Comparing Existing Algorithms for Retrieving Pregnancy-related Adverse Event Reports

Cette étude collaborative compare trois algorithmes de règles développés indépendamment pour extraire les rapports d'effets indésirables liés à la grossesse dans les bases de données VigiBase et FAERS, révélant que leurs différences de couverture et d'application découlent principalement de leurs critères d'inclusion et d'exclusion spécifiques.

L'essentiel

Imaginez que les laboratoires pharmaceutiques sont comme des chefs cuisiniers qui créent de nouveaux plats (des médicaments). Avant de les servir au public, ils font goûter ces plats à un petit groupe de convives (les essais cliniques). Mais il y a un problème : les femmes enceintes ne sont généralement pas invitées à ces dégustations, car on veut éviter tout risque pour le bébé.

Une fois le plat servi dans le grand restaurant du monde (la mise sur le marché), il faut surveiller si tout le monde va bien. C'est ce qu'on appelle la pharmacovigilance. Mais comment savoir si un client est enceinte et a eu un problème avec le plat, si personne n'a écrit "Je suis enceinte" sur son ticket de commande ?

C'est là que l'étude dont vous parlez entre en jeu. Voici l'explication simple, avec quelques images pour mieux comprendre :

Le Problème : Des Tickets de Commande sans Étiquette

Dans les bases de données géantes où sont enregistrés les effets secondaires (comme des bibliothèques immenses de tickets), il n'y a pas de case standardisée pour dire "Patient enceinte". C'est comme chercher une aiguille dans une botte de foin, mais sans savoir à quoi ressemble l'aiguille.

Pour résoudre ça, trois équipes de détectives (les auteurs de l'étude) ont créé chacun leur propre filtre intelligent (un algorithme) pour repérer ces cas cachés.

• Le détective A travaille pour la base de données américaine (FAERS).
• Le détective B travaille pour la base européenne (EudraVigilance).
• Le détective C travaille pour la base mondiale (VigiBase).

L'Expérience : Un Duel de Filtres

Les auteurs de l'étude ont décidé de mettre ces trois détectives sur le même terrain de jeu. Ils ont pris leurs règles, les ont mises dans un même outil informatique et les ont lancés sur les deux plus grandes bases de données du monde (VigiBase et FAERS) pour voir qui trouvait quoi.

C'est un peu comme si vous aviez trois filets de pêche différents :

1. Le filet A est très large : il attrape tout, même les poissons très petits (il n'a pas de limite d'âge).
2. Le filet B est plus sélectif : il laisse échapper les poissons qui ne sont pas vraiment "malades" (il ignore les grossesses normales ou les cas où la contraception a juste échoué sans problème).
3. Le filet C est très précis : il ne s'intéresse qu'aux femmes, il ignore totalement les hommes (il exclut les expositions paternelles).

Les Résultats : Qui a pêché le plus ?

Les résultats ont été surprenants et instructifs :

• Chaque filet a attrapé un nombre énorme de rapports (des centaines de milliers).
• Mais il y avait beaucoup de différences. Le filet C, par exemple, a attrapé beaucoup plus de rapports que les autres. Pourquoi ? Parce qu'il est moins sélectif sur certains critères.
• Les rapports que seul un filet a attrapés s'expliquent par leurs règles spécifiques. Par exemple, si le filet A attrape un rapport que les autres ont manqué, c'est souvent parce qu'il accepte des cas où l'âge du patient n'est pas précisé, alors que les autres rejettent ces cas par sécurité.

La Conclusion : Il n'y a pas de "Filet Parfait"

L'étude nous apprend qu'il n'existe pas un seul algorithme magique qui fait tout. Chaque outil a été conçu avec un but précis et une "vision" différente du monde.

L'analogie finale :
Imaginez que vous voulez trier une boîte de jouets pour enfants.

• L'algorithme A dit : "Je prends tout ce qui ressemble à un jouet, même si c'est un peu vieux."
• L'algorithme B dit : "Je ne prends que les jouets cassés, pas les jouets neufs."
• L'algorithme C dit : "Je ne prends que les jouets pour les filles."

Si vous voulez savoir quels jouets sont dangereux pour les filles, le filet C est le meilleur. Si vous voulez une vue d'ensemble de tous les jouets potentiellement problématiques, le filet A est plus utile.

