El dato de mundo real (RWD, por sus siglas en inglés) en enfermedades raras se define como la información clínica y sanitaria generada de forma rutinaria fuera de ensayos clínicos controlados. Incluye registros hospitalarios, dispositivos portátiles, reportes de pacientes y datos administrativos. Su relevancia es directa: las enfermedades raras afectan menos de 5 personas por cada 10.000 habitantes en la Unión Europea, con más de 6.500 patologías descritas. A escala global, el 80 % de estas enfermedades tienen origen genético y afectan al 6 % de la población mundial, más de 446 millones de personas. Ante poblaciones tan pequeñas y dispersas, el RWD no es un complemento opcional. Es la única vía para construir evidencia clínica suficiente.
¿Qué tipos de fuentes conforman el dato de mundo real en enfermedades raras?
El RWD no proviene de una sola fuente. Su valor surge precisamente de integrar datos heterogéneos que, por separado, resultan insuficientes.
Las principales fuentes son:
- Registros hospitalarios y clínicos: historias clínicas electrónicas, informes de alta y resultados de laboratorio generados en la atención rutinaria.
- Registros de enfermedades raras: bases de datos especializadas que agregan información longitudinal de pacientes con una misma patología. Los registros globales de enfermedades raras son la columna vertebral del RWD en este campo.
- Dispositivos portátiles y sensores: wearables que capturan parámetros fisiológicos en tiempo real, como frecuencia cardíaca, saturación de oxígeno o patrones de movimiento.
- Datos administrativos y de facturación: registros de prescripciones, hospitalizaciones y procedimientos que permiten rastrear trayectorias asistenciales.
- Resultados informados por el paciente (PROMs): cuestionarios validados que recogen síntomas, calidad de vida y funcionalidad directamente desde la perspectiva del paciente.
Este último tipo merece atención especial. El RWD incorpora en tiempo real los resultados informados por pacientes, lo que permite captar la heterogeneidad clínica que los ensayos tradicionales ignoran sistemáticamente. En enfermedades raras con fenotipos muy variables, como las enfermedades de depósito lisosomal o las canalopatías genéticas, esta capacidad marca la diferencia entre detectar un beneficio terapéutico real o perderlo en el ruido estadístico.
La diferencia fundamental con los ensayos clínicos es el contexto de generación. Los ensayos controlados seleccionan pacientes bajo criterios estrictos y miden resultados predefinidos. El RWD refleja lo que ocurre en la práctica clínica real, con toda su variabilidad, comorbilidades y adherencia imperfecta.
Consejo profesional: Al diseñar un proyecto con RWD en enfermedades raras, prioriza siempre la inclusión de PROMs validados desde el inicio. Añadirlos retrospectivamente es técnicamente posible, pero reduce drásticamente la calidad y comparabilidad de los datos.
¿Por qué es fundamental el RWD para la investigación en enfermedades raras?
Los ensayos clínicos aleatorizados son el estándar de oro en medicina. En enfermedades raras, ese estándar es con frecuencia inalcanzable. Una patología que afecta a 200 pacientes en toda Europa no puede sostener un ensayo con grupos de control suficientemente grandes para alcanzar significación estadística. El RWD resuelve este problema estructural.
Los cuatro usos más relevantes del RWD en investigación son:
- Construcción de la historia natural: documentar cómo progresa la enfermedad sin intervención, lo que establece la línea de base para evaluar cualquier terapia. La historia natural de una enfermedad rara solo puede describirse con datos longitudinales del mundo real.
- Brazo de control externo: usar cohortes históricas de RWD como comparador cuando un grupo placebo es éticamente inviable o estadísticamente imposible.
- Diseño de ensayos adaptativos: el RWD alimenta modelos bayesianos que ajustan el diseño del ensayo en tiempo real, reduciendo el tamaño muestral necesario.
- Evaluación económica y regulatoria: las agencias como la EMA y la FDA aceptan cada vez más evidencia de RWD para apoyar decisiones de aprobación y reembolso en enfermedades raras.
"El RWD es un complemento imprescindible que permite evidenciar la evolución natural de la enfermedad y demostrar beneficios clínicos en el contexto de poblaciones muy pequeñas." (Fuente)
El impacto en los tiempos diagnósticos es también directo. Proyectos público-privados con plataformas armonizadas reducen tiempos diagnósticos que en España pueden superar los 6 años. Cada mes de retraso diagnóstico tiene consecuencias clínicas irreversibles en patologías con ventanas terapéuticas estrechas.
