Ämne 8.6 — Forskning och utvärdering i verklig vård

Inom hälsa och vård är en digital innovation bara så pålitlig som den evidens som visar att den faktiskt fungerar i praktiken — så ni måste utforma in den evidensen från början, med en stringens proportionerlig mot risken och de påståenden ni gör.

Varför detta är viktigt inom hälsa och vård#

Varje digital produkt ni driftsätter ger ett underförstått löfte: detta kommer att hjälpa patienter, personal eller systemet utan att orsaka skada. I de flesta sektorer kostar ett obelagt löfte en kund eller ett kvartals intäkter. Inom hälsa och vård kan det kosta liv, vidga ojämlikhet eller urholka det allmänna förtroende som hela systemet vilar på. Entusiasm och en bra demo är inte evidens, och en trovärdig mekanism är inte bevis på nytta.

Den digitala hälsans historia är full av verktyg som såg övertygande ut och infördes i stor skala innan någon hade visat att de fungerade — och några som i tysthet orsakade skada, missade diagnoser eller drev kliniker till genvägar. Tillsynsmyndigheter, beställare och kliniker har svarat med att höja ribban: de förväntar sig nu trovärdig, proportionerlig evidens före, under och efter driftsättning. Om ni inte kan visa att er tjänst levererar de utfall ni hävdar bör ni räkna med att den utmanas, avfinansieras eller dras tillbaka — och med rätta.

Evidens är också en jämlikhets- och säkerhetsfråga, inte ett byråkratiskt hinder. Ett verktyg som förbättrar genomsnittliga utfall kan ändå skada en undergrupp — de digitalt uteslutna, människor med begränsad engelska eller en population som var underrepresenterad i er träningsdata. Bara medveten utvärdering avslöjar detta. Att generera god evidens är därför en del av er omsorgsplikt, er förvaltning av offentliga medel och er trovärdighet hos dem ni betjänar (se Ämne 1.3 — Evidensdrivna beslut och Ämne 1.6 — Klinisk säkerhet och riskhantering).

Grundläggande begrepp#

Börja med en distinktion som styr allt annat: skillnaden mellan forskning, tjänsteutvärdering och klinisk revision (clinical audit). Forskning syftar till att generera ny, generaliserbar kunskap — fynd avsedda att gälla bortom er lokala miljö. Tjänsteutvärdering frågar hur väl den här tjänsten fungerar här, med de standarder tjänsten själv har antagit. Klinisk revision jämför nuvarande praxis mot en befintlig, överenskommen standard och sluter slingan med förändring. Distinktionen är ingen akademisk pedanteri: den avgör er styrningsväg. Forskning som involverar patienter, personal eller data inom National Health Service (NHS) kräver nästan alltid formellt etikgodkännande; det mesta av tjänsteutvärdering och revision gör det inte. Att felklassificera forskning som utvärdering för att slippa godkännanden är ett allvarligt styrningsmisslyckande.

I England löper forskningsstyrningen genom Health Research Authority (HRA), ett armlängds organ under Department of Health and Social Care. HRA skyddar och främjar deltagarnas intressen och samordnar godkännanden så att en studie granskas en gång för hela landet. Etisk granskning utförs av en Research Ethics Committee (REC) — Storbritanniens motsvarighet till en etikprövningsnämnd (institutional review board) — som bedömer om en studie är etisk, proportionerlig och trygg för deltagarna. Ansökningar lämnas in via Integrated Research Application System (IRAS), en enda onlineportal som dirigerar ert projekt till RECs, HRA Approval och andra tillstånd det behöver. HRA:s onlinebeslutsverktyg hjälper er att avgöra om ert projekt alls räknas som forskning.

Mycket digital hälsoevidens byggs i dag av verkliga data (real-world data, RWD) — information insamlad utanför kontrollerade studier, såsom elektroniska journaler, enhetsloggar, register och ersättningsdata — analyserad för att producera verklig evidens (real-world evidence, RWE) om hur en insats presterar under vanliga förhållanden. RWE är kraftfull därför att digitala verktyg genererar rika användningsdata som en biprodukt, och därför att den speglar den stökiga verklighet som studier ofta utesluter. Den är också skör: observationsdata är späckade med confounding och partiskhet, så en naiv jämförelse före och efter kan förväxla en säsongstrend eller en samtidig förändring med er effekt.

