在临床研究中可以收集哪些真实生活数据？

定义：RWD、RWE及其基本区别

在探索数据类型和收集方法之前，澄清词汇是至关重要的——因为这些术语常常被错误地互换使用。

真实生活数据（RWD）是指所有与患者健康状况和护理提供相关的数据，这些数据是在随机对照临床试验之外收集的。它们可以来自电子病历、报销数据库、患者登记册、可穿戴传感器、移动应用、健康社交网络或观察性研究。

真实生活证据（RWE）是通过对RWD进行严格分析而生成的临床证据。RWD是原材料；RWE是将科学方法应用于这些材料的结果。FDA和EMA都制定了接受RWE的框架，以便在市场授权申请中使用——这是对制药行业和生物医学研究的重大变革。

为什么RWD在心理健康和认知中至关重要？

心理和认知障碍具有一些特征，使其在传统临床试验中尤其难以研究。个体内的变异性相当大——一个抑郁患者在周一到周五之间可能感受截然不同，或者根据季节或其人际关系的背景而异。这种变异性在每月的咨询评估中是不可见的。同样，像多动症、脑卒中后遗症或阿尔茨海默病早期阶段等障碍的认知表现是深受环境、疲劳和压力的影响，实时变化。

RWD能够捕捉这种动态复杂性。它们使患者在咨询之间的真实生活中发生的事情可见——这占据了他们存在的99%。

临床中的真实生活数据主要类别

1. 健康系统数据（行政和临床数据）

这些是观察性研究中使用最多的RWD。它们包括电子病历（DME）、法国健康保险的报销数据（SNDS — 国家健康数据系统）、患者登记册（癌症登记册、罕见病登记册、阿尔茨海默病登记册）、医院数据库（PMSI、药物数据库）和处方数据。这些数据库对于大规模流行病学研究是非常宝贵的——它们允许分析成千上万甚至数百万的护理路径。它们的局限性在于只捕捉到编码和报销的内容——缺乏主观、行为和背景数据。

2. 患者自我收集的数据（PRO）

患者报告结果（PRO）是由患者直接报告的数据，没有临床医生的解释——生活质量评分、疼痛水平、症状强度、满意度、治疗依从性。在心理健康方面，它们特别珍贵，因为许多关键症状（情绪、焦虑、精力、侵入性思维）只能通过自我报告获得。

传统的纸质问卷（PHQ-9用于抑郁，GAD-7用于焦虑，MADRS）仍然是临床参考。但它们在咨询中的一次性管理无法捕捉时间变异性。这就是为什么EMA方法（见下文）正在革新当代研究中PRO的收集。

3. 数字行为数据（数字生物标志物）

近年来最引人注目的创新之一是收集数字生物标志物的可能性——通过数字设备持续捕捉的行为和生理的客观测量。这些数据包括心率及其变异性（通过智能手表）、身体活动和静态模式（加速度计）、睡眠质量和时长（活动监测器）、地理位移模式（GPS）、电话和信息的频率、键盘敲击模式（敲击动态）以及语音数据（韵律、流畅性、停顿）。

这些被动收集的数字生物标志物——在患者无需“做任何事情”的情况下收集——在心理健康研究中尤其珍贵。研究表明，睡眠、活动和沟通模式的变化可以在记录的抑郁或躁狂发作前几天出现——为预防复发开辟了前所未有的前景。

4. 数字认知测试数据

通过移动应用进行的认知测试代表了神经科学和精神病学研究的革命。与在临床中进行的年度神经心理评估不同，短小的数字测试可以每天或每周进行——捕捉认知表现的时间变异性。

像Trail Making Test、Stroop、N-back工作记忆测试或反应时间测试可以在智能手机上在2到5分钟内完成。收集的数据可以检测到在临床表现出现之前的认知表现的微妙变化——这是对阿尔茨海默病早期检测、脑卒中后遗症监测或治疗效果跟踪的有希望的应用。

DYNSEO的认知测试——记忆测试、注意力和集中测试、执行功能测试——是允许在临床环境之外定期和可接近地评估认知功能的数字工具的例子。这些重复收集的数据构成了认知发展的动态轮廓——对临床跟踪和研究都非常宝贵。

