Raportare mai rapidă a studiilor clinice: un ghid pentru începători pentru implementarea standardelor CDISC SDTM și ADAM cu pachete R-sursă

Provocări actuale

Studiile clinice se confruntă cu mai multe provocări în starea lor actuală, care pot fi clasificate pe larg în trei domenii cheie:

Standarde farmaceutice

Consorțiul de standarde de schimb de date clinice (CDISC) Oferă standarde de date acceptate la nivel global, care sunt un set de orientări și modele utilizate pentru standardizarea colectării, schimbului și analiza datelor de studiu clinice. Aceste standarde urmăresc îmbunătățirea eficienței, calității datelor și interoperabilității în diverse domenii de cercetare clinică.

În acest articol în mod specific, principalele standarde CDISC pe care le vom evidenția sunt armonizarea standardelor de achiziție a datelor clinice (CDASH), modelul de tabelare a datelor de studiu (SDTM) și modelul de date de analiză (ADAM).

Rolul R în studiile clinice

În zilele noastre, R este utilizat pe scară largă în analiza studiilor clinice, datorită flexibilității sale, a capacităților statistice puternice și a unui sprijin puternic pentru respectarea reglementărilor. R oferă:

• Analiza statistică robustă utilizat pentru analiza de supraviețuire, modele mixte și statistici bayesiene.
• Curățare și transformare a datelor Facilitate de pachete specializate și instrumente de modelare.
• Reproductibilitate și soluții open source pentru a se asigura că rapoartele și trimiterile clinice pot fi automatizate, reducând erorile.
• Integrare cu standardele CDISC Cu ajutorul diferitelor pachete R care pot structura date în conformitate cu cerințele SDTM și ADAM.

Farmaceut

Pharmaverse este un ecosistem colaborativ open-source de instrumente pentru procesarea datelor clinice și conformitatea cu reglementările, constând în prezent în principal din pachete R, dar acum includ și software-ul Python emergent. Oferă resurse care eficientizează implementarea standardelor CDISC precum SDTM, ADAM și Define-XML.

• Pachete farmaceutice cheie:
  • {sdtm.oak} – Ajută la structurarea seturilor de date SDTM.
  • {admiral} – Facilitează crearea setului de date ADAM.
  • {teal} – Construiește tablouri de bord interactive R/strălucitoare pentru analiza de date clinice exploratorii.
• Pachete R înrudite:
  • {rtables} -Creează tabele care respectă reglementarea pentru rapoarte clinice.
  • {tern} -Creează tabele/grafice care respectă reglementarea pentru rapoarte clinice.

Acestea nu sunt singurele pachete care sunt utilizate, dar acestea sunt cele la care se vor face referire în acest blogpost.

Pharmaverse nu are un pachet CDASH dedicat, dar abordarea sa bazată pe metadate înseamnă că puteți lucra în continuare cu concepte CDASH pentru a conecta colectarea datelor sursă la maparea SDTM.

O listă mai cuprinzătoare de pachete poate fi găsită aici: https://pharmaverse.org/e2eclinical/

Conductă de date

În raportarea studiilor clinice, conducta de date ar putea urma acest standard:

Datele brute de la pacienți sunt colectate în conformitate cu orientările CDASH, apoi prelucrate cu standarde SDTM și ADAM pentru a produce rezultate conexe, înregistrări și grafice/figuri care corespund tuturor aspectelor unui studiu clinic specific.

Începând cu datele CDASH dintr -un studiu, procesul de pregătire începe cu {sdtm.oak} şi {sdtmchecks} Pachete de la Pharmaverse pentru a le pregăti pentru seturi de date formatate SDTM.

Ulterior, standardele ADAM sunt aplicate pe aceste date folosind {admiral} Pachet, care poate fi apoi analizat și transformat în tabele, listări și grafice/cifre folosind pachete non-farmaverse (dar încă înrudite), cum ar fi {rtables} şi {tern}.

Pharmaverse conține unele depozite cu date de testare care pot ajuta la vizualizarea și să înțeleagă acest lucru, și anume pharmaversesdtm şi pharmaverseadam.

Există și {random.cdisc.data} Pachet care poate fi utilizat pentru a genera date CDISC randomizate în scopuri exploratorii.

Mai multe informații despre aceste seturi de date pot fi găsite pe site -urile lor de documentare respective.

Tabele, listări, grafice/figuri

Conținutul rapoartelor de studiu clinic conține 3 tipuri diferite de rezultate:

1. Mese
2. Listări
3. Grafice/figuri

Aceste rezultate joacă un rol vital pentru a rezuma rezultatele unui studiu clinic în timpul raportării. Ele pot rezuma rezultatele de siguranță, eficacitate și exploratorie (cum ar fi analizele biomarkerului).