Det är därför utvärderingens design spelar roll. Den starkaste designen för kausala påståenden förblir den randomiserade kontrollerade studien (RCT), som minskar partiskhet genom att fördela deltagare slumpmässigt. Digitala sammanhang gynnar ofta pragmatiska varianter — klusterrandomiserade studier och den trappstegsstudie (stepped-wedge trial) i vilken platser går från kontroll till insats i randomiserade vågor, vilket passar en stegvis utrullning ni ändå tänkt göra. Där randomisering är opraktisk hjälper kvasiexperimentella designer: avbruten tidsserie (interrupted time series, ITS) följer ett utfall över många punkter före och efter driftsättning för att upptäcka förändringar i nivå och trend och är ofta den bästa genomförbara designen för en systemomfattande digital förändring. Enkel jämförelse före och efter är den svagaste och mest vilseledande, eftersom den inte kan skilja er effekt från allt annat som ändrades.

Två ytterligare ankare formar arbetet. Evidensribban för digital hälsa i England sätts av Evidence Standards Framework for Digital Health Technologies, publicerat av National Institute for Health and Care Excellence (NICE): det graderar verktyg efter potentiell risk och anger den evidensstyrka som förväntas för varje nivå. Och en ihållande förvrängning att skydda sig mot är publikationsbias (publication bias) — tendensen att dela positiva resultat och begrava negativa, vilket smickrar hela fältet och låter overksamma verktyg spridas.

Bästa praxis#

1. Klassificera ert projekt innan ni utformar det. Använd HRA:s beslutsverktyg för att avgöra om ert arbete är forskning, tjänsteutvärdering eller revision, och registrera resonemanget. Detta enda steg avgör er styrningsväg, er tidslinje och era tillstånd. Får ni det fel i den optimistiska riktningen riskerar ni att bedriva ogodkänd forskning på patienter; får ni det fel i den försiktiga riktningen belastar ni en enkel utvärdering med månader av onödig process.

2. Bygg in utvärderingen från början, inte som ett påbyggt tillägg. Besluta vad ”fungerar” betyder, och hur ni ska mäta det, under upptäckten — före en enda rad produktionskod (se Ämne 3.4 — Upptäcktsfaser). Fånga ett utgångsläge före driftsättning, eftersom ni aldrig kan rekonstruera det efteråt, och instrumentera produkten för att avge de utfalls- och användningsdata er design behöver. Att eftermontera utvärdering på en levande tjänst ger nästan alltid svagare evidens till högre kostnad, och ofta inget användbart utgångsläge alls.

3. Anpassa stringensen till risken och påståendet. Ett bokningsverktyg som ordnar om en väntelista behöver mindre evidenstyngd än en algoritm som triagerar bröstsmärta. Använd NICE Evidence Standards Framework för att lokalisera ert verktygs risknivå, och gör påståenden er evidens kan bära: om ni har en avbruten tidsserie som visar minskad andel uteblivna besök, säg det — antyd inte en dödlighetsnytta. Proportionalitet skyddar patienter från underbelagd risk och skyddar er från att slösa kraft på att överbevisa verktyg med låga insatser.

4. Välj den starkaste design som är genomförbar, och namnge dess gränser. Sträck er efter randomisering när ni kan, och överväg en trappstegsdesign när en stegvis utrullning gör en samtidig kontrollgrupp omöjlig. När randomisering genuint är ogenomförbar, föredra avbruten tidsserie framför naiv jämförelse före och efter, och förspecificera er analys för att motstå frestelsen att fiska efter ett gynnsamt resultat. Varje design har svagheter; ange era rakt så att läsare kan väga evidensen ärligt.

5. Använd verkliga data medvetet, och behandla confounding som fienden. Digitala tjänster genererar rikliga RWD, men överflöd är inte validitet. Planera vilka data ni ska använda, deras kvalitet och fullständighet och de partiskheter de bär, och involvera en analytiker eller metodolog tidigt snarare än att gräva i loggar i efterhand. Förregistrera era utfall och er analys där det är möjligt så att datan inte kan torteras till att säga det ni hoppades höra.

6. Samarbeta med människor som genererar evidens för sitt uppehälle. Universitet, National Institute for Health and Care Research (NIHR) och ert regionala Health Innovation Network — organen tidigare kända som Academic Health Science Networks (AHSN) — bidrar med metodologisk stringens, oberoende, finansieringsvägar och trovärdighet ni inte kan tillverka internt. Oberoende utvärdering väger långt tyngre hos beställare och kliniker än en leverantörs egen analys. Engagera dem tidigt, eftersom de bästa designerna fastställs före driftsättning, inte efter (se Ämne 9.0 — Samarbete med partnerorganisationer).

