设为首页 - 加入收藏 - 网站地图 亿度网(nikest.com),天道酬勤,努力奋斗!
当前位置:主页 > 科技资讯 > 正文

FDA意将真实世界研究取代传统临床试验

时间:2017-01-09 07:22 作者:生物观察
 

 

 

有专家称,真实世界研究将是未来研究的趋势,相对随机对照试验而言,RWS的研究范围更广,更具有代表性,能够真实地反映研究的情况。RWS代表未来研究趋势?RWS是起源于实用性的临床试验,属于药物流行病学的范畴。是基于临床真实的情况采取的一种非随机、开放性、不使用安慰剂的研究,因此其得出的结果具有很高的外部有效性。目前RWS已得到很多医学领域的重视,有些学科已经建立了较为完整的观察性队列、登记和管理型数据库。RWS是以患者为中心的结局研究,具有以下特点:研究的实施地点以及干预条件为真实的临床实践环境;受试者的选择一般不加特别的限制条件;干预措施也如临床实际,并可由患者和医师进行交流而改变干预方法。真实世界研究环境无盲法,无随机对照,无安慰剂治疗,研究的结论可直接推之于临床实践。实际上,中国临床科研里程碑式的跨越也都源于对真实世界的数据研究,从2004年发起的中国慢性病前瞻性研究,到2015年中国癌症统计数据登上世界殿堂级学术期刊CA这都是开展真实世界研究的典型范例,而伴随这些研究也产生大量高水平的研究成果。真实世界研究不仅可以减少传统研究的限制,而且还可以反映真实世界中治疗药物的临床疗效,为临床选择使用新药及新型设备提供客观的对比依据。通过真实世界数据证据,充分了解指南与实践的差距,为指南的制定与规范提供参考,而且还能平衡临床疗效和成本效益。RWS也有“窘境”虽然真实世界研究有那么多好处,但是也存在一些难题:真实世界研究一般不是以药品为中心,而是以患者为中心,药企是否愿意投入是其中一个问题;真实世界研究需要大量的研究样本,甚至多中心事件,收集数据难度高,工作量庞大;数据异质性强,对统计方法的要求比传统研究更高;多属于回顾性分析或事后分析,研究证据等级受到挑战。面对如此多的问题,RWS似乎显得举步维艰,这些急需解决的问题需要后来者解决,以推动RWS的发展。就在上个月,美国国会在官方网站上公布了《21世纪治愈法案》最终版本, 该法案从提出到一次次修改,再到这次最终版推出,历经两年多时间,终于让这一推动美国未来10年或更长时间内生物医学创新研发、疾病治疗及大健康领域发展的法案落地生根。而法案中关于利用“真实世界证据”取代传统临床试验进行扩大适应症的批准,更是牵动了业界的神经,对此,业内人士认为会加快药品获批速度,但也担忧这降低了审评的科学性,预示着不良趋势的开端,甚至认为是好不容易建立起来的科学审评的倒退,21世纪法案简直是重回20世纪以前。为此,FDA在《新英格兰医学》上发表了一篇文章《真实世界证据——它是什么以及它能告诉我们什么?》,呼应法案的同时向外界展示FDA自己的考量。而此次FDA在《新英格兰医学》发文也意在澄清两个问题:一是真实世界证据并不等于不采用干预性试验和随机化的试验设计;二是RWE用于审批仍要遵循严格的科学基础。这篇文章在纠正目前对于RWE这一概念的误读,认为它与传统临床试验等其他科学证据的区别不在于类似随机对照试验的设计,而在于获取数据的环境界定。而RWE最终用于支持审评审批,仍要通过科学的研究方法,对获得的数据进行合理的组织和解读,形成有效的结论,而这些研究方法既可以包括干预性甚至随机对照的设计,也可以是观察性的。据此FDA认为,RWE要从两个维度进行考量,即数据获得和研究方法。RWS vs RCT :数据的获得方式及研究方法RCT以其对无关变量的控制、极其标准化的结果生成形式和专业化人员的持续监察,在产生科学证据方面拥有巨大优势。相对而言,人们往往认为RWE是对于现有临床实践证据的总结、分析和解读,而这些证据由于缺乏预先设计,难以排除诸多干扰因素,也就难以得出更为真实的结论。但在FDA看来,RCT也有其本质上的缺陷。从科学的角度来说,RCT通过一系列入选排除标准选取一定样本的特定人群,无法确定在真实临床实践中的可推广性,另外出于控制变量的设计,RCT很少获得关于伴随疾病和伴随治疗的信息,并且为了依从研究方案往往采取较多的干预措施,这在临床实践中也不太现实。从成本角度来说,大型传统临床试验的费用水涨船高,但由此获得的临床证据却没有得到相应程度的积累,也就是说,每次审批决策都要重新开展规模相似的临床试验,这意味着成本经济性较差。相反,RWE植根于真实的临床实践,来源相当广泛,可以包括电子病历、医保数据库、电子设备和app、患者登记项目,甚至社交媒体。FDA认为,这些资源的合理使用可以产生一些新的价值。当然,FDA承认这里存在的问题很多,比如非研究目的产生的数据如何标准化,并且保证其准确性和可靠性,此外不经过严格的知情同意也会带来数据隐私暴露的风险。但FDA认为这些问题是可以尝试解决的,包括建立大规模研究网络,并构建计算化的模型,直接从复杂的数据来源中提取所需的临床特征数据。最终目的是让研究人员能够利用这些特征数据,按照自己的目的识别和构建研究队列。