O Real World Data tem vindo a crescer tanto em disponibilidade de dados como na variedade dos mesmos, incluindo fontes de dados não relacionados com a saúde. Isso fez com que surgissem novas oportunidades, mas também novos desafios, principalmente na aplicação na Real World Evidence e na melhoria dos resultados de saúde. Os dados não relacionados com saúde, como gastos com cartão de crédito do consumidor, dados geoespaciais e os dados recolhidos na web, são também novas possibilidades no Real World Evidence para obter uma compreensão mais abrangente dos comportamentos e resultados do paciente. Os tipos de dados podem incluir:

• Dados clínicos (por exemplo: registos médicos electrónicos)
• Dados administrativos (como reivindicações de seguro, registos de emprego)
• Dados comportamentais (dieta, estilo de vida, atividade física)
• Dados demográficos (idade, educação, fatores ambientais, renda, localização geográfica)
• Dados financeiros (gastos com cartão de crédito, renda, compras)
• Dados sociais (emprego, família, domicílio e redes sociais)

Essa riqueza de dados fornece às empresas de ciências biológicas a capacidade de avançar em várias questões importantes, como aumentar o foco no paciente, acelerar o ritmo da inovação científica e abordar os crescentes custos de desenvolvimento. Através de análises avançadas é possível incorporar o Real World Data nas cadeias farmacêuticas, por exemplo, para informar sobre as decisões de pesquisa, apoiar o acesso ao mercado, melhorar as estratégias dos produtos e melhorar a farmacovigilância. O aumento da complexidade dos dados contribui também para o aumento dos desafios na qualidade dos mesmos, o que pode limitar a aplicação do Real World Evidence. Esses desafios passam por vieses nos dados e outros problemas de qualidade subjacentes, por exemplo, podem ser difíceis de detectar e podem limitar os insights derivados de tais dados. Para que o Real World Evidence atinja o seu potencial nos próximos anos, é necessário que haja uma evolução na forma como os conjuntos de Real World Data são avaliados. Ao abordar questões de qualidade de dados, há várias dimensões a serem consideradas, incluindo profundidade, amplitude, cobertura, oportunidade e impacto potencial dos dados.

[learn_press_profile]