Die jüngsten Aktualisierungen der Leitlinien für Gute Klinische Praxis (GCP, ICH E6[R2]) haben das Konzept der Anwendung von Quality-by-Design-Prinzipien auf die Planung, Analyse und Überwachung klinischer Studien in der pharmazeutischen Industrie gefördert. Die drei Kernaspekte dieses Ansatzes sind Definition, Überwachung und Berichterstattung.
JMP-Produkte werden in der Pharmaindustrie seit vielen Jahren eingesetzt, um QbD in der nichtklinischen Entwicklung und Herstellung anzuwenden; JMP und JMP Clinical eignen sich gut, um die gleiche Art von Analyse für klinische Studien durchzuführen.
In diesem Vortrag beschreiben wir das GCP QbD-Framework und zeigen ein Beispiel dafür, wie JMP und JMP Clinical zur Überwachung klinischer Studien mithilfe dieses Frameworks eingesetzt werden können.
Mein Vortrag behandelt risikobasiertes Qualitätsmanagement, Qualitätsrisikomanagement, Quality by Design sowie zugehörige Instrumente und Herausforderungen im klinischen Studienumfeld. Ich heiße Chris Wells und arbeite für Roche Products Limited. Ich möchte betonen, dass die in diesem Vortrag geäußerten Ansichten meine eigenen sind und nicht unbedingt die von Roche Products Limited widerspiegeln.
Risikobasiertes Qualitätsmanagement (RBQM) und Qualitätsrisikomanagement (QRM) – was genau verbirgt sich dahinter? Risikobasiertes Qualitätsmanagement bietet einen Rahmen für die Steuerung der Gesamtqualität klinischer Studien. Es identifiziert kritische Prozesse und Daten, um sicherzustellen, dass Ressourcen gezielt auf diese Bereiche konzentriert werden. Ziel des risikobasierten Qualitätsmanagements ist es, Risiken während des gesamten klinischen Studienprozesses proaktiv und systematisch zu erkennen und zu managen.
Qualitätsrisikomanagement ist ebenfalls 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 geeignete Maßnahmen zu deren Minderung zu implementieren. Qualitätsrisikomanagement ist ein wesentlicher Bestandteil eines umfassenden Qualitätsmanagementsystems und unerlässlich für die Patientensicherheit und die Einhaltung regulatorischer Vorgaben. Es berücksichtigt alle Prozesse und alle potenziellen Risiken.
Warum ist das wichtig? RBQM und QRM sind beides wesentliche Bestandteile eines umfassenden Qualitätsmanagementsystems in klinischen Studien. Obwohl sie unterschiedliche Schwerpunkte und Methoden haben, ergänzen sie sich in ihren Ansätzen zur Risikosteuerung und Qualitätssicherung. Die Implementierung von RBQM und QRM ist entscheidend für die Patientensicherheit, die Datenintegrität und die Einhaltung regulatorischer Vorgaben.
Betrachten wir einmal das Konzept „Qualität durch Design“. Qualitätsdesign ist ein Rahmenwerk, das Qualität in die Planung, Durchführung und Überwachung klinischer Studien integriert. Dazu gehören beispielsweise standardisierte Protokollvorlagen, standardisierte elektronische Fallberichtsformulare sowie die Einbeziehung von Vorwissen und des verwendeten Versuchsdesigns.
Qualitätsmanagement durch Design umfasst vier Hauptkomponenten: die Menschen, die Prozesse, die Werkzeuge und die Kultur. Im Hinblick auf die Menschen benötigen Sie qualifizierte Fachkräfte mit Erfahrung im Risikomanagement. Sie benötigen durchgängige Prozesse für Qualitätsmanagement durch Design und Qualitätsrisikomanagement in klinischen Studien. Elektronische Systeme gewährleisten einheitliche Vorgehensweisen im gesamten Unternehmen. Die Kultur, insbesondere die Kultur klinischer Studien und die Qualitätssicherung in klinischen Studien, muss vom Studienteam selbst verantwortet werden.
