CC BY
422
Методы работы с сигналами в фармаконадзоре
Логиновская О.А.1, 2, Романов Б.К.3, Колбин А.С.2, Ястребова Н.4, Доморощенков К.В.1,
Колбатов В.П.1, Сухов Р.В.1, Кошечкин К.А.3
1 — Flex Databases, г. Санкт-Петербург, Россия
2 — Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова, г. Санкт-Петербург, Россия
3 — ФГБУ «Научный центр экспертизы средств медицинского применения» Минздрава России, г. Москва, Россия
4 — Уппсальский центр мониторинга ВОЗ, г. Уппсала, Швеция
Резюме. Данная статья посвящена вопросам эффективности использования онлайн систем автоматизации процессов фармаконадзора при работе с сигналами на примере опыта внедрения системы Flex Databases. Описаны основные принципы работы с сигналами, проанализированы современные методы работы с сигналами (качественные и количественные), а также описаны преспективные методы работы с сигналами. Раскрывается важность управления сигналами в фармаконадзоре как обязательного процесса всех компаний — держателей регистрационного удостоверения и компаний-разработчиков во всех государства-членах ЕАЭС, включая Россию.
Ключевые слова: фармаконадзор, сигналы в фармаконадзоре, клинические исследования, программное обеспечение для проведения клинических исследований, Flex Databases
Methods of working with pharmacovigilance signals
Loginovskaya O.A.1, 2, Romanov B.K.3, Kolbin A.S.2, Yastrebova H.4, Domoroshchenkov K.V.1, Kolbatov V.P.1, Sukhov R.V.1, Koshechkin K.A.3 1 — Flex Databases, Russian Federation, Saint-Petersburg 2 — Medicine Department, Pavlov First Saint Petersburg State Medical University, Russian Federation, Saint-Petersburg 3 — Scientific Center for Expertise of Medical Application Products, Ministry of Health of the Russian Federation, Moscow,
Russian Federation 4 — Uppsala Monitoring Centre, WHO, Uppsala, Sweden
Abstract. This article is about the efficiency of web based systems for pharmacovigilance (PV) processes management in connection with pharmacovigilance signals based on case study of the implementation of Flex Databases PV system. It describes principles of signals management, provides analyses of modern methods of signal management (quality and quantity), and also describes perspective methods of signals management. The article highlights the importance of signal management in pharmacovigilance as an obligatory process for all companies-holders of registration certificate and investigation companies in all EAEU member states, including Russia.
Keywords: pharmacovigilance, PV, pharmacovigilance signals, clinical trials, software for clinical trials, Flex Databases
Авторы, ответственные за переписку:
Логиновская Ольга Александровна — директор по качеству и корпоративному развитию Flex Databases; адрес: 197022, г. Санкт-Петербург, Россия, ул. Всеволода Вишневского, д. 12A; тел. +7 (812) 389-22-88; e-mail: bd@flexdatabases.com
Введение
Основным принципом контроля безопасности лекарственных средств (ЛС) является непрерывная оценка отношения их пользы и риска (ОПР) на протяжении всего жизненного цикла, начиная с разработки, доклинических и клинических испытаний (мониторинг эффективности и безопасности) и
заканчивая периодом их обращения на рынке (фармаконадзор) [1—5]. Оценка ОПР в клинических исследованиях (КИ) ограничена относительно небольшим количеством включённых в КИ испытуемых, достаточно коротким периодом проведения исследований, а также исключением из исследований отдельных категорий пациентов. Как показывает международная практика, к моменту регистрации и
выхода ЛС на рынок, у него выявляется лишь только примерно 50% от всех присущих ему нежелательных реакций (НР). Как правило, это частые НР (частота развития от 1 до 10%), связанные с фармакологическими свойствами ЛС, либо аллергические реакции. Для получения более полной и точной информации о всех рисках, связанных с применением ЛС, необходимо постоянно контролировать их безопасность в пострегистрационном периоде. Именно на этом этапе можно выявить редкие и очень редкие НР (частота возникновения 0,1% и ниже), оценить безопасность ЛС в специальных группах пациентов, установить факторы риска развития HP, наличие нежелательных взаимодействий ЛС, а также влияние ЛС на исходы заболевания и уровень смертности. Важно, чтобы все заинтересованные лица, прежде всего фармацевтические организации, являющиеся держателями регистрационных удостоверений ЛС (ДРУ), а также производители и дистрибьюторы ЛС, медицинские работники, провизоры, пациенты и их родственники принимали участие в сборе и коммуникации информации о безопасности и эффективности ЛС, и чтобы результаты их деятельности были отработаны надлежащим образом компаниями-ДРУ и специалистами уполномоченных регуляторных органов.
