Upload
phungnhan
View
214
Download
0
Embed Size (px)
Citation preview
Données de « vraie vie » :
de nouvelles opportunités
pour le développement des thérapeutiques ?
Lyon, 5 avril 2017
David PérolDirecteur de la Recherche Clinique - Centre Léon Bérard, Lyon
1
Définition
• Données de vraie vie (« Real-World Data ») :
= données recueillies en-dehors des études interventionnelles, reflétant l’expérience des patients
au cours de leur prise en charge thérapeutique habituelle
• Sources :
• Bases hospitalières : dossiers cliniques (DPI), de prescription (pharmacies), bases des séjours (PMSI)
• Bases administratives : données cliniques & médico-économiques (SNIIR-AM1)
2
1. « Système National d’Information Inter-Régimes – Assurance Maladie »
3
Traitement A
Etat fonctionnel (ECOG PS)
Biais ?
Impact des traitements en vraie vie
?
Traitement B Survie
Traitement C
Vraie vie et biais
• Biais des études observationnelles :
• Biais de sélection, biais d’indication
• Biais de suivi, biais d’information…
• Contrôle des biais de sélection :
• Méthodes de régression multivariées (ajustement) : linéaires, logistiques, Cox…
• Scores de propension, variables instrumentales, « quasi-essai »… 1-4
Surestimation de l’effet traitement ? 5
41. Hershman DL, Wright JD.. J Clin Oncol 2012; 30:4215-22. 2. D’Agostino RB. Stat Med 1998; 17: 2265-81. 3. Stukel TA et al. JAMA 2007; 297:278-85.
4. de Gramont A et al. J Clin Oncol 2007; 25:3224-9.
5. Hemkens LG et al. BMJ 2016;352:i493
Essai clinique randomisé
• Elément central du développement des nouvelles thérapies (durée moyenne : 6,8 années -
coût total moyen : 1,6 milliards US $ 1
• AMM reposant largement sur l’essai de phase III : essai contrôlé, randomisé, en aveugle
(avec des exceptions : ≈ 5 autorisations/ans EMA-FDA dont les 2/3 en onco-hématologie 2)
• Méthodologie de référence pour déterminer l’activité biologique d’un traitement
• Permet de porter un jugement de causalité sur le lien entre traitement étudié et effets observés
(réponse, survie…)
5
1. Tufts Center for the Study of Drug Development. Cost of Developing a new drug (2014).2. Hatswell AJ et al. BMJ open 2016;6:e011666.
6
Causalité
Inclusion
Expérimental
Contrôle
Succès ?
Succès ?
Comment montrer que le médicament a un rôle causal sur le devenir du patient ?
7
Causalité (2)
Comment montrer que le médicament a un rôle causal sur le devenir du patient ?
Partition
N=100
N=100
Seuls les traitements peuvent être responsable
de la différence observée entre les groupes
Expérimental
Contrôle
Succès ?
Succès ?
Randomisation
Essai randomisé : un « gold standard » parfait ?
• Causalité ? (absence d’aveugle, perdus de vue, observance…)
• Validité externe : caractère généralisable des résultats des essais cliniques ?
• une sélection drastique des patients : sous-groupes mal représentés (sujets âgés, poly-pathologies…) 1,2
• une population « qui n‘existe pas » ? (≈ 4% aux USA 3)
• contexte de l’essai : environnement médical, système de soins ?
• pertinence du comparateur ?
8
1 Hutchins LF, Unger JM, Crowley JJ et al. NEJM 1999; 341: 2061-7. 2. Maisonneuve H, Babany G. Press Med 2015; 44:586-9. 3. Bain L. NeuroRx 2.3 2015:525-8.
R
Représentatifs de la
population-cible
Critèresd’inclusion
Choix du comparateurpar le médecin
Choix des substitutions
par le médecin
Traitement expérimental Traitement usuels
• Quelles méthodes?
Essai pragmatique 1,2
8
Traitement usuels
Absence d’insuR
1. Schwartz D, Flamant R, Lellouch J. L’essai thérapeutique chez l’homme. Flammarion, Paris, 1970. 2. NIH Collaboratory. Health Care SystemsCollaboratory. Introduction to pragmatic clinical trials: how pragmatic clinical trials bridge the gap between research and care (2014).
