Einsatz von Big Data in der Pharmakovigilanz: Einblicke in Data Mining für Arzneimittelsicherheit

In den 1900er Jahren sah die Pharmakovigilanz ganz anders aus. Gesundheitsfachkräfte (HCPs) und Sponsoren klinischer Studien betrachteten häufig die Symptome eines Patienten, die Dosierung und Verschreibungsmuster, um zu ermitteln, ob unerwünschte Reaktionen vom Arzneimittel ausgingen. Heute hingegen beruht die Pharmakovigilanz auf einer Sache: Daten.

Heutzutage werden Nebenwirkungen und Arzneimittel-Wechselwirkungen aus Patientendaten untersucht. Daten aus Quellen wie klinischen Studiendaten, elektronischen Gesundheitsakten, Meldesystemen für Nebenwirkungen und sozialen Foren werden gesammelt. Anschließend werden sie analysiert, um Nebenwirkungsreaktionen frühzeitig zu erkennen oder Arzneimittel-Wechselwirkungen vorherzusagen. Diese Vorhersagen können HCPs und Sponsoren klinischer Studien dabei helfen, bessere Entscheidungen für die Patientensicherheit zu treffen.

Um diese Daten zu erhalten, wird häufig ein einfacher Prozess eingesetzt: Data Mining. Data Mining umfasst die Analyse großer Datensätze, um Muster, Korrelationen und Erkenntnisse zu identifizieren. Es verwendet verschiedene analytische Techniken wie Association Rule Mining und Technologien wie künstliche Intelligenz (AI) und maschinelles Lernen (ML), um potenzielle Risiken zu erkennen und vorherzusagen. Heute sind verschiedene von Aufsichtsbehörden zugelassene Tools für Data Mining verfügbar.

Datenbanken & Tools für Data Mining, die Sie für die Pharmakovigilanz benötigen

FAERS

Das Meldesystem für Nebenwirkungen der US-amerikanischen Food and Drug Administration (FAERS) ist ein öffentliches Dashboard, das die post-marketing Sicherheitsüberwachung aller zugelassenen Arzneimittel und Biologika der FDA unterstützt. Data Mining der FAERS-Datenbank kann zuvor unbekannte klinisch wichtige Assoziationen aufdecken, die bei der Vorhersage von Arzneimittel-Wechselwirkungen helfen können.

Vigibase

Verwaltet von der World Health Organization, Vigibase ist eine globale Datenbank mit Berichten zu unerwünschten Arzneimittelwirkungen im Zusammenhang mit Medikamenten und Impfstoffen. Die breite Öffentlichkeit kann einen Teil dieser Daten über das Tool VigiAccess einsehen. Die Datenbank wird regelmäßig aktualisiert und ist mit Datenverwaltungs- und Qualitätssicherungswerkzeuge, die eine strukturierte Dateneingabe, -abfrage und -analyse ermöglichen, verknüpft.

EudraVigilance

EudraVigilance ist eine öffentlich zugängliche Datenbank für Berichte über unerwünschte Reaktionen, die von der European Medicines Agency (EMA). entwickelt und verwaltet wird. Ihre AI-Integration ermöglicht eine verbesserte Signalentdeckung. Die Datenbank erleichtert außerdem den elektronischen Austausch von Individual Case Safety Reports zwischen EMA, NCAs, MAHs und Sponsoren klinischer Studien. Die Daten in der EudraVigilance-Datenbank können für die Früherkennung und Bewertung möglicher Sicherheits-Signale ausgewertet werden.

BioBERT

Bidirectional Encoder Representations from Transformers for Biomedical Text Mining (BioBERT) ist ein Tool für biomedizinisches Text Mining, das auf biomedizinischen Korpora vortrainiert wurde. Es übertrifft verschiedene verfügbare Text-Mining-Tools bei der Extraktion biomedizinischer Relationen, der Identifizierung biomedizinischer Named Entities und der Beantwortung biomedizinischer Fragen. Dieses Tool kann zum Mining von Pharma-Literatur verwendet werden, um gemeldete Nebenwirkungen zu untersuchen. Es kann auch eingesetzt werden, um Fallstudienberichte mit bestimmten Symptomen oder Terminologien zu finden.

Oracle Argus Safety

Oracle’s Argus kann zur Verarbeitung, Analyse und Berichterstattung über Nebenwirkungen im Zusammenhang mit Arzneimitteln, Biologika, Impfstoffen, Geräten und Kombinationsprodukten verwendet werden. Es kann Daten zu Nebenwirkungen aus mehreren Quellen sammeln, einschließlich elektronische Gesundheitsakten, klinische Studien und Literatur, die in einer zentralisierten Datenbank gespeichert und mithilfe von Machine-Learning- und regelbasierten Algorithmen ausgewertet werden können. Argus Safety entspricht den Standards und Vorschriften für Arzneimittel, Impfstoffe und Medizinprodukte in allen Regionen der Welt.

MedDRA

Während das MedDRA nicht direkt für Data Mining verwendet werden kann, bietet es dennoch einige ausgezeichnete Anwendungen. MedDRA steht für Medical Dictionary for Regulatory Activity und wurde in den 1990er Jahren vom International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use entwickelt. Es verfügt über eine standardisierte Klassifizierungs- und Kodierungsstruktur für unerwünschte Ereignisse, die in Berichterstellungen über klinische Studien, behördliche Einreichungen und Post-Marketing-Überwachungsberichte verwendet wird. Es kann in Argus Safety, Empirica Signal und FAERS für die Echtzeitüberwachung integriert werden.

