Enhancing the role of real-world data in healthcare research through advanced statistical methods

In healthcare research, the rise of large-scale healthcare utilization (HCU) databases marks a significant shift towards a new era where empirical evidence drives clinical and policy- making decisions. This thesis aims to highlight the crucial role of real-world data (RWD) in acquiring empirical evidence, which is indispensable for decisions in clinical and policy contexts, with a particular focus on the Italian National Health System (NHS). The primary goal is to explore advanced statistical methodologies that fully leverage real- world data, accurately reflecting daily clinical practice and overcoming the limitations of controlled clinical studies, which often fail to completely capture the varied behavioral dynamics of patients and the actual effectiveness of treatments. Ultimately, the thesis seeks to refine healthcare interventions, improving the ability to meet population needs with greater awareness and effectiveness. From a methodological standpoint, this work represents a significant advancement in the field of research. The innovative application of State Sequences Analysis (SSA) and the Latent Markov model (LMM) provides advanced tools for exploring new dimensions in healthcare models, effectively addressing the complexities associated with modeling pa- tient behavior based on incomplete data and the presence of latent variables that can significantly influence the phenomena under study. These techniques allow for a dynamic and multifaceted analysis, revealing patterns and trends that elude traditional method- ological approaches. Additionally, the thesis investigates various pharmacoepidemiology methodologies and validation strategies, assessing their ability to bridge the gaps between randomized clinical trials (RCTs) and their real-world applications. Through a series of analyses focused on diseases such as hypertension, Type 2 Diabetes Mellitus (T2DM), and COVID-19, the utility of these methodologies in analyzing therapeutic adherence, treatment effectiveness, and the cost-effectiveness of health interventions is demonstrated. It also highlights how these approaches support the implementation of evidence-based clin- ical practices, which are essential in the complex landscape of healthcare, and underscore the critical importance of rigorous research methodology to ensure the reliability and applicability of research findings in real healthcare settings. Overall, by integrating advanced statistical methodologies with pharmacoepidemiology techniques, this research aims to emphasize the need to utilize evidence derived from real- world data to optimize healthcare practices and patient management in clinical contexts, thereby enhancing the standard of healthcare provided.

L'incremento progressivo della disponibilità di ampie banche dati sanitarie segna l'avvento di una nuova era, dominata dall'uso di evidenze empiriche per guidare decisioni cliniche e strategiche. Questa tesi mira a evidenziare il ruolo cruciale di questi dati nell'acquisizione di prove empiriche, indispensabili per le decisioni in ambito clinico e politico, con un focus particolare sul Servizio Sanitario Nazionale Italiano. L'obiettivo principale è esplorare metodologie statistiche avanzate capaci di valorizzare appieno i dati del mondo reale, riflettendo accuratamente la pratica clinica quotidiana e superando le limitazioni degli studi clinici controllati, che spesso non riescono a rappresentare integralmente le variegate dinamiche comportamentali dei pazienti e l'efficacia reale dei trattamenti. In ultima analisi, la tesi aspira a perfezionare gli interventi sanitari, migliorando la capacità di rispondere alle esigenze della popolazione con maggiore consapevolezza e efficacia. Dal punto di vista metodologico, il presente lavoro costituisce un significativo progresso nel campo della ricerca. L'applicazione innovativa dell'analisi delle sequenze e del modello di Markov latente offre strumenti avanzati per esplorare nuove dimensioni nei modelli di assistenza sanitaria, affrontando efficacemente le complessità legate alla modellazione del comportamento dei pazienti su basi di dati con informazioni incomplete e la presenza di variabili latenti che possono influenzare decisamente i fenomeni studiati. Queste tecniche permettono un'analisi dinamica e poliedrica, rivelando schemi e tendenze che sfuggono agli approcci metodologici tradizionali. In aggiunta, la tesi investiga diverse metodologie di farmacoepidemiologia e strategie di validazione, valutandone la capacità di superare le discrepanze tra gli studi clinici randomizzati e le loro applicazioni nel contesto reale. Attraverso un insieme di analisi focalizzate su patologie quali l'ipertensione, il diabete mellito di tipo 2 e il COVID-19, viene dimostrata l'utilità di tali metodologie nell'analizzare l'aderenza terapeutica, l'efficacia dei trattamenti e la costo-efficacia degli interventi sanitari. Si evidenzia inoltre come questi approcci supportino l'implementazione di pratiche cliniche basate sull'evidenza empirica, essenziali nel complesso panorama dell'assistenza sanitaria, e sottolineino l'importanza critica di una rigorosa metodologia di ricerca per garantire l'affidabilità e l'applicabilità dei risultati della ricerca nei contesti sanitari reali. Complessivamente, integrando metodologie statistiche avanzate con tecniche di farmacoepidemiologia, questa ricerca mira a enfatizzare la necessità di utilizzare le evidenze derivanti dai dati del mondo reale per ottimizzare le pratiche sanitarie e la gestione dei pazienti nei contesti clinici, al fine di elevare lo standard di assistenza sanitaria fornita.