실제 근거(Real-World Evidence, RWE)는 일상적인 임상 진료 환경에서 수집된 실제 세계 데이터(Real-World Data, RWD)의 분석을 통해 얻은 의료 제품의 사용과 잠재적 이익 또는 위험에 관한 임상적 증거입니다. RWE는 엄격하게 통제된 무작위 대조 임상시험(RCT)을 보완하여 약물의 실제 효과성, 안전성, 경제성을 평가합니다.
전통적인 RCT는 내적 타당도가 높지만 엄격한 선정 기준, 통제된 환경, 짧은 추적 기간으로 인해 실제 진료 환경을 충분히 반영하지 못할 수 있습니다. RWE는 이러한 한계를 극복하고, 다양한 환자 집단, 실제 복약 순응도, 장기 결과를 포착할 수 있습니다.
RWD는 다양한 출처에서 수집됩니다. 각 출처는 고유한 장점과 한계를 가지고 있습니다.
| 데이터 출처 | 설명 | 장점 | 한계 |
|---|---|---|---|
| 전자건강기록(EHR) | 병원/클리닉의 진료 기록 | 상세한 임상 정보, 종단 추적 | 데이터 품질 불균일, 표준화 부족 |
| 의료보험 청구 데이터 | 보험 청구 및 지불 정보 | 대규모, 장기 추적 | 임상 상세 정보 부족 |
| 환자 등록부(Registry) | 특정 질환/치료 환자 추적 | 표준화, 목적 지향적 | 비용, 선택 편향 |
| 웨어러블/mHealth | 스마트폰, 웨어러블 기기 | 지속적 모니터링, 객관적 | 데이터 품질, 대표성 |
| 환자 보고 결과(PRO) | 환자 직접 보고 | 환자 관점, 삶의 질 | 주관적, 응답 편향 |
EHR은 가장 풍부한 RWD 출처 중 하나입니다. 진단, 처방, 검사 결과, 시술, 입원 기록 등 종합적인 임상 정보를 포함합니다.
서로 다른 EHR 시스템의 데이터를 통합하기 위해 공통 데이터 모델이 개발되었습니다:
| CDM | 운영 | 특징 |
|---|---|---|
| OMOP CDM | OHDSI 컨소시엄 | 관찰 연구 중심, 국제적 채택, 표준 용어 (SNOMED, RxNorm) |
| PCORnet CDM | 미국 PCORI | 환자 중심 결과 연구, 미국 중심 |
| Sentinel CDM | 미국 FDA | 약물 안전성 감시, 청구 데이터 중심 |
| i2b2 | Partners HealthCare | 임상 연구 정보학, 쿼리 도구 포함 |
OMOP(Observational Medical Outcomes Partnership) CDM은 가장 널리 사용되는 공통 데이터 모델입니다:
RWD를 사용한 연구는 다양한 관찰 연구 설계를 사용합니다.
특정 노출(약물, 시술)을 받은 환자 그룹을 추적하여 결과를 비교합니다.
결과가 발생한 환자(case)와 발생하지 않은 환자(control)를 선정하여 과거 노출을 비교합니다.
각 환자가 자신의 대조군이 되어 노출 전후를 비교합니다.
시판 후 약물 안전성 모니터링은 RWE의 중요한 응용 분야입니다. 임상시험에서 발견하지 못한 희귀하거나 지연된 이상반응을 탐지할 수 있습니다.
대규모 데이터베이스에서 약물과 이상반응 간의 예상치 못한 연관성을 통계적으로 탐지합니다.
| 방법 | 설명 |
|---|---|
| 비례 보고비(PRR) | Proportional Reporting Ratio, 자발적 보고 데이터베이스에서 사용 |
| 보고 승산비(ROR) | Reporting Odds Ratio, WHO VigiBase에서 사용 |
| 정보 구성요소(IC) | Information Component, 베이지안 접근법 |
| LGPS | Longitudinal Gamma Poisson Shrinker, 순차 분석 |
Sentinel은 FDA가 운영하는 국가 전자 감시 시스템으로, 1억 명 이상의 환자 데이터를 실시간으로 모니터링합니다.
FDA와 EMA를 포함한 주요 규제 기관들은 RWE를 약물 승인 및 라벨 변경 결정에 점차 활용하고 있습니다.
2016년 21세기 치료법(21st Century Cures Act)은 FDA에게 RWE 사용 프레임워크 개발을 요구했습니다. FDA는 RWE를 다음 용도로 사용할 수 있다고 명시했습니다:
RWE는 강력한 도구이지만 여러 한계와 과제가 있습니다.
관찰 연구는 연관성을 보여줄 수 있지만 인과성을 증명하기는 어렵습니다. 고급 통계 방법을 사용하여 이를 완화합니다:
RWE는 계속 진화하고 있으며, 여러 혁신적 발전이 예상됩니다.
RWD를 사용하여 임상시험의 대조군을 생성합니다. 특히 희귀 질환에서 유용합니다:
웨어러블 기기와 스마트폰으로 수집된 지속적인 데이터:
머신러닝은 RWE 생성의 여러 측면을 개선하고 있습니다:
실제 근거(RWE)는 일상 진료에서 수집된 실제 세계 데이터(RWD)를 분석하여 얻은 임상 증거로, 엄격한 RCT를 보완합니다. EHR, 청구 데이터, 레지스트리, 웨어러블 기기 등 다양한 출처의 RWD를 활용합니다. OMOP CDM 같은 공통 데이터 모델로 이질적인 데이터를 표준화하여 다기관 연구를 가능하게 합니다. 코호트 연구, 환자-대조군 연구, 자가 대조 연구 등 다양한 관찰 연구 설계를 사용합니다. FDA Sentinel 시스템은 시판 후 약물 안전성을 실시간으로 모니터링합니다. FDA와 EMA는 RWE를 적응증 추가, 안전성 연구에 점차 활용하고 있습니다. 선택 편향, 데이터 품질, 인과성 추론의 어려움 등 한계가 있지만, 성향 점수, 도구 변수 등 고급 통계 방법으로 완화할 수 있습니다. 합성 대조군, 디지털 바이오마커, AI/ML 통합 등 혁신적 발전이 RWE의 미래를 만들어가고 있습니다.