<!–

->

Veri toplama, klinik araştırmaların yürütülmesinin ayrılmaz bir parçası olmuştur. Makine öğrenimi ve yapay zeka (AI) gibi yeni teknolojilerin kullanıma sunulmasıyla birlikte, klinik deneylerin bir parçası olarak toplanan veriler potansiyel olarak "ödünç alınabilir" ve diğer klinik deneylerde kullanılabilir. Bu tarihsel veya sentetik veriler özellikle şu durumlarda faydalıdır: Düşük hasta popülasyonuyla nadir hastalık denemeleriözellikle pediatrik gruplarda.

Daha önce ilaç onayları mevcuttu. İlaç verilerini desteklemek için geçmiş veriler kullanıldı. 2020 yılında ABD Gıda ve İlaç İdaresi (FDA) onayladı AstraZeneca ve Merck'in Köselugo (selumetinib) nörofibromatozis tip 1 (NF1) olan çocukların tedavisi için. Onay, sırasıyla NF1'in daha önceki bir doğal tarih çalışmasından iki set geçmiş veriyi ve tamamen farklı bir ilaç için NF1'de daha önceki bir klinik deneyin plasebo kolunu kullanan bir Faz II çalışmasına dayanıyordu. Veriler 50 hastadan oluşan bir harici kontrol kolu oluşturmak için kullanıldı.

GSK pediatrik lupus tedavisi için Benlysta'nın (belimumab) yeni ilaç uygulamasını (NDA) desteklemek için yetişkin verilerini kullandı. GSK, yetişkinlerin pediatrik çalışma verilerine uygulanabilirliğini ölçmek için "dönüm noktası" tarzında bir analiz gerçekleştirdi. FDA, Benlysta etiketini genişletti sistemik lupus eritematoz (SLE) 2019 yılında pediatrik lupusu da içerecektir.

Klinik deneyleri desteklemek amacıyla geçmiş verilerin sürekli kullanımının ışığında, ABD Gıda ve İlaç İdaresi (FDA) bir rapor yayınladı. taslak rehberlik Şubat ayında bir ilaç ürününün güvenliği ve etkinliğine ilişkin kanıt sağlamak amacıyla dışarıdan kontrollü klinik araştırmaların kullanılması konusunda sponsorlara ve araştırmacılara yönelik tavsiyeler üzerine.

Dr William Maier, bilimsel işlerden sorumlu başkan yardımcısı ICON Nadir Hastalıklar Merkezi, özellikle nadir ve pediatrik hastalıklarda geçmiş kontrollerin kullanılmasının uygun maliyetli olabileceğini söylüyor.

ile özel bir röportaj Tıbbi Cihaz AğıMaier, tarihsel veya sentetik kontrolleri kullanmanın yararlarını ve zorluklarını ve sponsorların bu kontrolleri kullanan denemeleri planlamadan önce neleri akılda tutması gerektiğini tartışıyor. Bu röportaj uzunluk ve netlik açısından düzenlendi.

Phalguni Deswal [PD]: Geçmiş kontrolleri kullanmanın avantajları ve dezavantajları nelerdir?

Dr William Maier [WM]: Bilgi elde etmek zaman ve para gerektirdiğinden, ilaç geliştirme programınızın bir parçası olarak halihazırda mevcut olan bilgileri kullanmanın değeri vardır, ancak nadir hastalıklarda zordur çünkü orada o kadar çok hasta yok mu. Bu nedenle, eğer yapabiliyorsanız, klinik deneylerinizin boyutunu ve süresini en aza indirmeye çalışmak istiyorsunuz. Bu durumlarda geçmiş bilgileri geçmiş kontroller olarak kullanmak yararlı olabilir.

Geçmiş kontrolleri kullanırken akılda tutulması gereken hususlardan biri kullandığınız bilginin yaşıdır, geçmişte hastalığı yaşayan kişilerin yeniden kullanılan veya başka ilaçlar açısından aynı deneyime sahip olmayabileceği veya hatta bugüne göre nasıl teşhis edildikleri. Ayrıca ilginizi çeken tüm sonuçların geçmiş verilerinizde de mevcut olduğundan emin olmalısınız. Daha sonra, geçmiş verilerinizde bulduğunuz kişilerin klinik araştırmanızdaki kişilerle karşılaştırılabilir olmasını sağlamanın bir yolunu denemelisiniz. Elbette bunlar önemsiz zorluklar değil, ancak tamamen imkansız da değil.

Bahsetmek istediğim diğer şey ise bu verileri analiz etmenin farklı yollarının olduğudur. Yani daha önceki klinik çalışmalardan, plasebo kollarından ve diğer popülasyonlarda yapılmış önceki çalışmalardan elde edilen, kullanabileceğiniz veriler var. Bayes istatistikleri bir 'geliştirmek için kullanılabilir'öngörücü anlayış Önceki bilgilere dayanarak bir ilacın. Bayes istatistiklerinin ve modellemesinin bu kullanımı ilaç endüstrisinde oldukça az kullanılmaktadır ancak özellikle erken ilaç geliştirmede büyüme ve gerçek değer potansiyeli için çok fazla alan vardır.

