Tema 8.6 — Investigación y evaluación en el mundo real

En la salud y la atención, una innovación digital es tan confiable como la evidencia de que realmente funciona en la práctica —así que debes diseñar esa evidencia desde el principio, a un rigor proporcional al riesgo y los reclamos que haces.

Por qué esto importa en la salud y la atención#

Cada producto digital que despliegas hace una promesa implícita: esto ayudará a pacientes, personal, o el sistema sin causar daño. En la mayoría de los sectores una promesa no probada cuesta un cliente o un trimestre de ingresos. En la salud y la atención puede costar vidas, ampliar la inequidad, o erosionar la confianza pública de la que depende todo el sistema. El entusiasmo y una buena demostración no son evidencia, y un mecanismo plausible no es prueba de beneficio.

La historia de la salud digital está llena de herramientas que parecían convincentes y se adoptaron a escala antes de que alguien mostrara que funcionaban —y algunas que silenciosamente causaron daño, diagnósticos perdidos, o impulsaron a los clínicos hacia soluciones alternativas. Los reguladores, comisionadores, y clínicos han respondido elevando la barra: ahora esperan evidencia creíble y proporcional antes, durante, y después del despliegue. Si no puedes demostrar que tu servicio entrega los resultados que reclamas, deberías esperar que sea desafiado, desfinanciado, o retirado —y con razón.

La evidencia también es una cuestión de equidad y seguridad, no un obstáculo burocrático. Una herramienta que mejora los resultados promedio aún puede dañar a un subgrupo —los excluidos digitalmente, personas con inglés limitado, o una población subrepresentada en tus datos de entrenamiento. Solo la evaluación deliberada revela esto. Generar buena evidencia es por tanto parte de tu deber de cuidado, tu administración del dinero público, y tu credibilidad con las personas a las que sirves (véase el Tema 1.3 — Decisiones impulsadas por evidencia, y el Tema 1.6 — Seguridad clínica y gestión de riesgos).

Conceptos clave#

Comienza con una distinción que gobierna todo lo demás: la diferencia entre investigación, evaluación de servicio, y auditoría clínica. La investigación busca generar conocimiento nuevo y generalizable —hallazgos destinados a ser verdaderos más allá de tu entorno local. La evaluación de servicio pregunta cuán bien está funcionando este servicio aquí, usando los estándares que el servicio mismo ha adoptado. La auditoría clínica compara la práctica actual contra un estándar existente y acordado y cierra el bucle con el cambio. La distinción no es pedantería académica: determina tu ruta de gobernanza. La investigación que involucra a pacientes, personal, o datos del National Health Service (NHS) casi siempre necesita aprobación ética formal; la mayoría de la evaluación de servicio y auditoría no. Clasificar erróneamente la investigación como evaluación para evitar aprobaciones es un fallo serio de gobernanza.

En Inglaterra, la gobernanza de investigación funciona a través de la Health Research Authority (HRA), un organismo de longitud de brazo del Department of Health and Social Care. La HRA protege y promueve los intereses de los participantes y coordina las aprobaciones para que un estudio se revise una vez para todo el país. La revisión ética la lleva a cabo un Research Ethics Committee (REC) —el equivalente del Reino Unido de una junta de revisión institucional— que juzga si un estudio es ético, proporcional, y seguro para los participantes. Las solicitudes se envían a través del Integrated Research Application System (IRAS), un único portal en línea que dirige tu proyecto a los REC, la Aprobación HRA, y otros permisos que necesita. Las herramientas de decisión en línea de la HRA te ayudan a determinar si tu proyecto siquiera cuenta como investigación.

Gran parte de la evidencia de salud digital ahora se construye a partir de datos del mundo real (RWD) —información recopilada fuera de ensayos controlados, como historias clínicas electrónicas, registros de dispositivos, registros, y datos de reclamaciones— analizada para producir evidencia del mundo real (RWE) sobre cómo se desempeña una intervención en condiciones ordinarias. RWE es poderosa porque las herramientas digitales generan datos de uso ricos como subproducto, y porque refleja la realidad desordenada que a menudo excluyen los ensayos. También es frágil: los datos observacionales están plagados de confusión y sesgo, así que una comparación ingenua de antes-y-después puede confundir una tendencia estacional o un cambio coincidente con tu efecto.

