Premios de subvenciones de la FDA para proyectos que respaldan el uso de datos del mundo real para generar evidencia del mundo real en la toma de decisiones regulatorias
Como parte de los esfuerzos de evidencia del mundo real (RWE) de la agencia , la Administración de Alimentos y Medicamentos de EE. UU. anunció cuatro concesiones de subvenciones U01 adicionales en 2023 ( RFA-FD-23-025 ) para examinar el uso de datos del mundo real (RWD) para generar RWE en la toma de decisiones regulatorias. Estos premios siguen a cuatro subvenciones U01 otorgadas ( RFA-FD-20-030 ) en 2020. A través de este programa de premios, la agencia busca fomentar enfoques innovadores para respaldar aún más el uso de RWE y al mismo tiempo garantizar que la evidencia científica que respalda las aprobaciones de comercialización cumpla con los estándares probatorios de la FDA. . Estos proyectos seleccionados mejoran la ya diversa cartera de proyectos de demostración de RWE de la agencia que amplían nuestra comprensión sobre el uso potencial de RWD y RWE para respaldar la aprobación de nuevas indicaciones de medicamentos o para satisfacer los requisitos de estudios posteriores a la aprobación de medicamentos aprobados. Para obtener información sobre otros proyectos de demostración en curso y completados, visite nuestra página web de proyectos de demostración de RWD/RWE .
Premios de subvenciones 2023
Métodos para mejorar la eficiencia y solidez de los ensayos clínicos utilizando información de datos del mundo real con sesgos ocultos
Este proyecto, dirigido por Xiaofei Wang, Ph.D., de la Universidad de Duke y Shu Yang, Ph.D., de la Universidad Estatal de Carolina del Norte (NCSU), desarrollará métodos estadísticos innovadores para abordar sesgos ocultos al integrar RWD para mejorar la eficiencia. y solidez de los ensayos clínicos. Se pueden utilizar controles externos (CE) de RWD para construir el grupo de comparación en ensayos controlados aleatorios (ECA), pero las preocupaciones con respecto a la comparabilidad de RWD y ECA han limitado su uso en un contexto más amplio hasta el momento. Específicamente, el equipo del proyecto desarrollará a) un nuevo marco de análisis de sensibilidad para el uso de EC de fuentes RWD para evaluar la solidez de los resultados ante sesgos ocultos, y b) métodos analíticos eficientes que tomen prestado y ajusten selectivamente las discrepancias de datos para mitigar el impacto. de prejuicios ocultos. Los hallazgos se difundirán entre investigadores de la industria, el mundo académico y las agencias reguladoras a través de aplicaciones representativas, software, plantillas de planes de análisis estadístico, un sitio web y talleres y sesiones de tutoría.
Generación de evidencia reproducible del mundo real con datos de múltiples fuentes para capturar criterios de valoración clínicos no estructurados para enfermedades crónicas
Este proyecto, dirigido por Tianxi Cai, Sc.D., y Florence Bourgeois, MD, MPH, en el Centro de Ciencias Reguladoras de Harvard-MIT y la Escuela de Medicina de Harvard, desarrollará enfoques novedosos para generar RWE a partir de datos en registros médicos electrónicos (EHR). ) para evaluar la eficacia y seguridad de los tratamientos modificadores de la enfermedad (DMT) utilizados en enfermedades crónicas. La disponibilidad de RWE para DMT se ha visto limitada por la falta de información computable confiable sobre las medidas de progresión de la enfermedad, que generalmente se capturan en textos EHR no estructurados. Para abordar esta necesidad insatisfecha y centrarse en la artritis reumatoide y la esclerosis múltiple, este proyecto desarrollará estrategias para identificar criterios de valoración escalables de progresión de la enfermedad y eventos adversos a partir de datos de HCE vinculando los HCE a los datos de registro, utilizando datos de múltiples sistemas de atención médica para cada afección. Los productos de trabajo correspondientes, incluidos software y algoritmos informáticos de código abierto, darán como resultado nuevas capacidades para la aplicación de datos clínicos del mundo real en la toma de decisiones regulatorias.
