A real-world data statistical approach to support decision-making in clinical and health policy

Real-world evidence can complement randomized clinical trial findings by investigating the effectiveness and safety of medical products in unselected populations representative of the everyday clinical setting. However, clinical trials still represent the gold standard for securing regulatory approval of new drugs. Nonetheless, well-known disadvantages could preclude the adoption of trials. Moreover, recent medical interventions are often characterized by high costs that are sustained by healthcare systems. Therefore real-world evidence may also influence new policies about healthcare expenditures and drug reimbursements. The key challenges in analysing real-world data regard the significant amount of missing data with possible exposure misclassification, but most importantly outcome misclassification in the presence of confounding factors. Moreover, since real-world data can involve a wide range of research questions in healthcare, appropriate methodologies, including statistical models and machine learning algorithms, have to be investigated to combine clinical and administrative data. This thesis proposes a series of real-world case studies to address all these methodological aspects and empower the use of real-world data in the healthcare decision-making process. In the first project, the primary objective is the implementation of a data platform for designing, collecting, integrating and analyzing health and administrative data extracted from hospitals’ databases. The platform will serve as a tool to support clinical practice and measure the value of innovative cancer drugs. Furthermore, in the second project, a large real-world cohort of HIV patients is studied via machine learning algorithms to predict the risk of cardiovascular events possibly correlated with the use of antiretroviral therapies. In this case, the main focus is on the use of different analytical methodologies to discover new epidemiological insights about HIV therapies. In general, this thesis shows that to generate real-world evidence, new definitions of clinical outcomes must be adopted to monitor the real benefit brought by medical interventions. Moreover, it debates the reliability of artificial intelligence tools for outcome prediction and their actual advantages in clinical practice. Finally, the thesis addresses the quantification of health expenditures to investigate the cost-benefit relationship associated with new health technologies.

L'evidenza del mondo reale può integrare i risultati degli studi clinici randomizzati studiando l'efficacia e la sicurezza dei prodotti medici in popolazioni non selezionate, rappresentative del contesto clinico quotidiano. Tuttavia, gli studi clinici rappresentano ancora lo standard per l'approvazione di nuovi farmaci. Alcuni svantaggi però potrebbero precludere l'utilizzo degli studi clinici randomizzati. Inoltre, le recenti tecnologie mediche sono spesso caratterizzati da costi molto elevati che devono essere sostenuti dai sistemi sanitari. Le sfide principali nell'analisi dei dati reali riguardano una percentuale non trascurabile di dati mancanti, possibili errori di classificazione del fattore di esposizione, ma soprattutto la possibile errata classificazione dell'esito di un modello dovuta a possibili fattori di confodimento. Inoltre, i dati reali possono rispondere a numerose domande di ricerca in ambito sanitario, pertanto è necessario dover studiare le metodologie più appropriate, tra cui i modelli statistici e algoritmi di apprendimento automatico, per implementare modelli che combinano sia dati clinici che amministrativi. Questa tesi propone una serie di casi-studio basati sui dati dal mondo reale per affrontare questi aspetti metodologici e potenziare l'uso dei dati reali nel processo decisionale in ambito sanitario. Nel primo progetto, l'obiettivo principale è l'implementazione di una piattaforma dati per la progettazione, raccolta, integrazione e analisi di dati sanitari e amministrativi estratti dai sistemi di gestione dati di alcuni ospedali. La piattaforma potrà servire come strumento di supporto alla decisione clinica e alla misura del rapporto di costo- benficio di alcuni farmaci oncologici usati nella medicina di precisione. Nel secondo progetto una coorte di pazienti affetti da HIV è studiata attraverso algoritmi di apprendimento automatico per predire il rischio di eventi cardiovascolari correlati all’uso di terapie antiretrovirali. In questo caso, l'obiettivo principale è confrontare diversi strumenti analitici al fine di ottenere nuove scoperte epidemiologiche relative alle terapie per l’HIV. In generale, questa tesi mostra che per generare nuove evidenze dal mondo medico serve definire nuovi strumenti che possano misurare adeguatamente il beneficio clinico apportato dalle nuove tecnologie mediche, nella vita reale del paziente. Inoltre, la tesi discute sull’affidabilità degli strumenti di intelligenza artificiale per la previsione dei risultati clinici e dei reali vantaggi rispetto al loro utilizzo nella pratica clinica. Infine, la tesi affronta la quantificazione della spesa sanitaria per indagare il rapporto costo-beneficio associato alle nuove tecnologie sanitarie.