DOI: https://doi.org/10.1007/s40264-024-01409-5
PMID: https://pubmed.ncbi.nlm.nih.gov/38446405
تاريخ النشر: 2024-03-06
المؤلف: Didrik Wessel وآخرون
الموضوع الرئيسي: اليقظة الدوائية وردود الفعل السلبية للأدوية
نظرة عامة
تستكشف هذه الورقة البحثية إمكانيات وسائل التواصل الاجتماعي، وبالتحديد تويتر، كمصدر للبيانات الواقعية (RWD) لتعزيز اتخاذ القرارات التنظيمية وتطوير الأدوية في صناعة الأدوية. قام المؤلفون بتطوير خط أنابيب تعلم آلي لاستخراج رؤى المرضى المتعلقة بمضادات التخثر من بيانات تويتر، مدعومًا بمقابلات مع محترفين في الصناعة. تشير النتائج إلى أن البيانات الواقعية من وسائل التواصل الاجتماعي يمكن أن تولد فرضيات قيمة بشأن احتياجات المرضى والمجالات العلاجية، على الرغم من وجود قيود، خاصة فيما يتعلق باستنتاج السببية.
تخلص الدراسة إلى أنه بينما تحمل وسائل التواصل الاجتماعي وعدًا لدعم تطوير الأدوية الصيدلانية وعمليات ما قبل الموافقة، فإن الإطار التنظيمي الحالي غير متطور، مما يعيق دمجه في الممارسات السريرية التقليدية. يؤكد المؤلفون أن وسائل التواصل الاجتماعي يجب أن تُعتبر أداة لتوليد الفرضيات بدلاً من تقديم الأدلة، مشيرين إلى أن استخدامها الفعال قد يقلل من بعض التحديات المرتبطة بتفسير البيانات. تشمل القيود التركيز على المشاركات باللغة الإنجليزية واستبعاد الرؤى من منصات الإنترنت الأخرى، مما قد يقيد شمولية النتائج. يُشجع على إجراء أبحاث مستقبلية لاستكشاف دمج مصادر الإنترنت المتنوعة ولتنقيح خط أنابيب البيانات الذي تم إنشاؤه في هذه الدراسة، خاصة في سياق تطوير الأدوية قبل الموافقة.
مقدمة
تستعرض مقدمة الورقة البحثية أهمية الدراسة ضمن مجالها، مع تسليط الضوء على الفجوات الموجودة في المعرفة والدافع وراء البحث. تؤسس السياق من خلال مراجعة الأدبيات ذات الصلة وتحديد التحديات الرئيسية التي لم يتم التعامل معها بشكل كافٍ. يوضح المؤلفون الأهداف الرئيسية للدراسة، مع التأكيد على الأساليب أو المنهجيات المبتكرة المستخدمة لمعالجة هذه التحديات.
بالإضافة إلى ذلك، تقدم المقدمة الفرضيات الرئيسية أو أسئلة البحث التي توجه التحقيق. وتؤكد على الآثار المحتملة للنتائج على كل من الأطر النظرية والتطبيقات العملية، مما يمهد الطريق للأقسام التالية من الورقة. بشكل عام، تخدم هذه القسم لجذب القارئ وتبرير ضرورة البحث الذي تم إجراؤه.
الطرق
في هذه الدراسة، استخدم المؤلفون منهجية تضمنت جمع البيانات الواقعية (RWD) من مصدر محدد، يُشار إليه باسم X. حددوا أسماء الأدوية ذات الصلة واسترجعوا المشاركات التي ذكرت هذه الأدوية. تم وضع علامة على مجموعة فرعية من هذه المشاركات لتحديد وجود علاقات تأثير الأدوية، والتي خدمت كبيانات تدريب لنموذج تعلم آلي مصمم لاكتشاف مثل هذه العلاقات تلقائيًا في مجموعة البيانات الأوسع. بعد تطبيق النموذج على المجموعة الكاملة، تم تحديد الأحداث السلبية (AEs) في المشاركات التي أظهرت علاقة تأثير دوائي.
بالإضافة إلى ذلك، تم تعزيز الجوانب الكمية لجمع البيانات ومعالجتها وتحليلها برؤى نوعية تم الحصول عليها من خلال مقابلات مع محترفين في الصناعة وملاحظة المشاركين التي أجراها أحد المؤلفين. سمح هذا النهج المختلط بفهم شامل للبيانات وزاد من قوة النتائج. تم تقديم مزيد من التفاصيل حول المنهجية في الأقسام التالية من الورقة.
