临床大数据的产品应用与变现（二）：药企
|
通常来讲，进行该类试验应该选取一款市场上广泛认可的药物作为阳性对照药，通过与该药物的对比，得到优效、等效、非劣效的相关结果。由于被选中阳性对照的药品，通常都是较强的竞争对手，所有企业自然希望得到优效的结果。 对于优效性试验而言，其假设检验为：
其中是一个临床具有意义的数值，称为优效性界值。为测试药物的总体有效率，为对照药物的总体有效率。优效性的主要目的就是需要确定测试药物疗效需要超过对照药物的优效性界值，且不能低于0点。 对于等效性试验而言，其假设检验为：
公式中的相关指标与前文中的一致。在等效性实验中，需要测试药物与对照药物的有效性在一个界值中间，即可从统计学上判断两者的等效性。等效性更多的用于仿制药与原研药物的一致性评价中。 对于非劣效试验而言，其假设检验为：
非劣效实验重点在于确定测试药物与对照药物的疗效之差不低于下界，单侧检验就可以确定非劣效。下图很形象的说明了三种实验的关系。如果测试药物的疗效低于对照药物疗效的下限界值，那么则无法得出结论。
在传统的生物统计中，以上三种试验可以通过人为设计、招募受试者等方式完成。 对于真实世界研究，我们需要完全采用真实产生的数据而并非利用人为设计试验数据。 完成以上工作有2个难点：第一是如何选择数据，第二是如何制定临床指标。 首先讨论如第二个问题，定临床指标从来都是一个难题，选大了会使得区间变大使得测试药物优效性可能降低，或达不到等效的药物被判定为等效；如果选的较小，则会增加相反概率发生的可能性。具体情况还需要针对药物适应症因素确定。常用的指标有生化指标、生物等效性（EB）等。 第一个问题是如何选择数据，这对于真实世界研究非常重要。 选择数据有2种情况：
从药企角度出发，通常希望快速得到相应的结论，不但可以解决成本，对药品营销推广也有好处。回顾性研究的问题在于临床数据是已经产生的数据，这些数据质量较差并且获得困难，并不一定能够达到对应的试验目的。前瞻性研究的问题在于随访时间周期长，花费成本巨大，药企很难长时间支持这样一个只投入无结论的项目。 当前临床数据遇到最大挑战是数据转换（ETL）及合并，也可以说是数据治理的内容。在回顾性的真实世界研究中，什么样的临床数据才是有价值的，作者给出三条建议：
明确临床事件的顺序在于确定患者的病程及处理情况，大量临床数据无法得到应用的原因在于无法看到一个患者，在一段时间内的临床处置及相应的结果。临床数据应用，并不一定要求在同一时间段内的患者，但需要明确顺序因素与时间间隔。 明确患者身份标识，这一点很好理解。我们做真实世界研究大多数以患者为单位进行，即使研究某个药物或疗法，也需要根据患者个体进行分析。 使用统一的临床编码规范，这是一个医疗数据老生常谈的问题。在这里不进行过多的讨论，希望不同地方各医院能够尽量遵守。上述三个基本要求如图所示。
对于真实世界的研究结论，良好的结论药企可以写入自己的说明书中，不利的结论企业应该立刻调整自己的市场布局，躲避不利因素。 （2）药物不良反应监测与药物警戒 药物不良反应监测更多的是一种责任与义务。在国外很多不良反应监测工作由药企完成，在国内更多的是由政府及相关部门进行监控。药物不不良反应监测更多的是一种企业责任，特别是在新药上市之后，可以通过不良反应监测根据完善药品说明书，用药更加安全。 从药企利益的角度考虑，药企更应该主动进行药物不良反应监测，以降低由于不良反应而产生的高昂赔偿费用。 药物不良反应的发生机理药物不良反应的发生机理是比较复杂的，归纳可分为甲型和乙型两大类，前者是由于药物的药理作用增强所致，其特点是可以预测，一般与药物剂量有关，其在人群中的发生率虽高，但死亡率低。后者与正常药理作用完全无关的一种异常反应，通常很难预测，常规毒理学筛选不能发现。 常用的流行病评价方法同样也有回顾性研究与前瞻性研究两种，这两者分别对应了病例对照研究与队列研究。 前者是已知发生了某不良反应后，追查由某药物引起的可能性大小。 后者是对研究对象追踪随访一段时间，比较暴露于药物的研究对象中不良反应的发生率是否较不暴露于药物的研究对象更高。药物不良反应往往从真实世界数据中发现，通过传统临床试验等方法确认。 药物不良反应与药物警戒在全球已经研究了很多年，不仅提出了多种算法，数据分析种类也由医疗数据分析转向医疗数据、社交数据共同分析的方法。 当前大数据、机器学习等多种算法都应用于药物不良反应信号的发现。在药物不良反反应与药物警戒中，有两项核心工作：药物不良反应数据库构建，不良反应数据挖掘。 （编辑：晋中站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
