최근 개정된 임상시험관리기준(GCP) 가이드라인(ICH E6[R2])은 제약 산업에서 임상시험의 설계, 분석 및 모니터링에 품질설계(Quality by Design) 원칙을 적용하는 개념을 장려하고 있습니다. 이 접근 방식의 세 가지 핵심 요소는 정의, 모니터링 및 보고입니다.
JMP 제품은 제약 업계에서 QbD를 비임상 개발 및 제조에 적용하는 데 오랫동안 사용되어 왔으며, JMP와 JMP Clinical은 임상 시험에 대해서도 동일한 유형의 분석을 수행하는 데 매우 적합합니다.
본 발표에서는 GCP QbD 프레임워크를 설명하고, 이 프레임워크를 활용하여 JMP 및 JMP Clinical로 임상 시험을 모니터링하는 방법을 예시를 통해 보여드리겠습니다.
제 발표는 위험 기반 품질 관리, 품질 위험 관리, 설계에 의한 품질, 관련 도구 및 임상 시험 환경에서의 과제에 관한 것입니다. 저는 크리스 웰스이고, 로슈 프로덕츠 리미티드에 근무하고 있습니다. 이 발표에서 выска된 의견은 제 개인적인 의견이며, 로슈 프로덕츠 리미티드의 공식적인 입장을 대변하는 것은 아님을 알려드립니다.
위험 기반 품질 관리(RBQM)와 품질 위험 관리(QRM)는 무엇일까요? 위험 기반 품질 관리는 임상시험의 전반적인 품질을 관리하기 위한 프레임워크를 제공합니다. 이를 위해 핵심 프로세스와 핵심 데이터를 식별하여 자원을 해당 영역에 집중적으로 투입합니다. 위험 기반 품질 관리의 목적은 임상시험 과정 전반에 걸쳐 위험 요소를 사전에 체계적으로 파악하고 관리하는 것입니다.
질적 위험 관리(QRM)는 임상시험의 질에 영향을 미칠 수 있는 위험을 평가, 분석, 통제 및 전달하는 체계적인 프로세스입니다. 질적 위험 관리의 목적은 잠재적인 질적 위험을 식별하고 이러한 위험을 완화하기 위한 적절한 조치를 시행하는 것입니다. QRM은 포괄적인 질 관리 시스템의 필수 구성 요소이며 환자 안전과 규정 준수를 보장하는 데 필수적입니다. 질적 위험 관리는 모든 프로세스와 모든 잠재적 위험에 초점을 맞춥니다.
그렇다면 왜 이것이 중요할까요? RBQM과 QRM은 임상시험에서 포괄적인 품질 관리 시스템의 필수 구성 요소입니다. 두 방법은 초점과 방법론은 다를 수 있지만, 위험을 관리하고 시험 품질을 보장하는 데 있어 상호 보완적인 접근 방식입니다. RBQM과 QRM을 모두 구현하는 것은 환자 안전, 데이터 무결성 및 규정 준수를 보장하는 데 매우 중요합니다.
설계 기반 품질(Quality by Design)에 대해 살펴보겠습니다. 설계 기반 품질은 임상시험의 설계, 수행 및 모니터링에 품질을 내재화하기 위한 프레임워크입니다. 예를 들어, 표준 프로토콜 템플릿, 표준 전자 증례 보고 양식, 사전 지식 통합 및 실험 설계 활용 등이 필요할 수 있습니다.
설계 기반 품질 관리에는 크게 네 가지 요소가 있습니다. 바로 사람, 프로세스, 도구, 그리고 문화입니다. 사람 측면에서는 위험 관리 경험이 풍부한 숙련된 전문가가 필요합니다. 임상시험 설계 기반 품질 관리와 품질 위험 관리를 위한 전 과정에 걸친 프로세스가 필요합니다. 또한, 기업 전반에 걸쳐 일관된 접근 방식을 보장하는 전자 시스템도 필수적입니다. 마지막으로, 임상시험 문화와 임상시험 품질 관리는 연구팀이 주도적으로 이끌어야 합니다.
