在腫瘤學領域，療法推陳出新的速度依舊驚人。從標靶藥物、抗體藥物複合體（ADC），再到各式創新療法，研究與技術革新近乎馬不停蹄。然而，對臨床醫師與藥物開發者而言，每一步進展卻未必總是康莊大道，許多問題仍舊如影隨形。傳統的隨機對照試驗（Randomized Controlled Trials, RCTs）固然能回答「在理想條件下，什麼治療有效」，卻往往難以反映相同療法在真實世界中的表現，更加複雜的患者、可能滾動式調整的照護標準，以及日常臨床實務中難以避免的各種現實因素。
正如經典探戈名曲〈Por Una Cabeza〉所傳達的那種「只差一步」的宿命感，許多長期投入真實世界數據（RWD）與真實世界證據（RWE）的從業者坦言，過往有時候存在著某種微妙的遺憾，好像距離真正影響監管決策、臨床處置、藥物開發，乃至適應症拓展，總差上臨門一腳。
隨著科技與制度持續演進，若說當今產業中有一個關鍵位置，正站在研究、臨床與監管交會的核心，並試圖為整個產業補上「缺失的一角」，那麼 Emily Castellanos 無疑是其中的代表人物之一。身兼臨床醫師與 Flatiron Health 腫瘤研究負責人的她，向基因線上分享如何將數百萬筆去識別化病歷資料，轉化為臨床證據來真正推動改變的實例；以及為什麼 RWE，已從過去「有就好」的輔助角色，茁壯為今日的不可或缺。對監管機構而言，它關乎決策品質；對開發藥物而言，它能影響研究與臨床試驗方向；而對每天都必須決定患者該使用何種治療的醫師而言，它使癌症照護更能跟上現狀。
延伸閱讀：真實世界數據如何重塑藥物給付的未來？
資料的差異化價值，來自於對接真實世界決策需求
Flatiron Health 的平臺早已不再僅靠腫瘤資料庫的規模來取勝，它真正的差異化價值，在於如何有系統性地把真實世界的各式資料轉化為決策等級的臨床證據。Castellanos 表示：「這個平臺是基礎，但真正重要的是建構在其上的臨床與科學專業知識，再加上我們與合作夥伴及產業利害關係人的深度協作，才能確保我們產出的證據適合並滿足真實世界的決策需求。」
對許多生技製藥公司來說，挑戰往往不在於取得資料本身，而是如何在藥物開發的每個階段降低不確定性，進而去風險化，如今 RWE 正逐漸被嵌入整個新藥開發週期，從早期臨床與試驗設計，一直到上市後追蹤以及適應症拓展，Castellanos 直言：「它在日益複雜且分散的產業生態中，提供了一條清晰可見的脈絡。」
隨機對照試驗答不了的，真實世界證據來答
「儘管 RWE 的地位日益提升，但它和 RCT 兩者的目的本就截然不同，我們的目標絕不是取代後者，而是去補全傳統架構下缺失的部分，例如為第一線醫師解答隨機對照試驗無法涵蓋的問題。」
她坦言，隨機對照試驗依然是理想條件下，驗證療效的標準。但也正因其優勢：嚴格的納入與排除標準、標準化的流程，以及有限的病人多樣性，才讓它無法反映出藥物進入臨床後的實際表現，而 RWD 正好填補這個空缺，它能顯示療法在真實情境中如何被使用、患有共病者的實際反應，以及治療策略如何隨著時間演進，舉凡有效性、最佳治療順序，以及療程長度等，而這些往往只有在藥物上市後才會逐漸浮現。
「P-VERIFY 研究就運用 Flatiron Health 的資料，評估三種 CDK4/6 抑制劑合併芳香酶抑制劑，在 HR+/HER2- 轉移性乳癌病人身上的真實世界無進展存活期，進一步補足了傳統臨床試驗難以全面回答的相對療效比較問題。我們的資料目前已協助 FDA 和 EMA 做出超過 40 項監管決策，讓主管機關能更清楚地看見藥物在更廣泛、更具代表性族群中的真實表現。」
正確使用真實世界證據，才能建立信任
隨著真實世界證據影響力越來越大，質疑的聲音依然存在。Castellanos 認為，信任最大的威脅其實不在資料本身，而在於資料的使用方式。「當真實世界證據沒有以正確的方式被使用時，那份信任與默契就會被打破。」
她指出，並非所有資料集都適用於每一個研究問題，若資料來源、分析方法與預期用途之間缺乏清楚連結，便可能導致具誤導性的結論。她進一步分享 VALID 架構（圖 1），透過嚴謹的方法學設計、高度透明性，以及系統化驗證流程，定義真實世界表現（Real-World Performance, RWP），並評估人工智慧（AI）萃取資料的品質與可靠性。
她亦談及其高度協作的合作模式。Flatiron Health 並非只單純提供資料集做個甩手掌櫃，而是與合作夥伴並肩，共同釐清研究問題、校準研究方法，並確保研究結果符合監管單位如（FDA、EMA）的要求，使得最終產出的證據，不僅扎實可信，也能在實際決策與應用場景中真正發揮價值，而這，即她所認爲的，真實世界數據/證據的正確運用方式。
