O uso de dados do mundo real (RWD) em estudos não intervencionais para fins regulatórios: Diretrizes da EMA

A Agência Europeia de Medicamentos (EMA) publicou recentemente um documento de reflexão sobre o uso de Real-World Data (RWD) em estudos não intervencionais (NIS) para gerar Real-World Evidence (RWE) com propósito regulatório. Esta publicação visa orientar patrocinadores, reguladores, profissionais de saúde e pesquisadores sobre os critérios metodológicos e regulatórios necessários para que evidências oriundas da prática clínica cotidiana possam complementar ou, em alguns casos, substituir dados de ensaios clínicos randomizados (RCTs).

O que são RWD, RWE e NIS?

• RWD: São dados coletados rotineiramente na prática clínica, como registros eletrônicos de saúde, prescrições médicas, dados de dispositivos vestíveis, registros administrativos, entre outros. 
• RWE: É a evidência gerada a partir da análise de RWD. 
• Estudos Não Intervencionais (NIS): Diferem de ensaios clínicos por não manipularem a prática médica nem interferirem na decisão terapêutica. O objetivo é observar e analisar o que ocorre na prática real. 

Aplicações Regulativas dos NIS com RWD

A EMA reconhece que os NIS com RWD podem ser úteis em diversas fases do ciclo de vida de um medicamento. Exemplos incluem:

• Caracterização da epidemiologia de doenças. 
• Avaliação de padrões de utilização de medicamentos. 
• Planejamento de estudos de segurança e efetividade pós-autorização. 
• Monitoramento de riscos e medidas de minimização de risco. 

Diretrizes Metodológicas e Requisitos Regulatórios

O documento detalha aspectos essenciais como:

• Desenho do estudo: Deve ser guiado por uma pergunta de pesquisa clara e bem definida. A distinção entre objetivos descritivos e causais é fundamental. 
• Viabilidade: Antes de iniciar um NIS, recomenda-se uma avaliação de viabilidade, especialmente para verificar se os dados disponíveis são confiáveis e relevantes. 
• Viés e confundimento: Devido à ausência de randomização, os NIS são suscetíveis a diversos vieses (seleção, informação, temporal, etc.). Estratégias como a emulação de ensaios clínicos (Target Trial Emulation) e controles negativos são recomendadas. 
• Qualidade dos dados: Devem ser avaliadas dimensões como confiabilidade e relevância. O uso de frameworks como o Data Quality Framework for EU medicines regulation é incentivado. 
• Governança e transparência: Estudos devem seguir boas práticas, estar registrados em catálogos públicos e compartilhar protocolos e códigos analíticos. 
• Análises estatísticas: Devem ser definidas previamente, incluindo análises de sensibilidade, estratificadas, e estratégias para lidar com dados ausentes e heterogeneidade entre bancos de dados. 

Importância da Regulamentação

Embora a EMA não exija um desenho de estudo específico, o uso de RWD em aplicações regulatórias deve seguir normas como:

• Regulamento (EU) 536/2014 sobre ensaios clínicos. 
• Diretrizes de boas práticas em farmacovigilância (GVP). 
• Diretrizes específicas para estudos baseados em registros e uso de inteligência artificial. 

Conclusão

A crescente disponibilidade de dados do mundo real abre novas possibilidades para avaliar medicamentos de forma contínua, contextualizada e eficiente. No entanto, sua incorporação no processo regulatório exige rigor metodológico, transparência e compromisso com a qualidade dos dados. O documento da EMA representa um marco importante nessa transição, guiando todos os envolvidos rumo a uma regulação mais moderna e baseada em evidências reais.