Source : EClinCloud. Auteur : eClinCloud.
Cliquez sur le « texte bleu » ci-dessus pour nous suivre
Du 24 au 27 août 2021, la « Série de formations sur les technologies et le renforcement des capacités en recherche clinique sur les troubles psychiatriques et psychologiques » s'est tenue avec succès. Le Dr Qin Long, PDG d'EClinCloud, a été invité à y présenter une intervention thématique intitulée « Nouvelles technologies d'évaluation par échelles en recherche clinique psychiatrique et psychologique ». Il y a présenté de manière approfondie les trois nouvelles technologies actuelles en matière d'évaluation par échelles, à savoir eCOA, formation des évaluateurs et analyse de données en aveugle, et a partagé des cas démontrant comment ces nouvelles technologies aident la recherche clinique.
Nous consacrerons trois articles distincts à la présentation de ces trois nouvelles technologies ; le présent article porte sur la troisième partie : l'analyse de données en aveugle.

L'analyse de données en aveugle (Blinded Data Analytics, BDA) est une nouvelle technologie d'analyse de données qui, en condition d'aveugle et par des méthodes de monitorage statistique centralisé, permet d'identifier et de corriger en temps utile les problèmes de qualité des données susceptibles d'affecter le critère d'évaluation de l'étude. Quant au monitorage basé sur les risques (Risk-Based Monitoring, RBM), il porte sur l'ensemble du processus de l'étude clinique ; du point de vue des données, la BDA doit être considérée comme un complément du RBM, car elle se concentre entièrement sur la qualité des données des critères d'évaluation cliniques.
Facteurs à l'origine des problèmes de qualité des données
Dans les essais cliniques, la qualité des données peut être compromise à divers égards. De multiples facteurs peuvent entraîner des problèmes de qualité des données.
De nombreuses échelles utilisées comme critère d'évaluation principal dans les essais cliniques reposent sur un diagnostic subjectif de l'évaluateur, et l'exactitude de ce diagnostic affecte la qualité des données ; viennent ensuite la question du respect strict des critères d'inclusion lors de l'inclusion des participants, ainsi que les biais dans la mesure des résultats. Bien qu'il s'agisse de petits biais pris individuellement, leur accumulation peut au final engendrer un biais important dans les résultats.
Instabilité des symptômes
L'évolution à long terme des symptômes ; les variations diurnes et nocturnes, les données pouvant parfois différer entre le jour et la nuit ; ainsi que les changements environnementaux, qui peuvent également entraîner des différences dans les symptômes. Tous ces facteurs contribuent à l'instabilité finale des données.
Le fait que les participants se trouvent dans des régions différentes peut également entraîner des variations significatives des données.
Les évaluateurs et les participants peuvent, au cours d'un essai clinique, introduire des biais d'évaluation de l'efficacité et de la sécurité, une inclusion sélective ou des biais dans la définition des populations d'analyse, allant jusqu'à affecter l'exactitude des résultats de l'essai clinique.
Les différences en matière de taille et de complexité de l'essai, ainsi que les différences de randomisation et de mise en aveugle, constituent autant de facteurs influençant la qualité des données.
La figure ci-dessus présente les conclusions d'un projet réel. Dans cet essai, il existe un écart important entre le score moyen des centres investigateurs maintenus en aveugle vis-à-vis des critères de randomisation (ligne rouge sur la figure) et le score moyen des centres investigateurs non aveuglés vis-à-vis des critères de randomisation (ligne bleue sur la figure). Par conséquent, selon les différents projets, il est indispensable d'envisager lors de la conception de l'étude s'il convient de mener l'essai avec des critères de randomisation en aveugle.
Falsification intentionnelle des données
La falsification intentionnelle des données est généralement le facteur le moins fréquent. Ce facteur était peut-être un peu plus courant par le passé, mais aujourd'hui, grâce à une prise de conscience croissante, à une surveillance réglementaire de plus en plus stricte et à la multiplication des outils disponibles, les essais cliniques sont devenus de plus en plus rigoureux et normalisés, et la probabilité de falsification ne cesse de diminuer.
Les médecins spécialistes de la maladie de Parkinson savent tous que cette maladie débute généralement de manière unilatérale, n'affectant qu'un seul côté du corps. Au fil du temps, la maladie évolue vers une atteinte bilatérale, touchant les deux côtés du corps ; à ce stade, un côté est souvent plus sévèrement atteint que l'autre, ce qui constitue une caractéristique de la maladie de Parkinson.
La figure ci-dessus présente les résultats de cotation d'une échelle standard d'évaluation de la maladie de Parkinson. Ce graphique montre les scores moyens à différentes visites, c'est-à-dire le score moyen obtenu après addition des côtés gauche et droit, chaque ligne représentant un patient. À l'examen du graphique, aucun problème n'apparaît, et l'analyse du score total ne révèle aucune anomalie.

