Para profissionais · Evidência de mundo real
Evidência de mundo real (RWE): o que é, para que serve e como gerar com qualidade
Definições da Anvisa e da FDA, fontes de dados no Brasil, quando a RWE concorda com o ensaio clínico e o que a ética exige.
Evidência de mundo real (RWE) é a evidência sobre o uso e os possíveis benefícios e eventos adversos de um produto médico, obtida da análise de dados gerados na rotina do cuidado, como prontuários, dados de planos, registros e wearables. Bem desenhada, ela converge com ensaios clínicos: em 32 emulações publicadas no JAMA em 2023, a correlação com os resultados dos ensaios foi de 0,82.
Neste texto
- O que é evidência de mundo real
- Fontes de dados de mundo real no Brasil
- Para que a RWE serve na indústria farmacêutica
- Quando a RWE concorda com o ensaio clínico
- Itens essenciais de um bom estudo de mundo real
- Ética, consentimento e LGPD
- Wearables e dados gerados pelo paciente
- Como a Piantare apoia a indústria farmacêutica
- Perguntas frequentes
- Fontes
O que é evidência de mundo real
Dois termos andam juntos e convém separá-los. Dados de mundo real (DMR, ou RWD em inglês) são os dados gerados rotineiramente no cuidado e na vida da pessoa: prontuário, exame de laboratório, dispensação em farmácia, utilização do plano de saúde, sensores. Evidência de mundo real (EMR, ou RWE) é a conclusão sobre uso, benefícios e eventos adversos de um produto médico que sai da análise desses dados.
É exatamente essa a definição adotada pela Anvisa no Guia nº 64/2023, o Guia de boas práticas para estudos de dados do mundo real, que segue a formulação do programa de RWE da FDA, de 2018 EV A. Em 2016, um artigo assinado pela liderança da FDA no New England Journal of Medicine discutia o que a RWE pode e não pode responder e lembrava que estudos feitos no mundo real também podem ser randomizados, como nos ensaios pragmáticos EV D.
Um esclarecimento importante, que o próprio guia da Anvisa faz: o padrão-ouro para avaliar segurança e eficácia continua sendo o ensaio clínico randomizado. Estudos de mundo real não o substituem. O patrocinador que propõe um estudo de mundo real em vez de um ensaio precisa justificar a escolha com dados e evidência científica.
Fontes de dados de mundo real no Brasil
O guia da Anvisa lista como fontes possíveis prontuários eletrônicos, laboratórios clínicos, análises ômicas, utilização de planos de saúde, consumo em farmácias, dados de sensores e dispositivos vestíveis, relatos de qualidade de vida de pacientes e cuidadores, imagens e textos. Cada fonte responde bem a certas perguntas e mal a outras.
| Fonte | O que traz de melhor | Limite típico |
|---|---|---|
| Prontuário eletrônico | Diagnóstico, exames, evolução clínica | Texto livre, registro irregular, um serviço só |
| Dados de operadoras (contas e autorizações) | Uso de serviços, procedimentos, internações | Pouco dado clínico; desfecho inferido por código |
| Dispensação em farmácia | Persistência e intervalos de recompra | Comprar não é o mesmo que usar |
| Registros de doença | Coortes bem definidas, seguimento longo | Custo de manutenção, cobertura parcial |
| Relato do paciente (PRO) | Sintomas, função, qualidade de vida | Exige instrumento validado e adesão ao preenchimento |
| Wearables | Sono, frequência cardíaca, atividade, de forma contínua | Validação do sensor, dados faltantes, viés de quem usa |
| Dados genômicos | Estratificação por variantes de resposta | Amostras menores, consentimento específico |
A maior parte das perguntas relevantes exige ligar fontes. A data de início do tratamento vem da farmácia, o desfecho vem do prontuário, o sintoma vem do paciente. É aqui que a interoperabilidade deixa de ser tema de TI e vira tema de método. Para o contexto regulatório da integração de dados no país, veja Open Health para operadoras.
Para que a RWE serve na indústria farmacêutica
Os usos mais consolidados estão no pós-registro, onde a coleta de dados de mundo real já é rotina, como o guia da Anvisa reconhece:
- Farmacovigilância: detectar e caracterizar eventos adversos raros ou tardios, que ensaios com alguns milhares de pessoas não capturam.
- Efetividade: medir o efeito no paciente real, mais velho, com mais comorbidades e menos adesão do que o participante de ensaio.
- Padrões de uso: persistência, troca de terapia, uso fora de bula, tempo até o início.
