (PHQ-9 para depressão, GAD-7 para ansiedade, MADRS) continuam sendo referências clínicas. Mas sua administração pontual em consulta não captura a variabilidade temporal. É por isso que os métodos de EMA (veja abaixo) revolucionam a coleta de PRO na pesquisa contemporânea.

3. Os dados comportamentais digitais (Biomarcadores Digitais)

Uma das inovações mais espetaculares dos últimos anos é a possibilidade de coletar biomarcadores digitais — medidas objetivas do comportamento e da fisiologia capturadas continuamente por dispositivos digitais. Esses dados incluem a frequência cardíaca e sua variabilidade (via smartwatches), os padrões de atividade física e sedentarismo (acelerômetros), a qualidade e a duração do sono (actígrafos), os padrões de deslocamento geográfico (GPS), a frequência de chamadas telefônicas e mensagens, os padrões de digitação no teclado (dinâmica de digitação) e os dados vocais (prosódia, fluência, pausa).

Esses biomarcadores digitais passivos — coletados sem que o paciente precise "fazer nada" — são particularmente valiosos na pesquisa em saúde mental. Estudos mostraram que mudanças nos padrões de sono, atividade e comunicação podem preceder em vários dias episódios depressivos ou maníacos documentados — abrindo perspectivas inéditas para a prevenção de recaídas.

4. Os dados dos testes cognitivos digitais

Os testes cognitivos administrados por meio de aplicativos móveis representam uma revolução para a pesquisa em neurociências cognitivas e psiquiatria. Ao contrário das avaliações neuropsicológicas anuais realizadas em clínica, testes digitais curtos podem ser administrados diariamente ou semanalmente — capturando a variabilidade temporal das performances cognitivas.

Testes como o Trail Making Test, o Stroop, os testes de memória de trabalho N-back, ou os testes de tempo de reação podem ser administrados em 2 a 5 minutos no smartphone. Os dados coletados permitem detectar mudanças sutis de desempenho cognitivo que precedem as manifestações clínicas — uma aplicação promissora para a detecção precoce de Alzheimer, o monitoramento das sequelas de AVC ou o acompanhamento da eficácia dos tratamentos.

Os testes cognitivos DYNSEO — Teste Memória, Teste Concentração e Atenção, Teste das Funções Executivas — são exemplos de ferramentas digitais que permitem uma avaliação regular e acessível das funções cognitivas fora do contexto clínico. Esses dados, coletados de forma repetida, constituem um perfil dinâmico da evolução cognitiva — valioso tanto para o acompanhamento clínico quanto para a pesquisa.

A EMA (Avaliação Ecológica Momentânea): a revolução da captura em tempo real

A Avaliação Ecológica Momentânea (EMA) — também chamada de método de amostragem de experiências — é um método de coleta de dados que consiste em questionar os participantes sobre seu estado (humor, sintomas, comportamentos, contexto) em momentos múltiplos e variados de sua vida cotidiana, por meio de um smartphone ou um aplicativo dedicado.

Por que a EMA muda tudo para a pesquisa em saúde mental

O problema fundamental da avaliação clínica clássica é que ela é retrospectiva e pontual. Quando um paciente preenche um questionário de depressão semanal, ele tenta "fazer uma média" de sua semana — o que gera consideráveis vieses (viés de recordação, efeito do momento da avaliação, viés de ancoragem). A EMA resolve esse problema ao capturar o estado real da pessoa no momento em que ela responde.

Na prática, a EMA envia notificações várias vezes ao dia (geralmente de 3 a 8 vezes) em momentos aleatórios ou semi-aleatórios. A pessoa responde a 5-15 perguntas curtas sobre seu estado emocional, seus sintomas, seu contexto social, seus comportamentos. O conjunto de respostas ao longo de várias semanas constitui uma curva de dados densa que revela os padrões, os gatilhos, os ciclos e a variabilidade individual que as avaliações pontuais nunca teriam detectado.

Os desafios da EMA

A EMA não está isenta de limites. A carga (carga para o participante) é real — responder a notificações várias vezes ao dia durante semanas gera fadiga e pode afetar a adesão. As taxas de abandono em estudos de EMA são altas se a carga não estiver bem calibrada. Os vieses de seleção (os participantes que completam são diferentes daqueles que abandonam) podem afetar a validade externa. E a confidencialidade dos dados muito granulares (comportamentos, localizações, estados emocionais) levanta questões éticas importantes.

Os objetos conectados e wearables: sensores passivos da vida real

Actígrafos e relógios conectados

Os actígrafos (pedômetros avançados) e os relógios conectados (Apple Watch, Garmin, Fitbit, Withings) coletam continuamente dados sobre a atividade física, o sono (duração, estágios, despertares noturnos) e a frequência cardíaca. Esses dados passivos são particularmente valiosos em pesquisas sobre saúde mental, pois objetivam construções frequentemente relatadas de forma subjetiva: "eu durmo mal", "estou exausto", "não faço mais nada".