Por eso el diseño de evaluación importa. El diseño más fuerte para reclamos causales sigue siendo el ensayo controlado aleatorizado (RCT), que reduce el sesgo asignando participantes al azar. Los contextos digitales a menudo favorecen variantes pragmáticas —ensayos aleatorizados por conglomerados, y el ensayo de cuña escalonada, en el que los sitios cruzan de control a intervención en olas aleatorizadas, ajustándose a un despliegue escalonado que ibas a hacer de todos modos. Donde la aleatorización sea impráctica, ayudan los diseños cuasi-experimentales: el análisis de series temporales interrumpidas (ITS) rastrea un resultado a través de muchos puntos antes y después de la puesta en marcha para detectar cambios en nivel y tendencia, y a menudo es el mejor diseño factible para un cambio digital de todo el sistema. La comparación simple de antes-y-después es la más débil y engañosa, porque no puede separar tu efecto de todo lo demás que cambió.

Dos anclas adicionales dan forma al trabajo. La barra de evidencia para la salud digital en Inglaterra la establece el Evidence Standards Framework for Digital Health Technologies, publicado por el National Institute for Health and Care Excellence (NICE): califica las herramientas por riesgo potencial y especifica la fuerza de evidencia esperada para cada nivel. Y una distorsión persistente contra la cual protegerse es el sesgo de publicación —la tendencia a compartir resultados positivos y enterrar los negativos, que favorece a todo el campo y permite que se propaguen herramientas ineficaces.

Buenas prácticas#

1. Clasificar tu proyecto antes de diseñarlo. Usa las herramientas de decisión de la HRA para determinar si tu trabajo es investigación, evaluación de servicio, o auditoría, y registra el razonamiento. Este único paso establece tu ruta de gobernanza, tu cronograma, y tus permisos. Equivócalo en la dirección optimista y arriesgas ejecutar investigación no aprobada en pacientes; equivócalo en la dirección cautelosa y cargas una evaluación simple con meses de proceso innecesario.

2. Incorporar la evaluación desde el principio, no como añadido. Decide qué significa "funcionar", y cómo lo medirás, durante el descubrimiento —antes de una línea de código de producción (véase el Tema 3.4 — Fases de descubrimiento). Captura una línea base antes de la puesta en marcha, porque nunca podrás reconstruirla después, e instrumenta el producto para emitir los datos de resultado y uso que necesita tu diseño. Adaptar retroactivamente la evaluación a un servicio en vivo casi siempre produce evidencia más débil a mayor coste, y a menudo ninguna línea base usable en absoluto.

3. Ajustar el rigor al riesgo y el reclamo. Una herramienta de reserva que reordena una lista de espera necesita menos peso evidencial que un algoritmo que tría dolor de pecho. Usa el NICE Evidence Standards Framework para ubicar el nivel de riesgo de tu herramienta, y haz reclamos que tu evidencia pueda sostener: si tienes una serie temporal interrumpida que muestra tasas de inasistencia reducidas, di eso —no implique un beneficio de mortalidad. La proporcionalidad protege a los pacientes de riesgo con evidencia insuficiente y te protege de desperdiciar esfuerzo sobreprobando herramientas de bajo riesgo.

4. Elegir el diseño más fuerte que sea factible, y nombrar sus límites. Recurre a la aleatorización cuando puedas, y considera un diseño de cuña escalonada cuando un despliegue escalonado hace imposible un grupo de control simultáneo. Cuando la aleatorización sea genuinamente inviable, prefiere las series temporales interrumpidas sobre el antes-y-después ingenuo, y preespecifica tu análisis para resistir la tentación de pescar un resultado favorable. Cada diseño tiene debilidades; declara las tuyas claramente para que los lectores puedan sopesar la evidencia honestamente.