Le message clé pour vous :
Les professionnels de santé qui surveillent la sécurité des médicaments doivent connaître ces différences. Choisir le bon algorithme, c'est comme choisir le bon outil pour le bon travail. Si vous utilisez le mauvais filet, vous risquez soit de rater un danger important, soit de vous inquiéter pour des choses qui ne sont pas dangereuses. Cette étude est une boussole pour les aider à choisir le bon outil selon leurs besoins.

Résumé technique

Titre : Comparaison des algorithmes existants pour la récupération des rapports d'effets indésirables liés à la grossesse

1. Problématique

La surveillance post-commercialisation est cruciale pour compléter les profils de sécurité des médicaments, en particulier pour des populations souvent exclues des essais cliniques, telles que les femmes enceintes. Cependant, l'absence d'un indicateur de grossesse standardisé dans les transmissions électroniques de rapports d'effets indésirables (AE) constitue un obstacle majeur. Cette lacune complique l'identification correcte des rapports dans les bases de données de pharmacovigilance et entrave l'étude des problèmes de sécurité liés aux expositions pendant la grossesse. Bien que trois algorithmes basés sur des règles aient été récemment développés pour pallier ce problème (ciblant respectivement FAERS, EudraVigilance et VigiBase), ils diffèrent par leur portée et leur conception, rendant difficile leur comparaison et leur utilisation optimale.

2. Méthodologie

Cette étude repose sur une collaboration directe entre les auteurs des trois algorithmes de grossesse. La démarche méthodologique a inclus :

• Harmonisation : Les règles de sélection de chaque algorithme ont été harmonisées pour permettre une comparaison équitable.
• Implémentation technique : Un package R a été développé pour exécuter ces trois algorithmes harmonisés sur deux bases de données majeures : VigiBase (base de l'OMS) et FAERS (base de la FDA).
• Analyse comparative : Les auteurs ont analysé les caractéristiques clés des rapports signalés par chaque algorithme, en se concentrant spécifiquement sur les rapports exclusifs (récupérés par un seul algorithme) pour identifier les sources de divergence.

3. Contributions Clés

• Développement d'un outil unifié : Création d'un package R permettant d'appliquer des règles de détection de grossesse hétérogènes sur des bases de données différentes.
• Cartographie des écarts : Identification précise des différences de portée (scope) entre les algorithmes, notamment concernant les restrictions d'âge, l'exclusion des grossesses normales, l'inefficacité de la contraception et l'exposition paternelle.
• Guide de sélection : Fourniture d'une base factuelle pour aider les professionnels de la pharmacovigilance à choisir l'algorithme le plus adapté à leurs besoins spécifiques de recherche.

4. Résultats

L'application des algorithmes A, B et C a généré des volumes de rapports distincts, révélant des écarts significatifs :

• Dans VigiBase :
  • Algorithme A : 235 653 rapports.
  • Algorithme B : 279 515 rapports.
  • Algorithme C : 446 957 rapports.
• Dans FAERS :
  • Algorithme A : 265 015 rapports.
  • Algorithme B : 260 734 rapports.
  • Algorithme C : 350 479 rapports.

Analyse des rapports exclusifs :
Les rapports récupérés uniquement par un algorithme spécifique s'expliquent par des critères d'inclusion/exclusion différents :

• Algorithme A : Récupère plus de rapports car il n'impose aucune restriction d'âge.
• Algorithme B : Exclut les grossesses "normales" et les cas d'inefficacité de contraception, ce qui réduit son volume par rapport aux autres.
• Algorithme C : Exclut l'exposition paternelle, mais récupère un volume nettement supérieur (notamment 142 324 rapports exclusifs dans VigiBase et 59 643 dans FAERS), suggérant une portée plus large sur d'autres critères ou une meilleure couverture des données brutes.

5. Signification et Conclusion

Les différences observées dans le signalement des rapports ne sont pas dues à des erreurs techniques, mais principalement à des portées (scopes) variables définies lors de la conception des algorithmes.

• Impact pratique : La compréhension de ces nuances est essentielle pour les professionnels de la pharmacovigilance. Le choix de l'algorithme doit être stratégique : un algorithme plus large (comme C) peut être préférable pour une détection exhaustive, tandis qu'un algorithme plus restrictif (comme B) peut servir à cibler des scénarios cliniques spécifiques.
• Recommandation : Il est impératif de ne pas considérer ces outils comme interchangeables. Leur utilisation doit être guidée par la question de recherche précise et la base de données utilisée, afin d'assurer la pertinence et la fiabilité des études de sécurité liées à la grossesse.