Τεχνολογίες δεδομένων μεγάλης κλίμακας και ανίχνευση ανεπιθύμητων ενεργειών φαρμάκων - φαρμακοεπαγρύπνηση

Abstract

Introduction: Post marketing drug safety surveillance mainly relies on data retrieved from spontaneous report systems and observational databases. However, due to some important limitations of these data sources, interest in exploring the use of new methods of surveillance to detect potential drug safety signals is growing. Social media and search analytics domains they are a useful source of information. In the recent years, machine learning methods developed to detect proto adverse events on Twitter posts as well as in general posts in forums or Facebook. However, there are still large unexploitable areas of data, mainly self-generated form users and patients. For example, in 2009 Google succeeded on predicting the H1N1 virus spread by analyzing phrases and terms used by users in its search engine.This study sought to detect a potential safety signal of abuse on 3 different drugs by combining different sources of surveillance, specifically Twitter posts, Google search analytics and the FDA Adverse Event Reporting System database. We introduce a new domain of data source, the search analytics domain, as well as new methods to reveal hidden patterns and correlations with existing adverse event report data sources. Methods: We collected data from sources regarding adverse events of 3 drugs (mirtazapine, pregabalin and quetiapine), from Q12004 to Q32017 and more specifically abuse related events, using eight terms from MedDRA. We used metrics, such as the search popularity score, the search interest over time and search frequencies to measure searches related to abuse. Using the same MeDRA terms we collected and analysed reports from FAERS, for the same period. We also retrieved user posts from Twitter and using an advanced Naïve-Bayes algorithm we detected references of adverse events. Results were analysed using statistics and compared to those of the official adverse event sources or clinical trials. Results: We found strong evidences of abuse liability for the selected drugs in the search analytics domain. Using two different methods strengthen the evidence toward a potential signal of mirtazapine, pregabalin and quetiapine abuse, confirming the findings from post marketing reports. Moreover, the comparison between the two domains, FAERS and the search analytics field, revealed a positive correlation between abuse-related searches and abuse-related reports in FDA Adverse Event Reporting System. Further signal validation requires clinical assessment in order to confirm causality and is a step in the signal management process performed by the regulatory authorities. Conclusion: Based on the positive correlation found between search analytics and incidents reported to the FAERS in this study, we suggest that similar methods could be invoked as supplementary pharmacovigilance tools to detect drug safety signals.

Εισαγωγή: Η φαρμακοεπαγρύπνηση βασίζεται κυρίως σε δεδομένα που λαμβάνονται από συστήματα αναφορών και βάσεις δεδομένων ανεπιθύμητων ενεργειών. Ωστόσο, λόγω του χαμηλού αριθμού αναφορών, γίνεται διερεύνηση χρήσης νέων μεθόδων παρακολούθησης για την ανίχνευση πιθανών σημάτων ασφάλειας. Τα τελευταία χρόνια, αναπτύχθηκαν μέθοδοι μηχανικής μάθησης για τον εντοπισμό πρωτογενών ανεπιθύμητων ενεργειών σε μέσα κοινωνικής δικτύωσης. Ωστόσο, εξακολουθούν να υπάρχουν μεγάλα ανεκμετάλλευτα πεδία δεδομένων, που παράγονται από χρήστες και ασθενείς. Για παράδειγμα, το 2009 η Google πέτυχε να προβλέψει την εξάπλωση του ιού H1N1 αναλύοντας φράσεις και όρους που χρησιμοποιούν οι χρήστες στη μηχανή αναζήτησης. Αντικείμενο της διατριβής είναι η ανίχνευση πιθανού σήματος κατάχρησης σε 3 διαφορετικά φάρμακα συνδυάζοντας διαφορετικές πηγές παρακολούθησης: Twitter, δεδομένα αναζήτησης χρηστών στη μηχανή αναζήτησης της Google και τη βάση δεδομένων του FDA Adverse Event Reporting System (FAERS). Παρουσιάζουμε έναν νέο τομέα άντλησης δεδομένων, το πεδίο αναζητήσεων, καθώς και νέες μεθόδους για την αποκάλυψη συσχετίσεων με υπάρχουσες πηγές δεδομένων αναφοράς ανεπιθύμητων συμβάντων. Μέθοδοι: Συλλέξαμε δεδομένα από πηγές σχετικά με τις ανεπιθύμητες ενέργειες 3 φαρμάκων (μιρταζαπίνη, πρεγκαμπαλίνη και κουετιαπίνη), από το Q12004 έως το Q32017 και πιο συγκεκριμένα σχετικά με την κατάχρηση συμβάντων, χρησιμοποιώντας οκτώ όρους από το MedDRA. Χρησιμοποιήσαμε μετρήσεις, όπως η βαθμολογία δημοτικότητας αναζήτησης, το ενδιαφέρον αναζήτησης με την πάροδο του χρόνου και τις συχνότητες αναζήτησης που σχετίζονται με κατάχρηση. Χρησιμοποιώντας τους ίδιους όρους MeDRA συλλέξαμε και αναλύσαμε αναφορές από το FAERS, για την ίδια περίοδο. Ανακτήσαμε επίσης αναρτήσεις χρηστών από το Twitter και χρησιμοποιώντας έναν προηγμένο Naïve-Bayes αλγόριθμο και εντοπίσαμε αναφορές ανεπιθύμητων συμβάντων. Τα αποτελέσματα αναλύθηκαν χρησιμοποιώντας στατιστικές μεθόδους και συγκρίθηκαν με εκείνα των επίσημων πηγών ανεπιθύμητων ενεργειών ή κλινικών δοκιμών. Αποτελέσματα: Εντοπίσαμε ισχυρές ενδείξεις κατάχρησης για τα επιλεγμένα φάρμακα στο πεδίο αναζητήσεων. Επιπλέον, η σύγκριση μεταξύ των διαφορετικών πηγών, της FAERS και του πεδίου ανάλυσης αναζήτησης, αποκάλυψε μια θετική συσχέτιση μεταξύ αναζητήσεων που σχετίζονται με κατάχρηση και επίσημων αναφορών ανεπιθύμητων ενεργειών. Η επικύρωση σήματος απαιτεί περαιτέρω κλινική αξιολόγηση προκειμένου να επιβεβαιωθεί η αιτιότητα και είναι ένα βήμα στη διαδικασία διαχείρισης σήματος που πραγματοποιείται από τις ρυθμιστικές αρχές. Συμπεράσματα: Με βάση τη θετική συσχέτιση που βρέθηκε μεταξύ των δεδομένων αναζητήσεων και των περιστατικών που αναφέρθηκαν στο FAERS σε αυτήν τη μελέτη, προτείνουμε τη χρήση παρόμοιων μέθοδων ως συμπληρωματικά εργαλεία φαρμακοεπαγρύπνησης για την ανίχνευση σημάτων ασφάλειας ναρκωτικών.