Jüngste Aktualisierungen der GCP-Leitlinien (ICH E6[R2]) fördern die Anwendung von Quality-by-Design-Prinzipien auf Design, Analyse und Monitoring klinischer Studien in der Pharmaindustrie. Die drei Kernaspekte dieses Ansatzes sind Definieren, Überwachen und Berichten.
JMP-Produkte werden in der Pharmaindustrie seit vielen Jahren verwendet, um QbD in der nichtklinischen Entwicklung und Herstellung anzuwenden. JMP und JMP Clinical eignen sich gut für die gleiche Art von Analyse für klinische Studien.
In diesem Vortrag beschreiben wir das GCP QbD-Framework und zeigen ein Beispiel, wie JMP und JMP Clinical mithilfe dieses Frameworks zur Überwachung klinischer Studien verwendet werden können.
Mein Vortrag behandelt risikobasiertes Qualitätsmanagement, Qualitätsrisikomanagement, Quality by Design, zugehörige Tools und Herausforderungen im Rahmen klinischer Studien. Ich bin Chris Wells und arbeite für Roche Products Limited. Die in diesem Vortrag geäußerten Ansichten spiegeln meine eigenen wider und sind nicht unbedingt mit denen von Roche Products Limited identisch.
Worum geht es bei risikobasiertem Qualitätsmanagement (RBQM) und Qualitätsrisikomanagement (QRM)? Risikobasiertes Qualitätsmanagement bietet einen Rahmen für die Steuerung der Gesamtqualität einer klinischen Studie. Dies geschieht durch die Identifizierung kritischer Prozesse und Daten, um sicherzustellen, dass die Ressourcen hauptsächlich auf diese Bereiche konzentriert werden. Ziel des risikobasierten Qualitätsmanagements ist es, sicherzustellen, dass Risiken während des gesamten klinischen Studienprozesses proaktiv und systematisch identifiziert und gemanagt werden.
Qualitätsrisikomanagement hingegen ist ein systematischer Prozess, der die Bewertung, Beurteilung, Kontrolle und Kommunikation von Risiken umfasst, die die Qualität klinischer Studien beeinträchtigen können. Ziel des Qualitätsrisikomanagements ist es, potenzielle Qualitätsrisiken zu identifizieren und entsprechende Maßnahmen zu deren Minimierung zu ergreifen. QRM ist ein wesentlicher Bestandteil eines umfassenden Qualitätsmanagementsystems und unerlässlich für die Patientensicherheit und die Einhaltung gesetzlicher Vorschriften. Qualitätsrisikomanagement berücksichtigt alle Prozesse und alle potenziellen Risiken.
Aber warum ist das wichtig? RBQM und QRM sind beide wesentliche Bestandteile eines umfassenden Qualitätsmanagementsystems in klinischen Studien. Obwohl sie unterschiedliche Schwerpunkte und Methoden haben, ergänzen sie sich gegenseitig beim Risikomanagement und der Sicherung der Studienqualität. Die Implementierung von RBQM und QRM ist entscheidend für die Patientensicherheit, die Datenintegrität und die Einhaltung gesetzlicher Vorschriften.
Werfen wir einen Blick auf Quality by Design. Quality by Design ist ein Rahmenwerk zur Einbettung von Qualität in das Design, die Durchführung und das Monitoring klinischer Studien. Beispielsweise benötigen Sie standardisierte Protokollvorlagen, standardisierte elektronische Fallberichtsformulare und die Berücksichtigung von Vorwissen und Versuchsdesign.
Quality by Design umfasst vier Hauptkomponenten: Mitarbeiter, Prozesse, Werkzeuge und Kultur. Für die Mitarbeiter benötigen Sie qualifizierte Fachkräfte, die im Risikomanagement erfahren sind. Sie benötigen durchgängige Prozesse für Quality by Design und Qualitätsrisikomanagement klinischer Studien. Elektronische Systeme gewährleisten unternehmensweit einheitliche Ansätze. Die Kultur, die Kultur klinischer Studien und die Qualität klinischer Studien müssen vom Studienteam getragen werden.
