Сколько пациентов нужно включить в исследование, чтобы понять, что препарат эффективен и одобрить его? 1000? 100? 50?
А как вам трайл на 4 пациентах? :)
FDA одобрило препарат Xuriden для лечения ультраредкой наследственной оротовой ацидурии. Совершенно не претендую на новизну - новости больше 4 лет. Интересен подход.
Исследование было single-arm (то есть не было группы сравнения), open-label (то есть не было заслепления ни пациентов, ни врачей), а конечная точка была суррогатной (stability of predetermined principal hematologic parameters). Но несмотря на кажущееся "низкое качество" исследования, препарат был разрешен для применения.
Почему?
Начнем самую чуточку издалека. В самом определении термина "доказательная медицина" сказано, что мы должны применять "лучшие обоснованные сведения" для лечения. Но что если лучшие сведения - это трайл на 4 пациентах? При орфанных заболеваниях мы зачастую не можем собрать 500 и даже 50 человек, чтобы спланировать что-то отвечающее современным требованиям. Но это не повод не пытаться сделать ничего.
Конкретно данных случай примечателен еще и тем, что эффект от лечения достаточно "очевиден", и делать контрольную группу было бы неэтично. У 100% пациентов без лечения происходит неуклонное прогрессирование заболевания, и если препарат позволяет его затормозить, то это само по себе веский довод начать назначать его - возможно, это единственный шанс для пациентов (с очевидностью надо быть поаккуратнее - раньше кровопускание считалось тоже "очевидно эффективным").
Это еще раз к вопросу о том, что критическая оценка результатов любого исследования должна зависеть от ситуации, и нет, к сожалению, никаких универсальных правил, которые позволяют понять, "что такое хорошо и что такое плохо" при анализе исследования.
Ссылка на исследование:
https://www.accessdata.fda.gov/drugsatfda_docs/nda/2015/208169Orig1s000TOC.cfm
А как вам трайл на 4 пациентах? :)
FDA одобрило препарат Xuriden для лечения ультраредкой наследственной оротовой ацидурии. Совершенно не претендую на новизну - новости больше 4 лет. Интересен подход.
Исследование было single-arm (то есть не было группы сравнения), open-label (то есть не было заслепления ни пациентов, ни врачей), а конечная точка была суррогатной (stability of predetermined principal hematologic parameters). Но несмотря на кажущееся "низкое качество" исследования, препарат был разрешен для применения.
Почему?
Начнем самую чуточку издалека. В самом определении термина "доказательная медицина" сказано, что мы должны применять "лучшие обоснованные сведения" для лечения. Но что если лучшие сведения - это трайл на 4 пациентах? При орфанных заболеваниях мы зачастую не можем собрать 500 и даже 50 человек, чтобы спланировать что-то отвечающее современным требованиям. Но это не повод не пытаться сделать ничего.
Конкретно данных случай примечателен еще и тем, что эффект от лечения достаточно "очевиден", и делать контрольную группу было бы неэтично. У 100% пациентов без лечения происходит неуклонное прогрессирование заболевания, и если препарат позволяет его затормозить, то это само по себе веский довод начать назначать его - возможно, это единственный шанс для пациентов (с очевидностью надо быть поаккуратнее - раньше кровопускание считалось тоже "очевидно эффективным").
Это еще раз к вопросу о том, что критическая оценка результатов любого исследования должна зависеть от ситуации, и нет, к сожалению, никаких универсальных правил, которые позволяют понять, "что такое хорошо и что такое плохо" при анализе исследования.
Ссылка на исследование:
https://www.accessdata.fda.gov/drugsatfda_docs/nda/2015/208169Orig1s000TOC.cfm
Почему рандомизированные клинические исследования (РКИ) - не панацея?
Неоднократно в дискуссиях встречала реплики типа "если на эту тему нет двойного слепого плацебо-контролируемого РКИ - значит, ничего не доказано", "без РКИ нельзя назначать ничего и никогда", и так далее.
Я обычно стараюсь не высказываться оценочно, но. Это очень однобокое и поверхностное суждение.
РКИ - это действительно научный "золотой стандарт" - дизайн исследования, минимально подверженный систематическим ошибкам. Но, опять же, у него есть свои цели и ограничения.
Что можно проанализировать с помощью РКИ?
- Сравнить эффекты разных видов лечения
.
.
.
Пожалуй, все :)
Безусловно, можно делать подгрупповые анализы в рамках РКИ и сравнивать что угодно с чем угодно, но все же основной смысл - это доказательство достаточно простой и понятной гипотезы о сравнительном эффекте видов лечения.
Что, например, нельзя сделать помощью РКИ?
- Оценить распространенность, заболеваемость, смертность (для этого существуют поперечные исследования) https://vk.com/wall-182541436_501
- Проанализировать факторы риска (лучше применять когортные исследования - ретроспективные и проспективные)
- Оценить этиологию заболевания (взаимосвязь фактора окружающей среды и онкологического заболевания) - сложно представить себе этичный вариант проведения РКИ для подобной задачи :) Тут нам поможет дизайн "случай-контроль" https://vk.com/wall-182541436_521
Заслепление - тоже очень важная штука https://vk.com/wall-182541436_120, но, опять же, нельзя слепо (вот так каламбур!) судить о качестве исследования только по тому, open label оно или double blind.
