Big data Articoli

Come cambia la sorveglianza post-marketing

Grandi quantità di dati sanitari offrono nuove opportunità ma richiedono anche nuovi sforzi

Gianluca Trifirò, Valentina Ientile

Dipartimento di Scienze biomediche, odontoiatriche e delle immagini morfologiche e funzionali, Università di Messina

By Novembre 2016Settembre 29th, 2020No Comments

Nell’ultimo decennio il termine “big data” è stato applicato in differenti settori e con diversi significati. In generale, il concetto di big data può essere spiegato attraverso il paradigma delle 4 V (volume, velocity, variety, veracity), vale a dire, enormi quantità di dati, rapidamente accessibili, estremamente eterogenei, e che richiedono approcci analitici innovativi, quali algoritmi di machine learning, per fornire risultati utili e accurati ai decision maker negli ambiti in cui si applica [1]. Di recente, il tema dei big data è diventato un argomento molto attenzionato anche in ambito sanitario, dove esiste una enorme e crescente quantità di informazioni in formato elettronico disponibili sotto forma di cartelle cliniche informatizzate, archivi di medicina generale, flussi amministrativi, registri di patologia e di monitoraggio dei farmaci, ecc. (vedi figura). Laddove tali dati fossero opportunamente elaborati e resi interoperabili tra le diverse figure coinvolte nella generazione degli stessi rappresenterebbero una grande opportunità per trasformare in evidenze scientifiche vaste moli di informazioni routinariamente raccolte nella pratica clinica per fini non scientifici [2, 3].

A partire dagli anni Novanta, in un numero sempre più grande di paesi, soprattutto in Europa, Usa e Asia, è cresciuto l’impiego di banche dati sanitarie per la valutazione post-marketing di pattern prescrittivo, sicurezza ed effectiveness (comparative effectiness research) dei farmaci utilizzati nella reale pratica clinica [4-6]. Anche l’Italia è ricca di dati sanitari in formato elettronico: ogni azienda sanitaria locale e Regione produce flussi amministrativi a fini di rimborsabilità delle prestazioni sanitarie erogate; a ciò vanno aggiunti gli archivi elettronici di medici di medicina generale e pediatri di libera scelta, frequentemente organizzati in reti di ricerca, i registri di patologia e quelli di monitoraggio dei farmaci di nuova commercializzazione richiesti dall’Agenzia italiana del farmaco, sebbene sottoutilizzati dal punto di vista scientifico. Il record linkage di differenti banche dati sanitarie, nel rispetto delle normative della privacy che prevedono procedure di anonimizzazione dei dati dei pazienti, rendono possibile integrare notevoli quantità di dati.

sorveglianza-post-marketing

MMG: medico di medicina generale PLS: pediatra di libera scelta DPC: distribuzione per conto

 

Numerose iniziative sono state recentemente concluse o sono tuttora in corso in diverse parti del mondo in cui sono stati creati multi-database network che danno accesso a fonti dati di dimensioni mai prima raggiunte per la sorveglianza postmarketing dei farmaci. In particolare, vi sono due esperienze internazionali che meritano un approfondimento: il sistema statunitense di sorveglianza postmarketing Sentinel [7] e il progetto europeo Eu-Adr [8].

Generato nel 2008 su mandato della Food and drug administration per il monitoraggio prospettico della sicurezza dei farmaci in commercio, il sistema di sorveglianza Sentinel si basa sull’impiego di record elettronici di circa 100 milioni di cittadini statunitensi. I dati, in forma anonima, derivano da differenti banche dati di assicurazioni sanitarie che sono state convertite localmente a un formato dati standardizzato e condiviso (common data model) così da permettere di lanciare un unico script generato centralmente per la loro analisi senza alcun trasferimento di dati sensibili.

Il progetto Eu-Adr, per l’individuazione di reazioni avverse da farmaci, è stato finanziato dalla Commissione europea nel 2008 con l’obiettivo di identificare precocemente e supportare dal punto di visto biologico possibili segnali di farmacovigilanza tramite data mining applicato a un network di otto banche dati amministrative e di medicina generale da quattro paesi europei – Danimarca, Italia, Olanda e Regno Unito – con una popolazione di riferimento complessiva di quasi 30 milioni di persone, e altre banche dati biomediche. I dati delle singole banche dati venivano prima elaborati localmente tramite un software chiamato Jerboa e poi condivisi, in un formato omogeneo, aggregato e anonimizzato, per ulteriori elaborazioni a livello centrale. L’armonizzazione dell’estrazione iniziale dei dati è stata particolarmente complessa in quanto le banche dati differivano tra loro per sistema di codifica di patologia e farmaci, sistema sanitario sottostante, tipologia di dati raccolti e linguaggio utilizzato [9].