¿Cuáles son los principales desafíos del dato real en enfermedades raras?
El RWD promete mucho, pero su implementación enfrenta obstáculos concretos que los investigadores deben conocer antes de diseñar cualquier proyecto.
| Desafío | Descripción | Solución actual |
|---|---|---|
| Fragmentación en silos | Los datos se almacenan en sistemas hospitalarios incompatibles entre sí | Plataformas de interoperabilidad basadas en estándares HL7 FHIR |
| Calidad y limpieza | Datos incompletos, duplicados o codificados de forma inconsistente | Pipelines automatizados de normalización y validación |
| Privacidad y protección | Las regulaciones GDPR limitan el intercambio transfronterizo de datos clínicos | Aprendizaje federado: análisis sin mover datos del centro de origen |
| Armonización semántica | Distintos hospitales codifican la misma condición con terminologías diferentes | Ontologías compartidas como HPO, OMIM y Orphanet |
| Representatividad | Los pacientes más graves o sin diagnóstico quedan fuera de los registros | Plataformas de captura activa con participación directa del paciente |
El problema de la limpieza de datos es más grave de lo que parece. La normalización de datos heterogéneos consume hasta el 80 % del tiempo de un proyecto debido a la fragmentación en silos hospitalarios. Esto significa que, en un proyecto de 12 meses, 9 o 10 meses se dedican a preparar los datos antes de poder analizarlos.
La solución más prometedora para el problema de privacidad es el aprendizaje federado. Este enfoque permite entrenar algoritmos sin mover datos sensibles del centro donde se generaron. El principio es mover el conocimiento, no los datos. Un algoritmo viaja hasta el hospital, aprende del conjunto local, y regresa con los parámetros actualizados sin que ningún dato del paciente salga del servidor.
El Foro Económico Mundial señala la necesidad de espacios de datos compartidos para llevar las terapias génicas de resultados anecdóticos a impacto poblacional. Sin esos espacios, la evidencia permanece fragmentada y los reguladores no pueden tomar decisiones con base sólida.
Consejo profesional: Antes de iniciar cualquier proyecto con RWD, audita las ontologías de codificación de cada fuente. Unificar HPO, ICD-10 y Orphanet desde el inicio ahorra semanas de trabajo de armonización posterior.
¿Cómo se aplica el dato de mundo real en la práctica clínica?
La aplicación del RWD en la práctica clínica ya genera resultados medibles en tres áreas concretas.
Reducción de la odisea diagnóstica. La odisea diagnóstica, ese peregrinaje de años entre especialistas sin obtener un diagnóstico, es la experiencia más común entre pacientes con enfermedades raras. Las plataformas armonizadas de RWD permiten cruzar fenotipos clínicos con bases de datos genómicas para sugerir diagnósticos diferenciales que un médico individual nunca consideraría. El programa Remma Bellvitge cataliza la investigación en 390 enfermedades minoritarias con equipos interprofesionales que integran datos clínicos y genómicos de forma sistemática.
Integración en marcos regulatorios. La EMA y la FDA han publicado guías específicas para el uso de RWD como evidencia de soporte en solicitudes de aprobación. Los investigadores que documentan el uso de fármacos aprobados en contextos de uso compasivo generan RWD que puede respaldar indicaciones ampliadas. Este circuito entre práctica clínica y regulación es especialmente valioso en enfermedades ultrarraras donde un ensayo pivotal clásico es inviable.
Desarrollo terapéutico centrado en el paciente. La combinación de RWD y preferencias de pacientes acelera el desarrollo de terapias mediante ecosistemas interoperables y ensayos de plataforma. Los ensayos de plataforma comparten infraestructura y controles entre múltiples brazos terapéuticos, lo que multiplica la eficiencia en poblaciones pequeñas. Hopeatrarelabs integra este enfoque al construir modelos de enfermedad derivados de células del propio paciente mediante iPSCs y edición génica con CRISPR, generando datos del mundo celular que complementan el RWD clínico.
Los avances tecnológicos previstos para 2026 refuerzan este panorama. La integración de datos multiómicos (genómica, proteómica, metabolómica) con RWD clínico abre la puerta a biomarcadores de respuesta terapéutica que hoy no existen para la mayoría de enfermedades raras.
