Аналитические методы в работе с данными реальной клинической практики и доказательствами реальной клинической практики: критический обзор

Актуальность. Формирование медицинских доказательств все меньше опирается исключительно на рандомизированные контролируемые исследования (РКИ) и всё больше на данные реальной клинической практики (RWD). Собираемые в различных условиях рутинной клинической практики, данные RWD служат основой для получения доказательств, основанных на данных реальной клинической практики (RWE), предоставляя понимание исходов пациентов, эффективности лечения и организации здравоохранения. Хотя RWE повышает обобщаемость результатов и экономическую эффективность по сравнению с РКИ, присущая ей сложность, такие как проблемы с качеством данных, пропущенные значения, смешивающие факторы (конфаундинг) и ошибки отбора, требует применения строгих аналитических подходов.

Методы. В данном критическом обзоре обобщается спектр аналитических методологий, применяемых к RWD, начиная с традиционных статистических методов и подходов (фреймворков) к каузальному анализу и заканчивая машинным обучением и продвинутыми методами, включая обработку естественного языка (NLP), байесовское моделирование и сетевой анализ. Каждый подход оценивается с точки зрения его сильных сторон, ограничений и пригодности для решения уникальных задач, возникающих при работе с RWD.

Результаты. Традиционные статистические модели обеспечивают интерпретируемость и контроль наблюдаемых смешивающих факторов, но ограничены строгими допущениями и уязвимы перед неучтёнными смешивающими факторами. Методы каузального анализа, такие как инструментальные переменные и имитация целевого исследования, усиливают каузальную интерпретацию, но требуют строгих допущений и специализированных знаний. Подходы машинного обучения превосходны в прогнозировании и анализе многомерных данных, но сталкиваются с проблемами интерпретируемости и обобщаемости. Продвинутые методы, включая NLP и байесовские модели, расширяют аналитические возможности, но требуют значительного опыта и вычислительных ресурсов. Во всех категориях триангуляция (использование нескольких методов) повышает надёжность и достоверность результатов.

Выводы. RWE играет критическую роль в разработке лекарств, пострегистрационном наблюдении, сравнительных исследованиях эффективности, исследованиях в области экономики здравоохранения и оценки исходов (HEOR), а также в персонализированной медицине. Будущий прогресс зависит от новых инноваций, таких как федеративное обучение, генерация синтетических данных и объяснимый ИИ (XAI), наряду с достижениями в области интеграции данных, гармонизации и воспроизводимости результатов. Методологическая прозрачность, строгая валидация и междисциплинарное сотрудничество необходимы для обеспечения того, чтобы RWE предоставляла надёжные, этичные и клинически значимые выводы, способные служить основой для регуляторных решений и оптимизации здравоохранения во всём мире.

1. Alemayehu D, Ali R, Alvir JMaJ, et al. Examination of Data, Analytical Issues and Proposed Methods for Conducting Comparative Effectiveness Research Using “Real-World Data.” J Manag Care Pharm . 2011;17(9 Supp A):1-37. doi:10.18553/jmcp.2011.17.s9-a.1

2. Price G, Mackay R, Aznar M, et al. Learning healthcare systems and rapid learning in radiation oncology: Where are we and where are we going? Radiother Oncol . 2021;164:183-195. doi:10.1016/j.radonc.2021.09.030

3. Chodankar D. Introduction to real-world evidence studies. Perspect Clin Res . 2021;12(3):171-174. doi:10.4103/picr.picr_62_21

4. Freemantle N, Strack T. Real-world effectiveness of new medicines should be evaluated by appropriately designed clinical trials. J Clin Epidemiol . 2010;63(10):1053-1058. doi:10.1016/j.jclinepi.2009.07.013

5. Berger ML, Lipset C, Gutteridge A, Axelsen K, Subedi P, Madigan D. Optimizing the Leveraging of Real-World Data to Improve the Development and Use of Medicines. Value Health . 2015; 18(1):127-130. doi:10.1016/j.jval.2014.10.009

6. Franklin JM, Schneeweiss S. When and How Can Real World Data Analyses Substitute for Randomized Controlled Trials? Clin Pharmacol Ther . 2017;102(6):924-933. doi:10.1002/cpt.857