- Avaliação de tecnologias e acesso: dados locais para incorporação e para acordos baseados em resultado com pagadores.
- Novas indicações e populações: em situações em que um ensaio tradicional não é viável por razões éticas ou logísticas, como em doenças raras, sempre com justificativa formal.
Para o leitor de farma, a mensagem prática é que cada um desses usos pede um desenho diferente. Um painel descritivo de persistência não responde a uma pergunta causal de efetividade, e vice-versa.
Quando a RWE concorda com o ensaio clínico
A objeção clássica à RWE é a confusão: quem recebe um tratamento difere de quem não recebe. A resposta metodológica mais adotada hoje é a emulação do ensaio-alvo (target trial emulation), descrita por Hernán e Robins em 2016: antes de olhar os dados, escreve-se o protocolo do ensaio ideal que responderia à pergunta e depois se tenta reproduzi-lo com dados observacionais, deixando explícitos critérios de elegibilidade, estratégias comparadas, início do seguimento e desfecho EV D.
O teste mais direto dessa ideia é o projeto RCT-DUPLICATE, publicado no JAMA em 2023 EV B. Pesquisadores emularam 32 ensaios clínicos de medicamentos com três bases de dados de planos de saúde dos Estados Unidos, com protocolos registrados antes da análise.
| Grupo de emulações | Correlação com o ensaio | Mesma conclusão estatística |
|---|---|---|
| Todas as 32 | 0,82 | 75% |
| 16 com desenho e medidas muito próximos do ensaio | 0,93 | 94% |
| 16 em que não foi possível emular bem algum elemento da pergunta | 0,53 | 56% |
A leitura é direta: a RWE chega às mesmas conclusões que o ensaio quando população, intervenção, comparador, desfecho e tempo podem ser reproduzidos de perto. Quando o dado não captura bem algum desses elementos, a concordância cai. Os autores lembram que os ensaios foram escolhidos por serem emuláveis, o que limita a generalização.
Itens essenciais de um bom estudo de mundo real
O Guia nº 64/2023 traz um modelo de protocolo em anexo. Na prática, os estudos que sobrevivem à revisão regulatória e científica compartilham alguns itens:
- Pergunta no formato PICOT (população, intervenção, comparador, desfecho, tempo) escrita antes de acessar os dados.
- Protocolo e plano de análise registrados previamente, como fez o RCT-DUPLICATE.
- Desenho de novos usuários com comparador ativo, para reduzir o viés de quem já tolera bem o tratamento.
- Controle de confusão explícito, por pareamento ou ponderação por escore de propensão, com lista de confundidores justificada.
- Validação do desfecho, por exemplo revisando uma amostra de prontuários para confirmar o que o código indica.
- Análises de sensibilidade e discussão do viés residual.
- Rastreabilidade da fonte: proveniência, transformações e qualidade dos dados documentadas.
Quem já trabalha com medicina de precisão reconhece a lógica: quanto mais heterogênea a população, mais o método precisa ser explícito.
Ética, consentimento e LGPD
Estudo de mundo real com dado de pessoa identificável é pesquisa com seres humanos. No Brasil, isso significa três camadas.
Sistema CEP/Conep
O projeto passa por comitê de ética. A Resolução CNS nº 738/2024 trata especificamente do uso de bancos de dados em pesquisa: define deveres de controladores e operadores, direitos dos participantes e regras para criar bancos novos ou usar bancos existentes, e prevê anonimização ou pseudonimização quando há necessidade justificada de dar acesso a terceiros EV A.
LGPD
Dado de saúde e dado genético são dados pessoais sensíveis. A LGPD admite o tratamento para estudos por órgão de pesquisa, com anonimização sempre que possível (art. 11, II, c), e veda o compartilhamento de dados de saúde entre controladores com objetivo de vantagem econômica fora das hipóteses que a lei lista (art. 11, § 4º) EV A. O consentimento, quando é a base legal, pode ser revogado a qualquer momento. Para uma visão do lado do titular, veja dados de saúde e LGPD.
Separação entre ciência e promoção
Programas de evidência patrocinados pela indústria precisam de governança que separe a coleta científica de qualquer contato promocional com o paciente. Esse desenho protege o participante e a credibilidade do resultado.
Wearables e dados gerados pelo paciente
Os dados gerados pelo próprio paciente, por questionários e por dispositivos vestíveis, estão entre as fontes que mais crescem e já aparecem na lista da Anvisa. Eles têm uma vantagem que o prontuário não tem: medem a vida entre as consultas, todos os dias, com sono, frequência cardíaca de repouso, variabilidade da frequência cardíaca e atividade.