Одним из ключевых этапов процесса фармако-надзора является работа с сигналами о безопасности ЛС [1,2]. Термин «сигнал» в фармаконадзоре определяется как информация, поступающая от одного или нескольких источников, о наличии высокой степени достоверности (СД) причинно-следственной связи (П-СС) между НР и применением ЛС, о которой ранее не было ничего известно или сведения были недостаточно информативными. Выявление сигналов и управление сигналами — важная часть процесса фармаконадзора и является необходимой частью периодических отчётов по безопасности.
В настоящее время в связи с развитием электронных систем по безопасности ЛС процесс выявления сигналов получил значительное развитие. В данной статье рассмотрен жизненный цикл возможного сигнала по безопасности ЛС на примере системы по фар-маконадзору компании Flex Databases, Россия. Данная система позволяет автоматизировать процессы фар-маконадзора от планирования проекта до получения сообщений о нежелательных явлениях (НЯ), их обработки, включая медицинское кодирование, представления в глобальные офисы, уполномоченным регуляторным органам и в международные системы контроля безопасности ЛС в соответствии с международными и локальными требованиями. Внедрение валидированной системы в настоящее время необходимо для обеспечения качества и надлежащей эффективности фармаконадзора в компаниях-ДРУ, а также позволяет увеличивать скорость обработки данных и количество правильно обрабатываемых сообщений. Flex Databases стали первой российской компанией,
которая предложила готовое локализованное решение для автоматизации процессов фармаконадзора для работы с любыми (включая малые) объёмами информации и хорошо зарекомендовала себя на международном рынке — международная организация MSSO (Maintenance and Support Services Organization) внесла Flex Databases в официальный список вендоров, поддерживающих MedDRA кодирование и SMQ запросы [6]. Система Flex Databases успешно прошла независимый аудит международной компании и является стандартной рабочей средой для уполномоченных лиц по фармаконадзору, менеджмента и персонала медицинских департаментов компаний-ДРУ и компаний-разработчиков ЛС. Она используется многими ведущими фармацевтическими компаниями в России — отечественными и международными, и рядом зарубежных и международных фармацевтических компаний в Канаде и Швеции.
Современные методы работы с сигналами в фармаконадзоре
Работа системы с сигналами по безопасности ЛС начинается с Уведомления о возможном появлении потенциального сигнала уже на этапе ввода индивидуального сообщения о случае по безопасности (Individual Case Safety Reports (ICSR)) в базу данных. На этом этапе система предупреждает о возможном появлении сигнала на основании информации, которую он вводит в карточку сообщения о НР. Система Flex Databases автоматически сообщает пользователю, обычно специалисту по фармаконадзору (Пользователь), о наличии возможного сигнала в одном из следующих случаев [1, 2]:
• попадание закодированного по словарю MedDRA симптома НЯ/ОТ в списки IME (Important Medical Events — список EMA, не изменяется Пользователями (рис. 1)); TME (Targeted Medical Events — список симптомов по конкретному ЛС, настраивается Пользователем); DME (Designated Medical Events — список симптомов НЯ по компании в целом, настраивается Пользователем);
• появление серьёзной непредвиденной НР (Suspected Unexpected Serious Adverse Reactions (SUSAR) — НР, информация о которой отсутствует в документации ЛС или КИ, и которая приводит к смерти, угрозе жизни, стойкой или выраженной утрате трудоспособности, инва-лидизации, госпитализации или её продлению, к врождённым аномалиям или порокам развития, к серьёзным клинически значимым событиям при проведении КИ, либо требует медицинского вмешательства для предотвращения развития перечисленных состояний);
• повторное появление серьёзной НР по одному и тому же препарату.
В карточке случая появляется признак Подозрение на возможный сигнал.
Далее это сообщение может стать ключевым в серии случаев (striking case / index case). На основе серии случаев при помощи количественных и качественных методов Пользователь может сделать вывод о появлении возможного сигнала.
Качественные методы выявления возможных сигналов и формирование серий случаев основаны на клинической оценке со стороны специалиста по фармаконадзору, который рассматривает имеющиеся данные, поступившие в составе ICSR для одного или нескольких случаев, включая повторные сообщения и дубликаты, которые также выявляются системой.
Пользователь может сформировать серию случаев, чтобы использовать их как доказательную базу для усиления и подтверждения сигнала. Пользователю системы доступен набор фильтров по закодированным симптомам, попаданию в списки IME, TME, DME, времени появления реакции после приёма препарата, вопросам Dechallenge (прекращение использования препарата при наступлении НР) и Rechallenge (продолжение приёма препарата после его прекращения), критерии серьёзности сообщения и др.
Это трудоёмкая ответственная деятельность, требующая очень высокой квалификации вовлечённых в непрерывный мониторинг специалистов по фармаконадзору. Специалисты Уппсальского центра мониторинга ВОЗ в октябре 2017 г. за 7 рабочих дней провели оценку 400 комбинаций «ЛС—НР», выявив среди них 15 потенциальных сигналов.