7. Friedman C, Rubin J, Brown J, et al. Toward a science of learning systems: a research agenda for the high-functioning Learning Health System. J Am Med Inform Assoc . 2015;22(1):43-50. doi:10.1136/amiajnl-2014-002977

8. Craddock M, Dempsey C, Abdulwahid D, et al. Challenges and opportunities for real-world evidence in clinical oncology—a view from the UK: proceedings of a national workshop. ESMO Real World Data Digit Oncol . 2024;6:100089. doi:10.1016/j.esmorw.2024.100089

9. Guérin J, Nahid A, Tassy L, et al. Consore: A Powerful Federated Data Mining Tool Driving a French Research Network to Accelerate Cancer Research. Int J Environ Res Public Health . 2024;21(2):189. doi:10.3390/ijerph21020189

10. Makady A, De Boer A, Hillege H, Klungel O, Goettsch W. What Is Real-World Data? A Review of Definitions Based on Literature and Stakeholder Interviews. Value Health . 2017;20(7):858-865. doi:10.1016/j.jval.2017.03.008

11. US Food & Drug Administration. Real world evidence. June 9, 2025. Accessed August 7, 2025. https://www.fda.gov/science-research/ science-and-research-special-topics/real-worldevidence

12. Dang A. Real-World Evidence: A Primer. Pharm Med . 2023;37(1):25-36. doi:10.1007/s40290-02200456-6

13. Roche N, Reddel HK, Agusti A, et al. Integrating real-life studies in the global therapeutic research framework. Lancet Respir Med . 2013;1(10):e29-e30. doi:10.1016/S2213-2600(13)70199-1

14. Kim HS, Lee S, Kim JH. Real-world Evidence versus Randomized Controlled Trial: Clinical Research Based on Electronic Medical Records. J Korean Med Sci . 2018;33(34):e213. doi:10.3346/jkms.2018.33.e213

15. Rudrapatna VA, Butte AJ. Opportunities and challenges in using real-world data for health care. J Clin Invest . 2020;130(2):565-574. doi:10.1172/JCI129197

16. Hegde H, Shimpi N, Panny A, Glurich I, Christie P, Acharya A. MICE vs PPCA: Missing data imputation in healthcare. Inform Med Unlocked . 2019;17:100275. doi:10.1016/j.imu.2019.100275

17. Blonde L, Khunti K, Harris SB, Meizinger C, Skolnik NS. Interpretation and Impact of Real-World Clinical Data for the Practicing Clinician. Adv Ther . 2018;35(11):1763-1774. doi:10.1007/s12325-018-0805-y

18. Murray EJ, Swanson SA, Hernán MA. Guidelines for estimating causal effects in pragmatic randomized trials. arXiv . Preprint posted online November 19, 2019:arXiv:1911.06030. doi:10.48550/arXiv.1911.06030

19. Eichler H, Koenig F, Arlett P, et al. Are Novel, Nonrandomized Analytic Methods Fit for Decision Making? The Need for Prospective, Controlled, and Transparent Validation. Clin Pharmacol Ther . 2020;107(4):773-779. doi:10.1002/cpt.1638

20. Association of the British Pharmaceutical Industry. Demonstrating value with real world data: a practical guide. In: 2016. https://www.abpi.org.uk/media/wugogbxq/2011-06-13-abpi-guidancede-monstrating-value-with-real-world-data.pdf

21. Makady A, Goettsch W. Review of Policies And Perspectives on Real-World Data for Drug Development and Assessment (Imi-Getreal Deliverable). Value Health . 2015;18(7):A567. doi:10.1016/j.jval.2015.09.1863

22. Liu F, Panagiotakos D. Real-world data: a brief review of the methods, applications, challenges and opportunities. BMC Med Res Methodol . 2022;22(1):287. doi:10.1186/s12874-022-01768-6

23. Chishtie J, Sapiro N, Wiebe N, et al. Use of Epic Electronic Health Record System for Health Care Research: Scoping Review. J Med Internet Res . 2023;25:e51003. doi:10.2196/51003

24. Sun W, Cai Z, Li Y, Liu F, Fang S, Wang G. Data Processing and Text Mining Technologies on Electronic Medical Records: A Review. J Healthc Eng . 2018;2018:1-9. doi:10.1155/2018/4302425

