L'optimisation du programme et du portefeuille offre un cadre tout au long du parcours de développement clinique qui permet aux promoteurs d'essais de prendre des décisions quant au moment de poursuivre un essai clinique. Un facteur critique dans la capacité d'optimiser le développement clinique à ce niveau élevé nécessite la construction de règles de décision que les promoteurs d'essais cliniques peuvent utiliser pour déterminer si un essai doit passer de la validation de concept à la phase 2b, et de la phase 2b à la phase 3.
Selon un article récent du co-fondateur de Cytel, Nitin Patel, et du directeur scientifique Yannis Jemiai, un facteur clé dans la construction de telles règles de décision est la capacité de « modéliser explicitement la relation entre les conceptions d'essais et les critères de performance ». [1] Leur article, qui fait partie du livre primé Bayesian Methods in Pharmaceutical Research, offre un aperçu des opportunités d’utiliser les méthodes bayésiennes dans le processus d'optimisation, au niveau du programme et du portefeuille.
La motivation essentielle de cette ligne d'analyse tourne autour de l'idée de la probabilité de succès d'un nouveau médicament. Les auteurs notent qu'à chaque étape du parcours de développement clinique, lorsqu'une décision de procéder ou non doit être prise, un promoteur d'essai s'engage essentiellement dans une mise à jour bayésienne sur les croyances concernant la probabilité de succès. Une mise à jour bayésienne est une mise à jour (ou une amélioration) d'une croyance, à la lumière de nouvelles preuves qui ont été générées, dans ce cas au cours d'un essai clinique. Au fil du temps, à mesure que les preuves s'accumulent, une série de mises à jour bayésiennes conduit le statisticien vers des hypothèses plus crédibles et vers la vérité sur un état de fait.
Après un essai de preuve de concept, par exemple, lorsqu'un promoteur doit décider de poursuivre ou non un essai de phase 2b, les preuves générées par la preuve de concept peuvent servir à mettre à jour les croyances sur la probabilité de succès de la nouvelle thérapie, qui à son tour informe la décision de procéder ou non à la Phase 2b. Après la phase 2b, les preuves recueillies au cours de l'essai sont ensuite utilisées pour informer une révision des croyances sur la probabilité de succès, qui éclaire la décision de passer à la phase 3 ou non. Après chaque phase de l'essai, l'incertitude entourant la probabilité de succès diminuera, rendant la décision de s'engager dans une soumission de NDA plus claire.
Imaginons maintenant un ensemble parallèle de critères de décision, où au lieu d'examiner uniquement la probabilité de succès, les coûts associés à chaque point de décision sont également intégrés dans les règles qui déterminent s'il faut ou non procéder à un essai. La mise à jour de la probabilité de succès contribuera certainement aux estimations de l'ENPV (valeur économique actuelle nette) et des retours associés ; ainsi, par exemple, si les résultats d'un essai de validation de concept ne sont pas aussi solides que prévu, l'ENPV peut être mise à jour pour la décision de passer en phase 2b.
À ce stade, cependant, l'opportunité suivante se présente: lorsque nous disons que l'ENPV est mise à jour, ceci ne reflète pas simplement les retours associés. Nous pouvons également publier une preuve de concept, et utiliser les résultats pour déterminer comment la taille de l'échantillon et la durée de l'essai doivent être mises à jour pour maintenir une certaine ENPV. Une gamme de variables peut alors être utilisée pour déterminer s'il faut ou non continuer.
Cela nécessite cependant une cartographie du parcours de développement clinique potentiel au début du programme de développement des médicaments.
Cliquez sur le bouton pour télécharger le livre primé et lire l'article de Nitin Patel et Yannis Jemiai.
Référence:
[1] Bayesian Methods in Pharmaceutical Research (link in the button above)
A propos de l'auteure du Blog:
Dr. Esha Senchaudhuri est une spécialiste de la recherche et de la communication, qui soutient les universitaires et les scientifiques pour traduire les résultats de leurs recherches auprès des cadres des secteurs public et privé. Chez Cytel, Esha dirige la stratégie et la production de contenu dans les cinq unités commerciales de l'entreprise. Titulaire d’un doctorat de la London School of Economics en philosophie. Esha et est une ancienne chercheuse en politique de l'Académie américaine des arts et des sciences. Elle a enseigné l'éthique médicale à la Harvard School of Public Health (TH Chan School) et siège au comité directeur de la division Orientale de la Society for Women in Philosophy, responsable de la remise du prix Distinguished Woman in Philosophy.