이제 ICH 가이드라인에 대해 말씀드리겠습니다. 이 가이드라인은 의약품의 기술적 요구사항 조화를 위한 국제협의회(ICH)에서 제정합니다. ICH는 규제 당국과 제약 업계가 함께 모여 의약품의 과학적, 기술적 측면을 논의하고 가이드라인을 개발하는 독특한 기구입니다. 총 14개의 가이드라인이 있으며, 품질, 안전성, 효능, 다학제적 접근이라는 네 가지 요소를 다룹니다. 그중에서도 RBQM은 ICH E6 R2와 곧 발표될 ICH E6 R3의 적용을 받습니다. 이 가이드라인들은 위험 기반 접근 방식을 통한 품질 관리를 권장합니다.
설계 단계부터 품질을 보장하는 것은 ICH E8 R1에 의해, 품질 관리는 ICH Q9에 의해 규정됩니다. 이러한 규정들은 임상시험 설계 단계부터 품질을 고려하는 것을 목표로 합니다. 효능 평가는 ICH E9에 의해 규정됩니다. ICH E9(R1)에 명시된 추정량, 즉 1차 및 2차 평가변수, 주요 2차 평가변수에 대한 원칙은 "치료 효과가 추정되거나 치료 효과와 관련된 가설이 검증될 때마다, 효능 또는 안전성과 관련된 경우 모두" 적용됩니다.
위험 기반 품질 관리(RBQM)에는 여러 가지 도구와 지표가 사용됩니다. 주요 지표로는 품질 허용 한계(QTL)와 핵심 위험 지표(KRI)가 있습니다. 이들은 모든 위험 기반 품질 관리 시스템의 핵심 지표입니다. QTL은 연구 수준에서 체계적인 편차를 식별하기 위해 계획되며, KRI는 일반적으로 임상시험 기관의 성과 수준에서 위험 완화 조치를 유발합니다. KRI의 예로는 해당 기관의 평균 데이터 입력 주기 시간을 들 수 있습니다. QTL의 예로는 임상시험 약물 투여를 조기에 중단한 환자의 비율을 들 수 있습니다.
화면 오른쪽에 몇 가지 예시가 있습니다. 맨 위는 베이지안 계층 모델로, 품질 허용 한계를 설정하는 데 사용할 수 있는 방법론의 한 예입니다. 오른쪽에는 KRI 지표의 예시가 있습니다.
통계적 모니터링은 또 다른 평가 지표입니다. 복잡한 통계 알고리즘을 사용하여 임상시험 전반에 걸쳐 데이터 이상치와 특이 사항을 찾아내며, 그 결과는 다양한 모니터링 또는 정보 전달 조치에 활용됩니다. JMP Clinical은 통계적 모니터링을 실행하는 데 이상적인 도구입니다.
데이터 품질 관리 감독. 이는 이상 징후 또는 데이터 이상치를 감지하기 위해 구축된 다양한 도구를 의미합니다. 예를 들어, 쿼리 관리가 있습니다. 특정 사이트가 다른 사이트보다 더 많은 쿼리를 수행하는지, 이러한 쿼리가 데이터 변경으로 이어지는지, 중요한 데이터에 대해서만 쿼리가 수행되는지 등을 질문할 수 있습니다. 이러한 사항들을 해결함으로써 연구 전반의 쿼리 수를 줄이고, 데이터 변경을 유발하는 쿼리에 집중하며, 중요한 데이터에 대해서만 쿼리가 수행되도록 할 수 있습니다.
RBQM의 가장 큰 과제는 구현 자체입니다. 구현상의 어려움은 방법론적인 측면에서 비롯됩니다. 다양한 방법론이 존재하는데, 최근까지 업계에서는 각 기업이 어떤 방법론을 사용하는지에 대한 정보 공유가 미흡했습니다. 표준화가 이루어지지 않았던 것입니다. 하지만 최근 여러 기관들이 협력하여 이 주제에 대한 보고서를 발표하면서 정보 공유 환경이 점차 조성되고 있습니다. 이는 RBQM 프로세스 전반에 긍정적인 영향을 미칠 것입니다.