Nun zu den ICH-Leitlinien. Diese werden vom International Council for Harmonization of Technical Requirements for Pharmaceuticals for Human Use (ICH) erstellt. In seiner einzigartigen Funktion bringt das Gremium Regulierungsbehörden und Pharmaindustrie zusammen, um wissenschaftliche und technische Aspekte von Arzneimitteln zu diskutieren und die ICH-Leitlinien zu entwickeln. Insgesamt gibt es 14 Leitlinien, die vier Elemente abdecken: Qualität, Sicherheit, Wirksamkeit und Multidisziplinarität. Das RBQM wird jedoch durch ICH E6 R2 und die demnächst erscheinende ICH E6 R3 geregelt. Diese empfehlen einen risikobasierten Ansatz für das Qualitätsmanagement.
Quality by Design wird durch ICH E8 R1 und Qualität durch ICH Q9 geregelt. Ziel dieser Richtlinien ist es, Qualität in die Studien zu integrieren. Die Wirksamkeit wird durch ICH E9 geregelt. Die in ICH E9 (R1) beschriebenen Grundsätze für die Schätzwerte, genauer gesagt die primären und sekundären, wichtigsten sekundären Endpunkte, sind relevant, „immer wenn ein Behandlungseffekt geschätzt oder eine mit einem Behandlungseffekt verbundene Hypothese getestet wird, unabhängig davon, ob sie sich auf Wirksamkeit oder Sicherheit bezieht.“
Im RBQM kommen verschiedene Tools und Kennzahlen zum Einsatz. Unsere wichtigsten Kennzahlen sind Qualitätstoleranzgrenzen (QTLs) und Schlüsselrisikoindikatoren (KRIs). Sie sind Schlüsselkennzahlen jedes risikobasierten Qualitätsmanagementsystems. QTLs dienen der Identifizierung systematischer Abweichungen auf Studienebene, während KRIs typischerweise risikomindernde Maßnahmen auf Standortleistungsebene auslösen. Ein Beispiel für einen KRI wäre die durchschnittliche Dateneingabedauer am Standort. Bei einem QTL könnte es sich um den Anteil der Patienten handeln, die die Studienmedikation vorzeitig abgebrochen haben.
Rechts auf dem Bildschirm finden Sie einige Beispiele. Oben sehen Sie das Bayesianische Hierarchische Modell, ein Beispiel für eine Methodik zur Festlegung von Qualitätstoleranzgrenzen. Dort sehen Sie auch ein Beispiel für eine KRI-Metrik.
Statistisches Monitoring ist eine weitere Messgröße. Es nutzt komplexe statistische Algorithmen, um Datenausreißer und Anomalien in der Studie zu erkennen. Die Ergebnisse fließen in verschiedene Überwachungs- oder Eskalationsmaßnahmen ein. JMP Clinical ist ein ideales Tool für das statistische Monitoring.
Datenqualitätsverstöße. Es gibt eine Reihe weiterer Tools, die Anomalien oder Datenausreißer erkennen. Ein Beispiel hierfür ist das Abfragemanagement. Wir fragen: Führen manche Websites mehr Abfragen durch als andere? Führen diese Abfragen zu Datenänderungen? Beziehen sich die Abfragen nur auf kritische Daten? Darauf müssen Sie reagieren und die Anzahl der Abfragen innerhalb einer Studie reduzieren. So können Sie sicherstellen, dass sich die Studie auf Abfragen konzentriert, die zu Datenänderungen führen, und nur kritische Daten abfragt.
Die größte Herausforderung ist die Implementierung im RBQM. Gründe dafür liegen unter anderem in der Methodik. Es gibt eine ganze Reihe von Methoden. Bislang gab es in der Branche keine klare Kommunikation darüber, welche Methodik jedes Unternehmen verwendet. Es gab keine Standardisierung. Doch kürzlich haben sich mehrere Organisationen zusammengeschlossen und Dokumente zu diesem Thema erstellt. Es entwickelt sich zunehmend ein Umfeld des Austauschs. Das kann dem gesamten RBQM-Prozess nur zugutekommen.
