Ich hatte das Vergnügen zu interviewen Richard Zink , Principal Research Statistician Entwickler in der JMP Life Sciences vor seinem Besuch in Großbritannien, um am PSI zu sprechen ( Statistiker in der pharmazeutischen Industrie ) Konferenz am 14. Mai in Glasgow. Sein PSI-Vortrag trägt den Titel "Bewertung der Ähnlichkeit von Probanden innerhalb eines Untersuchungsgebiets" und wird Sampling-Ansätze diskutieren und beschreiben, wie die Verfügbarkeit umfangreicher computergestützter Logik und Validierungsprüfungen zu einem frühen Zeitpunkt der klinischen Studie nicht nur die Datenqualität gewährleistet, sondern auch zur Identifizierung verwendet werden kann potenziell betrügerische Aktivitäten. Richard war maßgeblich an der Entwicklung von beteiligt JMP Clinical insbesondere für Pharmaco-Vigilance (PV), Betrug in klinischen Studien, Patientenerzählungen und Bayes'sche Methoden.
Die Richtlinien der International Conference on Harmonization (ICH) legen nahe, dass die Daten klinischer Studien aktiv überwacht werden sollten, um die Datenqualität sicherzustellen. Wie sehen Sie die Einschränkungen und Probleme bei der Überwachung klinischer Studien vor Ort?
Normalerweise ist dies ein sehr manueller Prozess, bei dem Monitore Seiten mit Fallberichtsformularen (CRFs) mit den Arztakten vergleichen. Dies ist nicht nur zeitaufwändig, sondern auch das Reisen zu zahlreichen Kliniken kann extrem teuer sein. Es gibt auch Einschränkungen bei der Überprüfung der Daten. Bei der Arbeit mit Papier wäre es äußerst schwierig, Trends zeitlich variabel zu untersuchen oder die Ergebnisse mehrerer Themen zu vergleichen. Es ist auch nicht möglich, Ergebnisse zwischen Untersuchungsstellen zu vergleichen.
Wie beurteilen Sie das risikobasierte Monitoring klinischer Studien?
Ich denke, die Leute haben die ICH-Richtlinien sehr wörtlich interpretiert und haben sich angewöhnt, eine 100-prozentige Überprüfung der Quelldaten (SDV) für alle CRF-Felder durchzuführen. Die Leute verbringen möglicherweise viel Zeit damit, Felder zu überprüfen, die eine geringe Fehlerwahrscheinlichkeit haben, und können am Ende des Tages nur geringe Auswirkungen auf die Ergebnisse der klinischen Studie haben. Im risikobasiertes Monitoring Wir würden eine zufällige Auswahl der verfügbaren CRF-Seiten nehmen und eine gründliche Überprüfung dieser abgetasteten Seiten durchführen. Nur wenn die Anzahl der Fehler eine bestimmte Fehlerrate überschreitet, werden mehr CRFs abgetastet. Natürlich wäre es wichtig, aus allen relevanten CRF-Domänen zu suchen. Ferner kann der Probenahmeanteil auf der Wichtigkeit der Daten für die Studie basieren. Aufgrund ihrer Bedeutung können beispielsweise 100 Prozent aller Daten für den primären Endpunkt und schwerwiegende unerwünschte Ereignisse (SAE) überprüft werden.
Wie kann die statistische Probenentnahme genutzt werden, um die Datenqualität zu senken und gleichzeitig die Kosten für die Analyse von Studien zu minimieren?
Die Probenahme wird hoffentlich so durchgeführt, dass die Überwachung vor Ort an den Standorten minimiert wird. Dies ist vorteilhaft in Bezug auf die Reisekosten, aber auch in Bezug auf die Anzahl der Stunden, die die manuelle Überprüfung der Daten aufgewendet wird. Es ist auch äußerst wichtig, die Daten zentral mit einem robusten Satz von Rechentools zu überwachen. Dies kann Überprüfungen auf Ausreißer oder unplausible Werte umfassen, kann jedoch komplexere Analysen umfassen, um Trends über die Zeit hinweg zu untersuchen, fehlende Daten zu identifizieren oder bemerkenswerte Unterschiede zwischen den Untersuchungsstandorten zu erkennen.
