RCT和大数据统计，哪个才更接近真实世界？_风闻

引言

RCT已经统治新药研究近半个多世纪，为新药研究做出过巨大贡献，但是随着医学与大数据和人工智能的不断结合，真实世界研究越来越引起研究者的重视。如何将大量的真实世界研究证据应用于新药研发和评审？这在以往很难想象，但是随着计算机技术和人工智能技术的发展，人们在贝叶斯统计学理论（在医药领域的应用是指一种根据现有资料，系统地进行统计和推断的方法，以区别于传统的以频率为基础的统计方法）的指导下，一定会找到利用大数据进行药物研发和评审的新的临床研究范式。

2018年，欧盟大数据工作组（EU Big Data Task Force）就如何利用大数据支持新药的研发和审评提出了一项欧盟范围内的新策略。随着新技术（如基因检测、便携式设备、物联网甚至社交媒体）产生的大量数据，使得大数据工作组迫切需要出台涉及制药企业和监管者应用大数据的相关政策。

PharmaLex Statistical Solutions公司的首席科学官Bruno Boulanger，就数据的大量增长以及欧盟的相关政策，对制药行业未来的数据收集和传递产生的影响发表了自己的看法。

大数据带来的挑战与机遇同样让人印象深刻。这意味着欧盟大数据工作组正在制定的欧盟监管策略需具有广泛的适应性，该策略可能因大数据的引入会产生新药审批的全新范例。工作组近期的目标是通过研究设计来确保收集或抽样得到的任何数据适用于新药审评且无偏倚。研究设计中采用的方法学或理论与对照临床试验（CCTs）类似，并提供了避免偏倚所需的建议。

现在的问题已经不是如何使大数据符合监管要求，而是如何让监管规则适应大数据，从而借助大数据的这场革命使得药物评审变得更加安全，且能够符合患者的根本利益。

但是，如果制药公司没有充分利用大数据和AI的这场技术变革，而仅仅是改革监管政策，那么大数据带来的价值将非常有限。

传统临床研究存在的问题

根据对照、标准化的临床研究结果开展新药评审已经有较长的历史了，这使得医药行业的科学家和监管方都认为好的数据能够确保好的决策。良好的数据非常必要，但仅凭好的数据本身，其实还不够。

事实上，半个多世纪严谨的临床研究历史表明，现实中获批进入临床研究的产品只有12％获得上市许可，大约50％的产品III期临床试验时失败，其中最主要的原因是疗效不佳。目前还缺乏对临床前药理学的信任，因为即使在对临床研究进行干预的情况下，似乎只有不到20％的已发表的对照研究结果可以重复。当然，上述问题的根源很复杂。然而，令人惊讶的是，制药行业为提高效率而采取的重要举措仅聚焦于数据及其收集方法，而非如何通过数据科学或统计学方法对这些数据加以处理，以转化成药物相关知识或正确的药物审评决策。

例如，欧洲最近资助的旨在解决药理学研究结果可重复性差的创新药物计划项目被冠以“临床前数据的欧洲质量”。“如何确保研究结果额质量”似乎是新提法，但其实质并没有什么变化 - 只是延续了旧的研究方法并 “提高标准”。

与此同时，制药企业几乎完全支持并沿用旧的统计方法和实践来进行新药申请。然而，因大数据的出现以及社会对提升健康、增长知识、充分运用计算机处理能力的强烈愿望，旧的统计方法在21世纪显然无法满足要求。

在过去的二十年中，没有什么可以改变以往将P值奉为圭臬的做法，这种对数据科学新发展无视和拒绝改进的做法在2016年的《自然》杂志上受到了Parmigiani的批评：“如果统计学方法的改变能够发生在20年前，生物医学研究可能会比现在好的多。“

药品监管方抵制统计学方法改革最明显的例子是，对于如何使用贝叶斯统计方法（贝叶斯统计区别于现有的用于药品审评的统计方法）从未给出过指导意见，准确的说是根本就没有打算给出意见，唯一的例外是2010年美国器械和放射卫生中心出台的“ 关于医疗器械临床试验中如何使用贝叶斯统计学的指南”。