Manche Methoden erfordern den Zugriff auf historische Daten. Auch dies kann eine echte Herausforderung darstellen, da die Daten möglicherweise archiviert wurden, aus irgendeinem Grund schwer zugänglich sind oder für die aktuelle Studie, die Sie untersuchen, nicht relevant sind.
Die Studienplanung stellt aufgrund der Vielfalt der Studien im Portfolio eine große Herausforderung dar. Es gibt kleine Studien, Plattformstudien, Basket- und Kohortenstudien, bei denen die Patientenzahl pro Gruppe gering ist. Das kann, je nach Methodik, sehr schwierig sein. Hinzu kommen sehr komplexe Designs und dezentrale Studien, bei denen die Standorte möglicherweise nicht wie gewohnt genutzt werden.
Die für einen KRI oder QTL zu verwendenden Parametertypen sind manchmal schwer zu verstehen. Ich denke jedoch, dass die Implementierung des Estimand-Frameworks den Teams klarer macht, worauf sie ihre Überprüfungen konzentrieren sollten. Schließlich ist es selbst mit statistischer Grundlage nicht immer eine exakte Wissenschaft.
Ein weiteres Problem ist die fehlende Unterstützung durch die Führungsebene. Diese ist entscheidend für den Erfolg von RBQM. Ich denke, Führungskräfte erkennen zunehmend, wie wichtig dies branchenweit ist. Die Implementierung und das Verständnis können jedoch komplex sein und sind nicht ganz so eindeutig wie Kontrollkarten im Fertigungsumfeld. Auch die optimale Nutzung und Integration von Werkzeugen und Prozessen ist schwer zu verstehen. Oftmals herrscht in den Untersuchungsteams Unklarheit über deren Sinnhaftigkeit.
Hier stellen sich den Teams, die RBQM implementieren, zahlreiche Herausforderungen. Damit schließe ich meine Präsentation ab und übergebe an Sam.
Vielen Dank, Chris, für diesen Überblick über risikobasiertes Qualitätsmanagement in diesem neuen Rahmenwerk, das die Anwendung der wichtigsten Risikoindikatoren und Qualitätstoleranzgrenzen sowie einige der damit verbundenen Herausforderungen berücksichtigt. Ich werde Ihnen zeigen, wie Sie einige dieser Aufgaben mit JMP und auch mit JMP Clinical erledigen können.
Ich bin Senior Product Manager für Gesundheit und Biowissenschaften bei JMP. JMP Clinical ist ein fokussiertes und spezialisiertes Produkt für die Überprüfung klinischer Studiendaten. Wir bieten Anwendern sofort einsatzbereite Funktionen für die gründliche Überprüfung klinischer Studien auf Studienstandort- und Probandenebene. JMP Clinical wird in der gesamten Pharmaindustrie und von verschiedenen Aufsichtsbehörden weltweit eingesetzt. Der Schwerpunkt liegt auf Sicherheitsüberprüfungen, medizinischer Überwachung und Studienüberwachung.
Es ist eines unserer vier wichtigsten JMP-Produkte: JMP, JMP Pro, JMP Clinical und JMP Live. JMP Clinical ist eine Erweiterung von JMP und läuft auf JMP Pro mithilfe der JMP-Skriptsprache, um alle Aktionen und Berichte in JMP Clinical zu automatisieren.
JMP Pro ist ein umfassendes Programm für Statistik, Datenanalyse und Datenvisualisierung. Dank seiner Flexibilität und der Anpassungsfähigkeit mit der JMP-Skriptsprache können Sie darauf aufbauende Anwendungen entwickeln. Darüber hinaus können Sie sich mit anderen Tools wie SAS und Open-Source-Tools wie R, Python und Matlab verbinden.
JMP Clinical nutzt ebenfalls Datenstandards. Ein Datenstandard ermöglicht Ihnen die Entwicklung standardisierter Analysen. Wir verwenden die CDISC-Datenstandards, vor allem das Study Data Tabulation Model (SDTM) und das Analysis Data Model (ADM). Diese Datenstandards sind für die Einreichung neuer Produkte durch die Aufsichtsbehörden in den USA und Japan vorgeschrieben und werden auch in vielen anderen Regionen empfohlen.
