Гиппократ не рад. Путеводитель в мире медицинских исследований

GMP

Допустим, наш препарат успешно прошёл доклинические и клинические испытания, показал свою эффективность, безопасность. Мы с вами использовали какое-то одно вещество, может, несколько. Теперь для массового производства нам необходимо, чтобы в каждой упаковке во всех аптеках мира было одно и то же. То есть нам нужны максимальная глобализация и стандартизация. Конечно, ещё на этапах доклинического исследования мы использовали в каждом эксперименте только определённым образом приготовленное лекарство, но тогда у нас и объёмы были меньше. Что делать? На помощь приходит надлежащая производственная практика.

GMP позволяет обеспечить одинаковое производство препарата по всему миру. Лекарство создаётся по специальным стандартам специально обученными работниками. Обязательно регламентируется контроль качества не только вещества, но и работы всех и каждого. Также оценке подвергаются рабочие условия. Ничего лишнего, никакой инфекции с носа химика-синтетика попасть в итоговую продукцию не должно. Кроме того, в зону производства допущены только строго определённые работники. Это значит, что какой бы вы ни были крутой юрист, вас к производственной технике не допустят.

Обязательному мониторингу подлежат материалы, с которыми работают химики и из которых сделана одежда и все окружающие людей предметы. Также сюда входят «ингредиенты» для приготовления конечного лекарства. Важна и рабочая техника. Каждый инструмент, каждые весы, любая установка или микроскоп должны быть откалиброваны, иметь определённые значения погрешности. Это важно по нескольким причинам. Верная калибровка позволяет не сильно расходиться теоретическим расчётам и практике, что важно с экономической точки зрения. Также калибровка и валидирование позволяют стабильно получать одинаковое вещество.

На фармацевтических заводах тоже работают, как ни странно, люди. Они квалифицированные и знающие специалисты, которые прошли все необходимые тесты и имеют соответствующую подготовку. Но это всё ещё люди. Поэтому GMP подразумевает ещё и контроль методов, которые используются для производства препарата. Сюда входят как производственная документация, так и вполне себе «приближенные» к производству инструкции, описания методик. Синтез некоторых веществ довольно трудоёмок, состоит из множества стадий, поэтому работники постоянно сверяются с инструкциями на каждом этапе производства препарата.

GDP

Допустим, мы смогли насинтезировать лекарство. После того, как мы произвели на свет энное количество упаковок лекарства, их было бы неплохо отправить в аптеки. Вопрос в том, как обеспечить максимальную стабильность препарата при транспортировке? Не секрет, что некоторые смеси до сих пор готовятся фармацевтами непосредственно в аптеке, так как в приготовленном состоянии они имеют определённый срок годности, не позволяющий их транспортировать. Свойства препарата же должны оставаться неизменными в период обозначенного срока годности.

Следовательно, нам надо поддерживать постоянные условия хранения. Некоторые лекарства нельзя хранить под прямыми солнечными лучами или при температуре выше определённого значения. Поэтому компания пользуется правилами GDP, или надлежащей практики дистрибуции лекарственных средств.

Также GDP предусматривает нашу безопасность. Как и в случае со взрывающимися смартфонами, так и в случае с лекарствами компания должна иметь возможность не только отследить все упаковки партии, но и в случае необходимости отозвать их обратно. Благодаря повсеместному применению GDP можно хранить лекарства в правильных условиях, оптимизировать их доставку до пунктов назначения, уменьшить риски загрязнения другими препаратами.

GVP

После того, как лекарство доставлено в аптеки, его контроль не уменьшается. GVP – это надлежащая практика фармаконадзора. Она позволяет обеспечить постоянный мониторинг за качеством препарата, выпущенного на рынок. Пациенты покупают лекарство и начинают жаловаться на побочные явления. GVP предусматривает необходимость регистрации всех таких обращений, их описания и предоставления специалистам для оценки: связана ли ситуация с приёмом препарата или это результат воздействия какого-то другого фактора? Понятное дело, что эта работа не может вестись без участия пациентов. Поэтому так важна обратная связь. Существуют специальные исследования, которые проверяет эффективность и безопасность уже существующих на рынке лекарств, о них мы поговорим немного позднее.