7. Mät utfall och ekonomi, inte bara aktivitet. Inloggningar, klickfrekvens och nöjdhetspoäng är nödvändiga men inte tillräckliga; beställare finansierar utfall och värde. Där ni kan, knyt er utvärdering till kliniska utfall, säkerhetssignaler, jämlikhet över undergrupper och kostnadskonsekvenser, och arbeta med hälsoekonomer för att formulera nyttan i termer beslutsfattare använder (se Ämne 6.1 — Hälsoekonomi). Dela alltid upp resultat efter population så att ett verktyg som hjälper i genomsnitt men skadar en undergrupp inte kan gömma sig bakom medelvärdet.

8. Publicera era resultat — även de nedslående. Förbind er i förväg att dela fynd, positiva eller negativa, genom en rapport, ett preprint eller en granskad artikel. Att publicera negativa resultat är en professionell skyldighet: det besparar andra organisationer från att upprepa era misstag och motverkar den publikationsbias som låter overksamma verktyg frodas. En kultur som kan säga ”vi utvärderade detta och det fungerade inte, så vi slutade” är mer pålitlig, inte mindre.

9. Sluta slingan och agera på det ni lär er. Evidens som inte ändrar något beslut är slöseri. Mata tillbaka fynd i er färdplan, ert affärscase och era beslut om stegvist införande — skala upp det som fungerar, åtgärda det som halvt fungerar och avveckla det som inte gör det (se Ämne 8.0 — Att införa innovation stegvis). Utvärdera sedan på nytt, eftersom ett digitalt verktyg som fungerade i pilotskala i en miljö kan bete sig annorlunda i nationell skala eller i en annan population.

Frågor att diskutera med ditt team#

1. Är det vi är på väg att göra forskning, tjänsteutvärdering eller revision — och hur säkra är vi på det svaret? Detta är den första frågan eftersom svaret avgör hela er styrningsväg, och att få det fel har allvarliga konsekvenser. Gå igenom vilka era uppgiftslämnare är, om ni randomiserar något, om ni avser att producera generaliserbar kunskap och om ni planerar att publicera — alla signaler som skjuter ett projekt mot ”forskning”. Motstå varje tryck att stämpla något som utvärdering helt enkelt för att godkännandevägen är snabbare; det trycket är exakt där styrningsmisslyckanden börjar. Använd HRA:s beslutsverktyg tillsammans, i rummet, och skriv ned ert resonemang och vem som godkände det. Ett bra svar är inte bara en etikett utan ett dokumenterat, försvarbart omdöme som era kollegor inom informationsstyrning och klinisk säkerhet har sett. Om ni genuint är osäkra är det ärliga draget att fråga HRA eller ert FoU-kontor i stället för att gissa i den riktning som passar er tidslinje.

2. Vad skulle räknas som övertygande evidens för att detta fungerar — och för vem? Olika målgrupper kräver olika evidens: en kliniker vill ha säkerhets- och utfallsdata, en beställare vill ha kostnad och värde, en tillsynsmyndighet vill se att lämplig NICE-nivå uppfylls och en patient vill veta att det är tryggt och rättvist för människor som hen. Debattera vad ”fungerar” faktiskt betyder för ert verktyg, och vilket resultat som skulle få er att sluta — eftersom ett team som inte kan formulera ett stoppvillkor egentligen inte utvärderar. Beakta vilken design som är genomförbar givet er utrullningsplan, era data och er budget, och var ärliga om avvägningen mellan stringens och snabbhet. Diskutera om ni behöver oberoende utvärdering för att bli trodda, och i så fall vem som bör göra den. Ett bra svar namnger beslutsfattarna, de utfall som skulle flytta dem, den design som trovärdigt kan producera dessa utfall och den tröskel vid vilken ni skulle dra slutsatsen att verktyget har misslyckats.

3. Hur ska vi hantera ett negativt eller nedslående resultat? Fråga detta innan ni har resultatet, eftersom svaret är långt mer ärligt i förväg. Utforska vad ni skulle göra om utvärderingen visade ingen nytta, eller nytta för majoriteten men skada för en utesluten undergrupp, och vem som behöver höra det. Lyft de verkliga trycken: nedlagda kostnader, leverantörsrelationer, anseendeoro och de karriärincitament som får människor att vilja ha goda nyheter. Diskutera ert förhandsåtagande att publicera oavsett utfall, och vilken styrning som skulle hålla er till det löftet när resultatet är pinsamt. Ett bra svar behandlar en välskött utvärdering som ger ett negativt resultat som en framgång för processen, inte ett misslyckande för teamet — och har en konkret plan för att avveckla skickligt, kommunicera uppriktigt och skydda de människor som levererade det ärliga fyndet.