25. Shickel B, Tighe PJ, Bihorac A, Rashidi P. Deep EHR: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis. IEEE J Biomed Health Inform . 2018;22(5):1589-1604. doi:10.1109/JBHI.2017.2767063

26. Subrahmanya SVG, Shetty DK, Patil V, et al. The role of data science in healthcare advancements: applications, benefits, and future prospects. Ir J Med Sci 1971 - . 2022;191(4):1473-1483. doi:10.1007/s11845-021-02730-z

27. Bartlett VL, Dhruva SS, Shah ND, Ryan P, Ross JS. Feasibility of Using Real-World Data to Replicate Clinical Trial Evidence. JAMA Netw Open 2019;2(10):e1912869. doi:10.1001/jamanetworkopen.2019.12869

28. Veturi Y, Lucas A, Bradford Y, et al. A unified framework identifies new links between plasma lipids and diseases from electronic medical records across large-scale cohorts. Nat Genet . 2021; 53(7):972-981. doi:10.1038/s41588-021-00879-y

29. Javaid M, Haleem A, Singh RP. Health informatics to enhance the healthcare industry’s culture: An extensive analysis of its features, contributions, applications and limitations. Inform Health . 2024;1(2):123-148. doi:10.1016/j.infoh.2024.05.001

30. Bazo R, Da Costa CA, Seewald LA, et al. A Survey About Real-Time Location Systems in Healthcare Environments. J Med Syst . 2021;45(3):35. doi:10.1007/s10916-021-01710-1

31. Simon BD, Ozyoruk KB, Gelikman DG, Harmon SA, Türkbey B. The future of multimodal artificial intelligence models for integrating imaging and clinical metadata: a narrative review. Diagn Interv Radiol . Published online October 2, 2024. doi:10.4274/dir.2024.242631

32. Curtis LH, Sola‐Morales O, Heidt J, et al. Regulatory and HTA Considerations for Development of Real‐World Data Derived External Controls. Clin Pharmacol Ther . 2023;114(2):303-315. doi:10. 1002/cpt.2913

33. Al-Sahab B, Leviton A, Loddenkemper T, Paneth N, Zhang B. Biases in Electronic Health Records Data for Generating Real-World Evidence: An Overview. J Healthc Inform Res . 2024; 8(1):121-139. doi:10.1007/s41666-023-00153-2

34. Segal JB, Varadhan R, Groenwold RHH, et al. Assessing Heterogeneity of Treatment Effect in Real-World Data. Ann Intern Med . 2023;176(4):536544. doi:10.7326/M22-1510

35. Moler Zapata S. Methods to Address Confounding and Heterogeneity in Cost-Effectiveness Analyses Using Real-World Data . London School of Hygiene & Tropical Medicine; 2023. doi:10.17037/PUBS.04671315

36. Monti S, Grosso V, Todoerti M, Caporali R. Randomized controlled trials and real-world data: differences and similarities to untangle literature data. Rheumatology . 2018;57(Supplement_7): vii54-vii58. doi:10.1093/rheumatology/key109

37. Linden A, Yarnold PR. Combining machine learning and propensity score weighting to estimate causal effects in multivalued treatments. J Eval Clin Pract . 2016;22(6):875-885. doi:10.1111/jep.12610

38. Prosperi M, Guo Y, Sperrin M, et al. Causal inference and counterfactual prediction in machine learning for actionable healthcare. Nat Mach Intell . 2020;2(7):369-375. doi:10.1038/s42256020-0197-y

39. Cui P, Shen Z, Li S, et al. Causal Inference Meets Machine Learning. In: Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining . ACM; 2020:3527-3528. doi:10.1145/3394486.3406460

40. Tsai WC, Tsai YC, Kuo KC, et al. Natural language processing and network analysis in patients withdrawing from life-sustaining treatments: a retrospective cohort study. BMC Palliat Care . 2022;21(1):225. doi:10.1186/s12904-022-01119-8

41. Arora P, Boyne D, Slater JJ, Gupta A, Brenner DR, Druzdzel MJ. Bayesian Networks for Risk Prediction Using Real-World Data: A Tool for Precision Medicine. Value Health . 2019;22(4):439-445. doi:10.1016/j.jval.2019.01.006