일부 방법론은 과거 데이터에 접근해야 합니다. 하지만 이는 상당한 어려움이 될 수 있는데, 데이터가 보관되어 있거나, 어떤 이유로든 입수하기 어렵거나, 심지어 현재 연구 주제와 일치하는 데이터가 없을 수도 있기 때문입니다.
연구 설계는 포트폴리오에 포함된 연구의 다양성 때문에 매우 어려운 과제입니다. 소규모 연구, 플랫폼 연구, 바스켓 연구, 코호트 연구처럼 각 그룹 내 환자 수가 적은 연구도 있습니다. 이러한 연구 유형은 사용하는 방법론에 따라 매우 큰 어려움을 초래할 수 있습니다. 또한 매우 복잡한 설계와 분산형 임상시험도 있는데, 이 경우 임상시험 기관들이 일반적인 전통 방식과는 다르게 활용될 수 있습니다.
KRI나 QTL에 사용할 매개변수 유형을 이해하는 것도 때때로 꽤 어려울 수 있습니다. 하지만 Estimand 프레임워크가 도입되면서 팀들이 검토에 집중해야 할 부분을 더 명확하게 파악할 수 있게 된 것 같습니다. 마지막으로, 통계적 기반이 있다고 해도 항상 정확한 과학은 아니라는 점을 기억해야 합니다.
또 다른 어려운 점은 고위 경영진의 지원이 부족하다는 것입니다. RBQM의 성공을 위해서는 고위 경영진의 지원이 매우 중요합니다. 업계 전반에 걸쳐 고위 경영진들이 RBQM의 중요성을 점점 더 인식하고 있는 것 같습니다. 하지만 RBQM은 구현하고 이해하기가 복잡하며, 제조 환경에서 사용하는 관리도처럼 명확하지 않습니다. 어떤 도구와 프로세스를 사용하는 것이 가장 좋은지 이해하고 이를 내재화하는 것 또한 쉽지 않습니다. 연구팀 내에서도 RBQM이 과연 의미 있는 것인지에 대한 확신이 부족한 경우가 많습니다.
RBQM을 구축하는 팀이 직면해야 할 수많은 과제들이 여기에 있습니다. 이것으로 제 발표를 마치겠습니다. 이제 샘에게 마이크를 넘기겠습니다.
크리스, 위험 기반 품질 관리의 개요를 설명해 주셔서 감사합니다. 주요 위험 지표와 품질 허용 한계를 활용한 새로운 프레임워크와 그와 관련된 몇 가지 과제에 대해 잘 이해했습니다. 이제 JMP와 JMP Clinical을 사용하여 이러한 작업을 수행하는 방법을 보여드리겠습니다.
저는 JMP에서 헬스케어 및 생명과학 부문 수석 제품 관리자로 근무하고 있습니다. JMP Clinical은 임상시험 데이터 검토에 특화된 제품입니다. 사용자는 별도의 설정 없이 바로 사용 가능한 기능을 통해 임상시험 현장 및 피험자 수준에서 철저한 검토를 수행할 수 있습니다. 이 제품은 제약 업계 전반과 전 세계 여러 규제 기관에서 활용되고 있으며, 안전성 검토, 의학적 모니터링, 임상시험 모니터링에 중점을 두고 있습니다.
이는 당사의 주요 JMP 제품 4가지(JMP, JMP Pro, JMP Clinical, JMP Live) 중 하나입니다. JMP Clinical은 JMP의 확장 기능으로, JMP Pro 위에 JMP 스크립팅 언어를 사용하여 실행되며 JMP Clinical에서 볼 수 있는 모든 작업과 보고서를 자동화합니다.