4. Vad måste vi fånga och instrumentera före driftsättning — och har vi faktiskt byggt in det? En utvärdering är bara så god som det utgångsläge och de data den kan hämta på, och båda är långt billigare att säkra före lansering än efter. Gå igenom vilket ”före”-tillstånd ni behöver — inläggningsfrekvenser, väntetider, felfrekvenser, nuvarande kostnader för vårdförloppet — och bekräfta att det registreras nu, uppdelat efter de undergrupper ni bryr er om, eftersom ni aldrig kan rekonstruera ett utgångsläge ni misslyckades fånga. Kontrollera om produkten själv kommer att avge de utfalls- och användningsdata er valda design behöver, eller om den instrumenteringen fortfarande är en backlogg-önskan. Debattera tidsspänningen: trycket att leverera tar ofta bort mätning för att hålla ett datum, och varje sådant avkall försvagar i tysthet den evidens ni senare ombeds producera. Involvera en analytiker eller metodolog medan designen fortfarande är mjuk, inte när loggarna redan flödar. Ett bra svar är en konkret lista över vad som fångas, från när, med vilken granularitet och vem som har bekräftat att det är live — inte en avsikt att ordna det efter utrullningen.

5. Hur bra är de data vi tänker förlita oss på, och vad skulle kunna förväxla vår slutsats? Verkliga data är rikliga men sällan rena, och ett trovärdigt diagram kan dölja säsongsvariation, en samtidig tjänsteförändring, regression mot medelvärdet eller en kodningsförskjutning som inte har något med ert verktyg att göra. Ifrågasätt ursprung, fullständighet och kvalitet för varje källa ni planerar använda, och namnge de partiskheter var och en bär — vem som saknas i elektroniska journaler, vilka fält som är otillförlitliga, hur konsekvent en kod tillämpas. Fråga vad annat som ändrades i samma fönster som er driftsättning, eftersom en avbruten tidsserie eller jämförelse före och efter som ignorerar de händelserna kommer att tillskriva ert verktyg andras effekter. Besluta i förväg vilken jämförelse eller design som ger den rättvisaste kontrafaktiska, och förspecificera analysen så att datan inte i tysthet kan omformas för att smickra resultatet. Ett bra svar visar att ni har kartlagt datans svagheter ärligt och valt en design som kan överleva en skeptiker som drar i var och en av dem.

6. Vem bör driva den här utvärderingen, och hur oberoende måste den vara för att bli trodd? Att rätta sina egna prov är det snabbaste sättet att få trovärdiga fynd avfärdade, så besluta tidigt om en leverantörs eller en intern analys skulle övertyga den målgrupp ni faktiskt behöver flytta. Väg kostnaden och tiden för att engagera ett NIHR-stött akademiskt team, ett universitet eller ett Health Innovation Network mot det anseendemässiga och kommersiella värdet av oberoende, publicerbar evidens. Diskutera var intressekonflikterna sitter — de som byggde eller köpte verktyget är sällan de rätta att bedöma om det fungerar — och hur ni ska isolera utvärderingen från trycket att producera goda nyheter. Beakta vad partner bidrar med bortom oberoende: metodologisk stringens, finansieringsvägar och ställning hos beställare och kliniker ni inte kan tillverka internt. Ett bra svar anpassar graden av oberoende till insatserna och beslutsfattarnas skepsis, och säkrar det partnerskapet innan designen fastställs snarare än efter att resultaten gör besviken.

I praktiken: ett exempel från hälsa och vård#

Ett integrerat vårdsystem (ICS) beställer en app för fjärrövervakning av patienter med kronisk hjärtsvikt, i hopp om att minska oplanerade inläggningar. Leverantörens bilder visar en minskning med 30 % på annat håll, och det finns ett tryck att rulla ut snabbt över alla tolv stadsdelar före vintern.