Nun zu den ICH-Leitlinien. Diese werden vom Internationalen Rat für die Harmonisierung technischer Anforderungen an Arzneimittel für den menschlichen Gebrauch (ICH) erstellt. Der ICH ist insofern einzigartig, als er die Zulassungsbehörden und die pharmazeutische Industrie zusammenbringt, 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 risikobasierte Qualitätsmanagement (RBQM) wird durch ICH E6 R2 und die in Kürze erscheinende ICH E6 R3 geregelt. Diese empfehlen einen risikobasierten Ansatz für das Qualitätsmanagement.
Qualitätsmanagement durch Design wird durch ICH E8 R1 geregelt, Qualität durch ICH Q9. Diese Richtlinien zielen darauf ab, Qualität in die Studienplanung zu integrieren. Wirksamkeit wird durch ICH E9 geregelt. Die in ICH E9 (R1) dargelegten Prinzipien für die Zielgrößen – oder genauer gesagt, für die primären und sekundären sowie die wichtigsten sekundären Endpunkte – sind relevant, „immer dann, wenn ein Behandlungseffekt geschätzt oder eine Hypothese zu einem Behandlungseffekt getestet wird, sei es hinsichtlich Wirksamkeit oder Sicherheit.“
Im risikobasierten Qualitätsmanagement (RBQM) werden verschiedene Instrumente und Kennzahlen eingesetzt. Unsere wichtigsten Kennzahlen sind Qualitätstoleranzgrenzen (QTLs) und Schlüsselrisikoindikatoren (KRIs). Sie sind zentrale Kennzahlen jedes risikobasierten Qualitätsmanagementsystems. QTLs dienen der Identifizierung systematischer Abweichungen auf Studienebene, während KRIs typischerweise risikomindernde Maßnahmen auf Standortebene auslösen. Ein Beispiel für einen KRI wäre die durchschnittliche Dateneingabezeit am Studienzentrum. Bei einer QTL könnte dies der Anteil der Patienten sein, die die Studienteilnahme vorzeitig abgebrochen haben.
Rechts auf dem Bildschirm sehen Sie einige Beispiele. Oben ist das Bayes'sche hierarchische Modell abgebildet, ein Beispiel für eine Methodik zur Festlegung von Qualitätstoleranzgrenzen. Außerdem wird ein Beispiel für eine KRI-Metrik gezeigt.
Statistische Überwachung ist eine weitere verwendete Metrik. Sie nutzt komplexe statistische Algorithmen, um Ausreißer und Anomalien in den Studiendaten zu erkennen. Die Ergebnisse fließen in verschiedene Überwachungs- oder Eskalationsmaßnahmen ein. JMP Clinical ist ein ideales Werkzeug für die Durchführung statistischer Überwachung.
Datenqualitätslücken. Hierbei handelt es sich um verschiedene Tools zur Erkennung von Anomalien oder Ausreißern in den Daten. Ein Beispiel hierfür ist das Abfragemanagement. Wir fragen uns: Führen manche Standorte mehr Abfragen durch als andere? Führen diese Abfragen zu Datenänderungen? Beziehen sich die Abfragen ausschließlich auf kritische Daten? Diese Punkte erfordern Maßnahmen, um die Anzahl der Abfragen innerhalb einer Studie zu reduzieren und sicherzustellen, dass sich die Studie auf Abfragen konzentriert, die zu Datenänderungen führen und nur kritische Daten betreffen.
Die größte Herausforderung liegt in der Implementierung innerhalb des RBQM-Prozesses. Gründe hierfür sind unter anderem methodische Aspekte. Es existiert eine Vielzahl von Methoden. Bis vor Kurzem wurde in der Branche kaum darüber kommuniziert, welche Methode die einzelnen Unternehmen anwenden. Es gab keine Standardisierung. Doch in letzter Zeit haben sich mehrere Organisationen zusammengeschlossen und Dokumente zu diesem Thema veröffentlicht. Es entwickelt sich zunehmend ein Austauschumfeld. Dies 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 verschiedenen Gründen schwer zugänglich sind oder es sogar sein kann, dass keine passenden Daten für die aktuelle Studie vorliegen.
