Signaldetektion und statistische Bewertung

Signaldetektion ist der Prozess der Identifizierung von Informationen aus gesammelten Berichten oder Daten, die auf eine neue oder veränderte Assoziation zwischen einem Medikament und einem unerwünschten Ereignis hindeuten, die eine Untersuchung wert ist. Statistische und klinische Bewertungen wandeln dann Rohberichte in priorisierte Hypothesen um, wobei quantitative Disproportionalitätsmethoden mit der strukturierten Bewertung individueller Fälle kombiniert werden.

Definition

Signaldetektion in der Pharmakovigilanz ist die Identifizierung einer potenziellen kausalen Assoziation oder eines neuen Aspekts einer bekannten Assoziation zwischen einem Medikament und einem Ereignis, abgeleitet aus einer oder mehreren Quellen und als überprüfungswürdig erachtet; Fallbewertung ist die strukturierte Einschätzung, wie wahrscheinlich ein Medikament eine gegebene Reaktion verursacht hat.

Scope

Der Eintrag behandelt, was ein Sicherheitssignal ist, die wichtigsten quantitativen Ansätze zur Kennzeichnung von Signalen in Spontanmeldedatenbanken (frequentistische Disproportionalitäts- und Bayes'sche Shrinkage-Methoden) sowie die komplementäre Aufgabe der Kausalitätsbewertung für Einzelfälle. Es handelt sich um eine methodische Referenz und bietet keine klinische Anleitung.

Core questions

• Was qualifiziert als Sicherheitssignal?
• Wie kennzeichnen Disproportionalitätsmaße Medikament-Ereignis-Paare?
• Wie verbessern Bayes'sche Methoden die einfache Disproportionalität?
• Wie wird die Kausalität für einen einzelnen Bericht beurteilt?

Key concepts

• Sicherheitssignal
• Disproportionalitätsanalyse
• Proportional Reporting Ratio (PRR)
• Reporting Odds Ratio (ROR)
• Bayes'sche Shrinkage (BCPNN, MGPS / Empirical Bayes)
• Kausalitätsbewertung (z.B. Naranjo-Algorithmus, WHO-UMC-Kategorien)
• Confounding by Indication und Reporting Bias

Mechanisms

Die quantitative Signaldetektion behandelt eine Berichtsdatenbank als eine große Kontingenztafel und fragt, ob ein bestimmtes Medikament-Ereignis-Paar unverhältnismäßig häufiger gemeldet wird, als es aus den restlichen Daten zu erwarten wäre. Frequentistische Maße wie das Proportional Reporting Ratio (PRR) und das Reporting Odds Ratio (ROR) drücken diese Disproportionalität direkt aus (Evans et al., 2001; van Puijenbroek et al., 2002). Bayes'sche Methoden – das Bayesian Confidence Propagation Neural Network (BCPNN) und der Multi-Item Gamma-Poisson Shrinker (MGPS) / Empirical Bayes Geometric Mean – wenden Shrinkage an, sodass Paare mit wenigen Berichten nicht fälschlicherweise markiert werden, was die Stabilität für spärliche Daten verbessert (Bate et al., 1998; DuMouchel, 1999). Eine statistische Kennzeichnung ist nur ein Ausgangspunkt: Kandidatensignale werden klinisch überprüft, und Einzelfälle werden mit strukturierten Kausalitätsinstrumenten wie der Naranjo-Wahrscheinlichkeitsskala bewertet, die zeitliche Beziehung, Dechallenge, Rechallenge und alternative Erklärungen gewichten (Naranjo et al., 1981; Bate & Evans, 2009).

Clinical relevance

Die Signaldetektion bestimmt, welche möglichen Arzneimittelrisiken von Regulierungsbehörden und Klinikern weiter untersucht werden, und die Kausalitätsbewertung legt fest, wie einzelne vermutete Reaktionen interpretiert werden. Dieser Eintrag erläutert diese Analysemethoden; er beschreibt, wie Evidenz bewertet wird und ist keine Grundlage für individuelle Diagnose- oder Behandlungsentscheidungen.

Epidemiology

Disproportionalitätsmethoden werden auf spontane Datenbanken mit Millionen von Berichten angewendet, wobei das Ziel darin besteht, effizient zu screenen und gleichzeitig falsch positive Ergebnisse zu kontrollieren; vergleichende Studien zeigen, dass die verschiedenen Maße bei starken Signalen oft übereinstimmen, aber bei spärlichen Medikament-Ereignis-Paaren divergieren, weshalb Shrinkage-Methoden weit verbreitet sind (van Puijenbroek et al., 2002; Bate & Evans, 2009).

History

Die Kausalitätsbewertung wurde zuerst formalisiert, wobei strukturierte Algorithmen wie die Naranjo-Skala im Jahr 1981 die Reproduzierbarkeit der Fallbewertung verbesserten. Die quantitative Signaldetektion auf Populationsebene folgte in den 1990er und 2000er Jahren: Das Bayesian Confidence Propagation Neural Network wurde 1998 für die WHO-Datenbank eingeführt, Empirical Bayes Data Mining 1999 für das FDA-System und Proportional Reporting Ratios 2001 für die routinemäßige Signalgebung, wonach vergleichende und methodische Übersichten die Praxis konsolidierten (Bate et al., 1998; DuMouchel, 1999; Evans et al., 2001; Bate & Evans, 2009).

Debates

Spiegeln Disproportionalitätssignale ein reales Risiko wider?

Ein statistisches Signal misst Meldeverhalten, nicht die Inzidenz, und kann durch Melde-Bias, Confounding by Indication oder Medienaufmerksamkeit entstehen; wie viel Gewicht automatisierten Signalen beigemessen werden sollte und welche Schwellenwerte zu verwenden sind, bleibt umstritten.

Wie zuverlässig ist die Kausalitätsbewertung für Einzelfälle?

Strukturierte Algorithmen verbessern die Reproduzierbarkeit, basieren aber immer noch auf Urteilsvermögen und unvollständigen Informationen, und verschiedene Instrumente können denselben Fall unterschiedlich klassifizieren, sodass die Kausalität von Einzelfällen eher als probabilistisch denn als definitiv behandelt wird.

Key figures

• Stephen Evans
• Andrew Bate
• William DuMouchel
• Eugène van Puijenbroek
• Claudio Naranjo

Seminal works

• naranjo-1981
• bate-1998
• dumouchel-1999
• evans-2001

Frequently asked questions

Was ist ein Sicherheitssignal?

Es sind Informationen, die auf eine mögliche neue oder veränderte kausale Assoziation zwischen einem Medikament und einem unerwünschten Ereignis hindeuten, die als weiter untersuchungswürdig erachtet wird. Ein Signal ist eine zu überprüfende Hypothese, kein bewiesenes Risiko.

Warum werden Bayes'sche Methoden anstelle einfacher Verhältnisse verwendet?

Wenn ein Medikament-Ereignis-Paar sehr wenige Berichte aufweist, kann ein einfaches Verhältnis zufällig groß sein. Bayes'sche Shrinkage-Methoden ziehen solche Schätzungen zum Gesamtbild hin, wodurch falsch positive Ergebnisse bei spärlichen Daten reduziert werden.