GDocP

Очевидно, что вся эта кутерьма с протоколами – та ещё бюрократия. Но даже на эту бюрократию есть специальный свод правил – GDocP. Эти рекомендации позволяют верно вести всю документацию и записи по всем исследованиям, протоколам, неудачным испытаниям и вообще по всему на свете. Это своего рода свод правил о том, как всё записывать. Благодаря таким записям можно в любой момент поднять их и обнаружить, где же скрывалась ошибка, с которой всё пошло не так.

А как у нас?

В России существуют аналоги всех указанных протоколов. Основное их отличие – язык. Да, действительно, производство лекарственных препаратов – это слишком серьёзная штука. Для того чтобы этим заниматься, необходимо получать специальную лицензию. Согласно Федеральному закону «Об обращении лекарственных средств» «обязательным условием предоставления лицензии на производство лекарственных средств является приложение к заявлению соискателя лицензии лекарственных форм и (или) видов фармацевтических субстанций, которые производитель лекарственных средств намерен производить». То есть если вы внезапно соберётесь открывать свою фармкомпанию, надо иметь чёткое представление о том, что же вы собираетесь производить, иначе лицензию вам не дадут. Также в законе указывается, что если вы соберётесь производить что-то новенькое, расширить своё производство и добавить туда пару новых веществ, то вам придётся получать новую лицензию. Такого рода лицензию получают в Министерстве промышленности и торговли, а действует она только в том субъекте России, где было получено, хотя и с несколькими оговорками. Этот же Федеральный закон подразумевает получение иных необходимых документов и сертификатов, а также наличие у работников специального образования.

В России аналогами являются различные ГОСТы, инструкции, стандартные операционные действия (это поэтапные инструкции, которым обязательно и без нареканий должны следовать все работники лаборатории). Но возьмём, например, ГОСТ 33044-2014p^[27]. Данный ГОСТ действует с 2015 года на территории не только России, но и других стран Евразийского экономического союза. В самом документе на второй странице указывается, что «настоящий стандарт идентичен международному документу…», представляющему собой не что иное, как принципы надлежащей лабораторной практики.

Аналогично и с правилами клинических испытаний, и производства лекарств, и других протоколов: практически сразу указывается, что они были подготовлены на основе соответствующих зарубежных протоколов. Все эти документы являются обязательными для выполнения. В некоторых случаях, как, например, с ГОСТ Р 52249-2009^[28], указывается, что стандарт идентичен какому-то документу Европейского союза, за исключением определённого приложения.

Медицинская статистика

Моя мама – бухгалтер. Когда я была маленькой, компьютеры ещё не вошли в обиход, и поэтому считать «дебет и кредит» приходилось от руки. Именно от мамы я в первый раз услышала о том, что такое статистика. Долгое время это слово ассоциировалось у меня исключительно с экономическими вопросами. Затем в школе у меня началась физика, и я поняла, что статистика-то не только для экономики важна. После на биологии мы начали проходить темы, связанные с популяциями, распространённостью различных заболеваний. Именно тогда я в первый раз познакомилась с биомедицинской статистикой.

Статистика – это инструмент, который можно применять в разных областях науки. Без знаний о ней учёный не может делать верные выводы о результатах своего исследования. В некоторых университетах по медицинской статистике можно даже получить учёную степень! В этом разделе мы обсудим базовые статистические понятия, которыми наиболее часто оперируют в медицинской статистике, ведь без них в мире доказательной медицины никуда.

Статистические критерии и заветный p-value

Перед тем как проводить какое-то исследование, нужно чётко определить его цель. Именно она задаёт тон всей остальной работе, ведь, исходя из неё, исследователь сможет представить достижение цели в виде шагов. Эти шаги называются задачами. Допустим, вы хотите исследовать распространённость гриппа типа А среди школьников начальных классов школы № 1. Для этого нужно собрать все школьников, взять у них биологические образцы на анализы, провести эти анализы, а дальше уже сделать какие-то выводы. Всё это – последовательность шагов. Исходя из этой последовательности шагов и того, какие результаты мы хотим получить, выбираются соответствующие статистические методы обработки данных. Все школьники вместе образуют выборку, то есть это люди, которые были выбраны для проведения нашего эксперимента, наблюдения, опроса. Например, в этом случае нам будет вполне достаточно данных о том, сколько всего учеников учится в начальных классах и сколько из них заражены гриппом А.