5. Usar datos del mundo real deliberadamente, y tratar la confusión como el enemigo. Los servicios digitales generan abundante RWD, pero la abundancia no es validez. Planifica qué datos usarás, su calidad y completitud, y los sesgos que llevan, e involucra a un analista o metodólogo temprano en lugar de minar registros después del hecho. Preregistra tus resultados y análisis donde sea posible para que los datos no se puedan torturar hasta decirte lo que esperabas escuchar.

6. Asociarte con personas que generan evidencia para vivir. Las universidades, el National Institute for Health and Care Research (NIHR), y tu Health Innovation Network regional —los organismos anteriormente conocidos como Academic Health Science Networks (AHSN)— traen rigor metodológico, independencia, rutas de financiación, y credibilidad que no puedes fabricar internamente. La evaluación independiente lleva mucho más peso con los comisionadores y clínicos que el propio análisis de un proveedor. Involúcralos temprano, porque los mejores diseños se establecen antes del despliegue, no después (véase el Tema 9.0 — Colaboración con organizaciones socias).

7. Medir resultados y economía, no solo actividad. Los inicios de sesión, clics, y puntuaciones de satisfacción son necesarios pero no suficientes; los comisionadores financian resultados y valor. Dondequiera que puedas, vincula tu evaluación a resultados clínicos, señales de seguridad, equidad a través de subgrupos, y consecuencias de coste, trabajando con economistas de salud para enmarcar el beneficio en términos que usan los tomadores de decisión (véase el Tema 6.1 — Economía de la salud). Siempre desagrega los resultados por población para que una herramienta que ayuda en promedio pero daña a un subgrupo no pueda esconderse detrás de la media.

8. Publicar tus resultados —incluyendo los decepcionantes. Comprométete por adelantado a compartir hallazgos, positivos o negativos, a través de un reporte, un preprint, o un artículo revisado por pares. Publicar resultados negativos es una obligación profesional: ahorra a otras organizaciones repetir tus errores y contrarresta el sesgo de publicación que permite que proliferen herramientas ineficaces. Una cultura que puede decir "evaluamos esto y no funcionó, así que lo detuvimos" es más confiable, no menos.

9. Cerrar el bucle y actuar sobre lo que aprendes. La evidencia que no cambia ninguna decisión es desperdicio. Retroalimenta los hallazgos hacia tu hoja de ruta, tu caso de negocio, y tus decisiones de escalonamiento —escalando lo que funciona, corrigiendo lo que funciona a medias, y retirando lo que no (véase el Tema 8.0 — Introducción escalonada de la innovación). Luego reevalúa, porque una herramienta digital que funcionó a escala de piloto en un entorno puede comportarse de forma diferente a escala nacional o en una población diferente.

Preguntas para debatir con tu equipo#

1. ¿Lo que estamos a punto de hacer es investigación, evaluación de servicio, o auditoría —y cuán confiados estamos en esa respuesta? Esta es la primera pregunta porque la respuesta establece toda tu ruta de gobernanza, y equivocarla tiene consecuencias serias. Discute quiénes son tus sujetos de datos, si estás aleatorizando algo, si pretendes producir conocimiento generalizable, y si planeas publicar —todas señales que empujan un proyecto hacia "investigación". Resiste cualquier presión de etiquetar algo como evaluación simplemente porque la ruta de aprobación es más rápida; esa presión es exactamente donde comienzan los fallos de gobernanza. Usa la herramienta de decisión de la HRA juntos, en la sala, y escribe tu razonamiento y quién lo acordó. Una buena respuesta no es solo una etiqueta sino un juicio documentado y defendible que tus colegas de gobernanza de la información y seguridad clínica han visto. Si genuinamente no estás seguro, el movimiento honesto es preguntar a la HRA o tu oficina de I+D en lugar de adivinar en la dirección que se ajusta a tu cronograma.

2. ¿Qué contaría como evidencia convincente de que esto funciona —y para quién? Diferentes audiencias exigen diferente evidencia: un clínico quiere datos de seguridad y resultado, un comisionador quiere coste y valor, un regulador quiere ver el nivel NICE apropiado cumplido, y un paciente quiere saber que es seguro y justo para personas como ellos. Debate qué significa realmente "funciona" para tu herramienta, y qué resultado te haría detenerte —porque un equipo que no puede articular una condición de parada no está realmente evaluando. Considera qué diseño es factible dado tu plan de despliegue, tus datos, y tu presupuesto, y sé honesto sobre la disyuntiva entre rigor y velocidad. Discute si necesitas evaluación independiente para ser creído, y si es así, quién debería hacerlo. Una buena respuesta nombra a los tomadores de decisión, los resultados que los moverían, el diseño que puede creíblemente producir esos resultados, y el umbral en el que concluirías que la herramienta ha fallado.

