Fonte: EClinCloud. Autor: eClinCloud.
Clique no texto em azul acima para nos seguir
De 24 a 27 de agosto de 2021, foi realizada com sucesso a "Série de Treinamentos para Aprimoramento de Técnicas e Capacidades em Pesquisa Clínica de Doenças Psiquiátricas e Psicológicas". O Dr. Qin Long, CEO da EClinCloud, foi convidado a fazer uma apresentação principal no evento sobre "Novas tecnologias de avaliação de escalas na pesquisa clínica psiquiátrica e psicológica". Apresentou de forma abrangente as três novas tecnologias atuais na avaliação de escalas, que são eCOA, treinamento de avaliadores e análise de dados cega, além de compartilhar casos que demonstram como essas novas tecnologias auxiliam a pesquisa clínica.
Apresentaremos essas três novas tecnologias separadamente em três artigos; este artigo aborda a terceira parte — Análise de Dados Cega.

A Análise de Dados Cega (Blinded Data Analytics, BDA) é uma nova tecnologia de análise de dados que, sob cegamento, por meio de métodos de monitoramento estatístico centralizado, identifica e corrige em tempo hábil problemas de qualidade de dados que possam afetar os desfechos do estudo. Já o monitoramento baseado em risco (Risk-Based Monitoring, RBM) abrange todo o processo da pesquisa clínica; sob a perspectiva dos dados, a BDA deve ser vista como um complemento ao RBM, pois concentra-se inteiramente na qualidade dos dados de desfechos clínicos.
Fatores que levam a problemas de qualidade de dados
Em ensaios clínicos, a qualidade dos dados pode ser desafiada em diversos aspectos. Múltiplos fatores podem levar a problemas de qualidade de dados.
Muitas escalas utilizadas como desfecho primário em ensaios clínicos baseiam-se no diagnóstico subjetivo do avaliador, e a acurácia do diagnóstico afeta a qualidade dos dados; em segundo lugar, se a inclusão dos participantes é conduzida rigorosamente de acordo com os critérios de inclusão; e ainda o desvio na mensuração dos resultados. Embora sejam desvios individuais pequenos, quando acumulados, podem acabar gerando um grande desvio nos resultados.
Instabilidade dos sintomas
A variação em longo prazo dos sintomas; a variação circadiana, pois às vezes os dados diferem entre o dia e a noite; e as mudanças ambientais, que também podem levar a sintomas diferentes. Todos esses fatores levam, ao final, à instabilidade dos dados.
Diferenças na região em que os participantes se encontram também podem causar variações significativas nos dados.
Avaliadores e participantes podem gerar, durante o ensaio clínico, viés na avaliação de eficácia e segurança, inclusão seletiva ou viés na definição da população de análise, entre outros, chegando até a afetar a exatidão dos resultados do ensaio clínico.
Diferenças no porte e no grau de complexidade do ensaio, bem como diferenças na randomização e no cegamento, estão entre os fatores que afetam a qualidade dos dados.
A figura acima mostra a conclusão de um projeto real. Nesse ensaio, houve uma grande diferença entre a pontuação média dos centros de pesquisa cegos quanto aos critérios de randomização (linha vermelha na figura) e a pontuação média dos centros de pesquisa não cegos quanto aos critérios de randomização (linha azul na figura). Portanto, para diferentes projetos, durante o desenho do estudo, deve-se considerar se o ensaio será conduzido com critérios de randomização sob cegamento.
Falsificação intencional de dados
A falsificação intencional de dados costuma ser o fator menos comum. Esse fator podia ocorrer um pouco mais no passado; hoje, com a conscientização cada vez maior, a fiscalização regulatória cada vez mais rigorosa e a disponibilidade cada vez maior de ferramentas, os ensaios clínicos tornaram-se cada vez mais rigorosos e padronizados, e a possibilidade de falsificação também é cada vez menor.
Os médicos especialistas em doença de Parkinson sabem que a doença de Parkinson geralmente começa de forma unilateral, afetando apenas um lado do corpo. Com o passar do tempo, a doença evolui para o acometimento bilateral, afetando ambos os lados do corpo; nessa fase, um lado costuma ser mais gravemente afetado do que o outro, o que é uma característica da doença de Parkinson.
A figura acima mostra os resultados de pontuação de uma escala padrão de avaliação da doença de Parkinson. O gráfico apresenta a pontuação média nas diferentes visitas, isto é, a média da soma dos lados esquerdo e direito, em que cada linha representa um paciente. Pelo gráfico não se percebe nenhum problema, e a análise da pontuação total também não identificou nenhuma anormalidade.

