J'ai eu le plaisir d'interviewer Richard Zink , Développeur statisticien principal de recherche dans le JMP Sciences de la vie avant sa visite au Royaume-Uni pour parler à l'ISP ( Statisticiens de l'industrie pharmaceutique ) Conférence à Glasgow le 14 mai. Son exposé sur l'ISP s'intitule "Évaluer la similarité des sujets sur un site d'étude". Il abordera les approches d'échantillonnage et décrira comment la disponibilité d'une logique informatisée et de contrôles de validation au début de l'essai clinique garantit la qualité des données, mais peut également être utilisée pour identifier activités potentiellement frauduleuses. Richard a joué un rôle déterminant dans le développement de JMP Clinical , en particulier pour la pharmaco-vigilance (PV), la fraude aux essais cliniques, les récits de patients et les méthodes bayésiennes.
Les directives de la Conférence internationale sur l'harmonisation (ICH) suggèrent que les données des essais cliniques doivent être activement surveillées afin de garantir la qualité des données. Selon vous, quelles sont les limites et les problèmes liés à la surveillance sur site des essais cliniques?
Traditionnellement, il s’agit d’un processus très manuel dans lequel les moniteurs comparent les pages de formulaires de rapport de cas (CRF) avec les dossiers du médecin. Non seulement cela prend du temps, mais se rendre dans de nombreux sites cliniques peut être extrêmement coûteux. Il existe également des limites à la manière dont les données peuvent être examinées. Lorsque vous travaillez avec du papier, il serait extrêmement difficile d’examiner les tendances des variables dans le temps ou de comparer les résultats de plusieurs sujets. Il est également impossible de comparer les résultats entre les sites d’enquêteurs.
Quelle est votre vision de la surveillance des essais cliniques basée sur le risque?
Je pense que les gens ont interprété les directives du PCI très littéralement et ont pris l'habitude d'effectuer une vérification à 100% des données source (SDV) pour tous les champs de CRF. Les gens passent peut-être beaucoup de temps à examiner des domaines dans lesquels les risques d'erreur sont faibles et, en fin de compte, peuvent avoir peu d'impact sur les résultats de l'essai clinique. Dans surveillance axée sur les risques , nous prenions un échantillon aléatoire de pages de CRF disponibles et procédions à un examen approfondi de ces pages échantillonnées. Si le nombre d'erreurs dépassait un certain taux d'erreur, davantage de CRF seraient échantillonnés. Bien entendu, il serait important d’échantillonner tous les domaines pertinents du FRC. En outre, la fraction d'échantillonnage peut être basée sur l'importance des données pour l'étude. Par exemple, étant donné leur importance, 100% de toutes les données relatives au critère d'évaluation principal et aux événements indésirables graves (EIG) peuvent être examinés.
Compte tenu de la volonté de réduire le coût des essais cliniques, comment utiliser l'échantillonnage statistique pour obtenir la qualité des données tout en minimisant les coûts d'analyse des essais?
Espérons que l'échantillonnage sera effectué de manière à minimiser la quantité de surveillance sur site sur les sites. Cela est avantageux en termes de coûts de déplacement, mais également en termes de nombre d'heures-personnes consacrées à l'examen manuel des données. Il est également extrêmement important d'effectuer une surveillance centrale des données à l'aide d'un ensemble d'outils de calcul robustes. Cela peut inclure des contrôles des valeurs aberrantes ou invraisemblables, mais également des analyses plus complexes pour examiner les tendances dans le temps, identifier les données manquantes ou identifier les différences notables entre les sites d'investigation.
Quelles sont les nouvelles tendances en matière de découverte de la fraude dans les essais cliniques et comment voyez-vous les outils évoluer pour répondre aux exigences d’examen de la qualité et de la fraude des données?
Je pense que la fraude a toujours été un problème important. La fraude, à la différence d'autres problèmes concernant la qualité des données, est différente en ce sens qu'il existe une intention délibérée de tromper. D'autres problèmes liés à la qualité des données peuvent être dus à une formation insuffisante ou à la négligence. Si vous avez identifié des valeurs inhabituelles qui indiquent un problème de qualité des données, il est difficile de franchir l'étape supplémentaire pour affirmer que cela est nécessairement dû à la fraude. En fin de compte, que le problème soit dû à la fraude ou à la négligence, les problèmes de qualité des données doivent être identifiés à un stade précoce afin que les mesures correctives appropriées puissent être appliquées afin de minimiser les perturbations du procès et de maintenir son intégrité. Au cours des 10 à 15 dernières années, certaines publications décrivant les méthodes statistiques utilisées pour détecter la fraude dans les essais cliniques. Avec de nombreuses priorités concurrentes, l’application pratique de ces méthodes peut être difficile. Les normes de données aident certainement à garantir que tout logiciel développé peut s’appliquer à différentes équipes d’étude, domaines thérapeutiques ou entreprises. Les méthodes graphiques interactives sont utiles pour impliquer autant de membres de l'équipe, avec la possibilité d'explorer des cas intéressants. Bien sûr, il y a beaucoup de façons par lesquelles les choses peuvent mal tourner. Rendre ces examens efficaces sera extrêmement important.
JMP Clinical couvre bien plus que l'amélioration de la qualité des données et la découverte de la fraude. Quelles sont les fonctionnalités clés que vous voudriez mettre en évidence sur le logiciel?
Je pense que le logiciel a quelque chose pour tout le monde, mais ce que je trouve très satisfaisant à propos du logiciel, c'est son interactivité et sa capacité à examiner côte à côte les résultats graphiques et les résumés statistiques. En plus des sept outils de détection de fraude, JMP Clinical propose des profils de patient et des récits d'événements indésirables personnalisables qui permettent une analyse et une notification cliniques plus simples. Il existe une fonctionnalité de comparaison d'instantané qui permet à l'utilisateur d'identifier les enregistrements nouveaux ou modifiés lors de la mise à jour de la base de données de l'étude. Il existe une fonctionnalité de notes intégrée qui permet aux utilisateurs de sauvegarder et d'afficher des notes au niveau de l'analyse, du sujet ou de l'enregistrement. Pour les plus analytiques, nous disposons d’un ensemble d’analyses robustes pour les événements indésirables avec ajustement à l’aide du FDR et du double FDR pour les analyses d’incidence ou temps-événement, ainsi que d’une nouvelle fonctionnalité utilisant la modélisation hiérarchique bayésienne. Il existe également un ensemble complet d'outils de modélisation prédictive et de fonctionnalités de validation croisée.