النتائج
في قسم النتائج، تفوق نموذج ALBERT على النموذج الأساسي من حيث الاسترجاع (0.78 مقابل 0.66) والدقة (0.81 مقابل 0.79)، مما يظهر تباينًا أقل عبر تقسيمات بيانات التدريب والاختبار المختلفة، كما يتضح من انخفاض الانحراف المعياري. أسفر تحليل 1,313 مشاركة متوقعة تم فهرستها في I2e عن 1,683 ضربة إجمالية، مع 1,182 ضربة فريدة عبر 685 مشاركة من 597 مستخدمًا فريدًا. ومن الجدير بالذكر أن الأدوية الأكثر ذكرًا شملت الوارفارين وعددًا من مثبطات العامل Xa المباشرة، بينما لم يكن هناك تطابقات لثلاثة أدوية (أرجاتروبان، ديزيرودين، دانابارود).
حددت الدراسة مجموعة متنوعة من ردود الفعل السلبية للأدوية (ADRs) والأحداث (AEs)، حيث كانت النزيف، والنتائج المميتة، والسكتة الدماغية هي أكثر الأحداث خطورة المبلغ عنها. تتماشى النتائج مع الأدبيات الموجودة، مؤكدة أن مسكنات الألم والأدوية المضادة للالتهابات كانت أيضًا مذكورة بشكل متكرر. تم ملاحظة التداخل في المصطلحات للأدوية غير الستيرويدية المضادة للالتهابات، بما في ذلك الأسبرين والكيتورولاك، مما أدى إلى تجميعها لأغراض التصوير. على الرغم من أن بعض المستخدمين ذكروا أحداثًا متعددة، فإن العدد الكبير من المستخدمين الفريدين الذين أبلغوا عن كل حدث يشير إلى انتشار واسع لهذه الحوادث. كان الوارفارين بارزًا بشكل خاص في ذكر الأحداث الدوائية الشائعة، مع ملاحظة توزيع مشابه عبر فئات الأدوية، على الرغم من أن ذكر النزيف كان أكثر توزيعًا بالتساوي بين مضادات فيتامين ك ومثبطات العامل Xa المباشرة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الدور المتطور للبيانات الواقعية (RWD) ووسائل التواصل الاجتماعي في تطوير الأدوية ومراقبة السلامة. غالبًا ما تفشل التجارب السريرية العشوائية التقليدية في تمثيل التركيبة السكانية المتنوعة لمرضى العالم الحقيقي، مما يؤدي إلى اهتمام متزايد في استخدام وسائل التواصل الاجتماعي كمصدر مكمل للبيانات. بينما ركزت الأبحاث السابقة بشكل أساسي على مراقبة السلامة بعد الموافقة، تؤكد هذه الورقة على الحاجة إلى مزيد من الاستكشاف لإمكانات وسائل التواصل الاجتماعي في أنشطة تطوير الأدوية قبل الموافقة، مثل توجيه تصميمات التجارب السريرية وفهم استخدام الأدوية خارج التسمية. يجادل المؤلفون بأن وسائل التواصل الاجتماعي يمكن أن تكون أداة قيمة لجمع رؤى المرضى ومراقبة تأثيرات الأدوية في الوقت الحقيقي، مما يساهم في سد الفجوة بين التجارب السريرية وتجارب المرضى الفعلية.
تتناول الورقة أيضًا المشهد التنظيمي المحيط باستخدام البيانات الواقعية ووسائل التواصل الاجتماعي، مشيرة إلى أن المبادرات الأخيرة من إدارة الغذاء والدواء، بما في ذلك قانون العلاجات في القرن الحادي والعشرين، بدأت تعترف بأهمية البيانات الواقعية في اتخاذ القرارات التنظيمية. ومع ذلك، يشير المؤلفون إلى أن الإطار التنظيمي الحالي لا يزال يتطور، وهناك حاجة إلى إرشادات أوضح حول كيفية دمج بيانات وسائل التواصل الاجتماعي بشكل فعال في عمليات تطوير الأدوية. تقترح الدراسة حالات استخدام قابلة للتنفيذ للاستفادة من البيانات الواقعية لوسائل التواصل الاجتماعي، مع الاعتراف أيضًا بالقيود والتحديات المرتبطة بتمثيل البيانات والسببية. في النهاية، يدعو المؤلفون إلى نهج متوازن يكمل التجارب السريرية التقليدية برؤى مستمدة من وسائل التواصل الاجتماعي، مما يعزز فهم فعالية الأدوية وسلامتها في البيئات الواقعية.
DOI: https://doi.org/10.1007/s40264-024-01409-5
PMID: https://pubmed.ncbi.nlm.nih.gov/38446405
Publication Date: 2024-03-06
Author(s): Didrik Wessel et al.
