Finding Safety Signals in Sparse Data: Zero-Inflated Models for Pharmacovigilance studies

Quando un nuovo medicinale raggiunge il mercato, il lavoro di garantire la sua sicurezza non finisce; si limita soltanto a spostarsi su un tipo diverso di ascolto. Regolatori e ricercatori si affidano ai sistemi di segnalazione spontanea, vasti archivi digitali dove medici, farmacisti e pazienti inviano resoconti di effetti collaterali inaspettati. Questi registri sono il modo principale in cui la comunità medica individua pericoli rari o ritardati che i trial clinici, con i loro numeri limitati di partecipanti, potrebbero aver mancato. Tuttavia, i dati all'interno di questi archivi sono notoriamente difficili da leggere. Poiché la maggior parte delle persone assume medicinali senza incidenti, la stragrande maggioranza delle possibili combinazioni di un farmaco specifico e di un effetto collaterale specifico non compare semplicemente nei rapporti. Il risultato è un insieme di dati pieno di spazi vuoti, dove il silenzio dello zero nei rapporti è comune quanto il rumore di una reazione segnalata. Ciò crea una sfida statistica: i metodi standard per contare e confrontare questi eventi spesso inciampano quando si trovano di fronte a così tanti zeri, rischiando potenzialmente di oscurare proprio i segnali di sicurezza che i ricercatori stanno cercando di trovare.

Uno studio recente si è concentrato sugli inibitori selettivi della ricaptazione della serotonina, una classe comune di antidepressivi, per testare se un approccio matematico differente potesse navigare in questo panorama rado in modo più efficace. I ricercatori si sono rivolti ai dati dell'agenzia del Regno Unito per i medicinali e i prodotti sanitari (Medicines and Healthcare products Regulatory Agency), esaminando specificamente i rapporti organizzati per ampie categorie di sistemi corporei, come il sistema immunitario, il fegato o il metabolismo. Hanno iniziato esaminando quanto bene gli esistenti metodi standard, che trattano questi rapporti come semplici conteggi, corrispondessero alla realtà dei dati. La loro analisi ha rivelato che per molte di queste categorie di sistemi corporei, i modelli standard non si adattavano bene. I dati non erano solo rari; erano "zero-inflated" (con eccesso di zeri), il che significa che c'erano molte più categorie vuote di quanto un modello di conteggio standard prevederebbe, probabilmente a causa della rarità di certe reazioni e del fatto che molti effetti collaterali non vengono riportati affatto.

Per affrontare questo problema, il team ha applicato uno strumento statistico specializzato noto come modello zero-inflated. A differenza dei metodi tradizionali che faticano a distinguere tra una categoria con nessun rapporto perché il rischio è realmente nullo e una categoria con nessun rapporto semplicemente perché l'evento è stato mancato, questo nuovo approccio riconosce l'eccesso di zeri come una caratteristica distinta dei dati. I ricercatori hanno testato questo metodo contro ventisette diverse categorie di sistemi corporei. I risultati hanno mostrato che per dieci di queste categorie — inclusi i disturbi del sistema endocrino, del sistema immunitario, del metabolismo, delle infezioni e del fegato — il modello zero-inflated ha fornito un adattamento significativamente migliore ai dati reali. Esso ha catturato la struttura dei rapporti in modo più accurato, tenendo conto del peso elevato delle categorie vuote senza perdere di vista i segnali effettivi.

Fondamentalmente, lo studio ha scoperto che l'uso di questo metodo più sofisticato non cambiava il messaggio di sicurezza fondamentale riguardante questi antidepressivi. I segnali di sicurezza identificati dai nuovi modelli erano ampiamente coerenti con quelli trovati con i metodi di conteggio tradizionali, inclusi i segnali relativi a problemi metabolici. Ciò suggerisce che il nuovo approccio non è un sostituto delle pratiche esistenti, ma un prezioso complemento. Gestendo direttamente l'eccesso di zeri, i modelli zero-inflated offrono un modo per convalidare internamente i dati e fornire un quadro più chiaro di dove si collochino le lacune nella segnalazione. Per i regolatori e i ricercatori che monitorano i medicinali con schemi di segnalazione rari, questo metodo offre un modo più realistico per setacciare il rumore delle categorie vuote al fine di trovare le genuine preoccupazioni di sicurezza nascoste all'interno, assicurando che i rischi più rari non vadano perduti nel silenzio dei dati.