Den digitala leveransansvarige pausar för att klassificera arbetet. Eftersom ICS vill ha generaliserbara fynd och avser att publicera, och eftersom det kommer att analysera identifierbara patientdata för ett nytt syfte, är detta forskning, inte tjänsteutvärdering — så en IRAS-ansökan och REC-granskning behövs. I stället för att behandla det som ett hinder vänder sig den ansvarige till det regionala Health Innovation Network och ett lokalt universitets NIHR-stödda forskarteam, som hjälper till att utforma studien och skriva ansökan tillsammans. I stället för att slå på allt på en gång antar de en trappstegsdesign: de tolv stadsdelarna går live i randomiserade vågor över nio månader, så att varje stadsdel till slut får appen medan den förskjutna starten ger en rättvis jämförelse. Ett utgångsläge för inläggningsfrekvenser, uppdelat efter fattigdom och etnicitet, fångas före första vågen.

Med NICE Evidence Standards Framework placerar teamet verktyget i en nivå som bär klinisk risk och sätter evidensförväntan därefter, och förregistrerar inläggningsfrekvens, dödlighet som säkerhetssignal och kostnad per undviken inläggning som utfall. Nio månader senare är den preliminära analysen nykter: de totala inläggningarna minskar måttligt, men bland den mest utsatta kohorten — som använder appen minst — finns ingen nytta och en oroande ökning av sena besök. Teamet begraver inte detta. De rapporterar det till ICS styrelse, pausar utrullningen till de kohorterna, utformar om introduktionen och lägger till telefonstöd för digitalt uteslutna patienter och publicerar både bristen och omdesignen. Resultatet är en tjänst som genuint hjälper och en beslutande styrelse som litar på evidensen eftersom den har sett teamet säga sanningen när det gjorde ont.

Sektorperspektiv#

Startup-företag#

Ett litet digitalt hälsoföretag lever eller dör på evidens, men har sällan pengarna eller den interna metodologin att generera den ensamt. Er snabbaste trovärdiga väg är partnerskap: en NIHR-finansierad akademisk samarbetspartner eller en verklig utvärdering från ett Health Innovation Network ger er oberoende fynd som investerare och NHS-köpare faktiskt tror på, långt mer än ett egenpublicerat white paper. Var disciplinerade med proportionerliga påståenden — att överdriva för att vinna en pilot är det snabbaste sättet att misslyckas med en senare utvärdering och förlora sitt anseende. Bygg in datainsamling i er produktarkitektur från dag ett, eftersom det är dyrt att eftermontera efter er seed-runda och ger en sämre evidensbas.

Småföretag#

En etablerad liten vårdgivare — en läkarpraktik, ett närapotek, ett vårdhem eller en klinik på en enda ort som inför ett digitalt verktyg — förväntas utvärdera det den driftsätter, men har inget FoU-kontor, ingen metodolog och knappt några lediga händer. Ert realistiska drag är inte att köra en studie utan att köra en disciplinerad tjänsteutvärdering: fånga ett enkelt utgångsläge innan ni slår på, enas om en handfull ärliga utfallsmått och registrera vad som faktiskt ändras för era patienter. Luta er hårt mot delad infrastruktur ni inte behöver bygga — ert Health Innovation Network, ett lokalt universitet eller en samverkan eller ett primärvårdsnätverk som kan poola data och expertis över flera små enheter. Var särskilt försiktiga med att acceptera en leverantörs rubrikpåstående rakt av när ni inte oberoende kan kontrollera det, och var tydliga med att klassificeringsplikter fortfarande gäller er även i liten skala. Proportionerlig, väldokumenterad lokal evidens är både uppnåelig och tillräcklig för att motivera att fortsätta, anpassa eller släppa verktyget.

Storföretag#

Ett stort NHS-sjukhus eller ICS har ett FoU-kontor, maskineri för informationsstyrning och befintliga akademiska band — tillgångar ett startup-företag skulle avundas — men också tröghet att driftsätta verktyg sjukhusomfattande innan de utvärderats. Er utmaning är att göra ”utvärdera före ni skalar” till standard, och att motstå momentumet i ett undertecknat storkontrakt när tidig evidens är svag. Använd er skala som en metodologisk fördel: flera enheter gör trappstegs- och klusterrandomiserade designer genomförbara på sätt en enskild klinik inte klarar. Se upp för den interna politiken kring negativa resultat, där en stor investering skapar kraftfulla incitament att förklara framgång oavsett.

