Définitions : RWD, RWE et leurs différences fondamentales

Avant d'explorer les types de données et les méthodes de collecte, il est essentiel de clarifier le vocabulaire — car les termes sont souvent utilisés de façon interchangeable à tort.

Les Real-World Data (RWD) — ou données de vie réelle — sont toutes les données relatives à l'état de santé des patients et à la délivrance des soins collectées en dehors des essais cliniques randomisés contrôlés. Elles peuvent provenir de dossiers médicaux électroniques, de bases de données de remboursement, de registres de patients, de capteurs portables, d'applications mobiles, de réseaux sociaux de santé ou d'études observationnelles.

Les Real-World Evidence (RWE) — preuves de la vie réelle — sont les preuves cliniques générées par l'analyse rigoureuse des RWD. Les RWD sont le matériau brut ; les RWE sont le résultat de l'application d'une méthodologie scientifique à ce matériau. La FDA et l'EMA ont tous deux développé des cadres pour accepter les RWE dans les dossiers d'autorisation de mise sur le marché — une transformation majeure pour l'industrie pharmaceutique et la recherche biomédicale.

Pourquoi les RWD sont-elles cruciales en santé mentale et cognitive ?

Les troubles mentaux et cognitifs présentent des caractéristiques qui les rendent particulièrement difficiles à étudier dans le cadre des essais cliniques classiques. La variabilité intra-individuelle est considérable — un patient dépressif peut se sentir très différemment d'un lundi au vendredi, ou selon la saison, ou selon son contexte relationnel. Cette variabilité est invisible dans une évaluation mensuelle en consultation. De même, les manifestations cognitives de troubles comme le TDAH, les séquelles d'AVC ou les stades précoces d'Alzheimer sont profondément contextuelles — l'environnement, la fatigue, le stress les modulent en temps réel.

Les RWD permettent de saisir cette complexité dynamique. Elles rendent visible ce qui se passe entre les consultations, dans la vraie vie des patients — ce qui représente 99 % de leur existence.

Les grandes catégories de données de vie réelle en clinique

1. Les données des systèmes de santé (données administratives et cliniques)

Ce sont les RWD les plus utilisées en recherche observationnelle. Elles comprennent les dossiers médicaux électroniques (DME), les données de remboursement de l'Assurance Maladie (SNDS en France — Système National des Données de Santé), les registres de patients (registres cancers, registres maladies rares, registres Alzheimer), les bases hospitalières (PMSI, bases médicaments), et les données des prescriptions. Ces bases sont précieuses pour les études épidémiologiques à grande échelle — elles permettent d'analyser des centaines de milliers voire des millions de parcours de soins. Leur limite est qu'elles ne capturent que ce qui est codé et remboursé — elles manquent les données subjectives, comportementales et contextuelles.

2. Les données collectées par les patients eux-mêmes (PRO)

Les Patient-Reported Outcomes (PRO) sont des données rapportées directement par les patients, sans interprétation par un clinicien — scores de qualité de vie, niveaux de douleur, intensité des symptômes, satisfaction, adhérence aux traitements. En santé mentale, ils sont particulièrement précieux car de nombreux symptômes-clés (humeur, anxiété, énergie, pensées intrusives) ne sont accessibles que par l'auto-rapport.

Les questionnaires papier traditionnels (PHQ-9 pour la dépression, GAD-7 pour l'anxiété, MADRS) restent des références cliniques. Mais leur administration ponctuelle en consultation ne capture pas la variabilité temporelle. C'est pourquoi les méthodes d'EMA (voir ci-dessous) révolutionnent la collecte de PRO dans la recherche contemporaine.

3. Les données comportementales numériques (Digital Biomarkers)

L'une des innovations les plus spectaculaires des dernières années est la possibilité de collecter des biomarqueurs numériques — des mesures objectives du comportement et de la physiologie capturées en continu par des appareils numériques. Ces données comprennent le rythme cardiaque et sa variabilité (via smartwatches), les patterns d'activité physique et de sédentarité (accéléromètres), la qualité et la durée du sommeil (actigraphes), les patterns de déplacement géographique (GPS), la fréquence des appels téléphoniques et des messages, les patterns de frappe sur le clavier (dynamique de frappe), et les données vocales (prosodie, fluidité, pause).