Die Studienplanung stellt aufgrund der Vielfalt der Studien in Ihrem Portfolio eine große Herausforderung dar. Es gibt kleine Studien, Plattformstudien, Basket-Studien und Kohortenstudien, bei denen die Patientenzahl pro Gruppe sehr gering ist. Dies kann, je nach angewandter Methodik, die Planung erheblich erschweren. Hinzu kommen sehr komplexe Studiendesigns und dezentrale Studien, bei denen die Studienzentren möglicherweise nicht auf herkömmliche Weise genutzt werden.
Die für KRIs oder QTLs zu verwendenden Parameter sind mitunter schwer verständlich. Ich denke jedoch, dass die Implementierung des Estimand-Frameworks es den Teams zunehmend erleichtert, den Fokus ihrer Reviews gezielter auszurichten. Letztendlich bleibt es trotz statistischer Fundierung keine exakte Wissenschaft.
Ein weiterer schwieriger Aspekt ist die fehlende Unterstützung durch das Top-Management. Diese ist jedoch entscheidend für den Erfolg von RBQM. Ich denke, dass das Verständnis für die Bedeutung von RBQM branchenweit bei Führungskräften zunimmt. Die Implementierung und das Verständnis können jedoch komplex sein und sind nicht so eindeutig wie bei Kontrollkarten im Produktionsumfeld. Auch die Auswahl der besten Werkzeuge und Prozesse sowie deren Implementierung sind oft schwierig. Häufig herrscht in den Studienteams Zweifel an deren Aussagekraft.
Hier ergeben sich zahlreiche Herausforderungen für die Teams, die RBQM aufbauen. Damit beende ich meine Präsentation und übergebe das Wort an Sam.
Danke, Chris, für den Überblick über das risikobasierte Qualitätsmanagement in diesem neuen Rahmenwerk, das die wichtigsten Risikoindikatoren und Qualitätstoleranzgrenzen nutzt, sowie über die damit verbundenen Herausforderungen. Ich zeige Ihnen nun, wie Sie einige dieser Aufgaben mit JMP und auch mit JMP Clinical umsetzen können.
Ich bin Senior Produktmanager für den Bereich Gesundheit und Biowissenschaften bei JMP. JMP Clinical ist ein spezialisiertes Produkt für die Auswertung klinischer Studiendaten. Es bietet Nutzern sofort einsatzbereite Funktionen für umfassende Analysen klinischer Studien auf Studienzentrums- und Patientenebene. Die Software wird in der gesamten pharmazeutischen Industrie und von zahlreichen Zulassungsbehörden weltweit eingesetzt. Ihr Fokus liegt auf Sicherheitsbewertung, medizinischem Monitoring und Studienmonitoring.
Es handelt sich um eines unserer vier Hauptprodukte von JMP: JMP, JMP Pro, JMP Clinical und JMP Live. JMP Clinical ist eine Erweiterung von JMP und läuft auf JMP Pro auf Basis der JMP-Skriptsprache, um alle Aktionen und Berichte von JMP Clinical zu automatisieren.
JMP Pro ist ein umfassendes Programm für Statistik, Datenanalyse und Datenvisualisierung. Dank seiner Flexibilität und der Anpassungsmöglichkeiten mit der JMP-Skriptsprache ermöglicht es die Entwicklung eigener Anwendungen. Zudem lassen sich Verbindungen zu anderen Tools wie SAS und Open-Source-Tools wie R, Python und Matlab herstellen.
JMP Clinical verwendet ebenfalls Datenstandards. Die Verwendung eines Datenstandards ermöglicht die Entwicklung standardisierter Analysen. Wir nutzen die CDISC-Datenstandards, insbesondere das Study Data Tabulation Model (SDTM) und das Analysis Data Model (ADM). Diese Datenstandards sind für die Zulassung neuer Produkte in den USA und Japan vorgeschrieben und werden auch in vielen anderen Regionen empfohlen.