3. ¿Cómo manejaremos un resultado negativo o decepcionante? Pregunta esto antes de tener el resultado, porque la respuesta es mucho más honesta de antemano. Explora qué harías si la evaluación no mostrara beneficio, o beneficio para la mayoría pero daño para un subgrupo excluido, y quién necesitaría escucharlo. Saca a la luz las presiones reales: coste hundido, relaciones de proveedor, preocupación reputacional, y los incentivos de carrera que hacen que la gente quiera buenas noticias. Discute tu compromiso previo de publicar independientemente del resultado, y qué gobernanza te mantendría a esa promesa cuando el resultado sea vergonzoso. Una buena respuesta trata una evaluación bien ejecutada que produce un resultado negativo como un éxito de proceso, no un fallo del equipo —y tiene un plan concreto para retirar elegantemente, comunicar francamente, y proteger a las personas que entregaron el hallazgo honesto.

4. ¿Qué debemos capturar e instrumentar antes de la puesta en marcha —y realmente lo hemos incorporado? Una evaluación es tan buena como la línea base y los datos sobre los que puede basarse, y ambos son mucho más baratos de asegurar antes del lanzamiento que después. Trabaja a través de qué estado "antes" necesitas —tasas de admisión, tiempos de espera, tasas de error, costes de vía actuales— y confirma que se está registrando ahora, desagregado por los subgrupos que te importan, porque nunca podrás reconstruir una línea base que no capturaste. Verifica si el producto mismo emitirá los datos de resultado y uso que necesita tu diseño elegido, o si esa instrumentación todavía es un deseo de lista de pendientes. Debate la tensión de tiempo: la presión de enviar a menudo elimina la medición para cumplir una fecha, y cada corte así silenciosamente debilita la evidencia que después se te pedirá producir. Involucra a un analista o metodólogo mientras el diseño todavía es flexible, no una vez que los registros ya están fluyendo. Una buena respuesta es una lista concreta de qué se captura, desde cuándo, a qué granularidad, y quién ha confirmado que está en vivo —no una intención de resolverlo después del despliegue.

5. ¿Cuán buenos son los datos en los que pretendemos confiar, y qué podría confundir nuestra conclusión? Los datos del mundo real son abundantes pero raramente limpios, y un gráfico plausible puede ocultar estacionalidad, un cambio de servicio concurrente, regresión a la media, o un cambio de codificación que no tiene nada que ver con tu herramienta. Interroga la procedencia, completitud, y calidad de cada fuente que planeas usar, y nombra los sesgos que lleva cada una —quién falta de los registros electrónicos, qué campos son poco confiables, cuán consistentemente se aplica un código. Pregunta qué más cambió en la misma ventana que tu puesta en marcha, porque una serie temporal interrumpida o antes-y-después que ignora esos eventos acreditará a tu herramienta los efectos de otras personas. Decide de antemano qué comparación o diseño te da el contrafactual más justo, y preespecifica el análisis para que los datos no se puedan remodelar silenciosamente para favorecer el resultado. Una buena respuesta muestra que has mapeado las debilidades de los datos honestamente y elegido un diseño que puede sobrevivir a un escéptico tirando de cada una de ellas.