JMP Pro는 포괄적인 통계 및 데이터 분석, 데이터 시각화 프로그램입니다. JMP 스크립팅 언어를 사용하여 사용자 정의가 가능하고 유연성이 뛰어나기 때문에 이를 기반으로 애플리케이션을 개발할 수 있습니다. 또한 SAS와 같은 다른 유형의 도구는 물론 R, Python, MATLAB과 같은 오픈 소스 도구와도 연결할 수 있습니다.
JMP Clinical은 데이터 표준을 활용합니다. 데이터 표준을 사용하면 표준화된 분석을 개발할 수 있습니다. 저희는 주로 CDISC 데이터 표준, 특히 연구 데이터 표 모델(SDTM) 또는 분석 데이터 모델(ADM)을 사용합니다. 이러한 데이터 표준은 미국과 일본의 규제 기관에서 신제품 제출 시 의무적으로 요구하는 것이며, 다른 여러 지역에서도 권장 사항입니다.
잘 정의된 데이터 모델을 갖추면 표준화된 분석 방법을 개발할 수 있습니다. JMP Clinical은 오랫동안 이 방법을 사용해 왔습니다. 링크된 최근 기사에서 데이터 표준이 어떻게 표준화된 보고를 가능하게 하는지 몇 가지 예를 확인할 수 있습니다.
이제 JMP에서 이러한 작업을 수행하는 방법을 보여드리겠습니다. 여기 보이는 것이 JMP인데, 실제로 실행 중인 것은 JMP Clinical입니다. 저는 핵심 위험 지표를 구성하고 한계를 설정하는 간단한 예시를 만들기 위해 몇 가지 데이터를 분석하는 작업을 직접 진행했습니다.
임상시험에서 얻을 수 있는 두 가지 유형의 데이터에 집중해 보겠습니다. 하나는 이상반응입니다. 이는 피험자에게 발생하는 유해한 사건, 즉 약물과 관련이 있을 수도 있고 없을 수도 있는 의학적 및 기타 이상반응을 말합니다. 이 경우 살펴봐야 할 것은 이상반응 발생률이 전반적으로 어떻게 되는지입니다.
여기 연구에 참여한 각 임상시험 기관별 이상반응 발생 건수를 보여주는 그래프가 있습니다. 이 연구에는 여러 기관이 참여하고 있는데, 대략 25개에서 30개 정도 되는 것 같습니다. 이 그래프는 매주 발생하는 이상반응을 보여줍니다. 임상시험 참가자들이 매주 기록한 내용입니다. 흥미로운 패턴이 보이시죠? 오르락내리락하는 패턴이 나타나고, 발생 건수가 급증했다가 급격히 감소하는 경향도 보입니다.
사실, 여기 제어판에서 사이트 ID를 제거하고 그래프로 표시해 보면, 평균 카운트 합계를 기준으로 정렬한 그래프인데, 값이 올라갔다가 내려가는 것을 볼 수 있습니다. "이게 무슨 일이지?"라고 생각하실 수 있습니다. 피험자들은 각기 다른 시점에 임상시험에 참여합니다. 연구가 시작되고, 각기 다른 사이트에서 각기 다른 속도로 피험자들이 참여하기 시작합니다. 그래서 처음에는 피험자 수가 적었다가 점점 늘어나고, 시간이 지남에 따라 임상시험 참여 피험자 수가 점점 줄어드는 현상이 나타납니다.
이상반응 발생률은 피험자 수에 비례하고, 시험에서 피험자들이 약물 또는 위약에 노출된 시간에도 비례하는 것으로 보이기 때문에, 이는 중요한 지표가 될 수 있습니다. 이 그래프를 다시 살펴보면, 이 시험에서는 투약이 2주 간격으로 이루어졌고, 이 그래프는 주 단위입니다. 그래프에서 작은 봉우리들이 보이는데, 이는 이상반응 발생률이 2주 간격으로 나타나는 것을 시사합니다. 이상반응 발생률 또는 이상반응 건수는 노출량과 관련이 있을 가능성이 높습니다.