Staten#

Ett nationellt organ — NHS England, Department of Health and Social Care eller en decentraliserad regering — sätter de regler andra följer, så dess evidensstandarder formar hela marknaden. Dess uppgift är att förvalta ramverken (HRA:s styrningssystem, NICE Evidence Standards Framework, DTAC) och att finansiera infrastrukturen — NIHR, Health Innovation Networks, betrodda forskningsmiljöer (trusted research environments) — som låter alla generera god evidens. När staten upphandlar i nationell skala är evidensinsatserna enorma: en dåligt belagd utrullning kan befästa skada över miljontals medborgare och är politiskt nära omöjlig att vända. Den bör därför hålla sig själv till den högsta ribba den ber andra om, och publicera sina egna utvärderingar, inklusive misslyckandena, för att behålla allmänhetens förtroende.

Vanliga felmönster#

• Evidens som eftertanke. Att driftsätta först och fråga ”fungerade det?” senare, utan utgångsläge fångat — vilket lämnar er oförmögna att göra något trovärdigt kausalt påstående.
• Att felklassificera forskning som utvärdering. Att välja etiketten ”utvärdering” för att undvika HRA- och REC-godkännanden, vilket utsätter patienter för ogodkänd forskning och er organisation för ett allvarligt styrningsbrott.
• Naiv jämförelse före och efter. Att jämföra två ögonblicksbilder och tillskriva all förändring ert verktyg, ignorerande säsongsvariation, samtidiga initiativ och regression mot medelvärdet.
• Fåfängemått. Att rapportera inloggningar, nedladdningar och nöjdhet medan man tiger om kliniska utfall, säkerhet, jämlikhet och kostnad.
• Genomsnitt som döljer skada. Att presentera en förbättring av rubrikmedelvärdet utan att dela upp efter population, vilket döljer en undergrupp verktyget sviker eller skadar.
• Att rätta sina egna prov. Att enbart förlita sig på leverantörsgenererad evidens utan oberoende utvärdering, så att ingen skeptisk publik tror på den.
• Att begrava dåliga nyheter. Att bara publicera positiva fynd, vilket föder publikationsbias och låter overksamma verktyg spridas över systemet.
• Överdrifter. Att sträcka ett blygsamt resultat med svag design till ett starkt kliniskt påstående som evidensen inte kan bära.

Mognadsmodell#

Checklista#

• Klassificera projektet som forskning, tjänsteutvärdering eller revision med HRA:s beslutsverktyg och dokumentera resonemanget.
• Om det är forskning, planera IRAS-ansökan och granskning av Research Ethics Committee tidigt.
• Definiera vad ”fungerar” betyder, och de utfall som skulle bevisa det, under upptäckten.
• Fånga ett utgångsläge — uppdelat efter relevanta undergrupper — före driftsättning.
• Lokalisera verktygets risknivå i NICE Evidence Standards Framework och anpassa stringensen till den.
• Välj den starkaste genomförbara designen (RCT, trappsteg eller avbruten tidsserie) och registrera dess gränser.
• Planera era källor till verkliga data, deras kvalitet och partiskheter; förspecificera analysen.
• Engagera en oberoende partner (NIHR, universitet, Health Innovation Network) där trovärdighet eller finansiering kräver det.
• Inkludera kliniska utfall, säkerhetssignaler, jämlikhet och kostnad — inte bara aktivitetsmått.
• Förbind er i förväg att publicera resultat, även negativa, och namnge var.
• Definiera ett stoppvillkor och en plan för skicklig avveckling innan ni startar.
• Mata tillbaka fynd i färdplanen, affärscaset och besluten om stegvist införande.

Viktiga källor#

• NICE — Evidence Standards Framework for Digital Health Technologies (ESF).
• Health Research Authority — beslutsverktygen ”Is my study research?”, HRA Approval och vägledning om forskningsetik.
• Integrated Research Application System (IRAS) — den gemensamma portalen för brittiska ansökningar om hälso- och socialvårdsforskning.
• National Institute for Health and Care Research (NIHR) — finansiering, utvärderingsstöd och forskningsinfrastruktur.
• Health Innovation Network (tidigare Academic Health Science Networks) — verklig utvärdering och stöd för införande.
• Medicines and Healthcare products Regulatory Agency (MHRA) — vägledning om verkliga data och programvara/AI som medicinteknisk produkt.
• NHS England — Digital Technology Assessment Criteria (DTAC).
• MRC/NIHR — Developing and evaluating complex interventions (ramverksvägledning).
• EQUATOR Network — rapporteringsriktlinjer (CONSORT, STROBE, TRIPOD) för transparent forskningsrapportering.

Referenser#

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/