Gli algoritmi – e non i data set – dimostreranno di avere la funzione di trasformare.
Ziad Obermeyer, Ezekiel J. Emanuel.

Tali iniziative hanno dimostrato che se tali multi-database network fossero stati disponibili in passato avrebbero potuto contribuire ad accelerare il processo di valutazione di segnali d’allarme di farmacovigilanza, favorendo una più rapida sospensione dal mercato di farmaci dimostratisi pericolosi come nel caso Vioxx. Altra importante evidenza generata da tali progetti è che il sistema tradizionale di farmacovigilanza basato su segnalazione di sospetta reazione avversa da farmaco non potrà mai essere sostituito per l’identificazione di segnali di sicurezza, bensì soltanto supportato da tali network, soprattutto relativamente a eventi avversi multifattoriali che non sono comunemente segnalati (ad esempio, infarto del miocardio).

Altri network internazionali sono stati creati negli ultimi anni per favorire studi postmarketing su farmaci e vaccini tra cui Aritmo, Safeguards, Advance, Sos, Protect ed EUROmediCat in Europa, Cnodes in Canada, Aspen in Asia e Australia, a dimostrazione di quanto frequente sia la tendenza a livello globale a creare infrastrutture di big data per il monitoraggio post-marketing dei farmaci [10].

Un ultimo cenno va fatto sull’impiego dei social media come possibile fonte dati per farmaco- e vaccino-vigilanza [11]. Sulla base di numerosi studi pubblicati negli ultimi anni, analizzare enormi quantità di dati sia di carattere generale sia di ambito sanitario estrapolabili dai social media sembra essere un approccio promettente per la valutazione post-marketing di farmacovigilanza, sebbene accessibilità e accuratezza di tali dati richiedano ulteriori verifiche.

In generale, la disponibilità di enormi quantità di dati sanitari da fonti differenti rappresenta un’importante opportunità nel campo della farmacovigilanza, ma bisogna valutare rigorosamente la qualità dei dati da analizzare, così come i limiti inerenti agli studi osservazionali, indipendentemente da quantità e qualità dei dati.

Per concludere, citando un editoriale recente del New England Journal Medicine a firma di Ezekiel J. Emanuel e Ziad Obermeyer: “I big data trasformeranno la medicina. I dati in quanto tali però sono inutili. Affinché possano essere utili, bisogna analizzarli e interpretarli correttamente e devono portare a delle azioni” [12].

Bibliografia

[1] Martin-Sanchez F, Verspoor K. Big data in medicine is driving big changes. Yearb Med Inform 2014;9:14-20.
[2] Ross MK, Wei W, Ohno-Machado L. “Big data” and the Electronic Health Record. Yearb Med Inform 2014;9:97-104.
[3] Index for Excerpts from the American Recovery and Reinvestment Act of 2009. Health Information Technology (HITECH) Act 2009, pp. 112-64.
[4] Hripcsak G, Albers DJ. Next-generation phenotyping of electronic health records. J Am Med Inform Assoc 2013; 20:117-21.
[5] Wagholikar KB, Sundararajan V, Deshpande AW. Modeling paradigms for medical diagnostic decision support: a survey and future directions. J Med Syst 2012;36:3029-49.
[6] Sullivan P, Goldmann D. The promise of comparative effectiveness research. Jama 2011;305:400-1.
[7] Platt R, Wilson M, Chan KA, et al. The new Sentinel network: improving the evidence of medical-product safety. N Engl J Med 2009; 361:645-7.
[8] Coloma PM, Schuemie MJ, Trifirò G, et al. Combining electronic healthcare databases in Europe to allow for large-scale drug safety monitoring: the EU-ADR Project. Pharmacoepidemiol Drug Saf 2011;20:1-11.
[9] Avillach P, Coloma PM, Gini R, et al.; EU-ADR consortium. Harmonization process for the identification of medical events in eight European healthcare databases: the experience from the EU-ADR project. J Am Med Inform Assoc 2013; 20:184-92.
[10] Trifirò G, Coloma PM, Rijnbeek PR, et al. Combining multiple healthcare databases for postmarketing drug and vaccine safety surveillance: why and how? J Intern Med 2014;275:551-61.
[11] Sarker A, Ginn R, Nikfarjam A, et al. Utilizing social media data for pharmacovigilance: A review. J Biomed Inform 2015;54:202-12.
[12] Obermeyer Z, Emanuel EJ. Predicting the Future – Big data, Machine Learning, and Clinical Medicine. N Engl J Med 2016;375:1216-9.

Lascia un commento