우리가 할 수 있는 것은 데이터를 살펴보고 노출 기간을 확인하는 것입니다. 노출 기간이란 피험자가 치료에 노출된 기간을 일수로 나타낸 그래프를 만드는 것을 의미합니다. 저는 주별 노출 기간을 살펴보겠습니다. 모든 연구 기관을 통틀어 노출 기간이 점점 증가하다가 감소하는 것을 볼 수 있습니다. 연구 기관별로 나누어 그래프를 만들어 보면, 앞서 보여드렸던 것과 유사한 패턴으로 노출 기간이 증가했다가 감소하는 것을 확인할 수 있습니다.
그렇다면 부작용 발생률을 정확하게 파악하려면 약물 노출량을 고려하여 조정해야 한다는 생각이 들 겁니다. 가장 쉬운 방법은 비율을 구하는 것입니다. 부작용 발생 건수를 약물 노출량으로 나누는 것이죠.
이 자료를 만들기 위해 많은 데이터 작업을 했습니다. 여기 데이터 표가 있습니다. 두 표를 합쳐서, 부작용 발생 건수를 총 노출량으로 나눈 비율을 계산하면 됩니다. 그래프를 보면 모든 사이트의 데이터가 중첩되어 있는 것을 알 수 있습니다. 보시다시피, 몇몇 이상치를 제외하면 전반적으로 안정적인 범위 내에 있습니다.
예를 들어, 제가 측정값을 하나 정했다고 가정해 보겠습니다. 노출을 보정한 이상반응 발생률이라는 지표를 정의했습니다. 이제 이 값에 대한 한계를 설정하고 싶습니다. 어떻게 한계를 설정해야 할까요? 한 가지 방법은 임상적 관점에서 적정값을 알고 있는 경우입니다. 즉, 충분한 과학적 지식과 전문성을 바탕으로 한계값을 설정하고 그래프에 표시할 수 있습니다. 하지만 대부분의 경우, 과거 연구 데이터와 같이 변동성이 큰 데이터를 분석할 때는 변동성의 경계값이나 변동성을 기준으로 한계값을 설정하는 것이 좋습니다.
이 경우, 결과 분포를 살펴볼 수 있습니다. 노출을 보정한 이상반응 발생률에 로그를 취하면 정규분포를 따르는 것처럼 보입니다. 이는 데이터 자체가 로그 변환 후에도 정규분포를 따른다는 것을 의미하며, 이는 좋은 징조입니다. 따라서 데이터에 분포를 적용하여 백분위수를 추정하거나, 관측된 백분위수를 그대로 사용할 수 있습니다. 데이터 양이 많으므로 백분위수를 사용하는 것이 적절할 것 같습니다.
한 가지 방법은 95번째 백분위수와 그 5번째 백분위수를 취하는 것입니다. 그리고 역변환, 즉 로그에서 원래 척도로 되돌리는 과정을 거쳐 이 값들을 한계값으로 사용할 수 있습니다. 또한, 더 엄격한 한계값, 예를 들어 경고 한계값을 설정할 수도 있습니다. 경고 한계값 밖의 값은 철저하게 조사하지 않거나 크게 신경 쓰지 않을 수도 있지만, 이러한 값들도 한계값으로 설정하는 것이 좋습니다. 예를 들어 20번째 백분위수에서 80번째 백분위수 사이를 경고 한계값으로 사용할 수도 있습니다.
적절한 한계를 결정하는 마지막 방법은 대부분의 데이터를 포함하고 정상 범위에서 벗어난 극단적인 값만 고려하는 한계를 설정하는 것입니다. 이를 위해 여러 가지 커버리지를 적용한 허용 구간을 계산할 수 있습니다. 이 경우, 저는 여러 가지 허용 구간을 계산했지만, 그래프에는 95% 커버리지와 95% 허용 구간을 표시하겠습니다.
