การตรวจจับสัญญาณและการประเมินทางสถิติ
การตรวจจับสัญญาณคือกระบวนการระบุข้อมูลที่ได้จากรายงานหรือข้อมูลสะสม ซึ่งบ่งชี้ถึงความเชื่อมโยงใหม่หรือที่เปลี่ยนแปลงไประหว่างยาและเหตุการณ์ไม่พึงประสงค์ที่ควรค่าแก่การตรวจสอบ จากนั้นการประเมินทางสถิติและทางคลินิกจะเปลี่ยนรายงานดิบให้เป็นสมมติฐานที่จัดลำดับความสำคัญ โดยการรวมวิธีการวิเคราะห์ความไม่สมส่วนเชิงปริมาณเข้ากับการประเมินกรณีศึกษาแต่ละรายอย่างเป็นระบบ
Definition
การตรวจจับสัญญาณในเภสัชระวังภัยคือการระบุความเชื่อมโยงเชิงสาเหตุที่เป็นไปได้ หรือแง่มุมใหม่ของความเชื่อมโยงที่ทราบอยู่แล้ว ระหว่างยาและเหตุการณ์ ซึ่งได้มาจากแหล่งข้อมูลหนึ่งแหล่งหรือมากกว่า และพิจารณาแล้วว่าสมควรได้รับการตรวจสอบ; การประเมินกรณีศึกษาคือการประเมินอย่างเป็นระบบว่ายามีแนวโน้มที่จะก่อให้เกิดปฏิกิริยาที่กำหนดไว้มากน้อยเพียงใด
Scope
บทความนี้ครอบคลุมถึงความหมายของสัญญาณความปลอดภัย แนวทางเชิงปริมาณหลักในการระบุสัญญาณในฐานข้อมูลการรายงานที่เกิดขึ้นเอง (วิธีการความไม่สมส่วนแบบ Frequentist และวิธีการ Bayesian shrinkage) และภารกิจเสริมของการประเมินความเป็นเหตุเป็นผลสำหรับกรณีศึกษาแต่ละราย บทความนี้เป็นข้อมูลอ้างอิงทางระเบียบวิธีวิจัยและไม่ได้ให้คำแนะนำทางคลินิก
Core questions
- อะไรคือคุณสมบัติของสัญญาณความปลอดภัย?
- มาตรการความไม่สมส่วนระบุคู่ยา-เหตุการณ์ได้อย่างไร?
- วิธีการแบบ Bayesian ปรับปรุงจากความไม่สมส่วนแบบง่ายได้อย่างไร?
- ความเป็นเหตุเป็นผลสำหรับรายงานแต่ละรายการถูกตัดสินอย่างไร?
Key concepts
- สัญญาณความปลอดภัย
- การวิเคราะห์ความไม่สมส่วน
- อัตราส่วนการรายงานตามสัดส่วน (PRR)
- อัตราส่วนความเสี่ยงของการรายงาน (ROR)
- การหดตัวแบบ Bayesian (BCPNN, MGPS / empirical Bayes)
- การประเมินความเป็นเหตุเป็นผล (เช่น อัลกอริทึม Naranjo, หมวดหมู่ WHO-UMC)
- ปัจจัยกวนจากข้อบ่งใช้และอคติในการรายงาน
Mechanisms
การตรวจจับสัญญาณเชิงปริมาณจะพิจารณาฐานข้อมูลการรายงานเป็นตารางความสัมพันธ์ขนาดใหญ่ และตั้งคำถามว่าคู่ยา-เหตุการณ์เฉพาะมีการรายงานบ่อยกว่าที่คาดการณ์จากข้อมูลส่วนที่เหลืออย่างไม่สมส่วนหรือไม่ มาตรการแบบ Frequentist เช่น อัตราส่วนการรายงานตามสัดส่วน (proportional reporting ratio) และอัตราส่วนความเสี่ยงของการรายงาน (reporting odds ratio) แสดงความไม่สมส่วนนี้โดยตรง (Evans et al., 2001; van Puijenbroek et al., 2002) วิธีการแบบ Bayesian — เครือข่ายประสาทเทียมการแพร่กระจายความเชื่อมั่นแบบ Bayesian (Bayesian confidence propagation neural network) และตัวลดแกมมา-ปัวซองหลายรายการ / ค่าเฉลี่ยเรขาคณิตแบบเอ็มพิริคัลเบย์ (multi-item gamma-Poisson shrinker / empirical Bayes geometric mean) — ใช้การหดตัว (shrinkage) เพื่อไม่ให้คู่ที่มีรายงานน้อยถูกระบุอย่างผิดพลาด ซึ่งช่วยปรับปรุงความเสถียรสำหรับข้อมูลที่กระจัดกระจาย (Bate et al., 1998; DuMouchel, 1999) การระบุทางสถิติเป็นเพียงจุดเริ่มต้น: สัญญาณที่อาจเกิดขึ้นจะได้รับการทบทวนทางคลินิก และกรณีศึกษาแต่ละรายจะได้รับการประเมินด้วยเครื่องมือประเมินความเป็นเหตุเป็นผลที่เป็นระบบ เช่น มาตราส่วนความน่าจะเป็นของ Naranjo ซึ่งพิจารณาความสัมพันธ์เชิงเวลา การหยุดยา การกลับมาใช้ยา และคำอธิบายทางเลือก (Naranjo et al., 1981; Bate & Evans, 2009)