Welches sind die neuen Trends bei der Aufdeckung von Betrug in klinischen Studien, und wie sehen Sie die Entwicklung von Tools, um die Anforderungen für die Prüfung von Daten auf Qualität und Betrug zu erfüllen?
Ich denke, Betrug war schon immer ein wichtiges Thema. Betrug unterscheidet sich im Vergleich zu anderen Aspekten der Datenqualität insofern, als eine absichtliche Täuschungsabsicht besteht. Andere Probleme bezüglich der Datenqualität können auf schlechtes Training oder Unachtsamkeit zurückzuführen sein. Wenn Sie ungewöhnliche Werte ermittelt haben, die auf ein Datenqualitätsproblem hindeuten, ist es schwierig, einen zusätzlichen Schritt zu machen, der besagt, dass dies notwendigerweise auf Betrug zurückzuführen ist. Am Ende des Tages müssen Datenqualitätsprobleme frühzeitig erkannt werden, unabhängig davon, ob das Problem auf Betrug oder Nachlässigkeit zurückzuführen ist. So können geeignete Abhilfemaßnahmen getroffen werden, um die Unterbrechung der Studie zu minimieren und die Prozessintegrität aufrecht zu erhalten. In den letzten 10 bis 15 Jahren gab es einige Veröffentlichungen, in denen statistische Methoden beschrieben wurden, mit denen Betrug in klinischen Studien identifiziert werden konnte. Bei zahlreichen konkurrierenden Prioritäten kann die Umsetzung dieser Methoden in der Praxis schwierig sein. Datenstandards tragen sicherlich dazu bei, sicherzustellen, dass jede entwickelte Software für verschiedene Studienteams, therapeutische Bereiche oder Unternehmen angewendet werden kann. Interaktive grafische Methoden sind hilfreich, um möglichst viele Teammitglieder einzubeziehen, wobei die Möglichkeit besteht, auf interessante Fälle einzugehen. Natürlich gibt es viele Möglichkeiten, wie Dinge schief gehen können. Es wird äußerst wichtig sein, diese Bewertungen effizient zu gestalten.
JMP Clinical umfasst weit mehr als nur die Verbesserung der Datenqualität und die Aufdeckung von Betrug. Was sind die wichtigsten Funktionen, die Sie bezüglich der Software hervorheben würden?
Ich denke, die Software hat für jeden etwas zu bieten, aber ich finde die Software sehr zufriedenstellend, weil sie interaktiv ist und grafische Ergebnisse und statistische Zusammenfassungen nebeneinander anzeigen kann. Zusätzlich zu den sieben Instrumenten zur Betrugserkennung verfügt JMP Clinical über anpassbare Patientenprofile und Berichte zu unerwünschten Ereignissen, die eine einfachere klinische Überprüfung und Berichterstellung ermöglichen. Es gibt eine Funktion zum Vergleichen von Momentaufnahmen, mit der der Benutzer neue oder geänderte Datensätze identifizieren kann, wenn die Lerndatenbank aktualisiert wird. Es gibt eine integrierte Notizfunktion, mit der Benutzer Notizen auf Analyse-, Betreff- oder Datensatzebene speichern und anzeigen können. Für Analytiker gibt es einen robusten Satz von Analysen für unerwünschte Ereignisse mit Anpassung mit FDR und doppeltem FDR für Inzidenz- oder Time-to-Event-Analysen sowie eine neue Funktion, die Bayes'sche hierarchische Modellierung verwendet. Darüber hinaus gibt es eine Reihe von Werkzeugen zur Vorhersagemodellierung und Kreuzvalidierungsfunktionen.