Количественные методы выявления возможных сигналов позволяют Пользователю дополнительно провести по серии случаев статистическую проверку диспропорциональностей в частоте сообщений о НР. Применение количественных методов позволяет автоматизировать рутинные процессы, уменьшить
субъективную оценку специалиста, повысить качество и объём обработки информации, особенно при больших её количествах. Так, например, Уппсаль-ским центром мониторинга ВОЗ было выявлено и подтверждено 100 сигналов по результатам анализа ICSR, поступивших в базу данных VigiBase за период с апреля 2013 по сентябрь 2017 гг. Эта информация представлена в аналитическом инструменте Уппсальского центра мониторинга — VigiLyse.
К количественным методам выявления сигналов относят статистический анализ, который позволяет выявить комбинации «ЛС—НР», встречающиеся чаще, чем можно было бы ожидать исходя из ранее известных характеристик.
Количественные методы делятся на традиционные статистические и DataMining. Это методы обнаружения в имеющихся данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений. В основе используемых статистических методов лежит таблица сопряжённости, которая связывает наблюдаемое количество случаев определённой НР и определённого ЛС, со всеми другими НР и ЛС.
Для выявления возможного сигнала между определённым ЛС и конкретной НР рассматривается количество сообщений, содержащих комбинацию «ЛС—НР» в базе данных системы.
Все ниже представленные коэффициенты (PRR, ROR, RRR) позволяют выявить вероятную связь между ЛС и НР:
• Proportional Reporting Ratio (PRR, коэффициент РRR) — это коэффициент пропорционального репортирования (диспропорциональный анализ), который позволяет сравнить сколько было зафиксировано случаев НР для конкретного ЛС в сравнении с другими НР, вызванными приёмом данного ЛС;
Рис. 1. Попадание закодированного по словарю MedDRA симптома НЯ/НР в списки IME
• Reporting Odds Ratio (ROR, коэффициент ROR). Это ещё один метод диспропорционального анализа, который позволяет выявлять сигналы в базе случаев. ROR коэффициент позволяет проиллюстрировать, насколько представленная измеряемая характеристика связана с определённым событием. Данный метод позволит увидеть, насколько статистически значима связь произошедшего НЯ с ЛС;
• Relative Reporting Ratio (RRR, коэффициент RRR) — показатель вероятности того, что явление связано с ЛС.
DataMining (Байесовские подходы):
• Multi-item Gamma Poisson Shrinker (MGPS). Если коэффициенты PRR, ROR, RRR не применимы в случае малого количества наблюдений или малого количества сообщений на определённую пару событий, а каждое поступившее сообщение может представлять собой потенциальный сигнал, то может использоваться метод MGPS. Статистические модификации, используемые в данной методологии, уменьшают влияние ложноположительных сигналов безопасности. Отличие MGPS метода от коэффициентов, представленных выше, в том, что MGPS в качестве показателя диспропорциональности рассчитывает эмпирическое геометрическое среднее Байеса (EGBM). При этом расчёт EBGM аналогичен PRR, но позволяет получить показатель диспропорциональности по отношению к нулевому значению при ограниченном количестве данных и малом числе интересуемых случаев;
• Bayesian Confidence Propagation Neural Network
(BCPNN) — расчёт коэффициентов связи с использованием нейросети. Принцип работы данной нейросети заключается в следующем:
1. Нейросеть получает на вход значения E (отношение RRR/N, где N — все случаи).
2. После обработки входных данных нейросеть готовит массив данных для вычисления весов нейрона.
3. Нейросеть начинает применять к полученным весам решающую функцию и принимает решение о том, является ли данное сочетание сигналом.
Если решение нейросети принимает значение больше 0, то сочетание «ЛС—НР» считается подозреваемым, как сигнал по безопасности (рис. 2).
Управление сигналами: валидация, приоритизация, оценка
На основании методов, указанных выше, происходит валидация информации и принятие решения о сигнале — нужно ли дальнейшее исследование этого сигнала или нет. Если сигнал опровергнут — происходит дальнейший мониторинг стандартными методами фармаконадзора, либо же сообщение о сигнале закрывается.
Если же сигнал определён, то на основе серии случаев Пользователь системы Flex Databases создаёт карточку возможного сигнала. В карточке сигнала Пользователь может провести валидацию, приоритизацию и оценку сигнала, согласно рекомендациям Council for International Organizations of Medical Sciences (CIOMS) VIII (Практические
Рис. 2. Решение нейросети принимает значение больше 0, и сочетание «ЛС—НР» считается подозреваемым, как сигнал по безопасности
аспекты обнаружения сигналов в фармаконадзоре — отчёт рабочей группы).