Ситуация немного усложняется, если мы хотим проверить: кто же болеет гриппом чаще? Мальчики или девочки? Второклассники или третьеклассники? То есть теперь нам нужно ещё и сравнить результаты между группами испытуемых. Для того, чтобы тому, кто потом будет читать наш отчёт, было понятно, по какому признаку мы разделяли учеников, мы должны как-то охарактеризовать всю выборку школьников. Нужно будет указать информацию о том, сколько девочек, сколько мальчиков, сколько учеников какого класса вошло в итоговый статистический анализ. Тут важно помнить, что изначально мы принимаем, что никаких различий между группами не существует. Такое утверждение иначе называется нулевой гипотезой, Н₀. В зависимости от цели исследования мы можем пытаться или доказать нулевую гипотезу, или опровергнуть её. Если окажется, что разница в заболеваемости гриппом между мальчиками и девочками всё же существует, мы напишем в отчёте, что нулевая гипотеза была отвергнута. Если же разницы в результатах не будет наблюдаться, мы напишем, что нулевая гипотеза была принята.

Но и это ещё не всё. Согласитесь, будет странно делать выводы о различиях в распространённости гриппа А в разных группах, если в одну группу входит только один человек, а в другую – двадцать. То есть наши группы должны быть каким-то образом сопоставимы. В них необязательно должно быть одинаковое количество человек. Допустимая разница в группах рассчитывается отдельно. Но если в одну группу войдёт 25 человек, а в другую – 26, мы всё равно сможем обработать такую информацию.

Сколько же человек должно вообще нужно исследовать для того, чтобы наши выводы стали корректными и могли применяться повсеместно? По данным сайта Statdata на 1 января 2017 года в России проживает около 8.5 млн детей в возрасте от 5 до 9 лет. Можно ли будет распространить наши результаты на все эти 8.5 млн детей? Нет, ведь наша выборка неидеальна. Мы выбрали только учеников из одной школы. Ситуация улучшится, если мы выберем для анализа данные об учениках из школы № 2? Совсем немного, ведь мы всё ещё находимся в одном городе. Мы хотим получить результаты, которые можно будет распространить на всю страну целиком, значит, нам надо подключить и другие города к нашему анализу.

То, что мы сейчас с вами проговорили, – это мысленная часть эксперимента, всего лишь подготовка к нему. Несмотря на то, что наше исследование казалось совсем простым, в итоге оказалось, что и в этом случае надо аккуратно подходить к делу. Анализ объёма выборки, который необходим для получения результатов исследования, – это крайне важный этап планирования эксперимента. Без проведения вычислений на этапе планирования исследователь может получить слишком маленький объём данных на выходе. В результате наше исследование будет ненадёжным. Если же исследователь, напротив, проводит исследование на очень большой выборке, то он рискует получить слишком много данных. Избыточность данных для статистического анализа не беда, но вот потраченное время и ресурсы могут быть очень ценными. Если речь идёт о клинических испытаниях, то здесь к вопросу о высчитывании необходимой выборки подходят со всем тщанием (конечно, если речь идёт о добросовестных исследователях).

Кроме того, планирование эксперимента позволяет исследователю определить, какова вероятность того, что выбранные им статистические методы будут обнаруживать различия? Насколько велика вероятность ошибки? К сожалению, полностью избавиться от ошибок не удаётся. Как известно, всегда существует вероятность того, что что-то пошло не так. В нашем случае с исследованием распространённости гриппа А добавляется ещё один элемент ошибки. Действительно ли мы можем распространить наши результаты на всех учеников начальных классов в стране? Экономически провести интересующие нас анализы у 8.5 млн детей совершенно невыгодно. То есть мы изначально принимаем, что какая-то вероятность ошибки наших суждений всё же будет существовать. С этим, к сожалению, надо смириться. Но вот второй вопрос более важен: какова величина той ошибки, с которой мы готовы смириться? Пусть мы получили данные о том, что третьеклассники болеют чаще, чем второклассники. Готовы ли мы смириться с тем, что мы ошибаемся в некоторых случаях?

Если вы начнёте читать какие-то биомедицинские исследования, вы практически в любой статье наткнётесь на такой параметр, как p. В английской литературе он называется p-value, в русской – уровень значимости, p-критерий, p-значение. Суть его заключается в том, что он показывает вероятность того, что мы ошиблись. Говоря совсем точно и сухими определениями: это вероятность того, что нулевая гипотеза верна, а мы её отвергли, получив данные, которые мы сочли отличающимися.