Ein klar definiertes Datenmodell ermöglicht die Entwicklung standardisierter Analysemethoden. JMP Clinical nutzt dies bereits seit vielen Jahren. In einem kürzlich erschienenen Artikel, den Sie dort finden, sehen Sie Beispiele dafür, wie die Datenstandards eine standardisierte Berichterstellung ermöglichen.
Ich zeige Ihnen nun, wie Sie einige dieser Schritte in JMP umsetzen. Hier sehen Sie JMP Clinical. Ich habe eigens Daten analysiert, um ein einfaches Beispiel zu entwickeln, wie Sie einen dieser Schlüsselrisikoindikatoren zusammenstellen und Grenzwerte festlegen können.
Wir werden uns auf zwei verschiedene Datentypen konzentrieren, die in einer Studie erhoben werden können. Zum einen die unerwünschten Ereignisse, also alles, was bei den Studienteilnehmern auftritt und schädlich oder medizinisch oder anderweitig unerwünschte Ereignisse sind, die mit dem Medikament in Zusammenhang stehen können oder nicht. In diesem Fall möchten Sie wissen, wie hoch die allgemeine Rate unerwünschter Ereignisse ist.
Ich habe hier ein Diagramm, das die Anzahl der unerwünschten Ereignisse für jeden Studienstandort zeigt. In diesem Fall gibt es mehrere Studien an diesem Standort. Ich schätze, etwa 25 oder 30 Standorte. Dies sind die unerwünschten Ereignisse, die wöchentlich auftreten. Sie werden wöchentlich von den Studienteilnehmern dokumentiert. Man erkennt ein interessantes Muster: einen Auf- und Abwärtstrend. Man sieht auch, dass die Anzahl oft stark ansteigt und dann wieder stark abfällt.
Wenn ich hier im Kontrollfeld die Standort-ID entferne und nur die Summe der Zählungen für die durchschnittlichen Zählungen darstelle, sehe ich, dass der Wert zunächst ansteigt und dann wieder abfällt. Man fragt sich: „Was ist da los?“ Die Studienteilnehmer treten zu unterschiedlichen Zeitpunkten in die Studie ein. Die Studie beginnt, und dann werden an den verschiedenen Standorten unterschiedlich viele Teilnehmer rekrutiert. Es gibt also einen Punkt, an dem die Teilnehmerzahl zunächst gering ist, dann steigt sie immer weiter an und sinkt schließlich im Laufe der Zeit wieder.
Da die unerwünschten Ereignisse proportional zur Anzahl der Studienteilnehmer und wahrscheinlich auch proportional zur Exposition gegenüber dem Medikament oder dem Placebo in der Studie sind, ist dies ebenfalls ein Indiz. Wenn Sie sich diese Grafik noch einmal ansehen, sehen Sie, dass in dieser Studie die Dosierung alle zwei Wochen erfolgt und es sich um ein Wochendiagramm handelt. Sie erkennen diese kleinen Spitzen. Es sieht so aus, als ob alle zwei Wochen unerwünschte Ereignisse auftreten. Dies ist wahrscheinlich ein Hinweis darauf, dass die Häufigkeit oder Anzahl der unerwünschten Ereignisse mit der Exposition zusammenhängt.
Wir können uns die Exposition genauer ansehen. Exposition bedeutet, wie viele Tage die Testperson der Behandlung ausgesetzt war. Wir erstellen dazu ein ähnliches Diagramm. Ich betrachte die Exposition wöchentlich. Man sieht, dass die Exposition – über alle Standorte hinweg – zunächst stetig zunimmt und dann wieder abfällt. Wenn wir die Daten nach Standort aufschlüsseln und ein ähnliches Diagramm wie zuvor erstellen, erkennen wir ein sehr ähnliches Muster mit Anstieg und Abfall der Exposition.