Оценка сигнала представляет собой продолжение применения качественных методов работы с сигналами — анализ серии случаев, существующих клинических данных, поиск и обзор литературы, фар-макоэпидемиологические исследования, рутинные исследования, дополнительные клинические исследования, включая пострегистрационные исследования безопасности (ПРИБ) и другие виды исследований.
Перспективные методы работы с сигналами
Процессы фармаконадзора, и в частности методы работы с сигналами, постоянно развиваются. Появляется всё больше новых, более точных методов выявления сигналов. К таким методам можно отнести [1, 2]:
• Адаптация Multi-item Gamma Poisson Shrinker (MGPS) для продольных данных (Longitudinal Data: LGPS). Для анализа данных продольных наблюдений одним из новых методов работы с сигналами является преобразование структуры данных в соответствии со структурой данных спонтанной отчётности (spontaneous reporting (SR)). Дополнительным вариантом этого метода является изменение алгоритмов, для лучшего соответствия структуре продольных данных и для использования имеющейся информации в полной мере. Ключевая информация в продольных исследованиях включает количество дней, в течение которых пациент находился под угрозой, то есть количество дней, в течение которых пациент подвергался воздействию ЛС.
• Самоконтролируемые серии случаев (Self-Controlled Case Series (SCCS)). Метод SCCS может быть использован для изучения временной ассоциации между изменяющимся во времени лекарственным воздействием и НР, использующей данные только из случаев. Основная идея SCCS заключается в том, чтобы сравнить частоту возникновения интересующей реакции в периоды, когда человек подвергался воздействию интересующего препарата, к периодам без такого воздействия. Каждый случай действует как собственный контроль, тем самым контролируя как измеренные, так
и неизмеримые переменные, которые не меняются со временем, что является ключевым преимуществом метода. Первоначально разработанный для изучения риска вакцин, он получил широкое признание при изучении влияния вакцинации на эпидемический паротит, корь, краснуху (MMR) и на аутизм.
• Обнаружение временных шаблонов информационных компонентов (Information Component Temporal Pattern Discovery — ICTPD). Норэн (Norén) ввёл метод идентификации закономерностей во временной ассоциации между выпиской ЛС и появлением медицинского события — ICTPD. Этот метод очень похож на SCCS, основанный на сравнении периода риска и предшествующего контрольного периода. Однако основное отличие технологии SCCS заключается в дополнительном использовании информации из других источников, поскольку ICTPD в основном сосредоточена на воздействии определённого ЛС.
Заключение
Управление сигналами в фармаконадзоре — необходимый и важный процесс в деятельности любой фармацевтической и исследовательской организации, требующий обеспечения надлежащего выявления, приоритизации и оценки сигналов должным образом. Начиная с 6 мая 2017 г. эта деятельность является обязательной для всех компаний-ДРУ и компаний-разработчиков во всех государства-чле-нах ЕАЭС, включая Россию [5]. Выявление сигналов должно осуществляться качественными и количественными методами. Оценка сигналов должная быть использована для документирования и формальной оценки только критических сигналов и для обеспечения управления непрерывной оценкой ОПР ЛС. Эта собранная и оцененная информация должна быть легко доступна и управляема в электронных системах. Использование электронных систем по безопасности ЛС, таких как Flex Databases, обеспечивает надлежащее исполнение требований законодательства в части фармаконадзора, значительно облегчает процесс работы с сигналами, а также позволяет решать другие важные задачи в рутинной работе специалистов по фармаконадзору.
Литература
1. Antoni F.Z., et al. Good Signal Detection Practices: Evidence from IMI PROTECT. Drug Saf. 2016; 39: 469—490.
2. Романов Б.К., Лепахин В.К., Журавлева Е.О. и др. Совершенствование принципов управления сигналами по безопасности лекарственных препаратов для медицинского применения. Безопасность и риск фармакотерапии. 2016; 1: 10—20.
3. Романов Б.К., Глаголев С.В., Поливанов В.А и др. Мониторинг безопасности лекарственных средств. Безопасность и риск фармакотерапии. 2014; 3 (4): 11—14.
4. Казаков А.С., Затолочина К.Э., Романов Б.К., и др. Система управления рисками — важная часть правил надлежащей практики фармаконадзора, Безопасность и риск фармакотерапии. 2016; 1: 21—27.
5. Правила надлежащей практики фармаконадзора Евразийского экономического союза (утв. Решением ЕАЭК №87 от 03.11.2016, вступили в силу с 06.05.2017, дата обращения — 27.10.2017). [URL]: http://docs.eaeunion.org/docs/ru-ru/01411948/cncd_21112016_87.
6. http://www.meddra.org/how-to-use/tools/commercial-tools.
7. http://www.flexdatabases.com/en/other-solutions/pharmacovigilance.
