최근 Good Clinical Practices(GCP) 지침(ICH E6[R2])에 대한 업데이트는 제약 산업에서 임상 시험의 설계, 분석 및 모니터링에 Quality by Design 원칙을 적용하는 개념을 촉진했습니다. 이 접근 방식의 세 가지 핵심 측면은 정의, 모니터링 및 보고입니다.
JMP 제품은 제약 산업에서 수년간 비임상 개발 및 제조에 QbD를 적용하는 데 사용되어 왔습니다. JMP와 JMP Clinical은 임상 시험에 대한 동일한 유형의 분석을 수행하는 데 적합합니다.
이번 강연에서는 GCP QbD 프레임워크를 설명하고 JMP와 JMP Clinical을 사용하여 이 프레임워크를 사용하여 임상 시험을 모니터링하는 방법의 예를 보여드리겠습니다.
제 프레젠테이션은 위험 기반 품질 관리, 품질 위험 관리, 설계에 따른 품질, 임상 시험 환경에서의 관련 도구 및 과제에 관한 것입니다. 저는 Chris Wells이고 Roche Products Limited에서 근무하고 있으며, 이 프레젠테이션에 표현된 견해는 저의 것이며 반드시 Roche Products Limited의 견해가 아님을 말씀드리고 싶습니다.
RBQM이라고 알려진 위험 기반 품질 관리와 QRM이라고 알려진 품질 위험 관리, 이 모든 것이 무엇입니까? 위험 기반 품질 관리에서는 임상 시험의 전반적인 품질을 관리하기 위한 프레임워크를 제공합니다. 이는 중요한 프로세스와 중요한 데이터를 식별하여 리소스가 주로 해당 영역에 집중되도록 함으로써 이를 수행합니다. 위험 기반 품질 관리의 목적은 임상 시험 프로세스 전반에 걸쳐 위험이 사전 예방적이고 체계적으로 식별되고 관리되도록 하는 것입니다.
반면, 품질 위험 관리도 체계적인 프로세스이지만 임상 시험의 품질에 영향을 줄 수 있는 위험을 평가, 평가, 통제 및 전달하는 것입니다. 품질 위험 관리의 목적은 품질에 대한 잠재적 위험을 파악하고 이러한 위험을 완화하기 위한 적절한 조치를 구현하는 것입니다. QRM은 포괄적인 품질 관리 시스템의 중요한 구성 요소이며 환자 안전과 규정 준수를 보장하는 데 필수적입니다. 품질 위험 관리에서는 모든 프로세스와 모든 잠재적 위험에 초점을 맞춥니다.
하지만 이것이 왜 중요할까요? RBQM과 QRM은 모두 임상 시험에서 포괄적인 품질 관리 시스템의 필수 구성 요소입니다. 초점과 방법론이 다를 수 있지만 위험을 관리하고 시험 품질을 보장하는 데 상호 보완적인 접근 방식입니다. RBQM과 QRM을 모두 구현하는 것은 환자 안전, 데이터 무결성 및 규정 준수를 보장하는 데 필수적입니다.
설계에 따른 품질을 살펴보겠습니다. 설계에 따른 품질은 임상 시험의 설계, 수행 및 모니터링에 품질을 포함시키기 위한 프레임워크입니다. 예를 들어, 표준 프로토콜 템플릿, 표준 전자 사례 보고서 양식, 사전 지식의 통합 및 활용된 실험 설계가 필요합니다.
Quality by Design에는 사람, 프로세스, 도구, 문화라는 네 가지 주요 구성 요소가 있습니다. 사람과 관련하여 위험 관리를 다루는 데 익숙한 숙련된 전문가가 필요합니다. 임상 시험 Quality by Design과 품질 위험 관리를 위한 종단 간 프로세스가 필요합니다. 기업 전체에서 일관된 접근 방식을 보장하는 전자 시스템이 필요합니다. 문화, 임상 시험 문화 및 임상 시험 품질은 연구팀이 소유해야 합니다.
이제 ICH 가이드라인입니다. 이는 인체용 의약품 기술 요건 조화 국제 위원회(ICH)에서 제작합니다. 규제 당국과 제약 산업을 하나로 모아 제약의 과학적, 기술적 측면을 논의하고 ICH 가이드라인을 개발하는 데 독특합니다. 총 14개의 가이드라인이 있으며, 품질, 안전성, 효능 및 학제 간이라는 4가지 요소를 다룹니다. 그러나 RBQM은 ICH E6 R2와 곧 출시될 ICH E6 R3에 의해 관리됩니다. 이는 품질 관리에 대한 위험 기반 접근 방식을 권장합니다.
