大多數不良事件 (AE) 分析都是基於患者層面事件的存在或不存在。例如，如果患者經歷一次或多次頭痛，則認為他們“成功”，因為該事件發生了（= 1）。沒有出現頭痛的患者被視為失敗（= 0）。在傳統的安全性總結中，會列出每個治療組經歷一次或多次頭痛的患者人數，並比較各治療組之間經歷頭痛的受試者的比例（或比值比或風險比）。該分析具有重大的限制。首先，經歷一次事件的患者與經歷多次事件的患者俱有相同的權重，並且不區分患者可能經歷的事件數量（沒有經歷任何事件的患者除外）。其次，分析中完全忽略了這些事件發生的時間。研究團隊無法了解事件是在治療早期還是治療晚期發生，或者事件的發生是否隨著時間的推移而持續、增加或減少。即將推出的JMP Clinical 19.0中的復發報告可以輕鬆篩選臨床試驗中值得注意的安全問題。在這篇文章中，我們使用可能患有輕度至中度阿茲海默症的患者的數據來說明方法。
當使用 CDISC 標準時，AE 或 ADAE 資料集總結了研究中患者所經歷的事件，但需要更多資訊來進行復發分析。需要為所有患者（而不僅僅是經歷特定 AE 的患者）定義代表適當追蹤期開始和結束的日期。此外，適當的後續日期的確定將取決於分析感興趣的 AE 類型（圖 1）。
圖 1. 特定不良事件的追蹤
- 所有事件包括知情同意書籤名後直至患者結束研究參與期間可能發生的任何不良事件。
- 治療突發事件包括由治療組確定的、在研究治療的第一次劑量時或之後可能發生的任何不良事件。
- 治療事件包括在研究療法首次給藥時或之後以及研究療法最後一次給藥之前或之時發生的任何不良事件。
- 治療前事件包括研究療法首次給藥之前可能發生的任何不良事件。
- 停止治療事件包括研究治療的最後一劑後可能發生的任何不良事件。
Ohidul Siddiqui 描述了傳統 AE 分析的局限性，以及如何透過平均累積函數 (MCF)分析提供更具資訊量的分析。簡而言之， MCF是到特定時間為止的累積事件的平均數。這是一種非參數分析，對 MCF 的形式沒有任何假設，並且在階梯函數的任何給定點，MCF 都可以解釋為所有患者的個體累積 AE 曲線的平均值。使用 MCF 進行複發分析已廣泛應用於製造應用中，以評估產品隨時間故障的可能性，而 JMP 中的複發分析平台可執行這些分析。然而，這些分析在醫療產品開發和後續監管審查中並不容易進行。造成這種情況的原因可能有以下幾種：
- 有限的軟體。如 Siddiqui 所描述的，這些方法可以在 SAS QC 軟體的一部分過程可靠性中使用。根據我的經驗，參與臨床試驗設計和分析的統計團隊很少能使用該軟體。 PROC PHREG 能夠透過一些額外的假設以及我認為是一種具有挑戰性的溝通後續時期的方式進行復發分析。雖然這在過去 SAS 主導的監管環境中可能是一個更大的限制，但復發分析似乎仍然沒有定期進行。例如，它們不是 FDA 標準安全輸出的一部分。
- 數據可視化負擔。也許缺乏對遞歸分析的常規使用是因為需要數據視覺化來幫助傳達數據背後的故事。例如，是否有人在任何地方進行過 Kaplan-Meier 分析，但沒有附帶曲線來傳達特定的終點？這是極不可能的。但考慮到典型的臨床試驗中存在大量的不良事件，這會帶來非常大的分析負擔。此外，需要一種直接的方法來快速審查多個復發分析，以識別最重要的訊號。
- 罕見事件。雖然最棘手的 AE 往往比較少見，使得復發分析有點過度，但有些治療領域存在大量 AE，傳統的 AE 分析方法反而會造成傷害。此外，許多常見的不良事件都需要更多資訊豐富的摘要。即使在事件罕見的情況下，也會考慮這些事件的明確時間，這比僅僅總結發生率更有參考價值。
- 分析素養。也許這些方法沒有被使用是因為統計學家和資料科學家沒有很好地解釋為什麼需要這些分析以及如何解釋結果輸出。在此，我充滿希望。臨床醫師已經非常熟悉 Kaplan-Meier 曲線，且 MCF 圖並沒有太大差異。
JMP Clinical 19.0 解決了上述許多問題。分析速度快、圖形化程度高、互動性強。此外，復發報告以摘要形式呈現，有助於識別具有顯著較大 MCF 或治療組間差異的特定 AE。
治療中出現的不良事件總結於以下分析。