Mit diesem klar definierten Datenmodell können Sie standardisierte Analyseansätze entwickeln. JMP Clinical nutzt dieses Modell seit vielen Jahren. Wir haben einen aktuellen Artikel verlinkt, in dem Sie einige Beispiele sehen, wie Datenstandards eine standardisierte Berichterstattung ermöglichen.
Ich zeige Ihnen nun, wie Sie einige dieser Schritte in JMP durchführen. JMP wird hier angezeigt. Dies ist JMP Clinical, das gerade ausgeführt wird. Ich habe selbst einige Daten analysiert, um ein einfaches Beispiel zu entwickeln, wie Sie einen dieser Schlüsselrisikoindikatoren zusammenstellen und Grenzwerte festlegen.
Wir konzentrieren uns auf zwei verschiedene Datentypen, die aus einer Studie gewonnen werden können. Einerseits geht es um unerwünschte Ereignisse, also um schädliche Ereignisse bei den Probanden oder medizinische und andere unerwünschte Ereignisse, die möglicherweise mit dem Medikament in Zusammenhang stehen. In diesem Fall geht es darum, wie hoch die Rate unerwünschter Ereignisse insgesamt ist.
Ich habe hier ein Diagramm, das die Anzahl der unerwünschten Ereignisse für jeden Studienstandort zeigt. In diesem Fall umfasst der Standort mehrere Studien. Ich schätze, es sind etwa 25 oder 30 Standorte. Dies sind die unerwünschten Ereignisse, die wöchentlich auftreten. Sie werden wöchentlich von den Studienteilnehmern aufgezeichnet. Man erkennt hier ein interessantes Muster. Man erkennt dieses Auf-Ab-Muster. Außerdem fällt auf, dass die Werte oft hoch und dann wieder fallen.
Wenn ich hier im Bedienfeld die Site-ID entferne und sie zeige, um die Summe der Zählwerte nach Durchschnittswerten zu sortieren, sehe ich, dass sie erst steigt und dann sinkt. Man fragt sich: „Was ist hier los?“ Die Probanden beginnen zu unterschiedlichen Zeitpunkten mit der Studie. Die Studie beginnt, und die Probanden werden an verschiedenen Standorten in unterschiedlichem Tempo aufgenommen. Irgendwann gibt es wenige Probanden, dann immer mehr, und dann nehmen mit der Zeit immer weniger Probanden an der Studie teil.
Da die Nebenwirkungen proportional zur Anzahl der Probanden und wahrscheinlich auch proportional zur Exposition der Probanden gegenüber den Medikamenten oder dem Placebo in der Studie sind, ist dies ebenfalls aussagekräftig. Betrachten Sie dieses Diagramm noch einmal, um zu sehen, wie die Dosierung in dieser Studie alle zwei Wochen erfolgt. Dies ist ein wöchentliches Diagramm. Sie sehen diese kleinen Spitzen. Es sieht so aus, als ob alle zwei Wochen Nebenwirkungen auftreten. Dies deutet wahrscheinlich darauf hin, dass die Häufigkeit oder Anzahl der Nebenwirkungen mit der Exposition zusammenhängt.
Wir können uns die Exposition ansehen. Exposition bedeutet, wie viele Tage die Versuchsperson der Behandlung ausgesetzt war. Hier können wir ein ähnliches Diagramm erstellen. Ich schaue mir die Exposition wöchentlich an. Sie sehen, dass die Exposition an allen Standorten anhält, aber immer weiter zunimmt und dann wieder abfällt. Wenn wir sie nach Standorten aufschlüsseln und das Diagramm wie zuvor betrachten, sehen Sie ein sehr ähnliches Muster der Auf- und Abwärtsbewegungen bei der Exposition.