Clinical relevance
การตรวจจับสัญญาณจะกำหนดว่าหน่วยงานกำกับดูแลและแพทย์ควรตรวจสอบอันตรายจากยาที่เป็นไปได้ใดเพิ่มเติม และการประเมินความเป็นเหตุเป็นผลจะกำหนดวิธีการตีความปฏิกิริยาที่สงสัยแต่ละราย บทความนี้อธิบายวิธีการวิเคราะห์เหล่านั้น; อธิบายวิธีการประเมินหลักฐานและไม่ใช่พื้นฐานสำหรับการวินิจฉัยหรือการตัดสินใจในการรักษาแต่ละราย
Epidemiology
วิธีการความไม่สมส่วนถูกนำมาใช้กับฐานข้อมูลที่เกิดขึ้นเองซึ่งมีรายงานหลายล้านรายการ โดยมีเป้าหมายเพื่อคัดกรองอย่างมีประสิทธิภาพในขณะที่ควบคุมผลบวกปลอม การศึกษาเปรียบเทียบแสดงให้เห็นว่ามาตรการต่างๆ มักจะเห็นด้วยกับสัญญาณที่รุนแรง แต่แตกต่างกันสำหรับคู่ยา-เหตุการณ์ที่กระจัดกระจาย ซึ่งเป็นเหตุผลว่าทำไมวิธีการหดตัวจึงถูกนำมาใช้อย่างแพร่หลาย (van Puijenbroek et al., 2002; Bate & Evans, 2009)
History
การประเมินความเป็นเหตุเป็นผลได้รับการจัดระบบเป็นอันดับแรก โดยมีอัลกอริทึมที่เป็นระบบ เช่น มาตราส่วน Naranjo ในปี 1981 ซึ่งนำมาซึ่งความสามารถในการทำซ้ำในการประเมินกรณีศึกษา การตรวจจับสัญญาณเชิงปริมาณระดับประชากรตามมาในทศวรรษ 1990 และ 2000: เครือข่ายประสาทเทียมการแพร่กระจายความเชื่อมั่นแบบ Bayesian ถูกนำมาใช้สำหรับฐานข้อมูล WHO ในปี 1998 การทำเหมืองข้อมูลแบบเอ็มพิริคัลเบย์สำหรับระบบ FDA ในปี 1999 และอัตราส่วนการรายงานตามสัดส่วนสำหรับการส่งสัญญาณตามปกติในปี 2001 หลังจากนั้นการทบทวนเชิงเปรียบเทียบและระเบียบวิธีวิจัยได้รวมแนวปฏิบัติ (Bate et al., 1998; DuMouchel, 1999; Evans et al., 2001; Bate & Evans, 2009)
Debates
- สัญญาณความไม่สมส่วนสะท้อนความเสี่ยงที่แท้จริงหรือไม่?
- สัญญาณทางสถิติจะวัดรูปแบบการรายงาน ไม่ใช่อุบัติการณ์ และอาจเกิดจากอคติในการรายงาน ปัจจัยกวนจากข้อบ่งใช้ หรือความสนใจของสื่อ; น้ำหนักที่ควรให้กับสัญญาณอัตโนมัติ และเกณฑ์ที่ควรใช้ยังคงเป็นที่ถกเถียงกันอยู่
- การประเมินความเป็นเหตุเป็นผลสำหรับกรณีศึกษาเดี่ยวมีความน่าเชื่อถือเพียงใด?
- อัลกอริทึมที่เป็นระบบช่วยปรับปรุงความสามารถในการทำซ้ำ แต่ยังคงขึ้นอยู่กับการตัดสินใจและข้อมูลที่ไม่สมบูรณ์ และเครื่องมือที่แตกต่างกันสามารถจัดประเภทกรณีศึกษาเดียวกันได้แตกต่างกัน ดังนั้นความเป็นเหตุเป็นผลของกรณีศึกษาเดี่ยวจึงถูกพิจารณาว่าเป็นไปตามความน่าจะเป็นมากกว่าที่จะเป็นข้อสรุปที่แน่นอน
Key figures
- Stephen Evans
- Andrew Bate
- William DuMouchel
- Eugène van Puijenbroek
- Claudio Naranjo
Related topics
Seminal works
- naranjo-1981
- bate-1998
- dumouchel-1999
- evans-2001
Frequently asked questions
- สัญญาณความปลอดภัยคืออะไร?
- คือข้อมูลที่บ่งชี้ถึงความเชื่อมโยงเชิงสาเหตุใหม่หรือที่เปลี่ยนแปลงไประหว่างยาและเหตุการณ์ไม่พึงประสงค์ ซึ่งพิจารณาแล้วว่าสมควรได้รับการตรวจสอบเพิ่มเติม สัญญาณคือสมมติฐานที่ต้องตรวจสอบ ไม่ใช่ความเสี่ยงที่ได้รับการพิสูจน์แล้ว
- เหตุใดจึงใช้วิธีการแบบ Bayesian แทนอัตราส่วนแบบง่าย?
- เมื่อคู่ยา-เหตุการณ์มีรายงานน้อยมาก อัตราส่วนแบบง่ายอาจมีค่ามากโดยบังเอิญ วิธีการหดตัวแบบ Bayesian จะดึงค่าประมาณดังกล่าวเข้าหารูปแบบโดยรวม ซึ่งช่วยลดผลบวกปลอมสำหรับข้อมูลที่กระจัดกระจาย