여기 데이터 테이블로 돌아가서 그래프를 그려 보겠습니다. 보기 좋은 그래프가 나오네요. 초록색 영역은 경고 한계치 안에 있는 값들을 나타냅니다. 즉, 20번째 백분위수와 80번째 백분위수에 해당하죠. 초록색 영역에 있는 값들은 대체로 괜찮을 겁니다. Y축은 로그 스케일로 표시했는데, 로그 정규 분포를 따르는 것 같아서입니다.
노란색 범위는 경고 영역입니다. 노란색 영역 안에 있는 값은 점검이 필요하지만, 심각한 문제는 아닐 수 있습니다. 노란색 범위를 벗어난 값은 검사에 실패한 것으로 간주되어 보다 철저한 조사가 필요합니다. 점선은 허용 상한과 허용 하한을 나타냅니다.
ICH E6 용어에서는 이를 품질 허용 한계라고 부르지만, 저는 그냥 허용 한계, 즉 통계적 허용 한계라고 말하는 겁니다. 이 두 가지에는 두 가지 의미가 있습니다. 통계적 허용 한계는 데이터를 기반으로 만들어지지만, 품질 허용 한계는 본질적으로 규격입니다. 이 기준을 충족하지 못하면 안 됩니다. 만약 충족하지 못하면 조사를 해야 합니다.
데이터를 시각화하는 좋은 방법이네요. 여기를 클릭해서 사이트별로 구분하지 않고 추세 그래프로만 볼 수도 있어요. 사이트 ID를 제거하고 추세 그래프로 보면, 여기에서 상당히 많은 사건들이 발생하고 있음을 알 수 있습니다. 위의 점들은 이상반응 발생률이 높거나, 과다 보고된 경우를 나타냅니다. "이게 왜 그럴까?"라고 생각해 봐야 합니다. 치료 자체와 관련된 문제일 수도 있지만, 약물 투여 방식이나 이상반응 기록 방식 등 여러 가지 이유가 있을 수 있습니다. 발생률이 높게 나오는 이유는 다양합니다.
하지만 수치가 매우 낮거나 비정상적으로 낮은 경우도 있습니다. 이러한 수치는 각각 다른 주에 다른 장소에서 발생한 결과를 나타냅니다. 이상반응이 제대로 기록되고 있을 가능성도 있습니다. 이상반응이 제대로 기록되고 있는지 확인하는 것이 중요합니다. 이것이 바로 이상노출 조정률입니다.
또 하나 살펴볼 것은 편차입니다. 편차란 연구 프로토콜이 어떤 이유로든 준수되지 않은 경우를 말합니다. 예를 들어, 누군가가 양식을 제대로 작성하지 않았거나, 받아야 할 검사를 받지 못했거나, 기록되지 않았을 수도 있습니다. 또는 정기 검진 일정을 놓쳤을 수도 있습니다. 편차가 발생하는 이유는 다양합니다. 참고로, 이 자료는 각 연구기관별 주별 편차 발생 건수를 보여줍니다.
저걸 보면 노출과는 그다지 관련이 없어 보이지만, 사이트 ID를 삭제하고 다시 시작해 보겠습니다. 주 단위로 살펴보고, 이번에는 주를 명목 변수로 만들어서 범주처럼 자유롭게 분석할 수 있도록 하겠습니다. 그런 다음 편차 횟수를 살펴보고 합계를 막대 그래프로 나타내 보겠습니다. 보시다시피 편차 횟수도 증가하다가 감소하고, 다시 증가했다가 감소하는 비슷한 패턴을 보입니다. 이는 노출과 관련이 있을 수 있습니다.