EMA（生态瞬时评估）：实时捕捉的革命

生态瞬时评估（EMA）——也称为体验采样方法——是一种数据收集方法，旨在通过智能手机或专用应用程序在参与者日常生活中的多个不同时间询问他们的状态（情绪、症状、行为、背景）。

为什么EMA改变了心理健康研究的一切

传统临床评估的根本问题在于它是回顾性的和一次性的。当一个患者填写每周的抑郁问卷时，他试图“平均”他的一周——这会产生相当大的偏差（回忆偏差、评估时刻效应、锚定偏差）。EMA通过在参与者回答时捕捉到他们的真实状态来解决这个问题。

在实践中，EMA每天发送多次通知（通常是3到8次），在随机或半随机的时刻。参与者回答5-15个关于其情绪状态、症状、社会背景和行为的简短问题。几周内的所有回答构成了一条密集的数据曲线，揭示了模式、触发因素、周期和个体变异性，而一次性评估永远无法检测到这些。

EMA的挑战

EMA并非没有局限性。负担（参与者的负担）是真实存在的——在数周内每天多次响应通知会产生疲劳，并可能影响依从性。如果负担没有很好地校准，EMA研究中的放弃率很高。选择偏差（完成的参与者与放弃的参与者不同）可能影响外部有效性。而非常细致的数据隐私（行为、位置、情绪状态）则引发了重要的伦理问题。

连接设备和可穿戴设备：现实生活的被动传感器

活动监测器和智能手表

活动监测器（先进的计步器）和智能手表（Apple Watch、Garmin、Fitbit、Withings）持续收集关于身体活动、睡眠（时长、阶段、夜间觉醒）和心率的数据。这些被动数据在心理健康研究中尤为珍贵，因为它们客观化了通常主观报告的构念：“我睡得不好”、“我很疲惫”、“我什么都不做”。

研究表明，持续测量的心率变异性（HRV — 心率变异性）是自主神经系统功能的代理——并反映压力、焦虑和情绪调节的状态。像Garmin Health或Apple Health这样的应用生成的每日HRV数据可以作为心理健康研究中的生物标志物。

语音传感器和语音分析

自动语音分析代表了心理健康数字生物标志物最有前景的前沿之一。语音特征如语速、停顿、音调、能量、反应延迟和语调模式在抑郁症、精神分裂症、痴呆症及其他心理障碍中发生显著变化。经过数千小时录音训练的机器学习算法能够以与标准化临床评估相媲美的精度检测这些变化。

通过智能手机的行为分析

智能手机本身就是日常行为的传感器。通话的频率和时长、消息模式、地理定位（流动性、常去地点）、环境光照（户外活动的指示），甚至屏幕解锁的微模式都构成了密集的行为数据。研究表明，这些被动数据能够以显著的精度预测抑郁、焦虑和精神病的发作——为早期预警系统开辟了前景。

健康移动应用在临床研究中的应用

健康移动应用——从简单的情绪跟踪应用到经过验证的认知刺激工具——在RWD研究中扮演着双重角色：数据收集（通过使用日志和练习结果）和治疗干预（其依从性和有效性可以实时测量）。

情绪调节和症状跟踪应用

像Daylio、Moodpath或Woebot这样的应用允许用户每天跟踪他们的情绪、行为和思维。在研究背景下，这些应用的聚合和匿名数据构成了研究大规模人群情绪模式的宝贵RWD来源。

临床工具如DYNSEO情绪温度计、情绪调节工具箱和12种平静策略可以收集关于实际使用调节技术的数据——选择了哪种策略、在什么情况下、效果如何。这些生态使用数据极大丰富了我们对心理健康干预有效性的理解。

刺激应用和认知测试

认知刺激应用——如智趣针对成年人或忆趣针对老年人——生成关于认知表现的宝贵纵向数据。使用日志（频率、会话时长、练习结果、达到的水平、放弃）构成了RWD，使我们能够研究在认知刺激中的参与度、随时间的变化以及与依从性或放弃相关的因素。

对于阿尔茨海默病、帕金森病或中风后的数字干预研究，这些实际使用数据提供了一种生态维度，而实验室中的有效性研究无法提供。一款应用在随机对照试验中可能显示出优秀的结果——但如果患者在现实生活中不使用它，其人口影响将是有限的。RWD使我们能够精确研究这些采用和参与的问题。

