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

新薬が市場に投入されたとき、その安全性を確保するための作業は終わるのではなく、単に異なる種類の「聴取」へと移行するだけである。規制当局や研究者は、医師、薬剤師、そして患者が予期せぬ副作用の報告を提出する膨大なデジタルアーカイブである、自発的報告システムに依拠している。これらの記録は、参加者数が限られている臨床試験では見逃されたかもしれない、稀な、あるいは遅発性の危険を医療界が察知するための主要な手段である。しかし、これらのアーカイブ内のデータは、読み解くのが極めて難しいことで知られている。ほとんどの人は問題なく薬を服用するため、特定の薬剤と特定の副作用の組み合わせの大部分は、報告の中に決して現れない。その結果、データセットは空隙に満ちたものとなる。そこでは、報告ゼロという沈黙は、報告された反応というノイズと同じくらい一般的である。これは統計的な課題を生み出す。標準的な計数および比較手法は、これほど多くのゼロに直面するとしば脱調し、研究者が探し出そうとしている正当な安全性シグナルを覆い隠してしまう可能性がある。

最近のある研究は、より効果的にこの希薄な景観をナビゲートできる異なる数学的手法をテストするために、一般的な抗うつ薬の一種である選択的セロトニン再取り込み阻害薬（SSRI）に焦点を当てた。研究チームは、英国の医薬品・保健製品規制庁（MHRA）のデータを用い、特に免疫系、肝臓、代謝などの広範な身体システムカテゴリー別に整理された報告を調査した。彼らはまず、報告を単純なカウントとして扱う既存の標準的な手法が、データの現実とどの程度一致するかを検証することから始めた。彼らの分析によれば、多くの身体システムカテゴリーにおいて、標準的なモデルは適合性が低いことが明らかになった。データは単に希薄であるだけでなく、「ゼロ過剰（zero-inflated）」であった。つまり、標準的なカウントモデルが予測するよりもはるかに多くの空のカテゴリーが存在しており、これは特定の反応の稀少性と、多くの副作用が全く報告されないという事実によるものと考えられる。

これに対処するため、チームは「ゼロ過剰モデル」として知られる特殊な統計ツールを適用した。リスクが真にゼロであるために報告がないカテゴリーと、単にイベントが見逃されたために報告がないカテゴリーを区別することに苦慮する従来のメソッドとは異なり、この新しいアプローチは、ゼロの過剰さをデータの明確な特徴として認識する。研究チームはこの手法を27種類の異なる身体システムカテゴリーに対してテストした。その結果、内分泌系、免疫系、代謝、感染症、肝臓などの疾患を含む10のカテゴリーにおいて、ゼロ過剰モデルが実際のデータに対して有意に優れた適合性を示すことが分かった。このモデルは、報告の構造をより正確に捉え、報告ゼロのカテゴリーが持つ重みを考慮に入れつつ、実際のシグナルを見失うことなく記述することができた。

決定的なことに、このより洗練された手法を用いても、これらの抗うつ薬に関する根本的な安全性メッセージは変わらないことが判明した。新しいモデルによって特定された安全性シグナルは、代謝の問題に関連するシグナルを含め、従来の計数法で見出されたものと概ね一致していた。このことは、新しいアプローチが既存の慣行に代わるものではなく、価値ある補完物であることを示唆している。ゼロの過剰さを直接扱うことで、ゼロ過剰モデルはデータの内部妥当性を検証し、報告の空白がどこにあるのかについて、より明確な全体像を提供することができる。報告パターンが希薄な薬剤を監視している規制当局や研究者にとって、この手法は、空のカテゴリーというノイズの中から真の安全性への懸念を掘り起こし、最も稀なリスクがデータの沈黙の中に埋もれてしまうことがないよう保証するための、より現実的な方法を提供するものである。