신호 탐지 및 통계적 평가

신호 탐지는 축적된 보고서나 데이터로부터 의약품과 이상 사례 간의 새롭거나 변화된 연관성을 시사하며 조사가 필요한 정보를 식별하는 과정입니다. 통계적 및 임상적 평가는 원시 보고서를 우선순위가 지정된 가설로 전환하며, 정량적 불균형 방법과 개별 사례에 대한 구조화된 평가를 결합합니다.

Definition

약물감시에서의 신호 탐지는 의약품과 사건 사이에 잠재적인 인과 관계 또는 알려진 관계의 새로운 측면을 하나 이상의 출처로부터 식별하고 검증이 필요하다고 판단하는 것입니다. 사례 평가는 의약품이 특정 반응을 일으켰을 가능성을 구조적으로 평가하는 것입니다.

Scope

이 항목은 안전성 신호가 무엇인지, 자발적 보고 데이터베이스에서 신호를 포착하기 위한 주요 정량적 접근 방식(빈도주의적 불균형 및 베이즈 수축 방법), 그리고 개별 사례에 대한 인과성 평가의 보완적인 작업을 다룹니다. 이는 방법론적 참고 자료이며 임상적 지침을 제공하지 않습니다.

Core questions

• 안전성 신호로 간주되는 것은 무엇입니까?
• 불균형 측정은 약물-사건 쌍을 어떻게 플래그합니까?
• 베이즈 방법은 단순한 불균형을 어떻게 개선합니까?
• 개별 보고서에 대한 인과성은 어떻게 판단됩니까?

Key concepts

• 안전성 신호
• 불균형 분석
• 비례 보고율 (PRR)
• 보고 오즈비 (ROR)
• 베이즈 수축 (BCPNN, MGPS / 경험적 베이즈)
• 인과성 평가 (예: Naranjo 알고리즘, WHO-UMC 분류)
• 적응증에 의한 교란 및 보고 편향

Mechanisms

정량적 신호 탐지는 보고 데이터베이스를 큰 분할표로 취급하고 특정 약물-사건 쌍이 나머지 데이터에서 예상되는 것보다 불균형적으로 더 자주 보고되는지 여부를 묻습니다. 비례 보고율(proportional reporting ratio) 및 보고 오즈비(reporting odds ratio)와 같은 빈도주의적 측정은 이러한 불균형을 직접적으로 표현합니다 (Evans et al., 2001; van Puijenbroek et al., 2002). 베이즈 방법 — 베이즈 신뢰 전파 신경망(Bayesian confidence propagation neural network) 및 다중 항목 감마-푸아송 수축기/경험적 베이즈 기하 평균(multi-item gamma-Poisson shrinker / empirical Bayes geometric mean) —은 보고서가 적은 쌍이 잘못 플래그되지 않도록 수축(shrinkage)을 적용하여 희소 데이터(sparse data)의 안정성을 향상시킵니다 (Bate et al., 1998; DuMouchel, 1999). 통계적 플래그는 단지 시작점일 뿐입니다. 후보 신호는 임상적으로 검토되며, 개별 사례는 Naranjo 확률 척도(Naranjo probability scale)와 같은 구조화된 인과성 도구를 사용하여 평가됩니다. 이 도구는 시간적 관계, 투약 중단(dechallenge), 재투약(rechallenge) 및 대체 설명(alternative explanations)을 고려합니다 (Naranjo et al., 1981; Bate & Evans, 2009).

Clinical relevance

신호 탐지는 규제 기관과 임상의가 추가로 조사할 수 있는 약물 유해 가능성을 결정하며, 인과성 평가는 개별 의심 반응이 어떻게 해석되는지를 구성합니다. 이 항목은 이러한 분석 방법을 설명하며, 증거가 어떻게 평가되는지를 기술하고 개별 진단 또는 치료 결정의 근거가 아닙니다.

Epidemiology

불균형 방법은 수백만 건의 보고서를 포함하는 자발적 데이터베이스에 적용되며, 목표는 위양성(false positives)을 제어하면서 효율적으로 선별하는 것입니다. 비교 연구에 따르면 다양한 측정 방법은 강력한 신호에 대해서는 종종 일치하지만 희소한 약물-사건 쌍에 대해서는 차이를 보이며, 이 때문에 수축 방법이 널리 사용됩니다 (van Puijenbroek et al., 2002; Bate & Evans, 2009).

History

인과성 평가는 1981년 Naranjo 척도와 같은 구조화된 알고리즘이 사례 평가에 재현성을 가져오면서 먼저 공식화되었습니다. 인구 수준의 정량적 신호 탐지는 1990년대와 2000년대에 이어졌습니다. 베이즈 신뢰 전파 신경망은 1998년 WHO 데이터베이스에 도입되었고, 경험적 베이즈 데이터 마이닝은 1999년 FDA 시스템에, 비례 보고율은 2001년 일상적인 신호 탐지에 도입되었으며, 이후 비교 및 방법론적 검토를 통해 관행이 통합되었습니다 (Bate et al., 1998; DuMouchel, 1999; Evans et al., 2001; Bate & Evans, 2009).

Debates

불균형 신호가 실제 위험을 반영합니까?

통계적 신호는 발생률이 아닌 보고 패턴을 측정하며, 보고 편향, 적응증에 의한 교란 또는 언론의 관심으로 인해 발생할 수 있습니다. 자동화된 신호에 얼마나 많은 비중을 둘 것인지, 그리고 어떤 임계값을 사용할 것인지에 대해서는 여전히 논쟁의 여지가 있습니다.

단일 사례에 대한 인과성 평가는 얼마나 신뢰할 수 있습니까?

구조화된 알고리즘은 재현성을 향상시키지만 여전히 판단과 불완전한 정보에 의존하며, 다른 도구는 동일한 사례를 다르게 분류할 수 있으므로 단일 사례 인과성은 확정적이라기보다는 확률적인 것으로 취급됩니다.

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

안전성 신호란 무엇입니까?

이는 의약품과 이상 사례 사이에 잠재적인 새롭거나 변화된 인과 관계를 시사하며 추가 조사가 필요하다고 판단되는 정보입니다. 신호는 검증되어야 할 가설이지 입증된 위험이 아닙니다.

단순 비율 대신 베이즈 방법을 사용하는 이유는 무엇입니까?

약물-사건 쌍의 보고서 수가 매우 적을 때, 단순 비율은 우연히 크게 나올 수 있습니다. 베이즈 수축 방법은 이러한 추정치를 전체 패턴으로 끌어당겨 희소 데이터에 대한 위양성을 줄입니다.