설계에 따른 품질은 ICH E8 R1에 의해 관리되고, 품질은 ICH Q9에 의해 관리됩니다. 이는 시험에 품질을 설계하는 것을 목표로 합니다. 효능은 ICH E9에 의해 관리됩니다. ICH E9(R1)에서 Estimands에 대해 설명한 원칙, 또는 실제로 이것들이 관련되어 있고, 1차 및 2차, 핵심 2차 종료점은 "치료 효과가 추정되거나 가설이 치료 효과와 관련이 있을 때, 효능 또는 안전성과 관련이 있는지 여부에 관계없이" 관련이 있습니다.
RBQM에는 여러 도구와 지표가 사용됩니다. 주요 지표는 품질 허용 한계(QTL)와 주요 위험 지표(KRI)입니다. 이들은 모든 위험 기반 품질 관리 시스템의 주요 지표입니다. QTL은 연구 수준에서 체계적인 편차를 식별하기 위해 계획된 반면, KRI는 일반적으로 사이트 성능 수준에서 위험 완화 조치를 트리거합니다. KRI의 예로는 사이트에서의 평균 데이터 입력 주기 시간이 있습니다. QTL의 경우 연구 약물을 조기에 중단한 환자의 비율이 될 수 있습니다.
여기 화면 오른쪽에 몇 가지 예가 있습니다. 맨 위는 베이지안 계층 모델로, 품질 허용 한계에 사용할 수 있는 방법론의 예입니다. KRI 지표의 예가 있습니다.
통계적 모니터링은 또 다른 지표로 사용됩니다. 복잡한 통계적 알고리즘을 사용하여 시험 전체에서 데이터 이상치와 이상을 발견하며, 그 결과는 다양한 모니터링 또는 커뮤니케이션 조치의 에스컬레이션에 정보를 제공합니다. JMP Clinical은 통계적 모니터링을 실행할 때 사용하기에 이상적인 도구입니다.
데이터 품질 감독. 이는 이상치나 데이터 이상치를 감지하기 위해 구축된 다양한 다른 도구입니다. 예를 들어, 쿼리 관리. 일부 사이트가 다른 사이트보다 더 많이 쿼리하고 있습니까? 이러한 쿼리가 데이터 변경으로 이어집니까? 쿼리가 중요한 데이터에만 해당합니까? 이러한 사항에 대해 조치를 취해야 하며 궁극적으로 연구 전체에서 쿼리 수를 줄이고 해당 연구가 데이터 변경으로 이어지는 쿼리에 집중하고 중요한 데이터만 쿼리하고 있는지 확인해야 합니다.
가장 큰 과제는 RBQM 내에서의 구현입니다. 구현 과제 내에서의 이유는 방법론과 같은 것입니다. 방법론은 매우 다양합니다. 최근까지 업계는 각 회사가 어떤 방법론을 사용할지에 대해 실제로 소통하지 않았습니다. 표준화가 없었습니다. 하지만 최근 여러 조직이 모여 이 주제에 대한 논문을 작성했습니다. 공유 환경이 훨씬 더 확대되고 있습니다. 이는 전체 RBQM 프로세스에 유익할 수밖에 없습니다.
일부 방법론은 과거 데이터에 액세스해야 합니다. 다시 말하지만, 이는 데이터가 보관되었거나 어떤 이유로든 얻기 어렵거나 현재 조사 중인 연구에 맞는 데이터가 없는 경우 등 실제적인 어려움이 될 수 있습니다.
연구 설계는 포트폴리오에 있는 연구의 다양성 때문에 엄청난 도전입니다. 각 그룹 내에 실제로 소수의 환자만 있는 소규모 연구, 플랫폼 연구, 바구니 연구 및 코호트 연구와 같은 연구가 있을 수 있습니다. 사용하는 방법론에 따라 매우 어려울 수 있습니다. 또한 매우 복잡한 설계와 분산된 시험이 있는데, 아마도 사이트가 일반적인 전통적인 방식으로 사용되지 않을 수도 있습니다.
KRI 또는 QTL에 사용할 매개변수 유형도 때로는 이해하기 어렵습니다. 하지만 Estimand 프레임워크를 구현하면서 팀이 검토에 집중해야 할 곳을 더 명확하게 파악할 수 있게 되었다고 생각합니다. 마지막으로 통계적 기반이 있어도 항상 정확한 과학은 아닙니다.