Ces biomarqueurs numériques passifs — collectés sans que le patient n'ait à "faire quoi que ce soit" — sont particulièrement précieux en recherche sur la santé mentale. Des études ont montré que les changements dans les patterns de sommeil, d'activité et de communication peuvent précéder de plusieurs jours les épisodes dépressifs ou maniaques documentés — ouvrant des perspectives inédites pour la prévention des rechutes.

4. Les données des tests cognitifs numériques

Les tests cognitifs administrés via des applications mobiles représentent une révolution pour la recherche en neurosciences cognitives et en psychiatrie. Contrairement aux bilans neuropsychologiques annuels réalisés en clinique, des tests numériques courts peuvent être administrés quotidiennement ou hebdomadairement — captant la variabilité temporelle des performances cognitives.

Des tests comme le Trail Making Test, le Stroop, les tests de mémoire de travail N-back, ou les tests de temps de réaction peuvent être administrés en 2 à 5 minutes sur smartphone. Les données collectées permettent de détecter des changements subtils de performance cognitive qui précèdent les manifestations cliniques — une application prometteuse pour la détection précoce de Alzheimer, le monitoring des séquelles d'AVC ou le suivi de l'efficacité des traitements.

Les tests cognitifs DYNSEO — Test Mémoire, Test Concentration et Attention, Test des Fonctions Exécutives — sont des exemples d'outils numériques permettant une évaluation régulière et accessible des fonctions cognitives en dehors du contexte clinique. Ces données, collectées de façon répétée, constituent un profil dynamique de l'évolution cognitive — précieux aussi bien pour le suivi clinique que pour la recherche.

L'EMA (Ecological Momentary Assessment) : la révolution de la capture en temps réel

L'Ecological Momentary Assessment (EMA) — aussi appelé experience sampling method — est une méthode de collecte de données qui consiste à interroger les participants sur leur état (humeur, symptômes, comportements, contexte) à des moments multiples et variés dans leur vie quotidienne, via un smartphone ou une application dédiée.

Pourquoi l'EMA change tout pour la recherche en santé mentale

Le problème fondamental de l'évaluation clinique classique est qu'elle est rétrospecte et ponctuelle. Quand un patient remplit un questionnaire de dépression hebdomadaire, il essaie de "moyenner" sa semaine — ce qui génère des biais considérables (biais de rappel, effet du moment de l'évaluation, anchoring bias). L'EMA résout ce problème en capturant l'état réel de la personne au moment même où elle répond.

En pratique, l'EMA envoie des notifications plusieurs fois par jour (généralement 3 à 8 fois) à des moments aléatoires ou semi-aléatoires. La personne répond à 5-15 questions courtes sur son état émotionnel, ses symptômes, son contexte social, ses comportements. L'ensemble des réponses sur plusieurs semaines constitue une courbe de données dense qui révèle les patterns, les déclencheurs, les cycles et la variabilité individuelle que les évaluations ponctuelles n'auraient jamais détectés.

Les défis de l'EMA

L'EMA n'est pas sans limites. Le burden (charge pour le participant) est réel — répondre à des notifications plusieurs fois par jour pendant des semaines génère de la fatigue et peut affecter la compliance. Les taux d'abandon dans les études EMA sont élevés si la charge n'est pas bien calibrée. Les biais de sélection (les participants qui complètent sont différents de ceux qui abandonnent) peuvent affecter la validité externe. Et la confidentialité des données très granulaires (comportements, localisations, états émotionnels) soulève des questions éthiques importantes.

Les objets connectés et wearables : capteurs passifs de la vie réelle

Actigraphes et montres connectées

Les actigraphes (podomètres avancés) et les montres connectées (Apple Watch, Garmin, Fitbit, Withings) collectent en continu des données sur l'activité physique, le sommeil (durée, stades, réveils nocturnes) et le rythme cardiaque. Ces données passives sont particulièrement précieuses en recherche sur la santé mentale car elles objectivent des construits souvent rapportés subjectivement : "je dors mal", "je suis épuisé", "je ne fais plus rien".

Des études ont montré que la variabilité de la fréquence cardiaque (HRV — Heart Rate Variability) mesurée en continu est un proxy du fonctionnement du système nerveux autonome — et reflète l'état de stress, d'anxiété et de régulation émotionnelle. Des apps comme Garmin Health ou Apple Health génèrent des données HRV quotidiennes qui peuvent constituer des biomarqueurs dans les études de santé mentale.

