Tuve el placer de entrevistar Richard Zink , Principal investigador estadístico desarrollador en la JMP Ciencias de la Vida división, antes de su visita al Reino Unido para hablar en el PSI ( Estadísticos en la industria farmacéutica ) Conferencia en Glasgow el 14 de mayo. Su charla de PSI se titula "Evaluación de la similitud de los sujetos dentro de un sitio de estudio" y discutirá los enfoques de muestreo y describirá cómo la disponibilidad de extensas pruebas computarizadas de lógica y validación al inicio del ensayo clínico no solo garantiza la calidad de los datos, sino que también se puede usar para identificar Actividades potencialmente fraudulentas. Richard ha sido instrumental en el desarrollo de JMP clinico , especialmente para Pharmaco-Vigilance (PV), fraude en ensayos clínicos, narraciones de pacientes y métodos bayesianos.
Las directrices de la Conferencia Internacional sobre Armonización (ICH) sugieren que los datos de los ensayos clínicos deben ser monitoreados activamente para garantizar la calidad de los datos. ¿Cuáles considera que son las limitaciones y los problemas relacionados con el monitoreo en el lugar de los ensayos clínicos?
Tradicionalmente, este es un proceso muy manual en el que los monitores comparan las páginas de formularios de informes de casos (CRF) con los registros de los médicos. Esto no solo consume mucho tiempo, sino que viajar a numerosos sitios clínicos puede ser extremadamente costoso. También hay limitaciones en cómo se pueden revisar los datos. Cuando se trabaja con papel, sería extremadamente difícil examinar las tendencias en las variables a lo largo del tiempo o comparar los resultados de varios temas. Tampoco es posible comparar los resultados entre los sitios de los investigadores.
¿Cuál es su opinión sobre el monitoreo de ensayos clínicos basado en el riesgo?
Creo que la gente ha interpretado las directrices de ICH muy literalmente y se ha acostumbrado a realizar una verificación del 100% de los datos fuente (SDV) para todos los campos de CRF. Las personas pueden pasar mucho tiempo revisando campos que tienen pocas posibilidades de error, y al final del día, pueden tener poco impacto en los hallazgos del ensayo clínico. En monitoreo basado en riesgo , tomaríamos una muestra aleatoria de las páginas de CRF disponibles y realizaríamos una revisión exhaustiva de estas páginas muestreadas. Solo si el número de errores excediera una cierta tasa de error se muestrearían más CRF. Por supuesto, sería importante muestrear todos los dominios CRF relevantes. Además, la fracción de muestreo puede basarse en la importancia de los datos para el estudio. Por ejemplo, dada su importancia, se puede revisar el 100 por ciento de todos los datos para el punto final primario y los eventos adversos graves (EAG).
Dado el impulso para reducir el costo de los ensayos clínicos, ¿cómo se puede utilizar el muestreo estadístico para lograr la calidad de los datos mientras se minimiza el costo de analizar los ensayos?
Con suerte, el muestreo se realizará de tal manera que se minimice la cantidad de monitoreo en el sitio en los sitios. Esto es beneficioso en términos de costos de viaje, pero también en términos de la cantidad de horas-persona gastadas en la revisión manual de los datos. También es extremadamente importante realizar un monitoreo central de los datos utilizando un conjunto robusto de herramientas computacionales. Esto puede incluir comprobaciones de valores atípicos o inverosímiles, pero puede incluir análisis más complejos para examinar tendencias a lo largo del tiempo, identificar datos faltantes o identificar diferencias notables entre los sitios del investigador.
¿Cuáles son las tendencias emergentes para descubrir el fraude en los ensayos clínicos y cómo ve las herramientas que evolucionan para cumplir con los requisitos para examinar los datos de calidad y fraude?
Creo que el fraude siempre ha sido un tema importante. El fraude, en comparación con otras cuestiones relacionadas con la calidad de los datos, es diferente en que hay una intención deliberada de engañar. Otros problemas relacionados con la calidad de los datos pueden deberse a una capacitación deficiente o al descuido. Si ha identificado valores inusuales que apuntan a un problema de calidad de los datos, dar un paso más para decir que esto se debe necesariamente a un fraude es difícil. Al final del día, ya sea que el problema se deba a fraude o descuido, los problemas de calidad de los datos deben identificarse con anticipación para que se puedan aplicar los recursos adecuados para minimizar la interrupción del ensayo y mantener la integridad del mismo. En los últimos 10 a 15 años, ha habido algunas publicaciones que describen los métodos estadísticos utilizados para identificar el fraude en los ensayos clínicos. Con numerosas prioridades en conflicto, la implementación de estos métodos en la práctica puede ser difícil. Los estándares de datos sin duda ayudan a garantizar que cualquier software desarrollado pueda aplicarse a diferentes equipos de estudio, áreas terapéuticas o empresas. Los métodos gráficos interactivos son útiles para involucrar a la mayor cantidad de miembros del equipo, con la capacidad de profundizar en casos interesantes. Por supuesto, hay muchas maneras en que las cosas pueden salir mal. Hacer estas revisiones eficientes será extremadamente importante.
JMP Clinical cubre mucho más que solo mejorar la calidad de los datos y descubrir el fraude. ¿Cuáles son las capacidades clave que destacaría sobre el software?
Creo que el software tiene algo para todos, pero lo que me parece muy satisfactorio es su interactividad y la capacidad de revisar los resultados gráficos y los resúmenes estadísticos en paralelo. Además de las siete herramientas de detección de fraudes, JMP Clinical tiene perfiles de pacientes personalizables y narraciones de eventos adversos que permiten una revisión clínica y un informe más directos. Existe una función de comparación de instantáneas que permite al usuario identificar registros nuevos o modificados a medida que se actualiza la base de datos del estudio. Hay una función de notas incorporada que permite a los usuarios guardar y ver notas a nivel de análisis, tema o registro. Para los que tienen una mentalidad más analítica, contamos con un sólido conjunto de análisis para eventos adversos con ajuste mediante FDR y doble FDR para análisis de incidencia o tiempo a evento, y una nueva característica que utiliza el modelo jerárquico bayesiano. También hay un amplio conjunto de herramientas de modelado predictivo y funciones de validación cruzada.
