劳蕾尔:所以当谈到大流行时，它确实向我们表明，为患者提供新疗法和疫苗的竞赛是多么重要和艰难。你能解释一下什么是证明生成以及它是如何适应药物开发的吗?

Arnaub:当然。因此，作为一个概念，在药物开发中生成证据并不是什么新鲜事。这是一门将数据和分析结合在一起的艺术，可以成功地向各种利益相关方、监管机构、支付方、供应商等展示产品的安全性、有效性和价值。急性，最后，也是最重要的，是病人。到目前为止，我想说的是，创造证据不仅包括测试过程本身，还包括制药或医疗设备公司进行的许多不同类型的研究，这可以包括:这些研究可以是文献综述或观察或分析数据研究，证明疾病负担甚至治疗模型。如果你看看大多数公司是如何设计的，临床开发团队专注于设计方案，实施测试，他们负责试验的成功解读。大部分的工作都发生在临床开发人员身上。但是当一种药物出来的时候，健康经济学，结果研究，流行病学团队他们在帮助找出它的价值以及我们如何更好地理解这种疾病?

所以我认为我们现在正处在这个行业一个非常有趣的拐点上。取证是一项持续多年的活动，在审判期间，在许多情况下，审判后很长一段时间都是如此。我们发现在疫苗试验中尤其如此，在肿瘤学或其他治疗领域也是如此。总而言之，疫苗公司在创纪录的时间内收集了大量证据，这是一项令人难以置信的努力。我认为现在的情况是FDA在艰难的平衡中航行他们想要推动我们所谈论的创新，为病人提供新疗法的进步。他们已经建立了快速批准等提供治疗的手段，但我们需要验证性试验或长期随访，才能真正了解证据，了解这些药物的安全性和有效性。这种药物。这就是为什么我们今天谈论的概念如此重要，我们如何更快地做到这一点?

劳蕾尔:当你谈论拯救生命的创新时，这当然很重要，但正如你之前提到的，随着技术创新的快速发展和数据生成和审查的结合，我们在这里是特殊的拐点。那么，在过去的几年里，数据和证据的生成是如何演变的?那么，5年前，疫苗的潜力和所有的证据包是如何不同的?还是十年?

Arnaub:重要的是要在临床试验数据和所谓的现实世界数据之间建立区别。随机对照试验，仍然是证据生成和提交的金标准。我们知道，在临床试验中，我们有一组非常可控的参数，并专注于一小群患者。在捕捉到的东西中有很多的特殊性和细节。有一个定期的评估期，但我们也知道测试环境不一定代表现实世界的患者结果。“现实世界”这个词是一堆不同事物的西部蛮荒之地。它要求保险公司提供数据或支付记录。电子医疗记录来自于供应商、医院系统和实验室，甚至是越来越多的新形式的数据，你可以从设备甚至数据中看到。病人报告。RWD或真实世界数据是一个由不同来源组成的庞大而多样的集合，可以记录患者进入和退出不同医疗保健系统和环境时的表现。

十年前，当我第一次在这个领域工作时，“真实世界数据”这个术语甚至还不存在。它就像一个脏话，基本上是近年来由制药和监管行业创造出来的。所以我认为，我们现在看到的另一个重要部分或维度是，监管机构，通过非常重要的立法，如21世纪治愈法案，启动和推进如何使用和结合现实世界的数据，以促进我们对治疗和疾病的理解。所以这里有很大的动量。FDA批准的85%到90%的新药申请都使用了实际数据。所以这是一个我们必须驾驭的世界。

我们如何保持临床试验的严谨性并讲述整个故事，然后我们如何引入实际数据来完成这幅图?这是我们过去两年一直关注的一个问题，我们甚至在covid中建立了一个解决方案，称为Medidatalink，它实际上将临床试验中的患者水平数据与所有非试验数据连接在一起。存在于每一个病人的世界中。你可以想象，这在covid期间如此重要的原因是，我们实际上与一家covid疫苗制造商开始了这项研究，这样我们可以研究结果。长期的，这样我们就可以把测试数据和我们考虑的后处理结合起来。从长远来看，疫苗有意义吗?它是安全的呢?它是有效的吗?我认为，在过去的几年里，在我们收集数据的方式方面，这是我们进化的重要组成部分。

劳雷尔:数据收集的故事当然是创造高质量证据的挑战之一。你还见过其他行业的空白吗?

阿瑙布:我认为制药行业发展的大象是，尽管有所有的数据和所有的先进分析，技术成功的可能性，或所谓的监管成功的药物，仍然非常低。对于一些不同的治疗领域，从第一阶段批准的总体可能性一直低于10%。在心脏科这一比例不到5%，在肿瘤学和神经学这一比例超过5%，我认为这些失败背后的原因是缺乏数据支持疗效。这就是许多公司提交或包含监管机构所说的有缺陷的研究设计、不适当的统计终点，或者在许多情况下，不称职的试验的原因。也就是说，样本容量太小，无法拒绝零假设。这意味着如果你只看测试本身和一些漏洞，你就会在一些重要的决定上挣扎，在这些漏洞中数据应该更多地参与进来，并对决策产生更大的影响。确定。

所以当你设计一个试验时，你在评估“我的主要终点和次要终点是什么?”我应该选择什么样的纳入或排除标准?我的比较器是什么?生物标记的用途是什么?那么我如何理解这个结果呢?我如何理解它的工作原理?“这是大量不同的选择和不同决策的排列，必须并行进行，所有这些数据和信息都来自现实世界;我们讨论了电子健康记录价值的动态变化。但这里的差距是，问题是数据是如何收集的?你怎么证实它的来源?它能被信任吗?

因此，尽管有良好的体积，差距实际上是贡献，并可能在许多不同的领域显著偏离。选择偏差，意味着你选择治疗的病人类型不同。有性能偏差，可检测性，数据本身的一些问题。所以我认为我们在这里试图导航的是当你将这些数据集结合在一起时，你如何以一种强大的方式做到这一点，解决我之前提到的药物失败的一系列问题?我们的个人方法是将一个经过策划的历史临床试验数据集放在我们的平台上，并使用该数据集将我们在世界上看到的情况置于背景中。以便更好地了解病人对治疗的反应。在理论上，以及我们在工作中所看到的，是帮助临床开发团队使用一种新的方法来使用数据来设计实验方案或改进他们所做的一些统计分析。