또 다른 어려운 요소는 고위 경영진의 지원이 없는 경우입니다. 이는 RBQM이 성공하는 데 필수적입니다. 저는 이것이 업계 전체에서 얼마나 중요한지 고위 경영진이 점점 더 잘 이해하고 있다고 생각합니다. 하지만 구현하고 이해하기가 복잡할 수 있으며 제조 환경 내의 통제 차트만큼 명확하지 않을 수 있습니다. 도구와 프로세스도 사용하기에 가장 좋은 것이 무엇인지, 내장할 수 있는지 이해하기가 복잡합니다. 종종 연구팀 내에서는 의미 있는지에 대한 믿음이 부족합니다.
여기에는 RBQM을 설정하는 팀이 직면해야 할 수많은 과제가 있습니다. 제 프레젠테이션은 여기서 마무리하고, 샘에게 넘기고 싶습니다.
크리스, 이 새로운 프레임워크에서 핵심 위험 지표와 품질 허용 한계를 사용하여 위험 기반 품질 관리에 대한 개요와 그와 관련된 몇 가지 과제를 알려줘서 고맙습니다. JMP와 JMP Clinical에서 이 작업 중 일부를 수행하는 방법을 보여드리겠습니다.
저는 JMP에서 건강 및 생명 과학 부문의 수석 제품 관리자입니다. JMP Clinical은 임상 시험 데이터 검토를 위한 집중적이고 특화된 제품입니다. 저희는 사용자에게 연구 사이트 및 피험자 수준에서 임상 시험을 철저히 검토할 수 있는 바로 사용할 수 있는 기능을 제공합니다. 이 제품은 제약 산업 전반과 전 세계 여러 규제 기관에서 활용됩니다. 안전성 검토, 의료 모니터링 및 연구 모니터링에 중점을 둡니다.
JMP, JMP Pro, JMP Clinical, JMP Live 등 네 가지 주요 JMP 제품 중 하나입니다. JMP Clinical은 JMP의 확장 기능으로, JMP Pro 위에서 실행되어 JMP Clinical에서 볼 수 있는 모든 작업과 보고서를 자동화하기 위해 JMP 스크립팅 언어를 사용합니다.
JMP Pro는 포괄적인 통계 및 데이터 분석 및 데이터 시각화 프로그램입니다. JMP 스크립팅 언어로 사용자 정의할 수 있는 유연성 덕분에 이를 기반으로 애플리케이션을 개발할 수 있습니다. 또한 SAS 및 오픈 소스 도구(R, Python, Matlab)와 같은 다른 유형의 도구에 연결할 수도 있습니다.
JMP Clinical은 또한 데이터 표준을 활용합니다. 데이터 표준이 있으면 표준 분석을 개발할 수 있습니다. 우리는 CDISC 데이터 표준, 주로 Study Data Tabulation Model 또는 SDTM 또는 Analysis Data Model, ADM을 사용합니다. 이는 미국과 일본의 규제 기관에서 신제품 제출에 대해 의무화한 데이터 표준이며, 다른 많은 지역에서도 권장됩니다.
잘 정의된 데이터 모델이 있으면 표준화된 분석 접근 방식을 개발할 수 있습니다. JMP Clinical은 수년간 이를 사용해 왔습니다. 실제로 최근 기사가 링크되어 있는데, 데이터 표준이 표준화된 보고를 가능하게 하는 방법에 대한 몇 가지 예를 볼 수 있습니다.
JMP에서 이 중 일부를 수행하는 방법을 보여드리겠습니다. JMP가 여기에 표시되고, 실제로 실행 중인 JMP Clinical입니다. 저는 실제로 이러한 핵심 위험 지표 중 하나를 구성하고 한계를 설정하는 방법에 대한 간단한 예를 개발하기 위해 일부 데이터를 살펴보기 위해 스스로 몇 가지 작업을 수행했습니다.
우리는 시험에서 생성할 수 있는 두 가지 유형의 데이터에 초점을 맞출 것입니다. 하나는 부작용, 즉 피험자에게 해로운 일이나 약물과 관련이 있거나 없을 수 있는 의학적 및 기타 부작용입니다. 이 경우 살펴보고 싶은 것은 일반적으로 부작용 비율이 얼마인지 확인하는 것입니다.
