تحديد المخاطر وتوصيفها
يُعد تحديد المخاطر وتوصيفها الواجهة الأمامية لإدارة مخاطر سلامة الأدوية: اكتشاف أن دواءً ما قد يسبب ضررًا (إشارة سلامة) ثم وصف هذا الضرر بدقة كافية لاتخاذ إجراء بشأنه – من يتأثر، وكم مرة، ومدى شدته، ومن خلال أي آلية. ويعتمد ذلك على الإبلاغ التلقائي، وطرق الكشف الإحصائي عن الإشارات، والتقييم السريري والوبائي.
Definition
تحديد المخاطر هو اكتشاف ارتباط سببي محتمل جديد أو متغير بين دواء وحدَث ضار (إشارة)؛ أما توصيف المخاطر فهو الوصف اللاحق لتكرار هذا الخطر، وشدته، وقابليته للعكس، والسكان المتأثرين به، والآلية المعقولة لحدوثه.
Scope
يغطي هذا الموضوع ماهية إشارة السلامة، ومصادر البيانات، وطرق عدم التناسب (disproportionality) والباينزية (Bayesian) المستخدمة لاستخلاص الإشارات من قواعد بيانات الإبلاغ التلقائي، وخطوات التحقق من الإشارة وتحديد أولوياتها وتوصيفها لتصبح خطرًا محددًا. ويُصاغ هذا الموضوع كمنهجية مرجعية ضمن علم التيقظ الدوائي (pharmacovigilance) بدلاً من كونه إرشادات سريرية.
Core questions
- هل توجد إشارة بأن دواءً ما قد يسبب حدثًا ضارًا معينًا؟
- هل الارتباط سببي على الأرجح، أم يمكن تفسيره بالتحيز أو العوامل المربكة (confounding) أو الصدفة؟
- ما مدى تكرار وشدة الخطر، ومن هم الأكثر تأثرًا؟
- ما هي الإشارات التي يجب إعطاؤها الأولوية لمزيد من التحقيق؟
Key concepts
- إشارة السلامة
- أنظمة الإبلاغ التلقائي
- تحليل عدم التناسب (PRR, ROR)
- الأساليب الباينزية (BCPNN, EBGM)
- التحقق من الإشارة وتحديد أولوياتها
- تقييم السببية
- المخاطر المحددة مقابل المخاطر المحتملة
Mechanisms
تنشأ معظم الإشارات أولاً من التقارير التلقائية للتفاعلات الضارة المشتبه بها التي تُجمع في قواعد البيانات الوطنية والدولية. وتُبرز الفحوصات الكمية أزواج الأدوية والأحداث التي يتم الإبلاغ عنها أكثر من المتوقع: تقارن مقاييس عدم التناسب التكرارية (frequentist disproportionality measures) مثل نسبة الإبلاغ التناسبي (proportional reporting ratio) الإبلاغ المرصود إلى المتوقع (Evans et al., 2001)، بينما تقلل المناهج الباينزية (Bayesian approaches) مثل الشبكة العصبية لانتشار الثقة الباينزية (Bayesian confidence propagation neural network) من التقديرات غير المستقرة المستخلصة من البيانات المتفرقة (Bate et al., 1998). يولد عدم التناسب الإحصائي فرضيات فقط؛ ثم يتم التحقق من الإشارات، وتقييم السببية، وتوصيفها سريريًا ووبائيًا – تحديد التكرار، والشدة، وعوامل الخطر، والآلية – قبل تصنيفها كمخاطر محددة أو محتملة (Wisniewski et al., 2016; Edwards & Aronson, 2000).
Clinical relevance
تصبح المخاطر المحددة من خلال هذه العملية هي معلومات السلامة في الملصقات والاتصالات التي يستخدمها الأطباء والمرضى. يشرح هذا المدخل كيفية اكتشاف هذه المخاطر ووصفها على مستوى السكان ولا يقدم نصائح تشخيصية أو علاجية فردية.
Epidemiology
يخضع الإبلاغ التلقائي للتقليل من الإبلاغ وتحيزات الإبلاغ، لذا فإن إشارات عدم التناسب تعكس أنماط الإبلاغ بدلاً من الحدوث الحقيقي. لذلك، غالبًا ما يعتمد التوصيف على مصادر إضافية – الدراسات الرصدية، والسجلات، وبيانات الرعاية الصحية الإلكترونية – لتقدير التكرار وتحديد عوامل الخطر بشكل أكثر موثوقية.
History
نما الكشف المنهجي عن الإشارات من مخططات الإبلاغ التلقائي التي أُنشئت بعد مأساة الثاليدوميد، مثل نظام البطاقة الصفراء في المملكة المتحدة وبرنامج منظمة الصحة العالمية للرصد الدولي للأدوية. نضجت الأساليب الكمية في أواخر التسعينيات والعقد الأول من القرن الحادي والعشرين، حيث أصبحت BCPNN (Bate et al., 1998) ونسب الإبلاغ التناسبي (Evans et al., 2001) أدوات فحص قياسية، ثم دُمجت لاحقًا في ممارسات الكشف الجيد عن الإشارات (Wisniewski et al., 2016).
Debates
- ما مدى المعلومات التي يمكن أن تقدمها إحصائيات عدم التناسب؟
- تقوم مقاييس عدم التناسب بفحص قواعد البيانات الكبيرة بكفاءة ولكنها تولد فرضيات فقط؛ وهي حساسة لتحيزات الإبلاغ وخصائص قواعد البيانات ولا يمكنها بمفردها إثبات السببية أو التكرار الحقيقي.
Key figures
- Andrew Bate
- Stephen J. W. Evans
- I. Ralph Edwards
Related topics
Seminal works
- bate-1998
- evans-2001
- edwards-aronson-2000
Frequently asked questions
- ما هي إشارة السلامة؟
- الإشارة هي معلومات مبلغ عنها تشير إلى ارتباط سببي محتمل جديد أو متغير بين دواء وحدَث ضار يستدعي مزيدًا من التقييم؛ إنها فرضية يجب التحقيق فيها، وليست خطرًا مؤكدًا.
- هل تعني إشارة عدم التناسب أن الدواء تسبب في الحدث؟
- لا. تشير إشارة عدم التناسب إلى أزواج الأدوية والأحداث التي يتم الإبلاغ عنها أكثر من المتوقع، ولكن يجب التحقق من الارتباط وتقييم سببيته قبل التعامل معه كخطر حقيقي.