Das lässt vermuten, dass ich, um ein genaues Bild der Rate unerwünschter Ereignisse zu erhalten, diese anhand der Arzneimittelexposition korrigieren muss. Eine einfache Methode hierfür ist die Berechnung des Verhältnisses: Man teilt die Anzahl der unerwünschten Ereignisse durch die Exposition.
Ich habe viel Datenarbeit geleistet, um das zusammenzustellen. Hier ist eine Datentabelle. Wir fügen die beiden Tabellen zusammen, und dann berechnen wir einfach das Verhältnis der Anzahl unerwünschter Ereignisse zur Gesamtexposition. In der Grafik sehen wir, dass sie alle Standorte überlagert. Man sieht, dass die Werte im Allgemeinen in einem gewissen Bereich liegen und recht stabil sind, abgesehen von einigen Ausreißern.
Angenommen, ich habe eine Kennzahl definiert, nämlich die expositionsbereinigte Rate unerwünschter Ereignisse. Nun möchte ich Grenzwerte dafür festlegen. Wie gehe ich dabei vor? Eine Möglichkeit wäre, wenn man aus klinischer Sicht weiß, wie hoch der Wert sein sollte – also über fundierte wissenschaftliche Kenntnisse und Expertise verfügt –, dass man einfach einen Grenzwert festlegen und ihn in einem Diagramm einzeichnen kann. Häufig betrachten wir jedoch die Daten und gehen beispielsweise so vor: „Das war eine historische Studie.“ Wir analysieren die Streuung der Daten und legen Grenzwerte fest, die an den Rändern dieser Streuung liegen oder auf deren Grundlage bestimmt werden.
In diesem Fall können wir uns die Verteilung der Ergebnisse ansehen. Es zeigt sich, dass die logarithmierte, expositionsbereinigte Rate unerwünschter Ereignisse nahezu normalverteilt ist. Das bedeutet, dass die Daten selbst wahrscheinlich logarithmisch und normalverteilt sind, was vorteilhaft ist. Ich kann also eine Verteilung an die Daten anpassen und daraus Perzentile schätzen oder einfach die beobachteten Perzentile verwenden. Da es sich um eine große Datenmenge handelt, können wir wahrscheinlich die Perzentile verwenden.
Ein Ansatz wäre beispielsweise, das 95. und das 5. Perzentil zu nehmen, die Rücktransformation durchzuführen (vom Logarithmus zurück zur ursprünglichen Skala) und diese Werte als Grenzwerte zu verwenden. Zusätzlich könnten Sie engere Grenzwerte, beispielsweise Warngrenzen, festlegen. Werte außerhalb dieser Warngrenzen werden möglicherweise nicht so gründlich untersucht oder so stark beachtet, aber es wäre dennoch sinnvoll, auch diese als Grenzwert zu definieren. Sie könnten beispielsweise das 20. bis 80. Perzentil als Warngrenzen verwenden.
Die letzte Möglichkeit, einen geeigneten Grenzwert zu bestimmen, besteht darin, ein Toleranzintervall mit verschiedenen Abdeckungsbereichen zu berechnen, um einen Grenzwert festzulegen, der den Großteil der Daten abdeckt und sich auf extreme Werte außerhalb des normalen Datenbereichs konzentriert. In diesem Fall habe ich mehrere Toleranzintervalle berechnet; im Diagramm zeige ich das 95%-Abdeckungs- und 95%-Toleranzintervall.
Wenn ich hier zur Datentabelle zurückgehe und sie grafisch darstelle, ergibt sich ein übersichtliches Diagramm. Die grünen Werte liegen innerhalb des Warnbereichs, also zwischen dem 20. und 80. Perzentil. Werte im grünen Bereich sind wahrscheinlich unbedenklich. Ich habe die Daten außerdem logarithmisch auf der Y-Achse skaliert, da sie anscheinend logarithmisch normalverteilt sind.