여기 연구에 참여한 각 사이트의 부작용 수를 보여주는 플롯이 있습니다. 이 경우 사이트에 여러 연구가 있습니다. 25개 사이트나 30개 사이트 정도일 겁니다. 이것은 매주 발생하는 부작용입니다. 시험에 참여한 피험자들이 매주 기록하고 있습니다. 흥미로운 패턴이 눈에 띄네요. 이런 상하 패턴을 눈여겨보세요. 또한 종종 높아지다가 낮아지는 것을 눈여겨보세요.
사실, 제가 여기 제어판으로 가서 사이트 ID를 제거하고 그것을 플롯하고 표시하면, 그게 평균 카운트에 대한 카운트 합계를 정렬하는 것일 뿐인데, 올라가다가 내려갑니다. "무슨 일이 일어나고 있는 거지?"라고 생각하게 됩니다. 피험자들은 다른 시간에 시험에 참여합니다. 연구가 시작되고, 피험자들은 다른 사이트에서 다른 비율로 참여하기 시작합니다. 그래서 피험자가 몇 명 있고, 피험자가 더 많아지고, 피험자가 시험에 참여하고, 시간이 지남에 따라 피험자가 점점 줄어드는 지점이 있습니다.
부작용은 피험자 수에 비례하고, 아마도 피험자가 시험에서 약물이나 위약에 노출된 정도에 비례하기 때문에, 그것도 지표가 됩니다. 이 경우, 이 플롯을 다시 보면, 이 시험에서 일어나는 일은 투약이 2주마다 이루어지고, 이것은 주간 차트입니다. 이 작은 스파이크를 보세요. 부작용이 2주마다 일어나는 것 같습니다. 부작용의 비율이나 부작용의 수가 노출과 관련이 있다는 것을 나타내는 지표일 가능성이 큽니다.
우리가 할 수 있는 것은 들어가서 실제로 노출을 살펴보는 것입니다. 노출은 피험자가 치료에 노출된 일수를 의미하고, 여기에 비슷한 그래프를 만듭니다. 저는 주별 노출을 살펴보려고 합니다. 그 노출은 모든 사이트에 걸쳐 있지만, 그 노출은 점점 더, 더, 더, 더, 더하다가 떨어집니다. 사이트별로 나누고 그 플롯을 보고, 이전에 했던 것과 비슷한 플롯을 만들면 노출에서도 이런 위아래 결과가 매우 유사한 패턴을 볼 수 있습니다.
그러면 부작용의 비율을 정확하게 파악하려면 약물 노출에 따라 조정해야 한다는 생각이 들게 됩니다. 이를 위한 간단한 방법은 비율을 취하는 것입니다. 부작용의 수를 노출로 나누면 됩니다.
저는 이것을 정리하기 위해 많은 데이터 작업을 했습니다. 여기에 데이터 표가 있습니다. 두 표를 합치고, 부작용 수를 노출 합계로 나눈 비율을 구합니다. 그 그래프를 보면 모든 사이트를 중첩한 것을 알 수 있습니다. 알다시피, 일반적으로 범위 내에 있고 비교적 안정적입니다. 이상치로 보이는 몇몇 지점을 제외하고는요.
이제 측정 기준이 있다고 합시다. 노출 조정 부작용 발생률인 지표를 정의했습니다. 이제 한계를 설정하고 싶습니다. 한계를 어떻게 설정해야 할까요? 하나는 임상적 관점에서 무엇이어야 하는지 알고 있다면, 좋은 과학적 지식과 전문성이 있다면, 한계를 설정하고 플롯에 그릴 수 있습니다. 하지만 많은 경우, 우리는 데이터를 보고 이것이 과거 연구라고 말하고, 그 데이터의 변동을 보고 데이터 변동의 가장자리나 데이터 변동에 기반한 어딘가에 한계를 설정하고 싶을 것입니다.
이 경우, 우리는 그 결과의 분포를 살펴볼 수 있습니다. 이 노출 조정 부작용 발생률에 로그를 취하면 매우 정규 분포된 것처럼 보입니다. 즉, 데이터 자체가 아마도 로그로 기록되고 정규 분포되어 있다는 뜻인데, 좋습니다. 즉, 데이터에 분포를 맞추고 그로부터 백분위수를 추정할 수 있고, 아니면 관찰된 백분위수를 사용할 수도 있습니다. 여기에는 많은 데이터가 있으므로 백분위수만 사용할 수도 있습니다.