Três cuidados fazem a diferença entre dado contínuo e evidência:
- Validação por métrica: cada medida do sensor precisa de validação para o uso proposto. Um anel pode medir bem o sono total e ser menos preciso para estágios do sono.
- Dados faltantes informativos: quem tira o dispositivo pode ser justamente quem piorou. O plano de análise precisa prever isso.
- Representatividade: quem usa wearable tende a ter mais renda e escolaridade. Programas que fornecem o dispositivo reduzem esse viés.
Para a camada de método da prática clínica, vale ler sobre dados de wearables na consulta e sobre desfechos relatados pelo paciente.
Como a Piantare apoia a indústria farmacêutica
A Piantare se organiza como infraestrutura de saúde e longevidade: une num lugar só exames, DNA, wearables e hábitos. Para a indústria, a solução Piantare Farma estrutura programas de cuidado coordenado, por exemplo em tratamentos com canetas de GLP-1 e no cuidado cardiometabólico, com o DNA como camada opcional (o Piantare Helix, com relatório de resposta a medicamentos, e o Piantare Alpha, na camada clínica). A geração de evidência de mundo real acontece com consentimento do paciente, protocolo e comitê de ética, sem promoção de medicamento ao paciente.
Perguntas frequentes
Evidência de mundo real substitui o ensaio clínico randomizado?
Não. O guia da Anvisa afirma que o ensaio randomizado segue como padrão-ouro e que estudos de mundo real exigem justificativa detalhada quando usados no lugar de um ensaio.
Qual a diferença entre dados de mundo real e evidência de mundo real?
Dados de mundo real são a matéria-prima gerada na rotina do cuidado. Evidência de mundo real é a conclusão sobre uso, benefícios e eventos adversos que sai da análise desses dados com método adequado.
A Anvisa aceita evidência de mundo real?
Sim, a Anvisa publicou em 2023 o Guia nº 64, com boas práticas e um modelo de protocolo para estudos de dados do mundo real. É um guia recomendatório, não vinculante.
Dados de wearables contam como dados de mundo real?
Sim. O guia da Anvisa cita dados produzidos por sensores e dispositivos vestíveis entre as fontes possíveis. Cada métrica precisa de validação para o uso proposto.
Estudo com banco de dados precisa de comitê de ética?
Sim, quando envolve dados de pessoas. A Resolução CNS nº 738/2024 trata do uso de bancos de dados em pesquisa, e a LGPD rege o tratamento de dados sensíveis de saúde.
Fontes
- Agência Nacional de Vigilância Sanitária (Anvisa). Guia de boas práticas para estudos de dados do mundo real. Guia nº 64/2023, versão 1, 26/09/2023. www.gov.br/anvisa/pt-br/assuntos/noticias-anvisa/2023/anvisa-publica-guia-de-evidencias-de-mundo-real-e-anuncia-grupo-de-trabalho-para-outubro/Guian64_2023_versao1.pdf · Evidência A
- U.S. Food and Drug Administration. Framework for FDA's Real-World Evidence Program. December 2018. www.fda.gov/media/120060/download · Evidência A
- Sherman RE, Anderson SA, Dal Pan GJ et al. Real-World Evidence - What Is It and What Can It Tell Us? New England Journal of Medicine, 2016;375(23):2293-2297. PMID 27959688. doi.org/10.1056/NEJMsb1609216 · Evidência D
- Wang SV, Schneeweiss S, RCT-DUPLICATE Initiative et al. Emulation of Randomized Clinical Trials With Nonrandomized Database Analyses: Results of 32 Clinical Trials. JAMA, 2023;329(16):1376-1385. PMID 37097356. doi.org/10.1001/jama.2023.4221 · Evidência B
- Hernán MA, Robins JM. Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available. American Journal of Epidemiology, 2016;183(8):758-764. PMID 26994063. doi.org/10.1093/aje/kwv254 · Evidência D
- Conselho Nacional de Saúde. Resolução nº 738/2024. Dispõe sobre o uso de bancos de dados com finalidade de pesquisa científica envolvendo seres humanos. www.gov.br/conselho-nacional-de-saude/pt-br/atos-normativos/resolucoes/2024/resolucao-no-738.pdf · Evidência A
- Lei nº 13.709/2018 (LGPD), arts. 5º, 8º e 11. www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709compilado.htm · Evidência A