В зависимости от типа исследования выбирается определённое значение p. Например, в биоинформатических исследованиях работают с большими объёмами данных. Если выборка составляет 10 000 000, то 1 % ошибки будет для нас слишком велик, ведь 1 % от 10 000 000 равен 100 000. Именно столько раз мы ошибёмся. Поэтому в биоинформатике, как правило, значение p устанавливается совсем маленьким. Если в сравнении в каких-то статистических тестах программа ругается и говорит, что значение p больше установленного числа, означает, что нулевая гипотеза принимается, то есть отличий нет.

В биомедицинских исследованиях критическое значение р, как правило, равно 0.01 или 0.05, что означает 1 % и 5 % ошибок соответственно. Если при сравнении мы обнаружим, что p больше или равно установленному нами порогу, мы смело принимают нулевую гипотезу. На самом деле многими исследователями сейчас критикуется такой подход к оценке полученных результатов. Это связано с тем, что иногда самое по себе значение меньше 0.01 или 0.05 может ни о чём не говорить. Грубое принятие альтернативной гипотезы без каких-то других подтверждающих данных в клинических исследованиях подвергается критике. То есть необходимо учитывать «контекст», а именно остальные данные об исследовании: выборка, используемые методы, качество данных, обоснованность гипотез и выводов. Таким образом, посмотреть в результаты, увидеть заветное «p<0.01», далеко не всегда достаточно для того, чтобы делать выводы о результатах исследования. Более того, в некоторых случаях на одинаковых выборках разные статистические тесты могут давать разные данные, поэтому обычно часть статьи посвящают описанию статистической обработки данных.

О статистических тестах и о том, какие они бывают, мы поговорим немного позднее, а сейчас давайте вспомним, что нам ещё надо для того, чтобы охарактеризовать нашу выборку детей? Допустим, мы всё же заморочились и напрягли коллег из других городов. Коллеги собрали данные, прислали их нам. Теперь мы хотим понять, какая же у нас получилась выборка. Для этого её надо описать: распределение по полу, возрасту, классу, месту проживания, возможно, мы захотим узнать какого роста дети, что они едят, какие секции дополнительно посещают. Для этого нам надо будет вычислять процентные соотношения, средние значения, возможно, строить специальные графики и определять, что же у нас получились за наборы данных. Всё это – описательные статистики. С их помощью мы можем легко донести до читателя все данные о выборке.

После того, как мы всё это проделали, необходимо понять, какой статистический тест надо применять в нашем случае. Для этого надо провести так называемую проверку на нормальность. Суть тут вовсе не в том, что выборка у нас хорошая или плохая, нормальность в статистике обозначает кое-что другое.

Наверняка вам знакома изображённая выше кривая. По вертикальной оси в нашем случае отложена вероятность какого-то исхода, а по горизонтальной – значение или количество наблюдений, которым соответствует данная вероятность. Кривая такого вида представляет из себя изображение распределения Гаусса, или нормального распределения. Она задаётся определённой функцией, которая нам для рутинной работы не особо важна (хотя как исследователям нам не следует про неё забывать).

Зачем же нам эта кривая? После того, как мы получили результаты, мы оперируем какими-то наборами данных. Мы не можем сравнивать между собой рост и массу тела, потому что это разные категории данных. Но мы хотим сравнить, отличаются ли группы школьников по интересующим нас параметрам, поэтому все эти данные мы должны проверить на нормальность.

Возьмём небольшую выборку из десяти школьников, у которых следующие значения массы тела:

42, 43, 43, 42, 45, 46, 40, 41, 41, 42.

Теперь мы можем построить график по нашей таблице. По горизонтальной оси отложим массу тела, а по вертикальной – частоту встречаемости той или иной массы тела.

С помощью определённых статистических тестов (как правило, никто, кроме студентов, не делает это вручную, все считают на компьютере) можно определить, насколько получившаяся картина близка к виду нормального распределения. Чем больше точек поставлено на график, тем он, соответственно, будет точнее.

Если результат статистического теста говорит о том, что распределение близко к нормальному, мы должны применять группу статистических тестов, названных параметрическими. Если же распределение отличается от нормального, следует применять непараметрические методы.