한 가지 접근 방식은, 95번째 백분위수와 그 5번째 백분위수를 취하고, 물론 역방향 변환을 수행하고, 로그에서 시작하여 원래 스케일로 다시 변환하고, 그것을 한계로 사용하는 것입니다. 또한, 좀 더 엄격한 한계, 예를 들어 경고 한계를 원할 수도 있습니다. 경고 한계 밖의 것들을 철저히 조사하거나 그렇게 걱정하지 않을 수도 있지만, 그것도 한계로 두고 싶을 수도 있습니다. 경고 한계로 20번째에서 80번째 백분위수와 같은 것을 사용할 수도 있습니다.
적절한 한계를 결정할 수 있는 마지막 방법은 대부분의 데이터를 포괄할 수 있는 한계를 원하고 극단적이고 정상적인 데이터 범위를 벗어난 것만을 살펴보고 싶다면 다양한 적용 범위로 허용 범위 구간을 계산할 수 있습니다. 이 경우, 저는 몇 가지 다른 허용 범위 구간을 계산했지만 그래프에 95% 적용 범위, 95% 허용 범위 구간을 표시하겠습니다.
여기 데이터 테이블로 돌아가서 그걸 플로팅할 거예요. 멋진 그래프가 있어요. 녹색에 있고, 녹색 범위는 경고 한계 안에 있어요. 그러니까 20번째, 80번째 백분위수예요. 녹색에 있는 것들은 아마 괜찮을 거예요. 또한 Y축에 로그 스케일로 모든 것을 플로팅했는데, 로그가 정규 분포하는 것 같거든요.
그러면 노란색 범위는 그것이... 노란색에 있는 것은 모두 경고 구역에 있습니다. 아마 살펴보고 싶겠지만, 그렇게 걱정할 필요는 없을 겁니다. 그러면 노란색 범위 밖에 있다면 실패한 것이고, 정말 더 심각한 조사를 해야 합니다. 또한 대시 선을 사용할 수도 있는데, 대시 선은 상한 허용 한계와 하한 허용 한계입니다.
약간 혼란스러운데, ICH E6 용어로 한계를 품질 허용 한계라고 부르는데, 저는 그것이 단지 허용 한계, 즉 통계적 허용 한계라고 말하고 있습니다. 두 가지 다른 의미가 있습니다. 통계적 허용 한계가 있습니다. 그것은 단지 데이터로 만들어졌지만, 품질 허용 한계는 본질적으로 사양입니다. 당신은 그것을 실패하고 싶지 않을 것입니다. 만약 당신이 그것을 실패한다면, 당신은 조사해야 합니다.
데이터를 시각화하는 좋은 방법입니다. 여기로 바로 갈 수도 있고, 사이트별로 나누고 싶지 않을 수도 있습니다. 사이트 ID를 제거하고 추세 플롯으로 볼 수도 있습니다. 이제 여기에서 상당히 많은 이벤트가 발생하고 있음을 알 수 있습니다. 위의 지점은 부작용 발생률이 더 높거나 과다 보고라고 부르는 것을 나타냅니다. "무슨 일이 일어나고 있는 거지?"라고 말하고 싶을 것입니다. 이는 치료 자체에 대한 신호일 수도 있지만, 약물을 투여하는 방식이나 부작용을 기록하는 방식일 수도 있습니다. 부작용이 높을 수 있는 데에는 여러 가지 이유가 있습니다.
하지만 정말 낮고 비정상적으로 낮은 경우도 있습니다. 이 각각은 다른 주의 다른 사이트를 나타냅니다. 부작용이 제대로 기록되고 있을 수도 있습니다. 부작용을 기록하고 있는지도 확인해야 합니다. 이것이 부작용 노출 조정율입니다.
살펴볼 만한 또 다른 사항은 편차입니다. 편차는 어떤 이유로 연구 프로토콜을 따르지 않은 경우입니다. 누군가가 양식을 올바르게 작성하지 않았을 수도 있습니다. 누군가가 받아야 할 실험실 검사가 진행되지 않았을 수도 있습니다. 기록되지 않았을 수도 있습니다. 피험자가 정기적인 방문을 놓쳤을 수도 있습니다. 편차가 발생할 수 있는 이유는 많습니다. 다시 말해서, 이것은 주별 각 사이트에서 발생한 편차 수입니다.
그것을 보면, 노출과는 관련이 없지만, 여기서 사이트 ID를 제거하면... 다시 시작하겠습니다. 주를 보고, 이 경우 주를 명목상으로 만들어서 카테고리처럼 무료가 되게 한 다음, 편차 수를 보고 여기에 합계가 있는 막대 차트를 만듭니다. 여기 있습니다. 편차 수도 비슷한 패턴을 보이는데, 증가하다가 감소하다가 다시 증가하다가 감소합니다. 이는 노출과 관련이 있을 수 있습니다.