Empirica Signal

Oracle Empirica Signal ist eine fortschrittliche Plattform für Data Mining und Signal-Detektion. Sie nutzt Algorithmen wie den proportionale Meldungsrate, Reporting Odds Ratio und Multi-Item Gamma-Poisson-Shrinker zur Erkennung von Sicherheitssignalen. Sie verwendet auch unüberwachtes Lernen, um unbekannte Zusammenhänge zu identifizieren. Sie kann latente Muster in Arzneimittelsicherheitsdaten erkennen. Außerdem enthält sie AI-Modelle, die vorhersagen können, welche Wirkstoffkombination ein hohes Risiko für Nebenwirkungen darstellt.

Diese Data-Mining-Tools werden von verschiedenen Pharmaunternehmen und Forschern für unterschiedliche pharmazeutische Zwecke eingesetzt.

Wer nutzt Data-Mining-Tools für die Pharmakovigilanz?

Hier sind einige Beispiele dafür, wie diese Tools derzeit in der Praxis eingesetzt werden.

• FAERS: Kürzlich haben Forscher die FAERS-Datenbank ausgewertet um unerwünschte Arzneimittelwirkungen im Zusammenhang mit Vedolizumab zu identifizieren und zu analysieren. FAERS wurde auch verwendet, um Daten im Zusammenhang mit anderen Arzneimitteln wie Nirmatrelvir, Ritonavir, axitinib und dualen Orexin-Rezeptor-Antagonisten zu analysieren.
• Bio-BERT: Forscher haben BERT-basierte Sprachmodelle für die genaue Extraktion unerwünschter Arzneimittelwirkungen aus Social-Media-Daten eingesetzt.
• Oracle Argus Safety: Yuhan Corporation, Südkoreas größtes Pharmaunternehmen, verwendet Argus Safety für seine Pharmakovigilanz-Aktivitäten.

Dies sind nur einige Beispiele von Unternehmen und Forschern, die Data-Mining-Tools für ihre Pharmakovigilanz eingesetzt haben; in der Praxis gibt es jedoch noch viele weitere. Die Integration solcher Data-Mining-Tools verlief jedoch nicht schnell, hauptsächlich weil mit diesen Tools viele Risiken verbunden sind.



Risiken im Zusammenhang mit der Verwendung von Data-Mining-Tools

Probleme mit Datenqualität und Genauigkeit

Viele Datenbanken und Data-Mining-Tools enthalten inkonsistente oder fehlende Informationen, was zu falschen Schlussfolgerungen führen kann. Sie können auch doppelte Einträge enthalten, was die Daten verzerrt. Schließlich bleiben viele unerwünschte Arzneimittelwirkungen aufgrund mangelnder Awareness, komplexer Meldeprozesse und der Angst der Patienten vor rechtlichen Konsequenzen ungemeldet, sodass die meisten Datenbanken und Mining-Tools keine umfassenden Informationen enthalten.

Falsch-positive und falsch-negative Ergebnisse

Data-Mining-Tools können harmlose Arzneimittelzusammenhänge als Sicherheitssignale markieren, was zu falsch-positiven Ergebnissen führt. Andererseits können Algorithmen auch seltene oder langfristige Nebenwirkungen aufgrund schwacher statistischer Zusammenhänge nicht erkennen. Diese falsch-positiven und falsch-negativen Ergebnisse können die Daten verzerren und ein unvollständiges Bild liefern.

Datenschutzbedenken

Beim Data-Mining bestehen Datenschutzbedenken, da sensible Patientendaten offengelegt werden können. Pharmaunternehmen müssen strenge Datenschutz- und Privatsphäre-Vorschriften wie die GDPR und HIPAA einhalten. Leider schränkt diese Einhaltung den Zugriff auf detaillierte Patientendaten ein, was die Auffindung von Korrelationen erschwert.

Die Zukunft von Data-Mining-Tools

Im Kontext der Pharmakovigilanz bietet Data Mining hervorragende Vorteile, die von vielen Pharmaunternehmen und Aufsichtsbehörden weltweit erkannt wurden. Dementsprechend stehen verschiedene Tools für das Data Mining zur Verfügung, und weitere werden noch erforscht. Die Implementierung solcher Tools birgt jedoch Risiken, insbesondere hinsichtlich Datenqualität und Datenschutz, die dringend angegangen werden müssen. Diese Risiken sind die Haupthindernisse für den breiten Einsatz von Data-Mining-Tools in der Pharmakovigilanz. Sie können durch fortschrittliche Analytik, Expertenvalidierung und ethische Praktiken angegangen werden.

FAQs

1. Warum wird Data Mining in der Pharmakovigilanz eingesetzt?

Data Mining kann verborgene Muster und bislang unbekannte Sicherheitsbedenken im Zusammenhang mit der Arzneimittelanwendung identifizieren, wodurch Aufsichtsbehörden und Unternehmen proaktive Sicherheitsmaßnahmen ergreifen und Risiken managen können.

2. Wie hilft Data Mining bei der Erkennung unerwünschter Arzneimittelwirkungen?

Data-Mining-Techniken helfen, unerwartete oder schwerwiegende Reaktionen zu identifizieren, indem sie Muster in Datenbanken zu unerwünschten Ereignissen analysieren. Diese Muster helfen zu bestätigen, ob die Reaktion durch einen bestimmten Auslöser verursacht wird.

3. Nutzen Aufsichtsbehörden Data Mining in ihren Pharmakovigilanz-Aktivitäten?

Ja, Aufsichtsbehörden nutzen Data Mining, um die Arzneimittelsicherheit nach der Markteinführung zu überwachen und basierend auf den Ergebnissen Sicherheitshinweise herauszugeben.