Datos del mundo real para generar evidencia del mundo real en la toma de decisiones regulatorias
El proyecto, dirigido por Peter O’Dwyer, MD de la Fundación de Investigación Médica ECOG-ACRIN, está diseñado para fomentar enfoques para capturar, organizar y analizar RWD para producir RWE. Actualmente, el RWD de los registros médicos electrónicos puede verse limitado por problemas que incluyen la dificultad para extraer datos confiables de los informes de patología y radiología, la falta de datos detallados sobre los determinantes sociales de la salud y la inexactitud en las fechas de eventos importantes como la progresión. Este proyecto propone el desarrollo de un enfoque longitudinal para la adquisición de datos del mundo real a partir de los ensayos de la Fase III y alimentando la Fase IV. Estos datos combinados se utilizarán para generar un RWE sólido para la eficacia y seguridad de los tratamientos en tumores raros y menos comunes. Con este objetivo, ECOG-ACRIN ha formado una colaboración continua con socios de la industria para facilitar la identificación de los pacientes del estudio y crear poblaciones de estudio relevantes para interpretar los resultados del tratamiento en toda la comunidad. Al desarrollar enfoques para la recopilación de datos rigurosos, el proyecto proporcionará una base de datos sólida para análisis comparativos.
Desarrollo de métodos novedosos para permitir una comparación sólida de la supervivencia libre de progresión en el mundo real (rwPFS) y la SSP de los ensayos clínicos en mieloma múltiple
Este proyecto, dirigido por Khaled Sarsour, Ph.D., Ashita Batavia, MD, MS y Jennifer Hayden, MS en Janssen Research & Development, LLC, tiene como objetivo desarrollar métodos para comparar de manera sólida la supervivencia libre de progresión (rwPFS) en el mundo real con PFS determinada en ensayos clínicos entre pacientes con mieloma múltiple (MM). Los esfuerzos anteriores para utilizar evidencia del mundo real para la toma de decisiones regulatorias en MM se vieron limitados por sesgos de clasificación errónea y sesgos de vigilancia. Este proyecto tiene como objetivo desarrollar métodos para corregir el sesgo de clasificación errónea relacionado con las diferencias en la aplicación de los criterios de respuesta del Grupo de Trabajo Internacional sobre Mieloma, y también tiene como objetivo corregir el sesgo de vigilancia. Además, este proyecto explorará si se necesitan métodos para alinear rwPFS y PFS en pacientes históricamente subrepresentados en ensayos clínicos. Los métodos de corrección de sesgos desarrollados se evaluarán utilizando brazos de control de los ensayos de Janssen MM. El equipo trabajará en estrecha colaboración con expertos en métodos académicos, investigadores de mieloma múltiple y Flatiron Health, y el estudio aprovechará la base de datos no identificada de Flatiron Health derivada de registros médicos electrónicos. Al finalizar el trabajo, el equipo planea hacer que estos métodos novedosos estén disponibles a través de publicaciones revisadas por pares.
Premios de subvenciones 2020
Mejorar la generación de evidencia vinculando ensayos clínicos aleatorios (RCT) con datos del mundo real (RWD)
Este proyecto, dirigido por Mehdi Najafzadeh, Ph.D., MA, M.Sc., en el Brigham and Women’s Hospital y la Facultad de Medicina de Harvard, estudiará los beneficios de hacer que los ECA se puedan vincular al RWD. El estudio tiene como objetivo demostrar cómo vincular los ECA con el RWD puede mejorar los ensayos al extender el tiempo de seguimiento de los pacientes más allá de la finalización del ensayo, capturar resultados adicionales de efectividad y seguridad, emplear métodos para minimizar los datos faltantes y generalizar los resultados de los ECA a poblaciones objetivo del mundo real. Los ECA vinculados con RWD también mejorarán la comprensión de las razones subyacentes de las posibles discrepancias entre los ECA y los estudios no aleatorios. El equipo del estudio, que incluye investigadores y expertos en RWD en colaboración con la FDA, propone demostrar que la vinculación con RWD es una estrategia de bajo costo y alto rendimiento que debería adoptarse en futuros ECA.