真实生活数据分析方法：方法论挑战

混杂偏差：核心挑战

与随机试验相比，RWD研究的主要限制是缺乏随机化——因此可能存在混杂偏差。如果接受治疗A的患者与接受治疗B的患者系统性不同（更年轻、病情较轻、获得更好的医疗服务），那么他们结果的比较反映了这些差异与治疗效果一样多。多种统计技术可以纠正这些偏差：倾向评分匹配、工具变量分析、病例交叉研究和结构因果模型（有向无环图）。

时间序列分析和纵向数据

EMA和可穿戴设备生成密集的时间序列——每位参与者在数周或数月内有数百或数千个测量点。分析这些数据需要专门的统计方法，以捕捉其时间结构：随机效应混合模型、向量自回归模型（VAR）用于研究变量随时间的关系、网络分析用于绘制症状之间的动态交互。

人工智能和机器学习

RWD的数量和复杂性使得机器学习和人工智能的方法变得不可或缺。深度学习算法可以检测到经典统计分析无法捕捉的语音、行为和生理数据中的模式。DYNSEO IA 教练 说明了这一方向：一个智能陪伴系统，学习使用模式以个性化推荐。

健康领域RWD的伦理和监管框架

GDPR、HDS和健康数据治理

健康数据是敏感的个人数据，受GDPR（通用数据保护条例）保护，对于托管的健康数据，在法国则受到HDS（健康数据托管者）认证的保护。在研究框架内收集健康数据需要参与者的知情同意、保护人员委员会（CPP）的批准，并且通常需要国家信息与自由委员会（CNIL）的授权。

法国的健康数据中心（GIE，促进SNDS数据的访问及其与其他数据库的交叉）已成为法国RWD研究的核心工具。其使用受到专家委员会的监管，这些委员会评估科学利益、所请求数据的比例性以及对个人保护的保障。

数字数据中的选择偏差

数字RWD面临的一个重要伦理和方法论挑战是其代表性偏差的潜力。智能手表、智能手机和健康应用的用户并不代表一般人群——他们通常更年轻、更富裕、更受教育，并且在健康方面更有参与感。依赖这些数据的研究可能会为这些人群产生有效的证据，但很难推广到老年人、弱势群体或数字素养较低的人群。

心理健康和认知研究的实际应用

痴呆的早期检测

在临床神经科学中，RWD 最有前景的应用之一是早期检测认知障碍，早于痴呆的临床表现数年。研究团队表明，数字生物标志物——GPS 移动模式的微妙变化、打字速度、短期认知测试的表现——可以检测到在阿尔茨海默病的首个临床症状出现前 2 到 5 年的变化。

通过像 DYNSEO 记忆测试 和 注意力测试 这样的测试，定期监测认知表现，每月在家中通过平板电脑或智能手机进行，可能构成对高风险人群的生态纵向监测协议。

精神病干预的监测

实时监测对精神病治疗的反应是 RWD 改变实践的另一个领域。与其等待每月的咨询来了解抗抑郁药是否开始见效或患者是否复发，不如通过每周的 EMA 数据实现持续的治疗调整。DYNSEO 焦虑认知重构表 和 情绪调节工具箱 体现了这种生态干预的逻辑——提供可在日常生活中使用的工具，而其使用本身就是相关的研究数据。

数字干预的有效性

RWD 使得评估数字干预的实际有效性成为可能——如认知行为疗法应用、认知刺激工具、正念程序——在生态条件下进行。参与度（会话次数、持续时间、规律性）、表现轨迹（改善、平稳、下降）以及遵守的预测因素都是改善这些工具和个性化推荐的宝贵数据。

走向务实和混合研究

临床研究的未来可能在于混合研究，它结合了随机试验的严谨性和 RWD 的丰富性。务实试验在真实护理条件下收集数据，而不是在专门的研究中心。平台研究允许同时评估多种干预措施并进行适应性调整。而“计算机模拟”试验——使用数字双胞胎或由 RWD 驱动的计算模型——可以在真实进行之前模拟临床试验，从而降低成本和时间。

常见问题