Das lässt vermuten, dass man, um ein genaues Bild der Häufigkeit unerwünschter Ereignisse zu erhalten, diese an die Exposition gegenüber dem Medikament anpassen muss. Eine einfache Möglichkeit hierfür ist die Ermittlung eines Verhältnisses. Man nimmt die Anzahl der unerwünschten Ereignisse und teilt diese durch die Exposition.
Ich habe viel Datenarbeit investiert, um dies zusammenzustellen. Hier ist eine Datentabelle. Lassen Sie uns die beiden Tabellen zusammenfassen und dann das Verhältnis der Anzahl der unerwünschten Ereignisse zur Summe der Exposition berechnen. Wir können uns die Grafik ansehen, und Sie sehen, dass dies eine Überlagerung aller Standorte ist. Sie sehen, dass die Werte im Allgemeinen in einem Bereich liegen und relativ stabil sind, mit Ausnahme einiger Punkte, die Ausreißer zu sein scheinen.
Nehmen wir an, ich habe jetzt eine Messgröße. Ich habe eine Metrik definiert, nämlich die expositionsbereinigte Nebenwirkungsrate. Nun möchte ich Grenzwerte festlegen. Wie setze ich diese Grenzwerte? Wenn man aus klinischer Sicht weiß, wie hoch sie sein sollten, und über fundierte wissenschaftliche Kenntnisse und Expertise verfügt, kann man einfach einen Grenzwert festlegen und ihn in das Diagramm eintragen. Oftmals betrachten wir die Daten jedoch als historische Studie und betrachten die Streuung dieser Daten. Wir setzen Grenzwerte an den Rändern der Streuung oder basierend auf der Streuung der Daten.
In diesem Fall können wir uns die Verteilung dieser Ergebnisse ansehen. Es stellt sich heraus, dass der Logarithmus dieser expositionsadjustierten Nebenwirkungsrate sehr normalverteilt aussieht. Das bedeutet, dass die Daten selbst wahrscheinlich protokolliert und normalverteilt sind, was sehr positiv ist. Das bedeutet, dass ich eine Verteilung an die Daten anpassen und daraus Perzentile schätzen oder einfach das beobachtete Perzentil verwenden kann. Da hier viele Daten vorliegen, können wir wahrscheinlich einfach die Perzentile verwenden.
Ein Ansatz könnte sein, einfach das 95. und das 5. Perzentil davon zu nehmen, die Rücktransformation durchzuführen, vom Logarithmus zurück zur ursprünglichen Skala zu transformieren und diese als Grenzwerte zu verwenden. Zusätzlich könnten Sie engere Grenzwerte, beispielsweise Warngrenzen, festlegen. Vielleicht untersuchen Sie die Werte außerhalb der Warngrenzen nicht so gründlich oder sind nicht so besorgt darüber, aber Sie könnten diese ebenfalls als Grenzwert festlegen. Vielleicht könnten Sie sogar Werte wie das 20. bis 80. Perzentil als Warngrenzen verwenden.
Eine letzte Möglichkeit, einen geeigneten Grenzwert zu bestimmen, besteht darin, ein Toleranzintervall mit unterschiedlichen Abdeckungen zu berechnen. Wenn Sie einen Grenzwert festlegen möchten, der Ihrer Meinung nach den Großteil der Daten abdeckt und nur extreme Werte außerhalb des normalen Datenbereichs berücksichtigt, können Sie ein Toleranzintervall mit unterschiedlichen Abdeckungen berechnen. In diesem Fall habe ich mehrere verschiedene Toleranzintervalle berechnet. Im Diagramm zeige ich jedoch die 95 %-Abdeckung bzw. das 95 %-Toleranzintervall an.
Wenn ich hier zurück zur Datentabelle gehe und das plotte, ergibt sich ein schönes Diagramm. Es liegt im grünen Bereich, der grüne Bereich liegt innerhalb der Warngrenze, also dem 20. und 80. Perzentil. Alles im grünen Bereich ist wahrscheinlich in Ordnung. Ich habe außerdem alles logarithmisch auf der Y-Achse dargestellt, da es logarithmisch normalverteilt zu sein scheint.