Estudos mostraram que a variabilidade da frequência cardíaca (HRV — Heart Rate Variability) medida continuamente é um proxy do funcionamento do sistema nervoso autônomo — e reflete o estado de estresse, ansiedade e regulação emocional. Apps como Garmin Health ou Apple Health geram dados diários de HRV que podem constituir biomarcadores em estudos de saúde mental.

Sensores vocais e análise do discurso

A análise automática da voz representa uma das fronteiras mais promissoras dos biomarcadores digitais em saúde mental. Características vocais como a taxa de fala, as pausas, o tom, a energia, a latência de resposta e os padrões de entonação mudam de forma mensurável na depressão, esquizofrenia, demência e outros transtornos mentais. Algoritmos de machine learning treinados em milhares de horas de gravações podem detectar essas mudanças com uma precisão que se compara favoravelmente às avaliações clínicas padronizadas.

Análises comportamentais via smartphone

O smartphone em si é um sensor do comportamento diário. A frequência e a duração das chamadas, os padrões de mensagens, a geolocalização (mobilidade, locais frequentados), a luminosidade ambiente (indicador das saídas externas) e até mesmo os micro-padrões de desbloqueio da tela constituem dados comportamentais densos. Estudos mostraram que esses dados passivos permitem prever episódios de depressão, ansiedade e psicose com uma precisão notável — abrindo perspectivas para sistemas de alerta precoce.

Os aplicativos móveis de saúde em estudos clínicos

Os aplicativos móveis de saúde — desde o simples aplicativo de acompanhamento do humor até ferramentas de estimulação cognitiva validadas — desempenham um papel duplo nos estudos RWD: coleta de dados (via logs de uso e resultados dos exercícios) e intervenção terapêutica (cuja adesão e eficácia podem ser medidas em tempo real).

Aplicativos de regulação emocional e acompanhamento de sintomas

Aplicativos como Daylio, Moodpath ou Woebot permitem que os usuários monitorem seu humor, seus comportamentos e seus pensamentos diariamente. Em um contexto de pesquisa, os dados agregados e anonimizados desses aplicativos constituem uma fonte valiosa de RWD para estudar os padrões emocionais de grandes populações.

Ferramentas clínicas como o Termômetro das emoções DYNSEO, a Caixa de ferramentas de regulação emocional e as 12 estratégias de retorno à calma permitem coletar dados sobre o uso real das técnicas de regulação — qual estratégia é escolhida, em quais contextos, com qual eficácia. Esses dados de uso ecológico enriquecem consideravelmente nossa compreensão da eficácia das intervenções em saúde mental.

Aplicativos de estimulação e testes cognitivos

Os aplicativos de estimulação cognitiva — como FERNANDO para adultos ou CARMEN para idosos — geram dados valiosos sobre o desempenho cognitivo longitudinal. Os logs de uso (frequência, duração das sessões, resultados nos exercícios, nível alcançado, abandono) constituem RWD que permitem estudar o engajamento na estimulação cognitiva, sua evolução ao longo do tempo e os fatores associados à adesão ou ao abandono.

Para a pesquisa sobre intervenções digitais em Alzheimer, Parkinson ou após um AVC, esses dados de uso real trazem uma dimensão ecológica que os estudos de eficácia em laboratório não podem fornecer. Um aplicativo pode mostrar excelentes resultados em um ensaio clínico controlado — mas se os pacientes não o utilizam na vida real, seu impacto populacional será limitado. Os RWD permitem estudar precisamente essas questões de adoção e engajamento.

Métodos de análise de dados da vida real: os desafios metodológicos

O viés de confusão: o desafio central

A principal limitação dos estudos RWD em comparação com os ensaios randomizados é a ausência de randomização — e, portanto, a presença potencial de viés de confusão. Se os pacientes que recebem um tratamento A são sistematicamente diferentes daqueles que recebem um tratamento B (mais jovens, menos doentes, com melhor acesso aos cuidados), a comparação de seus resultados reflete essas diferenças tanto quanto o efeito do tratamento. Várias técnicas estatísticas permitem corrigir esses vieses: o escore de propensão (propensity score matching), as análises instrumentais, os estudos caso-controle e os modelos causais estruturais (Directed Acyclic Graphs).