42. Ray J, Johnny O, Trovati M, Sotiriadis S, Bessis N. The Rise of Big Data Science: A Survey of Techniques, Methods and Approaches in the Field of Natural Language Processing and Network Theory. Big Data and Cognitive Computing . 2018; 2(3):22. https://doi.org/10.3390/bdcc2030022

43. Liu F. Data Science Methods for Real-World Evidence Generation in Real-World Data. Annu Rev Biomed Data Sci . 2024;7(1):201-224. doi:10.1146/annurev-biodatasci-102423-113220

44. Leist AK, Klee M, Kim JH, et al. Mapping of machine learning approaches for description, prediction, and causal inference in the social and health sciences. Sci Adv . 2022;8(42):eabk1942. doi:10.1126/sciadv.abk1942

45. Weberpals J, Becker T, Davies J, et al. Deep Learning-based Propensity Scores for Confounding Control in Comparative Effectiveness Research: A Large-scale, Real-world Data Study. Epidemiology . 2021;32(3):378-388. doi:10.1097/EDE.0000000000001338

46. Crown WH. Real-World Evidence, Causal Inference, and Machine Learning. Value Health . 2019;22(5):587-592. doi:10.1016/j.jval.2019.03.001

47. Keith KA, Jensen D, O’Connor B. Text and Causal Inference: A Review of Using Text to Remove Confounding from Causal Estimates. Published online 2020. doi:10.48550/ARXIV.2005.00649

48. Zhao Y, Yu Y, Wang H, et al. Correction to: Machine Learning in Causal Inference: Application in Pharmacovigilance. Drug Saf . 2022;45(8):927927. doi:10.1007/s40264-022-01199-8

49. Feder A, Keith KA, Manzoor E, et al. Causal Inference in Natural Language Processing: Estimation, Prediction, Interpretation and Beyond. Trans Assoc Comput Linguist . 2022;10:1138-1158. doi:10.1162/tacl_a_00511

50. Kammoun A, Slama R, Tabia H, Ouni T, Abid M. Generative Adversarial Networks for face generation: A survey. ACM Comput Surv . Published online March 31, 2022:1122445.1122456. doi:10.1145/1122445.1122456

51. Wood-Doughty Z. BALANCING THE ASSUMPTIONS OF CAUSAL INFERENCE AND NATURAL LANGUAGE PROCESSING. Published online August 2021. https://jscholarship.library.jhu.edu/server/api/core/bitstreams/1ff558b0-700c4c93-8914-70dbc90241fc/content

52. Zou KH, Salem LA, Ray A, eds. Real-World Evidence in a Patient-Centric Digital Era . First edition. CRC Press; 2023. doi:10.1201/9781003017523

53. Fleurence R, Wang X, Bian J, et al. Generative AI in Health Economics and Outcomes Research: A Taxonomy of Key Definitions and Emerging Applications, an ISPOR Working Group Report. arXiv . Preprint posted online 2024. doi:10.48550/ARXIV.2410.20204

54. Chahal CAA, Alahdab F, Asatryan B, et al. Data Interoperability and Harmonization in Cardiovascular Genomic and Precision Medicine. Circ Genomic Precis Med . 2025;18(3). doi:10.1161/CIRCGEN.124.004624

55. Chirikov V, Kroep S. RWD197 Literature Review on the Use of Synthetic Data and AI Advances for Patient-Centered, Sustainable HEOR. Value Health . 2024;27(12):S612. doi:10.1016/j.jval.2024.10.3754

56. Jafar R. Artificial Intelligence Applications in HEOR. Cytel. August 6, 2024. https://cytel.com/perspectives/artificial-intelligence-applications-in-heor/

57. Zou KH, Li JZ. Enhanced Patient-Centricity: How the Biopharmaceutical Industry Is Optimizing Patient Care through AI/ML/DL. Healthcare . 2022;10(10):1997. doi:10.3390/healthcare 10101997

58. Vargas-Santiago M, León-Velasco DA, Maldonado-Sifuentes CE, Chanona-Hernandez L. A Stateof-the-Art Review of Artificial Intelligence (AI) Applications in Healthcare: Advances in Diabetes, Cancer, Epidemiology, and Mortality Prediction. Computers . 2025;14(4):143. doi:10.3390/computers14040143