Cependant, au lieu d'examiner simplement le score UPDRS, nous décomposons les scores pour les analyser sous un autre angle, c'est-à-dire en observant l'évolution des données des côtés gauche et droit, ce qui permet de voir où se situe le problème. Par exemple, cette ligne vert clair (désignée par la flèche rouge sur la figure) varie tantôt à la hausse, tantôt à la baisse, avec des symptômes tantôt plus sévères à gauche et tantôt plus sévères à droite ; du point de vue des symptômes eux-mêmes, il s'agit de données problématiques, car nous savons tous que dans la maladie de Parkinson, un côté reste durablement plus sévèrement atteint que l'autre. Ce type de problème de données ne peut pas être perçu simplement sur un seul plan ; il faut changer de méthode d'analyse pour déceler ces problèmes de données cachés.
Chez les patients atteints de la maladie de Parkinson, après la prise du médicament, il existe une période pendant laquelle l'effet thérapeutique agit et les symptômes sont soulagés, appelée ON time. Une fois la durée d'action du médicament passée, la période pendant laquelle les symptômes réapparaissent est appelée OFF time. Après la prise du médicament, les patients atteints de la maladie de Parkinson connaissent un soulagement de leurs symptômes pendant un certain temps, puis lorsque l'effet s'estompe, ils reviennent à leur état initial, doivent reprendre le médicament et obtiennent de nouveau un soulagement ; tous les patients traversent ce processus.
En examinant les données des deux patients de la figure ci-dessus à la lumière de cette caractéristique, les données de score du patient 1 (jaune) augmentent brusquement lors de la visite 2, puis deviennent soudainement très basses lors de la visite 3, tandis que les données de score du patient 2 (noir) sont relativement stables.
Quelle est la cause d'une variation aussi importante des données de score ? La cause la plus probable est l'absence de respect strict du protocole, entraînant des moments d'évaluation incohérents. Lors de la visite 2, le score élevé s'explique probablement par le fait que le patient était déjà en OFF time, et non en ON time. Ainsi, le mauvais créneau temporel a été choisi, ce qui a provoqué des fluctuations à la hausse et à la baisse des données et entraîné une instabilité des données de résultats. Par la suite, le centre investigateur a indiqué que cela était effectivement dû au fait que cet évaluateur n'avait pas effectué l'évaluation selon le délai écoulé après la prise du médicament par le patient, mais uniquement lorsqu'il était disponible. Or, au moment où cet évaluateur se libérait, l'effet du médicament pouvait parfois déjà être dissipé et parfois encore présent, produisant naturellement des résultats fluctuants à la hausse et à la baisse.
Dans les essais cliniques, la qualité des données constitue le fondement de l'évaluation des résultats de l'essai clinique, et des données authentiques et fiables sont essentielles pour la mise sur le marché d'un médicament. Par conséquent, la détection précoce des problèmes de qualité des données est indispensable afin de pouvoir procéder à des corrections en temps opportun et garantir la qualité des données.
En définissant une série d'algorithmes intelligents, nous examinons les données de l'étude selon différentes dimensions — au niveau de l'évaluateur, du centre investigateur, du pays, de la région et de l'étude — afin d'identifier en quasi-temps réel les problèmes de données potentiels. Les algorithmes sont donc essentiels : outre une maîtrise des statistiques, il faut intégrer les aspects cliniques, la pathologie et les échelles d'évaluation, entre autres, pour bien les paramétrer. Une fois un problème repéré, une intervention est menée afin de le corriger par la méthode appropriée. Parallèlement, l'analyse des tendances permet d'atteindre un objectif de prévention. Enfin, il devient possible de sélectionner les évaluateurs ou les centres investigateurs ayant présenté de bonnes ou de mauvaises performances par le passé, par exemple en sachant quels sont les meilleurs évaluateurs et quels centres investigateurs offrent une qualité plus élevée.
Détecter les problèmes de données dans les essais cliniques grâce au BDA
Prendre des mesures correctives en temps opportun
Nous aider à optimiser les données des critères d'évaluation cliniques
Réduire au maximum les biais
Améliorer la cohérence et la validité des résultats
EClinCloud apporte des traitements efficaces aux patients grâce à des solutions intelligentes à distance innovantes « centrées sur le patient ». Nous proposons une plateforme cloud intégrée tout-en-un (incluant des solutions telles que CTMS, EDC, eTMF, eCOA, eConsent et RTSM, ainsi que des services de conseil en gestion des échelles, validation linguistique et conception d'études, entre autres) ainsi que des technologies d'évaluation des critères d'évaluation pour les essais cliniques dans différents domaines thérapeutiques (oncologie, neurologie, cardiologie, pneumologie, dermatologie, etc.), en associant technologies de pointe et données des sciences de la vie pour construire une plateforme cloud SaaS de soutien aux preuves cliniques « centrée sur le patient » de premier plan mondial, afin d'aider les entreprises pharmaceutiques et les instituts de recherche en Chine et à l'étranger à améliorer l'efficacité de la R&D, à accélérer la mise sur le marché des médicaments et dispositifs médicaux et à en faire bénéficier d'innombrables patients.

Lire l'article original sur WeChat