Capteurs vocaux et analyse du discours

L'analyse automatique de la voix représente l'une des frontières les plus prometteuses des biomarqueurs numériques en santé mentale. Des caractéristiques vocales comme le débit de parole, les pauses, le pitch, l'énergie, la latence de réponse et les patterns d'intonation changent mesurément dans la dépression, la schizophrénie, la démence et d'autres troubles mentaux. Des algorithmes de machine learning entraînés sur des milliers d'heures d'enregistrements peuvent détecter ces changements avec une précision qui se compare favorablement aux évaluations cliniques standardisées.

Analyses comportementales via smartphone

Le smartphone lui-même est un capteur du comportement quotidien. La fréquence et la durée des appels, les patterns de messagerie, la géolocalisation (mobilité, lieux fréquentés), la luminosité ambiante (indicateur des sorties extérieures), et même les micro-patterns de déverrouillage de l'écran constituent des données comportementales denses. Des études ont montré que ces données passives permettent de prédire les épisodes de dépression, d'anxiété et de psychose avec une précision remarquable — ouvrant des perspectives pour des systèmes d'alerte précoce.

Les applications mobiles de santé dans les études cliniques

Les applications mobiles de santé — de la simple application de suivi de l'humeur aux outils de stimulation cognitive validés — jouent un double rôle dans les études RWD : collecte de données (via les logs d'utilisation et les résultats des exercices) et intervention thérapeutique (dont l'adhérence et l'efficacité peuvent être mesurées en temps réel).

Applications de régulation émotionnelle et suivi des symptômes

Des applications comme Daylio, Moodpath ou Woebot permettent aux utilisateurs de tracker leur humeur, leurs comportements et leurs pensées quotidiennement. Dans un contexte de recherche, les données agrégées et anonymisées de ces applications constituent une source de RWD précieuse pour étudier les patterns émotionnels de larges populations.

Des outils cliniques comme le Thermomètre des émotions DYNSEO, la Boîte à outils de régulation émotionnelle et les 12 stratégies de retour au calme permettent de collecter des données sur l'utilisation réelle des techniques de régulation — quelle stratégie est choisie, dans quels contextes, avec quelle efficacité. Ces données d'utilisation écologique enrichissent considérablement notre compréhension de l'efficacité des interventions en santé mentale.

Applications de stimulation et tests cognitifs

Les applications de stimulation cognitive — comme JOE pour les adultes ou EDITH pour les seniors — génèrent des données précieuses sur les performances cognitives longitudinales. Les logs d'utilisation (fréquence, durée des sessions, résultats aux exercices, niveau atteint, abandon) constituent des RWD qui permettent d'étudier l'engagement dans la stimulation cognitive, son évolution dans le temps, et les facteurs associés à l'adhérence ou à l'abandon.

Pour la recherche sur les interventions numériques dans Alzheimer, Parkinson ou après un AVC, ces données d'utilisation réelle apportent une dimension écologique que les études d'efficacité en laboratoire ne peuvent pas fournir. Une application peut montrer d'excellents résultats dans un essai clinique contrôlé — mais si les patients n'l'utilisent pas dans la vraie vie, son impact populationnel sera limité. Les RWD permettent d'étudier précisément ces questions d'adoption et d'engagement.

Méthodes d'analyse des données de vie réelle : les défis méthodologiques

Le biais de confusion : le défi central

La principale limitation des études RWD par rapport aux essais randomisés est l'absence de randomisation — et donc la présence potentielle de biais de confusion. Si les patients qui reçoivent un traitement A sont systématiquement différents de ceux qui reçoivent un traitement B (plus jeunes, moins malades, avec un meilleur accès aux soins), la comparaison de leurs résultats reflète ces différences autant que l'effet du traitement. Plusieurs techniques statistiques permettent de corriger ces biais : le score de propension (propensity score matching), les analyses instrumentales, les études cas-croisés, et les modèles causaux structuraux (Directed Acyclic Graphs).

L'analyse des séries temporelles et données longitudinales

Les données EMA et wearables génèrent des séries temporelles denses — des centaines ou des milliers de points de mesure par participant sur des semaines ou des mois. L'analyse de ces données requiert des méthodes statistiques spécialisées qui capturent leur structure temporelle : modèles mixtes à effets aléatoires, modèles vectoriels autorégressifs (VAR) pour étudier les relations entre variables au fil du temps, analyse de réseau (network analysis) pour cartographier les interactions dynamiques entre symptômes.

