Détection de signaux et évaluation statistique

La détection de signaux est le processus d'identification, à partir de rapports ou de données accumulées, d'informations suggérant une association nouvelle ou modifiée entre un médicament et un événement indésirable qui mérite d'être investiguée. L'évaluation statistique et clinique transforme ensuite les rapports bruts en hypothèses priorisées, combinant des méthodes quantitatives de disproportionnalité avec l'évaluation structurée des cas individuels.

Definition

La détection de signaux en pharmacovigilance est l'identification d'une association causale potentielle, ou d'un nouvel aspect d'une association connue, entre un médicament et un événement, dérivée d'une ou plusieurs sources et jugée digne de vérification ; l'évaluation de cas est l'évaluation structurée de la probabilité qu'un médicament ait causé une réaction donnée.

Scope

Cette entrée couvre ce qu'est un signal de sécurité, les principales approches quantitatives pour signaler les signaux dans les bases de données de notification spontanée (méthodes fréquentistes de disproportionnalité et méthodes bayésiennes de rétrécissement), et la tâche complémentaire d'évaluation de la causalité pour les cas individuels. Il s'agit d'une référence méthodologique et ne fournit pas de conseils cliniques.

Core questions

• Qu'est-ce qui qualifie un signal de sécurité ?
• Comment les mesures de disproportionnalité signalent-elles les paires médicament-événement ?
• Comment les méthodes bayésiennes améliorent-elles la simple disproportionnalité ?
• Comment la causalité est-elle jugée pour un rapport individuel ?

Key concepts

• Signal de sécurité
• Analyse de disproportionnalité
• Rapport de notification proportionnel (PRR)
• Rapport de cotes de notification (ROR)
• Rétrécissement bayésien (BCPNN, MGPS / Bayes empirique)
• Évaluation de la causalité (par exemple, algorithme de Naranjo, catégories OMS-UMC)
• Biais de confusion par indication et biais de notification

Mechanisms

La détection quantitative de signaux traite une base de données de rapports comme un grand tableau de contingence et se demande si une paire médicament-événement particulière est rapportée de manière disproportionnellement plus fréquente que prévu par rapport au reste des données. Les mesures fréquentistes telles que le rapport de notification proportionnel (PRR) et le rapport de cotes de notification (ROR) expriment cette disproportion directement (Evans et al., 2001 ; van Puijenbroek et al., 2002). Les méthodes bayésiennes — le réseau neuronal de propagation de la confiance bayésienne (BCPNN) et le rétrécisseur gamma-Poisson multi-éléments / moyenne géométrique bayésienne empirique (MGPS) — appliquent un rétrécissement (shrinkage) afin que les paires avec peu de rapports ne soient pas signalées de manière fallacieuse, améliorant la stabilité pour les données éparses (Bate et al., 1998 ; DuMouchel, 1999). Un signal statistique n'est qu'un point de départ : les signaux candidats sont examinés cliniquement, et les cas individuels sont évalués à l'aide d'instruments de causalité structurés tels que l'échelle de probabilité de Naranjo, qui pondèrent la relation temporelle, la déchallenge, la rechallenge et les explications alternatives (Naranjo et al., 1981 ; Bate & Evans, 2009).

Clinical relevance

La détection de signaux détermine quels dommages médicamenteux possibles les régulateurs et les cliniciens doivent investiguer davantage, et l'évaluation de la causalité encadre la manière dont les réactions individuelles suspectées sont interprétées. Cette entrée explique ces méthodes analytiques ; elle décrit comment les preuves sont évaluées et ne constitue pas une base pour des décisions diagnostiques ou thérapeutiques individuelles.

Epidemiology

Les méthodes de disproportionnalité sont appliquées à des bases de données spontanées contenant des millions de rapports, où l'objectif est de cribler efficacement tout en contrôlant les faux positifs ; des études comparatives montrent que les diverses mesures concordent souvent sur les signaux forts mais divergent pour les paires médicament-événement éparses, c'est pourquoi les méthodes de rétrécissement sont largement utilisées (van Puijenbroek et al., 2002 ; Bate & Evans, 2009).

History

L'évaluation de la causalité a été formalisée en premier, avec des algorithmes structurés tels que l'échelle de Naranjo en 1981, apportant de la reproductibilité à l'évaluation des cas. La détection quantitative de signaux au niveau de la population a suivi dans les années 1990 et 2000 : le réseau neuronal de propagation de la confiance bayésienne a été introduit pour la base de données de l'OMS en 1998, l'exploration de données bayésienne empirique pour le système de la FDA en 1999, et les rapports de notification proportionnels pour la signalisation de routine en 2001, après quoi des revues comparatives et méthodologiques ont consolidé la pratique (Bate et al., 1998 ; DuMouchel, 1999 ; Evans et al., 2001 ; Bate & Evans, 2009).

Debates

Les signaux de disproportionnalité reflètent-ils un risque réel ?

Un signal statistique mesure les schémas de notification, et non l'incidence, et peut résulter d'un biais de notification, d'une confusion par indication ou de l'attention médiatique ; le poids à accorder aux signaux automatisés et les seuils à utiliser restent débattus.

Quelle est la fiabilité de l'évaluation de la causalité pour les cas uniques ?

Les algorithmes structurés améliorent la reproductibilité mais reposent toujours sur le jugement et des informations incomplètes, et différents instruments peuvent classer le même cas différemment, de sorte que la causalité d'un cas unique est traitée comme probabiliste plutôt que définitive.

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

Qu'est-ce qu'un signal de sécurité ?

C'est une information suggérant une association causale possible, nouvelle ou modifiée, entre un médicament et un événement indésirable, jugée digne d'une investigation plus approfondie. Un signal est une hypothèse à vérifier, et non un risque avéré.

Pourquoi les méthodes bayésiennes sont-elles utilisées à la place des simples rapports ?

Lorsqu'une paire médicament-événement a très peu de rapports, un simple rapport peut être élevé par hasard. Les méthodes de rétrécissement bayésien (Bayesian shrinkage) ramènent ces estimations vers le schéma global, réduisant les faux positifs pour les données éparses.