Primary Topic: Pharmacovigilance and Adverse Drug Reactions
Overview
This research paper investigates the potential of social media, specifically Twitter, as a source of real-world data (RWD) to enhance regulatory decision-making and drug development in the pharmaceutical industry. The authors developed a machine learning pipeline to extract patient insights related to anticoagulants from Twitter data, complemented by interviews with industry professionals. The findings indicate that RWD from social media can generate valuable hypotheses regarding patient needs and therapeutic areas, although limitations exist, particularly concerning the inference of causality.
The study concludes that while social media holds promise for supporting pharmaceutical drug development and pre-approval processes, the current regulatory framework is underdeveloped, which hampers its integration into conventional clinical practices. The authors emphasize that social media should be viewed as a tool for hypothesis generation rather than evidence provision, suggesting that its effective use may mitigate some of the challenges associated with data interpretation. Limitations include the focus on English-language posts and the exclusion of insights from other online platforms, which may restrict the comprehensiveness of the findings. Future research is encouraged to explore the integration of diverse online sources and to refine the data pipeline established in this study, particularly in the context of preapproval drug development.
Introduction
The introduction of the research paper outlines the significance of the study within its field, highlighting the existing gaps in knowledge and the motivation behind the research. It establishes the context by reviewing relevant literature and identifying key challenges that have not been adequately addressed. The authors articulate the primary objectives of the study, emphasizing the innovative approaches or methodologies employed to tackle these challenges.
Additionally, the introduction presents the main hypotheses or research questions guiding the investigation. It underscores the potential implications of the findings for both theoretical frameworks and practical applications, thereby setting the stage for the subsequent sections of the paper. Overall, this section serves to engage the reader and justify the necessity of the research conducted.
Methods
In this study, the authors employed a methodology that involved the collection of real-world data (RWD) from a specified source, referred to as X. They identified relevant drug names and retrieved posts that mentioned these drugs. A subset of these posts was annotated to determine the presence of drug-effect relationships, which served as training data for a machine learning model designed to automatically detect such relationships in the broader dataset. Following the model’s application to the entire corpus, adverse events (AEs) were identified in posts that exhibited a drug-effect relationship.
Additionally, the quantitative aspects of data collection, processing, and analysis were supplemented by qualitative insights gained through interviews with industry professionals and participant observation conducted by one of the authors. This mixed-methods approach allowed for a comprehensive understanding of the data and enhanced the robustness of the findings. Further details on the methodology are provided in the subsequent sections of the paper.
Results
In the results section, the ALBERT model outperformed the baseline model in terms of recall (0.78 vs. 0.66) and precision (0.81 vs. 0.79), demonstrating lower variability across different training and test data splits, as indicated by a reduced standard deviation. The analysis of 1,313 predicted posts indexed into I2e yielded 1,683 total hits, with 1,182 unique hits across 685 posts from 597 unique users. Notably, the most frequently mentioned drugs included warfarin and several direct factor Xa inhibitors, while three drugs (argatroban, desirudin, danaparoid) had no matches in the I2e query.
The study identified various adverse drug reactions (ADRs) and events (AEs), with haemorrhage, fatal outcomes, and stroke being the most serious events reported. The findings align with existing literature, confirming that pain relievers and anti-inflammatory drugs were also frequently mentioned. The overlap in terminology for NSAIDs, including aspirin and ketorolac, was noted, leading to their grouping for visualization purposes. Despite some users mentioning multiple events, the high number of unique users reporting each event suggests a broad dispersion of these occurrences. Warfarin was particularly prominent in mentions of common drug events, with a similar distribution observed across drug classes, although mentions of haemorrhage were more evenly distributed among vitamin K antagonists and direct factor Xa inhibitors.
Discussion
The discussion section of the research paper highlights the evolving role of Real-World Data (RWD) and social media in drug development and safety monitoring. Traditional randomized clinical trials often fail to represent the diverse demographics of real-world patient populations, leading to a growing interest in utilizing social media as a complementary source of data. While previous research has primarily focused on post-approval safety surveillance, this paper emphasizes the need for further exploration of social media’s potential in pre-approval drug development activities, such as guiding clinical trial designs and understanding off-label drug use. The authors argue that social media can serve as a valuable tool for gathering patient insights and monitoring drug effects in real-time, thereby bridging the gap between clinical trials and actual patient experiences.
The paper also addresses the regulatory landscape surrounding the use of RWD and social media, noting that recent FDA initiatives, including the 21st Century Cures Act, have begun to recognize the importance of RWD in regulatory decision-making. However, the authors point out that the current regulatory framework is still developing, and there is a need for clearer guidelines on how social media data can be effectively integrated into drug development processes. The study proposes actionable use cases for leveraging social media RWD, while also acknowledging the limitations and challenges associated with data representativeness and causality. Ultimately, the authors advocate for a balanced approach that complements traditional clinical trials with insights derived from social media, enhancing the understanding of drug efficacy and safety in real-world settings.