PD: FDA, Benlysta onayı için GSK'ya yetişkin verileri kullanılarak duyarlılık testi yapılmasını önerdi. Bunun nasıl çalıştığını genişletebilir misiniz?

WM: Bu alanda sıklıkla yapılan şeylerden biri, diğer popülasyonlardan veri aldığınız, veri ödünç alma adı verilen bir şeydir. Benlysta örneğinde, bir ilaç uygulamasının parçası olarak yetişkinlerden veri aldılar ve buna dayanarak çocuklar üzerindeki etkiyi çıkardılar. Yetişkinler üzerinde denemeler yapmışlardı ve çocuklarda bir tür küçük çocukluk çalışması yapmışlardı.

Burada verileri, yetişkinlerden gelen verilere çocuklara benzer olan veriler tek bir ağırlıkla, yetişkinlerden gelen çocuklara benzer olmayan verilere ise farklı bir ağırlık verilecek şekilde tarttılar. Bu tür bir dönüm noktası metodolojisi kullanarak, yetişkinlere yönelik verilere verebileceğiniz ve yine de iyi bir tahmin elde edebileceğiniz en az ağırlığın ne olduğunu anladılar. Bu analizde yetişkin verilerine yaklaşık %55'lik bir ağırlık verdiler. Sonuçta FDA bunun oldukça güçlü bir kanıt olduğunu düşündü ve ilaç pediatrik popülasyon için onaylandı.

PD: Bu dış kontrollerin kullanımına ilişkin düzenleyici rehberlik nedir?

WM: Bu, düzenleyici dünyada gelişen bir alan. Son zamanlarda, FDA'nın, tamamen geçmiş verilerin kullanımıyla ilgili olan, ancak her türlü geçmiş veriyi kapsamayan bir taslak kılavuzu var. Yani, çoğunlukla hasta düzeyindeki bilgiler dediğimiz şeylerden bahsediyorlar, ancak literatürden veya buna benzer türden özet tahminlerden değil. Bu daha çok bu veri noktalarını kullanmanın en iyi yolunun ne olduğunu bulmak için kullandıkları devam eden bir sürecin konusudur.

Bu [FDA] kılavuzu şu anda daha çok karmaşık etkileşimli tasarımların (CID) en iyi kullanım türünün ne olduğunu bulmaya çalışan bir süreçtir. Çoğu Bayes yönteminin bir biçimini kullanan bir dizi örnek üzerinde çalışıyorlar.

PD: Sponsorların bu denemelere başlamadan önce akılda tutması gereken şeyler nelerdir?

WM: Bu tasarımlar geçmişte insanların alışkın olduğu tasarımlar kadar basit değil. Bu nedenle bu tasarımların güçlü ve zayıf yönleri konusunda eğitime ihtiyaç vardır.

Halihazırda sahip olduğunuz verilerin elde edeceğiniz verilerle ne kadar iyi karşılaştırılabilir olduğunu görmek için bir tür duyarlılık analizi yapmanız gerekir. Ve bu, geçmişten gelen kanıtlara verdiğiniz farklı ağırlıkları dikkate alan tüm bina modelleri alanına geri dönüyor. Bu insanların pek yapmadığı bir şey ama sürecin önemli bir parçası.

Tipik bir klinik deney tasarımında, ilgilendiğiniz birincil sonucun olay oranının ne olduğuna bakarsınız ve ardından bunu örneklem büyüklüğünü belirlemek için bir tür güç hesaplamasında kullanırsınız. Tasarımda popülasyondaki farklı alt gruplara dayalı olarak başka türde bir katmanlaştırma veya buna benzer bir şey de yapabilirsiniz. Ancak önceki bilgileri, denemelerden elde ettiğiniz tahminle birleştirmek için kullanılacak şekilde mutlaka dikkate almıyorsunuz. Bu aslında insanların alışması gereken türden bir değişim.

Ayrıca, bu önceki kanıtlara ne kadar ağırlık vereceğinizi de belirlemeli ve bazı olası etkileri anlamak için bazı hassasiyet analizleri yapmalısınız. Daha sonra, anlamlı ve önyargısız bir şey elde ettiğinizden emin olmak için çalışmanızın ne kadar büyük olması gerektiğini belirlemek için bu bilgiyi modelleyebilirsiniz.

Günlük haber özetimize kaydolun!

Sektöre yön veren öngörülerimizle işletmenize avantaj kazandırın.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.medicaldevice-network.com/interviews/external-controls-can-augment-low-populations-in-rare-disease-trials/