制药行业和监管机构谨慎地采用适应性设计进行临床试验，虽然本质上是贝叶斯统计学的理念，但他们从未完全接受贝叶斯思想。实际上，大多数专家同意贝叶斯统计学方法确实提供了制药业正在寻找的答案，即在考虑所有可用信息和试验数据的基础上，这种新药的有效性和安全性有多高，而非仅仅依靠几次RCT研究来给出最终结论。

2016年，美国统计协会（ASA）对科学领域强制要求采用p值和H0假设方法表示了质疑。ASA随后在2017年组织了一次名为“21世纪的科学方法”的会议指出，科学结论、商业或政府决策不应该仅仅基于p值是否超过特定阈值。虽然这个习惯或范式已经有数十年了，至今仍是大多数监管机构所采用的强制性规则，但不适用于大数据和真实世界证据的整合。

改变监管规则引入大数据

迄今为止，利用大数据和数据科学实践的共同发展，助力开发更安全、更有效药物的相关进展非常有限。如果能将现有的和新的数据科学实践成果融入监管规则，则患者将会从大数据中受益。

无论P值的内在价值有多大，p值将不再是全部。P值在20世纪证明了其价值，这主要是因为数据分析的实际解决方法有限。但在过去二十年中，随着计算机技术的进步，我们现在可以将贝叶斯统计应用于各类需要评估的情况。

有观点认为，纳入临床研究之外的信息可能会造成该研究的效应量的偏倚，以至于影响最终决策。这种理念导致了对大数据的抗拒。显然，这种理念是错误的。

虽然，临床试验的目的是在尽可能受控的条件下收集数据，但是有时甚至到了人造数据并且完全不反映真实世界情况的程度。

除此之外，人们普遍认为临床试验的分析应只考虑这次研究的结果和相关的概率陈述，而不考虑试验前可获得的知识和信息。如果这种认识根深蒂固，那么无论大数据的质量如何，都将无法运用于药品审评，且会为药物评审带来麻烦。换句话说，目前的统计学主流观点与大数据几乎不兼容。

大数据技术的应用应先解决统计学方法的问题

如果将大数据纳入新药的开发和审评，而没有将相关的数据科学、统计方法和数据模型的改革纳入监管实践，那么前景依然渺茫。随着可用数据量的指数级增长，如果分析这些数据的方法尚未明确，那么对这些数据的错误认识也将呈指数级增长。如果数据转化为知识和决策的方式不根据社会发展而变化，就会发生这种情况。正如Jerome R. Ravetz在1971年所预测的那样，小范围受限制的科学及其方法向更大范围更先进的科学转变时将会出现很多影响科学发展的问题，而这个转变过程已经持续了50年。

其实，大数据应用有很好的先例，即近20年前的“基因组学革命”。基因组学方面的进步让大量的虚假研究被发现，最终通过制定和采用专门的数据分析方法才解决了这一问题。基因组学最终进入了生物医学研究领域，同时也引发了相应数据科学实践的创新。

我们在引入大数据的同时也应改进相关的统计学方法，使之成为很好的工具。疾病和疾病进展是复杂的动态系统，当前人类生物医学研究的知识和实践还没有准备好掌握这一复杂性，大数据项目旨在完成这一工作。

大数据等于巨大的机会

大数据有助于监管模式的革新。但是，如果跳过确定研究模型这一步，将大数据直接对接临床试验和药物评估以及相关的审评过程则可能适得其反。如果没有从数据中发现有价值或相适应的研究模型，大数据可能看起来就像是个很大的麻烦。

例如在研发某种医疗器械时，临床研究所需的先进计算机模型及其与人体相关的设定在临床试验前就已完成开发和改进。监管部门批准该器械所依据的全部证据必须来自计算机模型，试验数据和贝叶斯统计得出的随机关联，这样我们就可以知道“根据现有的全部信息和数据，该医疗器械的有效率是多少。”

整合药物审评流程的模型越多，创新药物的发现就越快，监管过程也越安全。建模的意义远大于数据质量的意义。通过将有价值的信息输入“模型和试验”的良性循环，今天的大数据和数据科学可以发挥革命性的作用。

参考文献：

https://pink.pharmaintelligence.informa.com/PS123109/Big-Data-Moving-From-Artificial-Trials-To-A-Smarter-Regulatory-Process