Der gelbe Bereich markiert den Bereich, in dem... Alles innerhalb des gelben Bereichs befindet sich im Warnbereich. Ein Blick darauf ist ratsam, aber vielleicht noch nicht allzu besorgniserregend. Außerhalb des gelben Bereichs ist die Toleranzgrenze überschritten, und eine eingehendere Untersuchung ist erforderlich. Alternativ können Sie die gestrichelten Linien verwenden, die die obere und untere Toleranzgrenze darstellen.
Es ist etwas verwirrend, denn in der ICH-E6-Terminologie wird die Grenze als Qualitätstoleranzgrenze bezeichnet, ich meine aber lediglich eine Toleranzgrenze, genauer gesagt eine statistische Toleranzgrenze. Es gibt zwei unterschiedliche Bedeutungen. Die statistische Toleranzgrenze basiert auf den Daten, die Qualitätstoleranzgrenze hingegen ist im Wesentlichen die Spezifikation. Diese darf nicht überschritten werden. Bei einer Überschreitung muss der Grund untersucht werden.
Eine gute Möglichkeit, die Daten zu visualisieren. Wir könnten auch einfach hierhin gehen, und vielleicht möchten wir die Daten nicht nach Standort aufschlüsseln. Wir können die Standort-ID entfernen und uns die Daten als Trenddiagramm ansehen. Hier sieht man, dass hier eine beträchtliche Anzahl von Ereignissen stattfindet. Die oben genannten Punkte deuten auf eine höhere Rate an unerwünschten Ereignissen hin, oder vielleicht auf das, was Sie als Überberichterstattung bezeichnen. Man fragt sich: „Was ist da los?“ Das könnte ein Hinweis auf die Behandlung selbst sein, aber auch auf die Art der Medikamentenverabreichung oder die Art der Erfassung unerwünschter Ereignisse. Es gibt verschiedene Gründe für diese hohe Rate.
Es gibt aber auch die sehr niedrigen und ungewöhnlich niedrigen Werte. Jeder dieser Werte repräsentiert einen anderen Standort in einer anderen Woche. Möglicherweise werden unerwünschte Ereignisse korrekt erfasst. Sie sollten sicherstellen, dass dies auch geschieht, dass Sie die unerwünschten Ereignisse erfassen. Dies ist die um die Exposition bereinigte Rate unerwünschter Ereignisse.
Ein weiterer wichtiger Punkt sind Abweichungen. Eine Abweichung liegt vor, wenn das Studienprotokoll aus irgendeinem Grund nicht eingehalten wurde. Beispielsweise wurde ein Formular möglicherweise nicht korrekt ausgefüllt, eine geplante Laboruntersuchung nicht durchgeführt oder nicht dokumentiert. Auch ein Studienteilnehmer hat einen regulären Termin versäumt. Es gibt viele Gründe für Abweichungen. Die hier aufgeführten Daten zeigen die Anzahl der Abweichungen pro Studienzentrum und Woche.
Wenn man sich das ansieht, ist der Zusammenhang mit der Reichweite nicht ganz so offensichtlich. Aber wenn ich die Website-ID hier entferne … Ich fange von vorne an. Ich betrachte die Woche und mache sie in diesem Fall zu einer nominalen Variable, damit sie wie eine Kategorie behandelt wird. Dann sehe ich mir die Anzahl der Abweichungen an und erstelle hier ein Balkendiagramm mit der Summe. Voilà. Man sieht, dass die Anzahl der Abweichungen ein ähnliches Muster aufweist: Sie steigt an, fällt dann ab, steigt dann wieder an und fällt schließlich erneut. Das könnte mit der Reichweite zusammenhängen.
Die andere Herausforderung besteht darin, dass der Expositionszeitraum für diese Daten ungefähr diesem Bereich hier entspricht. Danach können aber noch Abweichungen und Probleme auftreten, die später entdeckt werden. Ich habe versucht, die expositionsbereinigte Abweichungsrate zu berechnen und grafisch darzustellen. Das scheint in Ordnung zu sein, aber da im späteren Verlauf der Studie keine wöchentlichen Expositionsdaten vorliegen, ist wahrscheinlich eine andere Kennzahl erforderlich. Vermutlich sollte man die kumulative Exposition an einem Standort erfassen und diese fortlaufend verwenden. Am Ende erhält man dann die Gesamtexposition.
