Die Programm- und Portfoliooptimierung schafft im Laufe der klinischen Entwicklung einen Rahmen, der es den Studiensponsoren ermöglicht, Entscheidungen darüber zu treffen, wann die Fortsetzung einer klinische Studie erfolgen soll. Ein kritischer Faktor für die Optimierung der klinischen Entwicklung auf diesem hohen Niveau ist die Erstellung von Entscheidungsregeln, anhand derer Sponsoren klinischer Studien bestimmen können, ob eine Studie vom Konzeptnachweis zur Phase 2b und von Phase 2b zur Phase 3 übergehen soll.
Laut einem kürzlich erschienenen Artikel von Cytel-Mitbegründer Nitin Patel und dem wissenschaftlichen Leiter Yannis Jemiai ist ein Schlüsselfaktor bei der Erstellung solcher Entscheidungsregeln die Fähigkeit, „die Beziehung zwischen Studiendesigns und Leistungskriterien explizit zu modellieren.“ [1] Ihre Arbeit, Teil des preisgekrönten Buches Bayesian Methods in Pharmaceutical Research, bietet einen Überblick darüber, wo bayessche Methoden in den Optimierungsprozess auf Programm- und Portfolioebene eingebracht werden sollten.
Der wesentliche Motivator dieser Analyselinie ist die Vorstellung von der Erfolgswahrscheinlichkeit eines neuen Medikaments. Die Autoren stellen fest, dass ein Studiensponsor an jedem Punkt der klinischen Entwicklungsreise, wenn eine Entscheidung zum Weitermachen oder nicht getroffen werden muss, im Wesentlichen eine bayessche Aktualisierung seiner Überzeugungen hinsichtlich der Erfolgswahrscheinlichkeit vornimmt. Ein bayessches Update ist eine Aktualisierung (oder Verbesserung) einer Überzeugung im Lichte neuer Beweise, die in diesem Fall während einer klinischen Studie generiert wurden. Im Laufe der Zeit, wenn sich Beweise ansammeln, führt eine Reihe von bayesschen Aktualisierungen einen Statistiker zu Hypothesen mit größerer Glaubwürdigkeit und zur Wahrheit über den Zustand der Dinge.
Nach einer Proof-of-Concept-Studie, wenn beispielsweise ein Sponsor entscheiden muss, ob mit einer Phase-2b-Studie fortgefahren werden soll oder nicht, können die durch den Wirksamkeitsnachweis generierten Beweise dazu dienen, die Überzeugungen über die Erfolgswahrscheinlichkeit der neuen Therapie zu aktualisieren, was wiederum die Entscheidung darüber beeinflusst, ob weitergemacht wird oder nicht und ob die Studie mit Phase 2b fortgesetzt wird. Nach Phase 2b werden die im Verlauf der Studie gesammelten Erkenntnisse genutzt, um die Überzeugung hinsichtlich der Erfolgswahrscheinlichkeit zu überprüfen. Auf dieser Grundlage wird dann die Entscheidung für oder gegen eine Fortsetzung mit Phase 3 getroffen. Nach jeder Phase der Studie nimmt die Unsicherheit in Bezug auf die Erfolgswahrscheinlichkeit ab, so dass die Entscheidung über die Einreichung eines Zulassungsantrags für das neue Produkt klarer wird.
Stellen Sie sich nun einen parallelen Satz von Entscheidungskriterien vor, bei dem nicht nur die Erfolgswahrscheinlichkeit betrachtet wird, sondern die damit verbundenen Kosten an jedem Entscheidungspunkt auch in die Regeln für die Fortsetzung bzw. Nichtfortsetzung der Studie integriert sind. Die Aktualisierung der Erfolgswahrscheinlichkeit wird sicherlich zu Schätzungen des erwarteten Nettobarwerts und der damit verbundenen Renditen beitragen. Wenn beispielsweise die Ergebnisse einer Proof-of-Concept-Studie nicht so überzeugend sind wie erwartet, kann der erwartete Nettobarwert für die Entscheidung in Phase 2b zu gehen, aktualisiert werden.
An dieser Stelle bietet sich jedoch folgende Möglichkeit: Wenn wir sagen, dass der erwartete Nettobarwert aktualisiert wird, spiegelt dies nicht nur die damit verbundenen Erträge wieder. Wir können nach dem Proof-of-Concept auch die Ergebnisse verwenden, um zu bestimmen, wie der Stichprobenumfang und die Versuchslänge aktualisiert werden müssen, um einen bestimmten erwartbaren Nettobarwert zu erhalten. Eine Reihe von Variablen kann dann verwendet werden, um zu entscheiden, ob man fortfahren soll oder nicht.
Dazu ist es jedoch erforderlich, den potenziellen klinischen Entwicklungsweg zu Beginn des Arzneimittelentwicklungsprogramms abzubilden.
Klicken Sie auf die Schaltfläche, um das preisgekrönte Buch herunterzuladen und den Beitrag von Nitin Patel und Yannis Jemiai zu lesen.
Referenz:
[1] Bayesian Methods in Pharmaceutical Research (link in the button above)
Über die Autorin des Blogs:
Dr. Esha Senchaudhuri ist eine Forschungs- und Kommunikationsspezialistin, die Gelehrte und Wissenschaftler dabei unterstützt, ihre Forschungsergebnisse an Führungskräfte des öffentlichen und privaten Sektors weiterzugeben. Bei Cytel leitet Esha Senchaudhuri die Content-Strategie und die Content-Produktion in den fünf Geschäftsbereichen des Unternehmens. Sie promovierte an der London School of Economics in Philosophie und ist ehemaliges Mitglied der Organisation „Early Career Policy Fellow“ der American Academy of Arts and Sciences. Sie hat Medizinethik an der Harvard School of Public Health (TH Chan School) gelehrt und sitzt im Steuerungsgremium des Geschäftsbereichs Ost der „Society for Women in Philosophy,“ von der die Auszeichnung für herausragende Leistungen weiblicher Philosophinnen verliehen wird.