Un « gold standard » parfait ? (2)
• La transposition des effets traitements n’est pas un processus linéaire :
les mesures d’efficacité issues des données d’essais cliniques donnent une prédiction biaisée de
l’impact des traitements…
quand transposées à une nouvelle population 1 !
• par exemple, l’âge des patients ou d’autres caractéristiques peuvent influencer le risque de base
• l’effet traitement peut donc être sous ou surestimé quand on applique les résultats d’un essai à
d’autres patients
10
1. European network for health technology assessment. Methodological guideline for REA of pharmaceuticals: Applicability of evidence in the context of a REA, Feb-13.
Efficacy vs. Effectiveness
11
Efficacité
(« efficacy »)
Dose Durée Compliance Exposition précédente
Age, sexe Génétique Facteurs de risque Comorbidités Co-prescriptions
Efficacité« pragmatique »
(« effectiveness »)
Source : Pr L. Abenhaim
Utilisation Populations traitées
≠
Quelle place pour les données de vraie vie ?
12
Phase II Enregistrement
Market maintenance
Phase IPré-clinique
PrécliniqueEssais cliniques
(I, II, III)Enregistrement
Prix et remboursement
Post-market
Conception des essais• histoire naturelle &
épidémiologie• hypothèses
(designs, sous-pop.)
Estimation pragmatique de l’efficacité
(conditions d’utilisation, populations traitées)
Etudes des comparateurs
Evaluation continue du rapport
bénéfice/risque
Impact sur l’organisation et les
parcours de soins
Utilité pour la prise de décision : efficacité, tolérance,
bon usage, population, ressources, indications, prix…
Un exemple : le programme ESME 1,2
• ESME :
• Objectif : évaluer l’impact (tolérance, efficacité, économique) de stratégies thérapeutiques
en oncologie en conditions réelles d’utilisation
• Méthode : constitution d’une base de données nationale hospitalière en vie réelle à partir
de sources multiples (DPI, PMSI, pharmacie, bases prospectives institutionnelles…)
• Recueil ambispectif de données
13
1. Delaloge S. et al. Ann Oncol 2016; 27:1727-32. 2. Pérol D et al. BMJ 2016;355:i6745.
Base
Patients
Base
Séjours
Plateforme de
données
ESME
Base
Traitements
Base Séjours (20 paramètres)
Hospitalisations, diagnostics
Actes réalisés dont séances de radiothérapie
Base Traitements (10 paramètres)
Traitements : dates, spécialités, protocoles et traitements concomitants
Base Patients (+200 paramètres)
Retour systématique au dossier patient informatisé
Données patients : tumeur primitive, rechutes, histologie, maladie métastatique, prise en charge thérapeutique avec motifs d’arrêt, événements cliniques, statut vital…
Pro
céd
ure
sd
e D
ata
Man
age
me
nt
Application
Application
Contexte général d’un projet ESME
Un nouveau challenge
• Intégration des données issues des objets connectés :
• Concept de « close monitoring » 1 : monitoring en temps réel pour tous les patients
exposés à un nouvelle molécule, et ce dès les essais cliniques
• Monitoring proactif et individuel, adapté à chaque cohorte ou sous-groupe de patients
• Combinant smartphones, objets connectés, appels téléphoniques…
• Avec implications des professionnels de 1ère ligne (médecins, pharmaciens, infirmières)
• Favorisant la compliance et la gestion des effets indésirables
15
1. Bipartisan Policy Center. Using Real-World Evidence to accelerate safe and effective cures. June 2016
Conclusion
• A l’ère de la médecine dite « de précision » peut-on envisager des approches plus flexibles
au processus de mise sur le marché de nouveaux traitements, en complément de l’essai
clinique randomisé ?
• L’apport d’essais pragmatiques, de données de vie réelle et issues des objets connectés
pourrait-elle optimiser la prise de décision ?
Nécessité de recommandations précises des autorités
(qu’est-ce qui serait recevable en terme de méthodes, de qualité de données, de niveaux de
preuve… validant l’utilisation des données de vie réelle dans un dossier d’enregistrement ?)
16