Der gelbe Bereich ist der Warnbereich. Alles im gelben Bereich liegt im Warnbereich. Man möchte es sich wahrscheinlich ansehen, ist aber vielleicht nicht so besorgt. Außerhalb des gelben Bereichs liegt ein Fehler vor und es ist eine gründlichere Untersuchung erforderlich. Sie können auch die gestrichelten Linien verwenden, die die obere und untere Toleranzgrenze darstellen.
Das ist etwas verwirrend, denn in der Terminologie von ICH E6 wird der Grenzwert als Qualitätstoleranzgrenze bezeichnet. Ich meine aber, es handelt sich lediglich um eine Toleranzgrenze, nämlich eine statistische Toleranzgrenze. Es gibt zwei verschiedene Bedeutungen: Die statistische Toleranzgrenze wird lediglich aus den Daten ermittelt, die Qualitätstoleranzgrenze hingegen ist im Wesentlichen die Spezifikation. Diese sollte man nicht verfehlen. Wenn man sie verfehlt, muss man dies untersuchen.
Eine gute Möglichkeit, die Daten zu visualisieren. Wir könnten auch einfach hierhin gehen und die Daten nicht nach Standorten aufschlüsseln. Wir könnten die Standort-ID entfernen und die Daten als Trenddiagramm betrachten. Sie sehen hier eine ganze Reihe von Ereignissen. Die oben genannten Punkte deuten auf eine höhere Rate unerwünschter Ereignisse oder vielleicht auf eine sogenannte Überberichterstattung hin. Man fragt sich: „Was ist da los?“ Das könnte ein Hinweis auf die Behandlung selbst sein, aber auch auf die Art der Verabreichung des Medikaments oder die Art und Weise, wie unerwünschte Ereignisse erfasst werden. Es gibt verschiedene Gründe für eine hohe Anzahl unerwünschter Ereignisse.
Es gibt aber auch solche, die sehr niedrig und ungewöhnlich niedrig sind. Jeder dieser Werte repräsentiert einen anderen Standort in einer anderen Woche. Es könnte sein, dass unerwünschte Ereignisse korrekt erfasst werden. Sie sollten sicherstellen, dass dies auch geschieht und dass Sie die unerwünschten Ereignisse erfassen. Das ist die bereinigte Rate der unerwünschten Exposition.
Ein weiterer Punkt, den Sie berücksichtigen sollten, sind Abweichungen. Abweichungen liegen vor, wenn das Studienprotokoll aus irgendeinem Grund nicht eingehalten wurde. Vielleicht hat jemand ein Formular nicht korrekt ausgefüllt. Vielleicht wurde ein Labortest, den jemand durchführen sollte, nicht durchgeführt oder nicht dokumentiert. Vielleicht hat ein Proband einen Termin verpasst, obwohl er regulär hätte teilnehmen sollen. Es gibt viele Gründe für Abweichungen. Hier wird die Anzahl der Abweichungen pro Standort pro Woche gezählt.
Wenn Sie sich das ansehen, ist es nicht ganz so eng mit der Exposition verknüpft. Aber wenn ich die Site-ID hier weglasse … fange ich von vorne an. Ich schaue mir die Woche an und setze sie in diesem Fall nominal, damit sie frei wie eine Kategorie ist. Dann schaue ich mir die Anzahl der Abweichungen an und erstelle hier ein Balkendiagramm mit der Summe. So, das war’s. Sie sehen, dass die Anzahl der Abweichungen ebenfalls ein ähnliches Muster aufweist: Sie steigt und fällt, nimmt dann aber wieder zu und fällt wieder ab. Dies könnte mit der Exposition zusammenhängen.
Die weitere Herausforderung besteht darin, dass der Expositionszeitraum für diese Daten ungefähr in diesem Bereich liegt. Danach können jedoch Abweichungen und Probleme auftreten, die später entdeckt werden. Ich habe versucht, die expositionsbereinigte Abweichungsrate zu ermitteln und darzustellen. Das scheint in Ordnung zu sein, aber was hier am Ende passiert, da im späteren Studienzeitraum keine wöchentliche Exposition vorliegt, benötigt wahrscheinlich eine andere Messgröße. Wahrscheinlich muss man so etwas wie die kumulative Exposition an einem Standort berechnen und diese einfach im weiteren Verlauf verwenden. Am Ende erhält man nur noch die Gesamtexposition.