이것과 관련된 또 다른 과제는 이 데이터의 노출 기간이 대략 여기 바로 이 영역이라는 것입니다. 하지만 그 이후에 발생할 수 있는 일, 나중에 발견되는 편차와 문제가 있습니다. 제가 한 가지 한 가지는 노출 조정 편차율을 시도하여 그래프로 표시한 것입니다. 괜찮은 것 같지만, 여기서 마지막에 일어나는 일은, 우선 연구 후반부에 주간 노출이 없기 때문에 다른 지표가 필요할 것입니다. 아마도 사이트에서 누적 노출과 같은 것을 수행하고 진행하면서 사용해야 할 것입니다. 마지막에 도달하면 발생한 총 노출량이 있습니다.
하지만 이번에는 그렇게 하지 않았지만, 앞으로 작업해야 할 일입니다. 다시 말하지만, 비슷한 방식으로 백분위수를 사용하여 일부 한계를 계산하고 그래프에 중첩했습니다.
마지막으로, 시간 경과에 따른 모니터링을 위해 JMP에서 이 작업을 하고 있다는 점을 말씀드리고 싶습니다. Clinical에는 현재 이 프레임워크를 정확히 수행하는 것이 없지만, JMP Clinical에서 이를 위해 작업 중이며 앞으로 일부 기능을 제공할 계획입니다.
하지만 JMP Clinical에서 우리가 가진 또 다른 것은 위험 기반 모니터링 보고서가 있다는 것입니다. 이 보고서가 하는 일은 연구에 대한 전반적인 관점을 취하는 것입니다. 전체 연구 데이터를 취하고, 주요 위험 지표를 계산하고, 정의된 기준과 비교합니다. 기본적으로 우리가 이전에 했던 것과 같은 것입니다. 방법론이 현재 방법론과 약간 다를 뿐입니다.
하지만 JMP Clinical에서 이 보고서를 실행하면 버전 18에서 제공됩니다. 버전 8에는 있었습니다. 버전 17에는 없었지만 지금은 버전 18에 있습니다. 이 보고서를 실행해 보겠습니다. 다시 말하지만, 여러 가지 주요 위험 지표를 계산하여 대화 상자에 있는 정의된 임계값과 비교합니다. 임계값 파일을 선택했습니다. 그런 다음 멋진 요약 그래프로 표시합니다.
위험 지표의 히트맵이 있는데, 점수에 따라 빨간색, 노란색, 초록색입니다. 다시 말하지만, 빨간색은 본질적으로 품질 허용 한계에 도달하지 못한 것과 같습니다. 노란색은 경고 구역입니다. 초록색은 아마도 괜찮을 것입니다. 여기에는 다른 지표가 있습니다. 안전성에 기반한 지표가 있습니다. 예를 들어, 무작위 피험자당 주당 부작용 수, 주당 심각한 부작용 수, 환자당 주당 사망 수, 무작위 피험자당 사망 비율, 중단된 무작위 피험자 비율입니다.
중단은 환자가 중도 포기하는 이유에 대해 걱정해야 할 것입니다. 약이 효과가 없거나, 부작용이 있거나, 자신이 있는 사이트가 마음에 들지 않아서 중도 포기합니다. 이유는 다양합니다. 등록과 관련된 것도 있습니다. 이것들은 프로토콜 위반입니다. 누군가가 정보 제공 동의서에 서명하지 않았습니까? 얼마나 많은 사람이 스크리닝에 실패하여 연구에 참여할 수 없었습니까?
그러면 전반적인 위험 지표는 개별 위험 지표의 가중 평균일 뿐입니다. 모든 사이트에서 전체적으로 볼 수 있는 곳이 있습니다. 또한 특정 사이트를 자세히 살펴보고 싶다면 개별 사이트의 결과에 대한 막대 차트를 볼 수 있습니다.
오늘은 여기까지입니다. 하지만 이것은 JMP와 JMP Clinical을 사용하여 위험 기반 품질 모니터링을 수행하고, 실제 보고 및 분석을 수행하고, 이를 사용하여 데이터를 탐색하고 연구에서 이러한 문제가 어디에서 발생할 수 있는지 알아내는 방법의 예입니다. 감사합니다.