이 문제의 또 다른 어려움은 데이터의 노출 기간이 대략 이 구간에 한정된다는 점입니다. 하지만 그 이후에는 여러 가지 변수와 문제점이 발생할 수 있습니다. 제가 시도해 본 것 중 하나는 노출 기간을 조정한 편차율을 계산해서 그래프로 나타내는 것이었습니다. 결과는 괜찮아 보이지만, 연구 후반부에는 주간 노출 데이터가 없기 때문에 다른 지표를 사용해야 할 것 같습니다. 예를 들어, 특정 지점에서의 누적 노출량을 계산해서 사용하는 방식이 적합할 수도 있습니다. 결국 최종적으로는 발생한 총 노출량만 남게 되니까요.
하지만 이번 경우에는 그렇게 하지 않았고, 앞으로 개선해 나갈 부분입니다. 마찬가지로 백분위수를 이용해 비슷한 방식으로 한계값을 계산하고 그래프에 표시했습니다.
마지막으로, 시간 경과에 따른 변화를 모니터링하는 것은 JMP에서만 하고 있다는 점을 말씀드리고 싶습니다. 현재 JMP Clinical에는 이와 정확히 같은 기능을 제공하는 프레임워크는 없지만, JMP Clinical용 기능을 개발 중이며 향후에 관련 기능을 추가할 계획입니다.
JMP Clinical에는 위험 기반 모니터링 보고서라는 기능이 있습니다. 이 보고서는 연구 전체를 종합적으로 분석하고, 모든 연구 데이터를 활용하여 주요 위험 지표를 계산한 후, 정의된 기준과 비교합니다. 기본적으로 이전과 동일한 방식이지만, 방법론이 약간 다릅니다.
하지만 JMP Clinical에서 이 보고서를 실행하면, 이 기능은 버전 18에 포함되어 있습니다. 버전 8에는 있었지만 버전 17에는 없었고, 이제 버전 18에 추가되었습니다. 보고서를 실행해 보겠습니다. 그러면 몇 가지 주요 위험 지표를 계산하고 대화 상자에서 정의한 임계값과 비교합니다. 임계값 파일을 선택하셨을 겁니다. 그런 다음 보기 좋은 요약 그래프로 표시됩니다.
위험 지표를 점수에 따라 빨간색, 노란색, 초록색으로 표시하는 히트맵이 있습니다. 빨간색은 품질 허용 한계를 초과했음을 의미하고, 노란색은 경고 영역, 초록색은 괜찮을 가능성이 높다는 것을 나타냅니다. 여기에는 다양한 지표가 있습니다. 안전성 관련 지표도 있는데, 예를 들어 무작위 배정된 대상자당 주당 이상 반응 발생 건수, 주당 중대한 이상 반응 발생 건수, 환자당 주당 사망률, 무작위 배정된 대상자 대비 사망률, 무작위 배정 후 투약 중단율 등이 있습니다.
환자들이 치료를 중단하는 이유는 무엇일까요? 약물 효과가 없거나, 부작용이 발생하거나, 임상시험 기관이 마음에 들지 않아 중단하는 등 여러 가지 이유가 있을 수 있습니다. 또한, 등록 과정에서의 문제도 고려해야 합니다. 프로토콜 위반 사례가 있을 수 있는데, 예를 들어, 동의서에 서명하지 않은 환자는 몇 명인지, 스크리닝에서 탈락한 환자는 몇 명인지 등을 파악해야 합니다.
그다음은 전반적인 위험 지표인데, 이는 개별 위험 지표들의 가중 평균입니다. 모든 사업장을 아우르는 전체적인 위험 지표를 한눈에 볼 수 있습니다. 특정 사업장에 대한 자세한 정보를 원하시면, 개별 사업장별 결과를 막대 그래프로 확인하실 수도 있습니다.
오늘 저희가 다룰 내용은 여기까지입니다. 하지만 이것은 JMP와 JMP Clinical을 활용하여 위험 기반 품질 모니터링을 수행하고, 실제 보고 및 분석을 진행하며, 데이터를 탐색하여 연구에서 문제가 발생하는 원인을 찾아내는 방법을 보여주는 예시입니다. 감사합니다.