In diesem Fall habe ich das jedoch nicht getan, aber daran werde ich in Zukunft arbeiten. Auch hier habe ich auf ähnliche Weise einige Grenzwerte mithilfe von Perzentilen berechnet und diese in das Diagramm eingeblendet.
Abschließend möchte ich noch erwähnen, dass ich dies zur Überwachung im Zeitverlauf nur in JMP mache. Wir haben derzeit kein Framework in Clinical, das genau dieses Framework unterstützt. Wir arbeiten jedoch daran für JMP Clinical und planen, in Zukunft einige Funktionen dafür bereitzustellen.
Darüber hinaus verfügen wir in JMP Clinical über einen risikobasierten Überwachungsbericht. Dieser bietet einen Gesamtüberblick über die Studie. Er berücksichtigt die gesamten Studiendaten, berechnet die wichtigsten Risikoindikatoren und vergleicht sie mit definierten Kriterien. Im Wesentlichen dasselbe wie zuvor. Die Methodik unterscheidet sich lediglich geringfügig von der aktuellen.
Wenn ich diesen Bericht in JMP Clinical ausführe, stellt er sich in Version 18 dar. Wir hatten ihn in Version 8. In Version 17 war er noch nicht vorhanden, aber jetzt haben wir ihn in Version 18. Ich werde diesen Bericht ausführen. Er berechnet erneut mehrere wichtige Risikoindikatoren und vergleicht sie mit einigen im Dialog definierten Schwellenwerten. Sie haben eine Schwellenwertdatei ausgewählt. Anschließend wird dies in einem übersichtlichen Diagramm angezeigt.
Es gibt eine Heatmap der Risikoindikatoren basierend auf ihrer Bewertung, ob sie rot, gelb oder grün sind. Rot bedeutet im Wesentlichen, dass Sie eine Qualitätstoleranzgrenze überschritten haben. Gelb liegt in einer Warnzone. Grün bedeutet, dass alles in Ordnung ist. Es gibt verschiedene Messgrößen. Es gibt Messgrößen, die auf der Sicherheit basieren. Zum Beispiel die Anzahl der unerwünschten Ereignisse pro randomisiertem Probanden pro Woche, die schwerwiegenden unerwünschten Ereignisse pro Woche, die Todesfälle pro Patientenwoche, der Prozentsatz der Todesfälle pro randomisiertem Probanden und der Prozentsatz der abgebrochenen randomisierten Probanden.
Ein Abbruch ist ein Grund, warum Patienten die Studie abbrechen. Sie brechen die Studie ab, weil das Medikament nicht wirkt, Nebenwirkungen auftreten oder ihnen der Studienort nicht gefällt. Es gibt verschiedene Gründe. Auch die Aufnahme spielt eine Rolle. Dies sind Protokollverstöße. Hat jemand seine Einverständniserklärung nicht unterschrieben? Wie viele Personen haben das Screening nicht bestanden und wurden nicht zur Studie zugelassen?
Dann gibt es noch die Gesamtrisikoindikatoren, die lediglich gewichtete Durchschnittswerte dieser einzelnen Risikoindikatoren darstellen. Hier können Sie sich den Gesamtüberblick über alle Standorte hinweg verschaffen. Wenn Sie einen bestimmten Standort genauer betrachten möchten, können Sie sich auch ein Balkendiagramm der Ergebnisse für einzelne Standorte ansehen.
Das ist alles, worüber wir heute sprechen. Dies ist jedoch ein Beispiel dafür, wie Sie JMP und JMP Clinical für risikobasiertes Qualitätsmonitoring, die Erstellung von Berichten und Analysen sowie zur Analyse Ihrer Daten nutzen können, um herauszufinden, wo in einer Studie Probleme auftreten könnten. Danke.