Puntos clave
El dato de mundo real es la fuente de evidencia más valiosa en enfermedades raras porque permite construir conocimiento clínico donde los ensayos tradicionales no pueden operar.
| Punto | Detalles |
|---|---|
| Definición de RWD | Información clínica rutinaria fuera de ensayos controlados: registros, wearables y PROMs. |
| Escala del problema | Más de 6.500 enfermedades raras afectan al 6 % de la población mundial, más de 446 millones de personas. |
| Valor principal | Permite construir historia natural y brazos de control externo donde los ensayos clásicos son inviables. |
| Obstáculo crítico | La limpieza de datos consume hasta el 80 % del tiempo del proyecto por la fragmentación en silos. |
| Solución tecnológica | El aprendizaje federado analiza datos sin moverlos del centro de origen, protegiendo la privacidad. |
El RWD no es el futuro: ya es el presente que muchos ignoran
Llevo años siguiendo la investigación en enfermedades raras y el patrón que veo repetirse es siempre el mismo. Los equipos más avanzados no son los que tienen más pacientes. Son los que saben qué hacer con los pocos datos que tienen.
El RWD no es una solución mágica. Es una disciplina. Requiere rigor en la recogida, honestidad sobre las limitaciones y voluntad de colaborar con otros centros aunque eso implique ceder control sobre los datos propios. El mayor obstáculo que observo no es técnico. Es cultural. Muchos investigadores siguen tratando sus bases de datos como activos propietarios en lugar de como infraestructura compartida.
La interoperabilidad real, no la declarada en documentos de estrategia, sino la que permite que un registro de Berlín y uno de Barcelona hablen el mismo idioma semántico, sigue siendo una asignatura pendiente. Los estándares existen. HPO, Orphanet y HL7 FHIR son herramientas maduras. El problema es la adopción desigual y la falta de incentivos para implementarlos.
Mi recomendación para cualquier investigador que empiece a trabajar con RWD en enfermedades raras es esta: invierte el primer mes del proyecto en la arquitectura de datos, no en el análisis. Un modelo de datos bien diseñado desde el inicio multiplica el valor de todo lo que viene después. Y si tienes la opción de colaborar con un laboratorio que ya tiene esa infraestructura, úsala.
— John
Hopeatrarelabs y el uso de datos reales en enfermedades raras
Hopeatrarelabs trabaja directamente en el punto donde el RWD clínico y la biología del paciente se encuentran. Su plataforma construye modelos de enfermedad derivados de células del propio paciente mediante iPSCs y CRISPR, y los usa para cribar miles de fármacos aprobados por la FDA, oligonucleótidos antisentido personalizados y opciones de terapia génica.
Para investigadores y profesionales que buscan integrar datos del mundo real en programas de enfermedades raras, el centro de recursos de Hopeatrarelabs ofrece documentación técnica, protocolos y casos de aplicación. El enfoque de Hopeatrarelabs combina rigor científico con urgencia clínica, dos requisitos no negociables cuando se trabaja con patologías sin tratamiento aprobado. Más información sobre sus servicios de medicina personalizada en hopeatrarelabs.com.
Preguntas frecuentes
¿Qué es exactamente el dato de mundo real en salud?
El dato de mundo real es la información clínica generada fuera de ensayos controlados, incluyendo registros hospitalarios, wearables y reportes de pacientes. En enfermedades raras, es la principal fuente de evidencia disponible dada la imposibilidad de realizar grandes ensayos.
¿Cómo se clasifican las enfermedades raras en Europa?
La Unión Europea clasifica como rara cualquier enfermedad que afecte a menos de 5 personas por cada 10.000 habitantes. Actualmente se han descrito más de 6.500 enfermedades raras distintas.
¿Qué diferencia hay entre RWD y evidencia de ensayo clínico?
Los ensayos clínicos generan datos bajo condiciones controladas con pacientes seleccionados. El RWD refleja la práctica clínica real con toda su variabilidad, lo que lo hace más representativo pero también más complejo de analizar.
¿Qué es el aprendizaje federado y por qué importa en enfermedades raras?
El aprendizaje federado entrena algoritmos de inteligencia artificial sin mover los datos del centro donde se generaron. Esto permite analizar datos de múltiples hospitales respetando la privacidad del paciente y las regulaciones GDPR.
¿Cuánto tiempo consume la preparación de datos en un proyecto de RWD?
La limpieza y normalización de datos heterogéneos puede consumir hasta el 80 % del tiempo total del proyecto. Por eso, diseñar la arquitectura de datos antes de iniciar la recogida reduce drásticamente ese coste.