Contudo, em vez de olharmos apenas para a pontuação da UPDRS de forma simples, desmembramos a pontuação para analisá-la sob outra perspectiva, isto é, observando a variação dos dados dos lados esquerdo e direito; assim, é possível ver onde está o problema. Por exemplo, esta linha verde-clara (indicada pela seta vermelha na figura) oscila ora para cima, ora para baixo, com sintomas mais graves ora do lado esquerdo, ora do lado direito; do ponto de vista dos próprios sintomas, trata-se de dados problemáticos, pois todos sabemos que, na doença de Parkinson, um lado permanece mais gravemente afetado do que o outro ao longo do tempo. Esse tipo de problema nos dados não é algo que se possa ver simplesmente a partir de um único plano; é necessário mudar o método de análise para detectar esses problemas ocultos nos dados.
Após tomar a medicação, pacientes com doença de Parkinson passam por um período em que o medicamento faz efeito e os sintomas são aliviados, chamado de ON time. Passado o tempo de efeito da medicação, o período em que os sintomas retornam é chamado de OFF time. Depois de tomar o medicamento, o paciente com doença de Parkinson apresenta alívio dos sintomas por um período; quando o efeito passa, volta ao estado anterior, precisa tomar novamente o medicamento e obtém novo alívio — todo paciente passa por esse ciclo.
Observando os dados dos dois pacientes na figura acima sob essa característica, os dados de pontuação do paciente 1 (amarelo) sobem abruptamente na visita 2 e caem abruptamente na visita 3, ao passo que os dados de pontuação do paciente 2 (preto) são relativamente estáveis.
O que explicaria uma variação tão grande nos dados de pontuação? A causa mais provável é a falta de execução rigorosa em conformidade com o protocolo, levando a horários de avaliação inconsistentes. Na visita 2, a pontuação muito alta provavelmente ocorreu porque o paciente já estava em OFF time, e não em ON time. Assim, a escolha inadequada da janela de tempo provocou oscilações nos dados para cima e para baixo, resultando em instabilidade nos dados finais. Posteriormente, o centro de pesquisa revelou que, de fato, esse avaliador não realizava a avaliação de acordo com o intervalo após a tomada da medicação pelo paciente, mas apenas quando tinha disponibilidade. E, quando o avaliador ficava disponível, às vezes o efeito do medicamento já havia passado e outras vezes ainda estava vigente, fazendo com que os resultados naturalmente oscilassem para cima e para baixo.
Em ensaios clínicos, a qualidade dos dados é a base para avaliar os resultados do ensaio clínico, e dados verdadeiros e confiáveis são essenciais para a comercialização de medicamentos. Portanto, a detecção precoce de problemas de qualidade dos dados é indispensável, pois permite a correção oportuna e garante a qualidade dos dados.
Por meio da definição de uma série de algoritmos inteligentes, examinamos os dados do estudo sob diferentes dimensões — nível de avaliador, nível de centro de pesquisa, nível de país, nível regional e nível de estudo — para identificar potenciais problemas nos dados quase em tempo real. Por isso, os algoritmos são fundamentais: além do domínio da estatística, é preciso integrar aspectos clínicos, tipos de doença e escalas, entre outros fatores, para configurá-los adequadamente. Após encontrar o problema, realiza-se a intervenção, corrigindo-o com o método adequado. Ao mesmo tempo, por meio da análise de tendências, alcança-se o objetivo de prevenção. Por fim, torna-se possível selecionar avaliadores ou centros de pesquisa que apresentaram desempenho bom ou insatisfatório no histórico passado, por exemplo, sabendo quais são os melhores avaliadores e quais centros de pesquisa apresentam maior qualidade.
Identificar problemas nos dados em ensaios clínicos por meio da BDA
Adotar medidas corretivas em tempo hábil
Ajudar-nos a otimizar os dados de desfechos clínicos
Reduzir o viés ao máximo
Aumentar a consistência e a validade dos resultados
A EClinCloud leva tratamentos eficazes aos pacientes por meio de soluções remotas inteligentes inovadoras e "centradas no paciente". Oferecemos uma plataforma em nuvem integrada e unificada (incluindo soluções como CTMS, EDC, eTMF, eCOA, eConsent e RTSM, além de serviços de consultoria em gestão de escalas, validação linguística e desenho de estudos) e tecnologias de avaliação de desfechos de ensaios clínicos para diferentes áreas terapêuticas (oncologia, neurologia, cardiologia, pneumologia, dermatologia, entre outras), combinando tecnologia de ponta e dados da vida para construir uma plataforma em nuvem SaaS líder global de suporte a evidências clínicas "centrada no paciente", ajudando empresas farmacêuticas e instituições de pesquisa nacionais e internacionais a aumentar a eficiência em P&D, acelerar o lançamento de medicamentos/dispositivos médicos e beneficiar inúmeros pacientes.
Ler o artigo original no WeChat