În secțiunile următoare, vom folosi seturile de date din {random.cdisc.data} Pachet pentru a ajuta la crearea de rezultate de exemplu utilizate în rapoartele de studii clinice. Acestea vor fi împărțite în două secțiuni fiecare, și anume „configurarea datelor” și „generarea standard de ieșire”.

library(random.cdisc.data)
library(dplyr)
library(tern)

# Ensure character variables are converted to factors so that
# empty strings and NAs are explicit missing levels.

adsl <- df_explicit_na(cadsl)
adae <- df_explicit_na(cadae) %>%
  var_relabel(
    AEBODSYS = "MedDRA System Organ Class",
    AEDECOD = "MedDRA Preferred Term"
  ) %>%
  filter(ANL01FL == "Y")

# Define the split function
split_fun <- drop_split_levels

# Standard Table for AET02 --------------------------------------------------------------
lyt <- basic_table(show_colcounts = TRUE) %>%
  split_cols_by(var = "ACTARM") %>%
  add_overall_col(label = "All Patients") %>%
  analyze_num_patients(
    vars = "USUBJID",
    .stats = c("unique", "nonunique"),
    .labels = c(
      unique = "Total number of patients with at least one adverse event",
      nonunique = "Overall total number of events"
    )
  ) %>%
  split_rows_by(
    "AEBODSYS",
    child_labels = "visible",
    nested = FALSE,
    split_fun = split_fun,
    label_pos = "topleft",
    split_label = obj_label(adae$AEBODSYS)
  ) %>%
  summarize_num_patients(
    var = "USUBJID",
    .stats = c("unique", "nonunique"),
    .labels = c(
      unique = "Total number of patients with at least one adverse event",
      nonunique = "Total number of events"
    )
  ) %>%
  count_occurrences(
    vars = "AEDECOD",
    .indent_mods = -1L
  ) %>%
  append_varlabels(adae, "AEDECOD", indent = 1L)

result <- build_table(lyt, df = adae, alt_counts_df = adsl)

result

library(random.cdisc.data)
library(dplyr)
library(rlistings)

out <- cadae %>%
  select(AESOC, AEDECOD, AELLT, AETERM) %>%
  unique()

var_labels(out) <- c(
  AESOC = "MedDRA System Organ Class",
  AEDECOD = "MedDRA Preferred Term",
  AELLT = "MedDRA Lowest Level Term",
  AETERM = "Investigator-SpecifiednAdverse Event Term"
)

# Standard Listing for AEL01 ------------------------------------------------------------
lsting <- as_listing(
  out,
  key_cols = c("AESOC", "AEDECOD", "AELLT"),
  disp_cols = names(out),
  main_title = "Listing of Preferred Terms, Lowest Level Terms, and Investigator-Specified Adverse Event Terms"
)

head(lsting, 20)

library(random.cdisc.data)
library(tern)
library(dplyr)
library(forcats)
library(nestcolor)

preprocess_adtte <- function(adtte) {
  # Save variable labels before data processing steps.
  adtte_labels <- var_labels(adtte)

  adtte <- adtte %>%
    df_explicit_na() %>%
    dplyr::filter(
      PARAMCD == "OS",
      ARM %in% c("B: Placebo", "A: Drug X"),
      SEX %in% c("M", "F")
    ) %>%
    dplyr::mutate(
      # Reorder levels of ARM to display reference arm before treatment arm.
      ARM = droplevels(forcats::fct_relevel(ARM, "B: Placebo")),
      SEX = droplevels(SEX),
      is_event = CNSR == 0,
      # Convert time to MONTH
      AVAL = day2month(AVAL),
      AVALU = "Months"
    ) %>%
    var_relabel(
      ARM = adtte_labels("ARM"),
      SEX = adtte_labels("SEX"),
      is_event = "Event Flag",
      AVAL = adtte_labels("AVAL"),
      AVALU = adtte_labels("AVALU")
    )

  adtte
}

anl <- cadtte %>%
  preprocess_adtte()

# Standard Plot for FSTG02 -------------------------------------------------------
anl1 <- anl

df <- extract_survival_subgroups(
  variables = list(tte = "AVAL", is_event = "is_event", arm = "ARM", subgroups = c("SEX", "BMRKR2")),
  data = anl1
)

result <- basic_table() %>%
  tabulate_survival_subgroups(
    df = df,
    vars = c("n_tot", "n", "median", "hr", "ci"),
    time_unit = anl1$AVALU(1)
  )

result

plot <- g_forest(tbl = result)

plot

Concluzie

Concluzie

Raportarea studiilor clinice rămâne fundamentală pentru încrederea publică și pentru integritatea dezvoltării medicamentelor. Cu toate acestea, câmpul continuă să se confrunte cu persistent Deficite de transparență, escaladarea costurilorși provocări de reproductibilitate.

Adoptarea standardelor deschise și a platformelor de colaborare – cum ar fi Farmaceut Ecosistemul-cu o inițiativă mai largă a surselor open-source în R și tehnologii conexe, oferă o cale practică înainte. Aceste abordări permit o mai mare transparență, o eficiență îmbunătățită și practici de date riguroase, bazate pe standarde, care consolidează fundamentul științific al cercetării clinice. În consecință, nivelul de încredere poate fi îmbunătățit în continuare, iar bunăstarea publică poate fi asigurată.

Alăturați -ne în partea a 2 -a a acestei serii în care aruncăm o privire asupra analizei de date interactive a studiilor clinice folosind pachete care creează aplicații strălucitoare personalizate special pentru acest spațiu.

Resurse