L'intelligence artificielle et le machine learning

Le volume et la complexité des RWD ont rendu indispensables les approches de machine learning et d'intelligence artificielle. Des algorithmes de deep learning peuvent détecter des patterns dans les données vocales, comportementales et physiologiques qui échappent à l'analyse statistique classique. Le Coach IA DYNSEO illustre cette direction : un système d'accompagnement intelligent qui apprend des patterns d'utilisation pour personnaliser les recommandations.

Le cadre éthique et réglementaire des RWD en santé

RGPD, HDS et gouvernance des données de santé

Les données de santé sont des données personnelles sensibles, protégées par le RGPD (Règlement Général sur la Protection des Données) et, pour les données de santé hébergées, par la certification HDS (Hébergeur de Données de Santé) en France. Toute collecte de données de santé dans un cadre de recherche nécessite le consentement éclairé des participants, l'approbation d'un Comité de Protection des Personnes (CPP) et souvent une autorisation de la CNIL (Commission Nationale de l'Informatique et des Libertés).

Le Health Data Hub français (GIE qui facilite l'accès aux données du SNDS et leur croisement avec d'autres bases) est devenu l'outil central de la recherche en RWD en France. Son utilisation est encadrée par des comités d'experts qui évaluent l'intérêt scientifique, la proportionnalité des données demandées et les garanties de protection des personnes.

Les biais de sélection dans les données numériques

Un défi éthique et méthodologique important des RWD numériques est leur potentiel de biais de représentativité. Les utilisateurs de smartwatches, de smartphones et d'applications de santé ne sont pas représentatifs de la population générale — ils sont en moyenne plus jeunes, plus aisés, plus éduqués et plus engagés dans leur santé. Les études qui s'appuient sur ces données risquent de produire des preuves valides pour ces populations mais difficilement généralisables aux personnes âgées, défavorisées ou peu alphabétisées numériquement.

Applications pratiques pour la recherche en santé mentale et cognitive

Détection précoce de la démence

L'une des applications les plus prometteuses des RWD en neurosciences cliniques est la détection précoce des troubles cognitifs, des années avant la manifestation clinique de la démence. Des équipes de recherche ont montré que des biomarqueurs numériques — changements subtils dans les patterns de déplacement GPS, dans la vitesse de frappe au clavier, dans les performances à des tests cognitifs courts — permettent de détecter des changements qui précèdent de 2 à 5 ans les premiers symptômes cliniques d'Alzheimer.

Le suivi régulier des performances cognitives via des tests comme le Test Mémoire DYNSEO et le Test Concentration, réalisés mensuellement à domicile sur tablette ou smartphone, pourrait constituer un protocole de surveillance longitudinale écologique pour les populations à risque.

Monitoring des interventions en psychiatrie

Le monitoring en temps réel des réponses aux traitements psychiatriques est un autre domaine où les RWD transforment la pratique. Plutôt que d'attendre la consultation mensuelle pour savoir si un antidépresseur commence à faire effet ou si un patient rechute, des données EMA hebdomadaires permettent un ajustement thérapeutique continu. La Fiche de restructuration cognitive anxiété DYNSEO et la Boîte à outils de régulation émotionnelle s'inscrivent dans cette logique d'intervention écologique — en fournissant des outils utilisables dans la vie quotidienne et dont l'utilisation elle-même constitue une donnée de recherche pertinente.

Efficacité des interventions numériques

Les RWD permettent d'évaluer l'efficacité réelle des interventions numériques — applications de TCC, outils de stimulation cognitive, programmes de mindfulness — dans des conditions écologiques. L'engagement (nombre de sessions, durée, régularité), la trajectoire des performances (amélioration, plateau, déclin), et les facteurs prédictifs de l'adhérence constituent des données précieuses pour améliorer ces outils et personnaliser les recommandations.

Vers les études pragmatiques et hybrides

Le futur de la recherche clinique est probablement dans les études hybrides qui combinent la rigueur des essais randomisés avec la richesse des RWD. Les essais pragmatiques collectent des données dans des conditions de soins réels plutôt que dans des centres de recherche spécialisés. Les études de plateforme permettent d'évaluer plusieurs interventions simultanément avec adaptation adaptative. Et les essais "in silico" — qui utilisent des jumeaux numériques ou des modèles computationnels alimentés par des RWD — permettent de simuler des essais cliniques avant de les conduire en vrai, réduisant les coûts et les délais.

FAQ