圖1：VALID 架構組成示意圖。來源：（Estevez et al., VALID Framework, JCO Clin Cancer Inform, 2026）。
當代資料更多模態，規範與溯源成關鍵
Castellanos 坦言，將臨床紀錄、基因體學、影像及理賠資料（claims data）彼此連結，是 RWE 最令人振奮，但也是目前技術上最前沿也最具挑戰性的領域之一。
「挑戰不僅限於串接資料集，更在於如何確保統計檢定力、臨床相關性，以及適用性（fitness for use）。」每增加一層資料維度，符合篩選條件的病患族群就會隨之縮減。她以一個簡單的比喻說明：「可以想像成一副撲克牌。先有 52 張；篩選出紅心，只剩 13 張；再篩選臉牌（JQK），就只剩 3 張。每加一道篩選條件，族群規模就會縮小。」
那要如何解決最終數量太少的問題？Flatiron Health 的解法，是儘量從更大的資料規模出發。超過 500 萬筆持續成長的病患紀錄，並結合 AI 技術，從非結構化的臨床病歷中更高效準確擷取結構化資訊。
然而，不論規模大小，若資料本身若缺乏品質便毫無意義。她強調，持續將 AI 輸出的結果與人工標註的基準資料進行驗證，執行再現性研究（replication studies），以資料可完整溯源（data provenance）為前提，確保每一項研究結果都能追溯至原始來源。
圖2：從電子健康紀錄到真實世界數據流程。（來源：Flatiron Health）
真實世界證據/數據實例：從臨床試驗設計到仿單更新
她認為，RWE 與 RWD 的價值已在臨床與產業決策層面逐步顯現，而這樣的觀察與體會並非空穴來風。當安進（Amgen）開發針對 KRAS G12C 突變非小細胞肺癌的藥物 Lumakras (sotorasib) 時，由於該患者族群相對稀少，監管單位要求進行自然病程研究（natural history study），以更全面理解這些患者的治療模式與臨床結局，Flatiron Health 的「臨床與基因體連結資料庫」於此提供了超過 7,000 名患者的去識別化數據，而相關證據最終也被納入美國 FDA 的審查與核准依據之中。
在 Castellanos 分享的另一個案例中，Flatiron Health 協助試驗委託方（sponsors），以 RWE 完成乳癌藥物 Kadcyla（ado-trastuzumab emtansine）在既有心臟疾病患者中的安全性上市後承諾研究（post-marketing commitment），並將原本預期耗時約五年的研究時程大幅縮短，並同時支持了兩次藥品仿單更新（label updates）。
類似的情況亦出現在 FDA 核准抗體藥物 Erbitux (cetuximab) 的新劑量方案，最終將其改為每兩週給藥一次，此項調整在維持患者安全性與臨床療效的同時，成功減低患者的回診次數。
此外，她也提到，RWE 正逐步被整合進臨床試驗設計之中。試驗委託方開始運用真實世界族群測試納入與排除條件、提升受試者族群多樣性，並以此建立外部對照組（external control arms）或數位孿生（digital twins）等工具，進而在維持科學嚴謹性的同時，加速藥物開發流程。
從病患中來到病患中去，邁向真正的學習型健康系統
一個真正的「學習型健康照護系統（Learning Health System, LHS）」是什麼樣子？
隨著腫瘤學社群準備迎接即將到來的 ASCO 年會，Castellanos 認為 RWE 正從描述性分析，演進成真正能輔助決策的證據，能夠與隨機試驗結果並列在治療指南中，以及日常臨床醫病對話裡。
她總結道：「RCT 告訴我們在控制條件下什麼有效，而 RWE 則幫助我們理解，這些結果如何在更廣泛的病人族群、不同照護場域，以及隨著時間推移的真實情境中落地。」
歸根究柢，正如 Castellanos 所言：「病患永遠是我們使命的核心，這些資料源自真實世界的臨床照護，也必須回到臨床照護之中，真正改善病人的治療與結果，才具有意義。」這個「從病患中來到病患中去」的願景其實相當純粹，那就是打通研究、監管與照護等各方面，讓每一位病患都能改善下一位病患的治療結果，在這個腫瘤治療創新如火如荼的時代，塑造正向回饋並成為真正的學習型健康系統。