6. ¿Quién debería ejecutar esta evaluación, y cuán independiente necesita ser para ser creída? Calificar tu propia tarea es la forma más rápida de que se descarten hallazgos creíbles, así que decide temprano si un análisis de proveedor o interno convencerá a la audiencia que realmente necesitas mover. Sopesa el coste y tiempo de involucrar a un equipo académico apoyado por NIHR, una universidad, o una Health Innovation Network contra el valor reputacional y comercial de evidencia independiente y publicable. Discute dónde están los conflictos de interés —las personas que construyeron o compraron la herramienta raramente son las personas correctas para juzgar si funciona— y cómo aislarás la evaluación de la presión de producir buenas noticias. Considera qué traen los socios más allá de la independencia: rigor metodológico, rutas de financiación, y posición con comisionadores y clínicos que no puedes fabricar internamente. Una buena respuesta ajusta el grado de independencia a lo que está en juego y el escepticismo de los tomadores de decisión, y asegura esa asociación antes de que se fije el diseño en lugar de después de que los resultados decepcionen.

En la práctica: un ejemplo de salud y atención#

Un sistema de atención integrada (ICS) encarga una aplicación de monitoreo remoto para pacientes con insuficiencia cardíaca crónica, esperando reducir las admisiones no planificadas. Las diapositivas del proveedor muestran una reducción del 30% en otro lugar, y hay presión de desplegar rápido a través de los doce distritos antes del invierno.

El líder de entrega digital se pausa para clasificar el trabajo. Porque el ICS quiere hallazgos generalizables y pretende publicar, y porque analizará datos identificables de pacientes para un nuevo propósito, esto es investigación, no evaluación de servicio —así que se necesita una solicitud IRAS y revisión REC. En lugar de tratar eso como un bloqueo, el líder se acerca a la Health Innovation Network regional y un equipo de investigación apoyado por NIHR de una universidad local, que ayudan a diseñar el estudio y coescribir la solicitud. En lugar de activar todo a la vez, adoptan un diseño de cuña escalonada: los doce distritos se ponen en vivo en olas aleatorizadas a lo largo de nueve meses, así que cada distrito eventualmente obtiene la aplicación mientras el inicio escalonado proporciona una comparación justa. Se captura una línea base de tasas de admisión, desagregada por privación y etnia, antes de la primera ola.

Usando el NICE Evidence Standards Framework, el equipo coloca la herramienta en un nivel que lleva riesgo clínico y establece la expectativa de evidencia en consecuencia, preregistrando las tasas de admisión, la mortalidad como señal de seguridad, y el coste por admisión evitada como resultados. Nueve meses después, el análisis intermedio es sobrio: las admisiones generales caen modestamente, pero entre el cohorte más desfavorecido —que usa menos la aplicación— no hay beneficio y un aumento preocupante en presentaciones tardías. El equipo no entierra esto. Lo reportan a la junta directiva del ICS, pausan el despliegue a esos cohortes, rediseñan la incorporación y añaden apoyo telefónico para pacientes excluidos digitalmente, y publican tanto el déficit como el rediseño. El resultado es un servicio que genuinamente ayuda y una junta directiva de toma de decisiones que confía en la evidencia porque ha visto al equipo decir la verdad cuando dolía.

Perspectivas sectoriales#

Startup#

Una pequeña empresa de salud digital vive o muere por la evidencia, pero raramente tiene el dinero o metodología interna para generarla sola. Tu ruta más rápida y creíble es la asociación: un colaborador académico financiado por NIHR o una evaluación del mundo real de una Health Innovation Network te da hallazgos independientes que los inversores y compradores del NHS realmente creen, mucho más que un documento técnico autopublicado. Sé disciplinado sobre reclamos proporcionales —sobrereclamar para ganar un piloto es la forma más rápida de fallar una evaluación posterior y perder tu reputación. Construye la captura de datos en tu arquitectura de producto desde el primer día, porque adaptarla retroactivamente después de tu ronda semilla es caro y produce una base de evidencia más pobre.

Pequeña empresa#

Un proveedor pequeño y establecido —una consulta de médico de cabecera, una farmacia comunitaria, una residencia de cuidados, o una clínica de un solo emplazamiento adoptando una herramienta digital— se espera que evalúe lo que despliega, sin embargo no tiene oficina de I+D, sin metodólogo, y apenas manos de sobra. Tu movimiento realista no es ejecutar un ensayo sino ejecutar una evaluación de servicio disciplinada: captura una línea base simple antes de activar, acuerda un puñado de medidas de resultado honestas, y registra qué realmente cambia para tus pacientes. Apóyate fuertemente en la infraestructura compartida que no tienes que construir —tu Health Innovation Network, una universidad local, o una federación o red de atención primaria que pueda agrupar datos y experiencia a través de varios sitios pequeños. Sé especialmente cauteloso de aceptar el reclamo titular de un proveedor al pie de la letra cuando no puedes verificarlo independientemente, y sé claro de que los deberes de clasificación todavía se te aplican incluso a pequeña escala. La evidencia local proporcional y bien documentada es tanto alcanzable como suficiente para justificar continuar, adaptar, o abandonar la herramienta.