Aplicar enfoques estadísticos novedosos para desarrollar un marco de decisión para diseños de ensayos controlados aleatorios híbridos que combinen brazos de control interno con datos de pacientes provenientes de fuentes de datos del mundo real.
Este proyecto, dirigido por Michael Kosorok, Ph.D., y Lisa LaVange, Ph.D., de la Universidad de Carolina del Norte, y Herbert Pang, Ph.D., Jiawen Zhu, Ph.D., y Gracie Lieberman, MS, en Genentech, explorará y desarrollará recomendaciones para diseñar estudios que puedan combinar de manera confiable y rigurosa datos de diferentes fuentes (por ejemplo, un RCT y RWD) y generar evidencia que podría usarse para respaldar la toma de decisiones regulatorias. Para evaluar los diseños de estos estudios, el equipo utilizará estudios de simulación, datos de ensayos clínicos completados y fuentes de RWD. El equipo también desarrollará y pondrá a disposición del público paquetes R que puedan utilizarse para evaluar estudios híbridos específicos. A lo largo del proyecto, el equipo convocará reuniones de expertos para compartir el progreso y obtener comentarios. Al finalizar el estudio, el equipo generará materiales de capacitación y se ofrecerá a realizar capacitaciones en talleres previos a la conferencia designados y en la FDA.
Avance de estándares y metodologías para generar evidencia del mundo real a partir de datos del mundo real a través de un proyecto piloto neonatal
Este proyecto, dirigido por Klaus Romero, MD, director científico del Critical Path Institute (C-Path), y Jonathan Davis, MD, profesor de pediatría en el Tufts Medical Center y director académico estadounidense del Consorcio Neonatal Internacional (INC), apoyará la recopilación de datos de la unidad de cuidados intensivos neonatales (UCIN) de muchas partes interesadas clave en todo el mundo. Luego, los datos se depositarán en una plataforma de análisis y datos del mundo real (RW-DAP).
Aunque existen muchos conjuntos de datos completos basados en la atención clínica brindada en las UCIN, la falta de integración sistemática, intercambio de datos y estándares de datos ha limitado en gran medida el desarrollo de fármacos neonatales. En este proyecto, los datos se utilizarán para definir rangos de referencia procesables de valores de laboratorio comúnmente utilizados en recién nacidos. Además, se creará un modelo de historia natural de la displasia broncopulmonar (una enfermedad pulmonar crónica común en los recién nacidos prematuros). El INC y sus miembros se asociarán con el Programa de Medicina Cuantitativa y el Centro de Colaboración de Datos de C-Path en este proyecto.
Los datos de registros médicos electrónicos recopilados en este proyecto facilitarán el diseño y la realización de ensayos clínicos en recién nacidos. Este esfuerzo de colaboración con los socios de C-Path e INC ayudará a abordar el hecho de que los recién nacidos tienen relativamente pocas opciones terapéuticas aprobadas por la FDA para diversos problemas médicos.
Transformando la evidencia del mundo real con datos estructurados y no estructurados para avanzar en la terapia personalizada (CONFIANZA)
Este programa de tres años, dirigido por Dan Riskin, MD, FACS, en Verantos, busca comprender el impacto de la calidad de los datos subyacentes en los resultados del estudio RWE.
A medida que el RWE se utiliza cada vez más para hacer afirmaciones clínicas, se requieren enfoques metodológicos rigurosos para mantener los estándares probatorios. Este estudio compara los enfoques RWE tradicionales (que utilizan reclamaciones o datos estructurados de registros médicos) con enfoques RWE más avanzados (que incluyen fenotipado profundo y vinculación de datos) en la misma población de pacientes en un estudio clínico del mundo real. La obtención de resultados diferentes al utilizar los dos enfoques sugeriría que se podrían requerir técnicas avanzadas con alta validez de datos para lograr resultados RWE creíbles. Los hallazgos también pueden informar el diseño de estudios futuros y las definiciones de datos adecuados para su propósito.
El estudio incluye innovaciones en fenotipado profundo, vinculación de datos y precisión de fenotipo. Al estudiar la calidad de los datos y demostrar enfoques rigurosos de RWE, se puede aumentar la confianza en la implementación de RWE dentro de las vías regulatorias y clínicas.
