Nätverk hittar misstänkta biverkningar

Med en ny automatiserad metod för att söka efter samband mellan läkemedel och misstänkta biverkningar kan nya starka biverkningssignaler i många fall upptäckas betydligt tidigare än vad som hittills varit möjligt. Metoden används sedan en tid rutinmässigt vid Uppsala Monitoring Centre, UMC.

21 sep 2001, kl 21:09
0

Den nya metoden kallas för BCPNN vilket fritt översatt från engelskan betyder konfidensförstärkning med neurala nätverk och bayesisk statistik. Metoden har UMC utvecklat i samarbete med forskare vid först Kungliga Tekniska Högskolan, senare Institutionen för statistik vid Stockholms Universitet.

Var tredje månad används den för att söka igenom hela den växande databasen över misstänkta biverkningar för nya signifikanta samband mellan läkemedel och oönskade reaktioner i samband med att de använts. För varje enskilt läkemedel kontrolleras hur ofta var och en de oönskade reaktionerna rapporterats i förhållande till vad som är genomsnittet för alla läkemedel i databasen.

? Tanken är att om det finns ett direkt orsakssamband mellan ett visst läkemedel och en viss biverkan är det troligt att denna biverkan rapporterats signifikant oftare för läkemedlet ifråga än för övriga läkemedel i databasen. Om en rapporterad biverkan för ett visst läkemedel däremot inte avviker från genomsnittet är det mer sannolikt
att det var en slump som gjorde att den oönskade reaktionen inträffade samtidigt
som läkemedlet användes, förklarar Ralph Edwards, chef på UMC.

En tidig larmklocka

En studie som publicerades förra året visar att den nya metoden verkligen kan fungera som en mycket tidig larmklocka för starka biverkningssignaler. I studien undersöktes vilka biverkningssignaler metoden skulle ha genererat ur den dåvarande databasen om den funnits för sju år sedan.

? Utvärderingen visade att vi med denna metod kunde ha fångat in ungefär hälften av de biverkningar som senare tagits upp i litteraturen, i genomsnitt två till tre år före publicering. Det talar för att metoden är mycket användbar för att tidigt fånga upp nya starka biverkningssignaler, säger Ralph Edwards.

En biverkningssignal som tagits fram med hjälp av den nya metoden för dataanalys ledde nyligen till en uppmärksammad rapport i British Medical Journal. Den visade att hjärtmuskelpåverkan ? i form av hjärtmuskelinflammation eller så kallad kardiomyopati ? rapporterats signifikant oftare för vissa antipsykotiska läkemedel, i synnerhet för klozapin (Leponex), än för övriga läkemedel i databasen.

Mindre än var tusende biverkningsrapport i databasen, men nästan var 100:e biverkningsrapport för klozapin, har gällt hjärtmuskelinflammation eller kardiomyopati. Också för litium, klorpromazin och flufenazin är andelen rapporter om hjärtmuskelinflammation och kardiomyopati signifikant högre än för läkemedel i allmänhet, om än inte alls lika hög som för klozapin.

? Detta skulle kunna förklara vad som under många år varit något av en medicinsk gåta, nämligen varför plötslig hjärtdöd drabbar patienter med schizofreni betydligt oftare än människor i samhället i stort. Men även om denna biverkan är äkta återstår förstås att värdera om vissa neuroleptika, åtminstone för vissa patienter, har så stora fördelar att denna risk är värd att tas, säger Ralph Edwards.

Särskilda riskgrupper

Den nya metoden för statistisk analys kan även användas för fördjupade analyser av samband mellan läkemedel och rapporterade misstänkta biverkningar. Det kan till exempel vara för att se om en biverkan som rapporteras signifikant oftare för ett visst läkemedel i första hand drabbat kvinnor eller män eller patienter i en viss åldersgrupp.

? På så sätt försöker vi att utöver den allmänna biverkningssignalen också få en bild av om det kan finnas särskilda riskgrupper för att drabbas denna biverkan, säger Ralph Edwards.

Även om metoden för statistisk analys sedan ett par år används rutinmässigt vid UMC är den långt ifrån färdigutvecklad. Hittills har det ?neurala nätverket? lärts upp att söka efter samband mellan läkemedel och enstaka biverkningar.

? Nästa steg är att metoden används
för att hitta mönster i myllret av biverkningsdata som är alltför komplexa för oss människor att urskilja, till exempel
interaktioner och syndrom, säger Ralph Edwards.