Einzelansicht

Machbarkeitsstudie zur Signalgenerierung von unerwünschten Arzneimittelnebenwirkungen in der pharmakoepidemiologischen Forschungsdatenbank

Beschreibung

Vor der Marktzulassung eines neu entwickelten Medikaments erfolgt eine gründliche Beurteilung des Risiko-Profils des Wirkstoffes. Zusätzlich erlangen Strategien, unbekannte Risiken auch nach der Marktzulassung zu erkennen, immer größere Bedeutung und haben in den letzten Jahrzehnten zur Entwicklung einer Vielzahl von methodischen Ansätzen zum Erkennen und Verfolgen von Sicherheitssignalen geführt.
Data-Mining-Methoden zur Erfassung unbekannter Signale in Spontanmeldedaten haben sich über einen längeren Zeitraum etabliert; zusätzlich sind in den letzten Jahren neue Methoden entstanden, welche die Vorteile von longitudinalen Daten nutzen. Die "Qualität" der durch diese neuen Techniken generierten Signale, d.h. die Stabilität der Ergebnisse und Unterschiede zu Ergebnissen klassischer pharmakoepidemiologischer Studien, ist ein bislang wenig untersuchter Faktor. Weiterhin ist das Problem der Adjustierung für unterliegendes Confounding noch weitgehend ungelöst. Eine manuelle Auswahl der Kovariablen nach dem Vorbild klassischer Studiendesigns ist auf Grund der automatisierten Art der Analysen nicht möglich.

In diesem Projekt wurde ein neuer Ansatz entwickelt, der die Technik des High-dimensional Propensity Scores (HDPS) zur automaischen Selektion von Confoundern mit einem Bayesianischen Disproportionalitätsmaß für longitudinale Daten. In einer Pilotstudie auf Daten aus der deutschen pharmakoepidemiologischen Forschungsdatenbank (GePaRD) wurden die Risiken für akuten Myokardinfarkt, Komplikationen des oberen GI-Trakts, ischämischen und hämorrhagischen Schlaganfall und Herzinsuffizienz nach der Exposition mit nicht-steroidalen Antirheumatika (NSAR) untersucht. Untersucht werden verschiedenen Populationen: Alle NSAR-Nutzer in GePaRD und drei HDPS-gematchte Kohorten, basierend auf 400, 650 und 900 automatisch ausgewählt Kovariablen. Die Ergebnisse wurden sowohl zwischen den Kohorten als auch mit veröffentlichten Ergebnissen pharmakoepidemiologischer Studien verglichen.
Die geschätzten Risiken in den HDPS-gematchten Kohorten waren unabhängig von der Art des Zielereignisses und der Anzahl der automatisch ausgewählten Kovariablen höher als in der Population aller NSAR-Nutzer. Die veröffentlichten Ergebnisse stimmten am ehesten mit der Population der gesamten NSAR-Nutzer überein. Diese Beobachtungen legten den Schluss nahe, dass der hier propagierte Ansatz die Risiken systematisch überschätzt. Als mögliche Gründe wurden unterschiedliche Expositionsdefinitionen in der Disproportionalitätsanalyse und dem HDPS-Algorithmus und die Wahl der Matching-Methode vermutet.

Förderzeitraum

Beginn:   November 2011
Ende:   Dezember 2013

Förderer

  • Eigenmittel des BIPS

Kontaktperson

Prof. Dr. rer. nat. Iris Pigeot

Kooperationspartner

  • Oracle

Ausgewählte Veröffentlichungen zum Projekt

    Zeitschriftenartikel mit peer-review

  • Suling M, Pigeot I. Signal detection and monitoring based on longitudinal healthcare data. Pharmaceutics. 2012;4(4):607-640.
    http://dx.doi.org/10.3390/pharmaceutics4040607
  • Buchbeiträge

  • Suling M, Weber R, Pigeot I. Data mining in pharmacoepidemiological databases. In: Becker C, Fried R, Kuhnt S, Herausgeber. Robustness and complex data structures. Heidelberg: Springer. 2013. S. 351-364
  • Poster bei wissenschaftlichen Tagungen

  • Suling M. Machbarkeitsstudie zur Signalgenerierung unerwünschter Arzneimittelwirkungen in der Deutschen Pharmakoepidemiologischen Forschungsdatenbank. "Biometrie, Epidemiologie und Informatik - Gemeinsam forschen für Gesundheit". 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS) und 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi), 26.-29. September 2011, Mainz.