A análise de séries temporais e dados longitudinais

Os dados de EMA e wearables geram séries temporais densas — centenas ou milhares de pontos de medida por participante ao longo de semanas ou meses. A análise desses dados requer métodos estatísticos especializados que capturam sua estrutura temporal: modelos mistos com efeitos aleatórios, modelos vetoriais autorregressivos (VAR) para estudar as relações entre variáveis ao longo do tempo, análise de rede (network analysis) para mapear as interações dinâmicas entre sintomas.

A inteligência artificial e o machine learning

O volume e a complexidade dos RWD tornaram indispensáveis as abordagens de machine learning e de inteligência artificial. Algoritmos de deep learning podem detectar padrões nos dados vocais, comportamentais e fisiológicos que escapam à análise estatística clássica. O Coach IA DYNSEO ilustra essa direção: um sistema de acompanhamento inteligente que aprende os padrões de uso para personalizar as recomendações.

O quadro ético e regulatório dos RWD em saúde

RGPD, HDS e governança dos dados de saúde

Os dados de saúde são dados pessoais sensíveis, protegidos pelo RGPD (Regulamento Geral sobre a Proteção de Dados) e, para os dados de saúde hospedados, pela certificação HDS (Hospedagem de Dados de Saúde) na França. Qualquer coleta de dados de saúde em um quadro de pesquisa requer o consentimento informado dos participantes, a aprovação de um Comitê de Proteção das Pessoas (CPP) e, muitas vezes, uma autorização da CNIL (Comissão Nacional de Informática e Liberdades).

O Health Data Hub francês (GIE que facilita o acesso aos dados do SNDS e seu cruzamento com outras bases) tornou-se a ferramenta central da pesquisa em RWD na França. Seu uso é regulado por comitês de especialistas que avaliam o interesse científico, a proporcionalidade dos dados solicitados e as garantias de proteção das pessoas.

Os vieses de seleção nos dados digitais

Um desafio ético e metodológico importante dos RWD digitais é seu potencial de viés de representatividade. Os usuários de smartwatches, smartphones e aplicativos de saúde não são representativos da população geral — eles são, em média, mais jovens, mais abastados, mais educados e mais engajados em sua saúde. Os estudos que se baseiam nesses dados correm o risco de produzir evidências válidas para essas populações, mas dificilmente generalizáveis para pessoas idosas, desfavorecidas ou com baixa alfabetização digital.

Aplicações práticas para a pesquisa em saúde mental e cognitiva

Detecção precoce da demência

Uma das aplicações mais promissoras dos RWD em neurociências clínicas é a detecção precoce dos distúrbios cognitivos, anos antes da manifestação clínica da demência. Equipes de pesquisa mostraram que biomarcadores digitais — mudanças sutis nos padrões de deslocamento GPS, na velocidade de digitação, no desempenho em testes cognitivos curtos — permitem detectar mudanças que precedem de 2 a 5 anos os primeiros sintomas clínicos da doença de Alzheimer.

O acompanhamento regular do desempenho cognitivo por meio de testes como o Teste Memória DYNSEO e o Teste Concentração, realizados mensalmente em casa em tablet ou smartphone, poderia constituir um protocolo de monitoramento longitudinal ecológico para as populações em risco.

Monitoramento das intervenções em psiquiatria

O monitoramento em tempo real das respostas aos tratamentos psiquiátricos é outro campo onde os RWD transformam a prática. Em vez de esperar a consulta mensal para saber se um antidepressivo começa a fazer efeito ou se um paciente tem uma recaída, dados EMA semanais permitem um ajuste terapêutico contínuo. A Ficha de reestruturação cognitiva ansiedade DYNSEO e a Caixa de ferramentas de regulação emocional se inserem nessa lógica de intervenção ecológica — fornecendo ferramentas utilizáveis na vida cotidiana e cuja utilização constitui uma dada de pesquisa relevante.

Eficiência das intervenções digitais

Os RWD permitem avaliar a eficácia real das intervenções digitais — aplicações de TCC, ferramentas de estimulação cognitiva, programas de mindfulness — em condições ecológicas. O engajamento (número de sessões, duração, regularidade), a trajetória de desempenho (melhora, platô, declínio) e os fatores preditivos da adesão constituem dados valiosos para melhorar essas ferramentas e personalizar as recomendações.

Rumo a estudos pragmáticos e híbridos

O futuro da pesquisa clínica está provavelmente nas estudos híbridos que combinam a rigorosidade dos ensaios randomizados com a riqueza dos RWD. Os ensaios pragmáticos coletam dados em condições de cuidados reais, em vez de em centros de pesquisa especializados. Os estudos de plataforma permitem avaliar várias intervenções simultaneamente com adaptação adaptativa. E os ensaios "in silico" — que utilizam gêmeos digitais ou modelos computacionais alimentados por RWD — permitem simular ensaios clínicos antes de realizá-los na prática, reduzindo custos e prazos.

FAQ