Gran organización#

Un gran fideicomiso del NHS o ICS tiene una oficina de I+D, maquinaria de gobernanza de la información, y lazos académicos existentes —activos que una startup envidiaría— pero también la inercia de desplegar herramientas a través de todo el fideicomiso antes de evaluarlas. Tu desafío es hacer de "evaluar antes de escalar" el predeterminado, y resistir el impulso de un contrato empresarial firmado cuando la evidencia temprana es débil. Usa tu escala como una ventaja metodológica: múltiples sitios hacen factibles los diseños de cuña escalonada y aleatorizados por conglomerados de formas que una sola clínica no puede gestionar. Cuídate de la política interna de resultados negativos, donde una gran inversión crea poderosos incentivos para declarar éxito independientemente.

Gobierno#

Un organismo nacional —NHS England, el Department of Health and Social Care, o un gobierno descentralizado— establece las reglas que otros siguen, así que sus estándares de evidencia dan forma a todo el mercado. Su trabajo es administrar los marcos (el sistema de gobernanza de la HRA, el NICE Evidence Standards Framework, DTAC) y financiar la infraestructura —NIHR, Health Innovation Networks, entornos de investigación confiables— que permite a todos generar buena evidencia. Cuando el gobierno contrata a escala nacional, lo que está en juego evidencialmente es enorme: un despliegue mal evidenciado puede atrincherar daño a través de millones de ciudadanos y es políticamente casi imposible de revertir. Por tanto debería mantenerse a la barra más alta que pide de otros, y publicar sus propias evaluaciones, incluyendo los fallos, para mantener la confianza pública.

Modos de fallo comunes#

• Evidencia como idea de última hora. Desplegar primero y preguntar "¿funcionó?" después, sin línea base capturada —dejándote incapaz de hacer ningún reclamo causal creíble.
• Clasificar erróneamente la investigación como evaluación. Elegir la etiqueta de "evaluación" para evitar las aprobaciones de HRA y REC, exponiendo a pacientes a investigación no aprobada y a tu organización a un incumplimiento de gobernanza serio.
• Antes-y-después ingenuo. Comparar dos instantáneas y atribuir todo el cambio a tu herramienta, ignorando la estacionalidad, iniciativas concurrentes, y regresión a la media.
• Métricas de vanidad. Reportar inicios de sesión, descargas, y satisfacción mientras permaneces en silencio sobre resultados clínicos, seguridad, equidad, y coste.
• Promedios que ocultan el daño. Presentar una mejora media titular sin desagregar por población, ocultando un subgrupo al que la herramienta falla o daña.
• Calificar tu propia tarea. Depender solo de evidencia generada por el proveedor sin evaluación independiente, así que ninguna audiencia escéptica la cree.
• Enterrar las malas noticias. Publicar solo hallazgos positivos, alimentando el sesgo de publicación y permitiendo que herramientas ineficaces se propaguen por el sistema.
• Sobrereclamar. Estirar un resultado modesto de diseño débil hacia un reclamo clínico fuerte que la evidencia no puede sostener.