Das habe ich in diesem Fall nicht getan, aber daran werde ich in Zukunft arbeiten. Ich habe jedoch auf ähnliche Weise einige Grenzwerte mithilfe von Perzentilen berechnet und diese in das Diagramm eingetragen.
Abschließend möchte ich noch erwähnen, dass ich die Überwachung im Zeitverlauf in JMP durchführe. In JMP Clinical gibt es derzeit keine vergleichbare Lösung; wir arbeiten jedoch daran und planen, zukünftig entsprechende Funktionen bereitzustellen.
Aber eine weitere Funktion von JMP Clinical ist der risikobasierte Monitoringbericht. Dieser bietet einen Gesamtüberblick über die Studie. Er berücksichtigt alle Studiendaten, berechnet wichtige Risikoindikatoren und vergleicht diese mit definierten Kriterien. Im Prinzip ist es dasselbe wie zuvor. Nur die Methodik unterscheidet sich geringfügig von der aktuellen.
Wenn ich diesen Bericht in JMP Clinical ausführe, ist diese Funktion erst ab Version 18 verfügbar. In Version 8 war sie bereits enthalten. In Version 17 fehlte sie noch, aber jetzt ist sie in Version 18 verfügbar. Ich werde den Bericht jetzt ausführen. Er berechnet verschiedene wichtige Risikoindikatoren und vergleicht sie mit den im Dialogfeld festgelegten Schwellenwerten. Sie haben eine Schwellenwertdatei ausgewählt. Anschließend werden die Ergebnisse in einem übersichtlichen Diagramm dargestellt.
Es gibt eine Heatmap der Risikoindikatoren, basierend auf ihrer Punktzahl (rot, gelb, grün). Rot bedeutet im Wesentlichen, dass ein Qualitätstoleranzwert überschritten wurde. Gelb steht für eine Warnung. Grün bedeutet, dass die Lage wahrscheinlich in Ordnung ist. Es gibt verschiedene Kennzahlen, darunter Sicherheitskennzahlen wie die Anzahl unerwünschter Ereignisse pro randomisiertem Patienten und Woche, die Anzahl schwerwiegender unerwünschter Ereignisse pro Woche, die Anzahl der Todesfälle pro Patientenwoche, der Prozentsatz der Todesfälle pro randomisiertem Patienten und der Prozentsatz der Patienten, die die Studie abgebrochen haben.
Der Abbruch der Studie gibt Anlass zur Sorge. Warum brechen Patienten die Studie ab? Sie brechen ab, weil das Medikament nicht wirkt, Nebenwirkungen auftreten oder ihnen das Studienzentrum nicht zusagt. Es gibt verschiedene Gründe. Auch Probleme bei der Studienteilnahme spielen eine Rolle. Hierbei handelt es sich um Protokollverstöße. Hat jemand die Einverständniserklärung nicht unterschrieben? Wie viele Personen haben das Screening nicht bestanden und durften deshalb nicht an der Studie teilnehmen?
Dann gibt es noch die Gesamtrisikoindikatoren, die gewichtete Durchschnitte der einzelnen Risikoindikatoren darstellen. Hier können Sie sich die Gesamtrisikobewertung für alle Standorte ansehen. Wenn Sie die Ergebnisse für einen bestimmten Standort genauer betrachten möchten, können Sie sich ein Balkendiagramm mit den entsprechenden Daten anzeigen lassen.
Das war’s für heute. Dieses Beispiel zeigt Ihnen, wie Sie JMP und JMP Clinical für risikobasiertes Qualitätsmonitoring, Berichterstellung und Analyse nutzen können, um Ihre Daten zu untersuchen und die Ursachen von Problemen in einer Studie zu ermitteln. Vielen Dank.