Modelo de madurez#

Lista de verificación#

• Clasifica el proyecto como investigación, evaluación de servicio, o auditoría usando las herramientas de decisión de la HRA, y documenta el razonamiento.
• Si es investigación, planifica la solicitud IRAS y la revisión del Research Ethics Committee temprano.
• Define qué significa "funcionar", y los resultados que lo probarían, durante el descubrimiento.
• Captura una línea base —desagregada por subgrupos relevantes— antes de la puesta en marcha.
• Ubica el nivel de riesgo de la herramienta en el NICE Evidence Standards Framework y ajusta el rigor a él.
• Elige el diseño más fuerte factible (RCT, cuña escalonada, o serie temporal interrumpida) y registra sus límites.
• Planifica tus fuentes de datos del mundo real, calidad, y sesgos; preespecifica el análisis.
• Involucra a un socio independiente (NIHR, universidad, Health Innovation Network) donde la credibilidad o financiación lo requiera.
• Incluye resultados clínicos, señales de seguridad, equidad, y coste —no solo métricas de actividad.
• Comprométete de antemano a publicar resultados, incluyendo los negativos, y nombra dónde.
• Define una condición de parada y un plan de retiro elegante antes de comenzar.
• Retroalimenta los hallazgos hacia la hoja de ruta, caso de negocio, y decisiones de escalonamiento.

Fuentes clave#

• NICE — Evidence Standards Framework for Digital Health Technologies (ESF).
• Health Research Authority — herramientas de decisión "Is my study research?", HRA Approval, y orientación de ética de investigación.
• Integrated Research Application System (IRAS) — el portal único para solicitudes de investigación de salud y atención social del Reino Unido.
• National Institute for Health and Care Research (NIHR) — financiación, apoyo de evaluación, e infraestructura de investigación.
• Health Innovation Network (anteriormente Academic Health Science Networks) — evaluación del mundo real y apoyo de adopción.
• Medicines and Healthcare products Regulatory Agency (MHRA) — orientación de datos del mundo real y software/IA como dispositivo médico.
• NHS England — Digital Technology Assessment Criteria (DTAC).
• MRC/NIHR — Developing and evaluating complex interventions (orientación de marco).
• EQUATOR Network — directrices de reporte (CONSORT, STROBE, TRIPOD) para el reporte de investigación transparente.

Referencias#

1. Real world evidence — Wikipedia — https://en.wikipedia.org/wiki/Real_world_evidence
2. Real world data — Wikipedia — https://en.wikipedia.org/wiki/Real_world_data
3. Clinical audit — Wikipedia — https://en.wikipedia.org/wiki/Clinical_audit
4. Health Research Authority — Wikipedia — https://en.wikipedia.org/wiki/Health_Research_Authority
5. Institutional review board — Wikipedia — https://en.wikipedia.org/wiki/Institutional_review_board
6. Randomized controlled trial — Wikipedia — https://en.wikipedia.org/wiki/Randomized_controlled_trial
7. Stepped-wedge trial — Wikipedia — https://en.wikipedia.org/wiki/Stepped-wedge_trial
8. Interrupted time series — Wikipedia — https://en.wikipedia.org/wiki/Interrupted_time_series
9. National Institute for Health and Care Research — Wikipedia — https://en.wikipedia.org/wiki/National_Institute_for_Health_and_Care_Research
10. National Institute for Health and Care Excellence — Wikipedia — https://en.wikipedia.org/wiki/National_Institute_for_Health_and_Care_Excellence
11. Publication bias — Wikipedia — https://en.wikipedia.org/wiki/Publication_bias
12. Evidence Standards Framework for Digital Health Technologies — National Institute for Health and Care Excellence (NICE) — https://www.nice.org.uk/about/what-we-do/digital-health/evidence-standards-framework-for-digital-health-technologies
13. Is my study research? — Health Research Authority — https://www.hra.nhs.uk/approvals-amendments/what-approvals-do-i-need/
14. Integrated Research Application System (IRAS) — Health Research Authority — https://www.myresearchproject.org.uk/
15. National Institute for Health and Care Research — NIHR — https://www.nihr.ac.uk/
16. Health Innovation Network — The Health Innovation Network — https://thehealthinnovationnetwork.co.uk/
17. Digital Technology Assessment Criteria (DTAC) — NHS England — https://www.nhs.uk/digital-technology-assessment-criteria-dtac/
18. Framework for developing and evaluating complex interventions — Medical Research Council / NIHR — https://www.bmj.com/content/374/bmj.n2061
19. Enhancing the QUAlity and Transparency Of health Research (EQUATOR) Network — https://www.equator-network.org/