Может ли отсутствие заслепления пациентов повлиять на размер опухоли? А на общую/безрецидивную выживаемость? А если мы говорим о приступах мигрени (сразу немного другая смысловая нагрузка)? О кинезиотейпировании (понижаем градус осмысленности)? Гомеопатии?
Наличие/отсутствие заслепления может повлиять на patient-reported outcomes (можно отнестись скептически), безрецидивную выживаемость (решение - можно ослепить лучевого диагноста), но ситуаций очень много, и их нужно рассматривать индивидуально. Да, это требует гораздо больших интеллектуальных затрат - но кто сказал, что будет легко?
Поверхностное понимание этих вопросов приводит к тому, что сам термин "доказательная медицина" становится все более попсовым и сводится к "неназначению арбидола и иже с ним".
Критическое мышление - это хорошо, но нигилизм и перегибы в любую сторону вредят профессиональному сообществу. В заключение снова обратимся к определению доказательной медицины - "использование лучших обоснованных сведений" - не РКИ, не мета-анализов, а просто лучших - это вовсе необязательно РКИ.
Неоднократно в дискуссиях встречала реплики типа "если на эту тему нет двойного слепого плацебо-контролируемого РКИ - значит, ничего не доказано", "без РКИ нельзя назначать ничего и никогда", и так далее.
Я обычно стараюсь не высказываться оценочно, но. Это очень однобокое и поверхностное суждение.
РКИ - это действительно научный "золотой стандарт" - дизайн исследования, минимально подверженный систематическим ошибкам. Но, опять же, у него есть свои цели и ограничения.
Что можно проанализировать с помощью РКИ?
- Сравнить эффекты разных видов лечения
.
.
.
Пожалуй, все :)
Безусловно, можно делать подгрупповые анализы в рамках РКИ и сравнивать что угодно с чем угодно, но все же основной смысл - это доказательство достаточно простой и понятной гипотезы о сравнительном эффекте видов лечения.
Что, например, нельзя сделать помощью РКИ?
- Оценить распространенность, заболеваемость, смертность (для этого существуют поперечные исследования) https://vk.com/wall-182541436_501
- Проанализировать факторы риска (лучше применять когортные исследования - ретроспективные и проспективные)
- Оценить этиологию заболевания (взаимосвязь фактора окружающей среды и онкологического заболевания) - сложно представить себе этичный вариант проведения РКИ для подобной задачи :) Тут нам поможет дизайн "случай-контроль" https://vk.com/wall-182541436_521
Заслепление - тоже очень важная штука https://vk.com/wall-182541436_120, но, опять же, нельзя слепо (вот так каламбур!) судить о качестве исследования только по тому, open label оно или double blind.
Может ли отсутствие заслепления пациентов повлиять на размер опухоли? А на общую/безрецидивную выживаемость? А если мы говорим о приступах мигрени (сразу немного другая смысловая нагрузка)? О кинезиотейпировании (понижаем градус осмысленности)? Гомеопатии?
Наличие/отсутствие заслепления может повлиять на patient-reported outcomes (можно отнестись скептически), безрецидивную выживаемость (решение - можно ослепить лучевого диагноста), но ситуаций очень много, и их нужно рассматривать индивидуально. Да, это требует гораздо больших интеллектуальных затрат - но кто сказал, что будет легко?
Поверхностное понимание этих вопросов приводит к тому, что сам термин "доказательная медицина" становится все более попсовым и сводится к "неназначению арбидола и иже с ним".
Критическое мышление - это хорошо, но нигилизм и перегибы в любую сторону вредят профессиональному сообществу. В заключение снова обратимся к определению доказательной медицины - "использование лучших обоснованных сведений" - не РКИ, не мета-анализов, а просто лучших - это вовсе необязательно РКИ.
Виды случайных ошибок.
Даже если наше исследование идеально спланировано, лишено bias и конфаундингов (то бишь систематических ошибок), мы не застрахованы от случайных ошибок. Эти ошибки заложены в саму процедуру статистического анализа - любой статистический вывод верен не на 100%, а лишь с определенной долей вероятности.
Какие принципиально можно сделать ошибки, если мы, например, сравниваем между собой две группы?
Ошибка I рода (α-ошибка): Мы находим взаимосвязь там, где ее на самом деле нет. Cобственно, о вероятности ошибки I рода нам говорит р-value. Если мы считаем, что для нас р<0,05 cтатистически значим, то мы "соглашаемся" на вероятность ошибки I рода = 0,05=5%. То есть, к примеру, если мы будем много раз повторять одно и то же исследование, в 1 из 20 случаев найденные "различия" будут случайны.
Какой из этого можно сделать вывод?
При должном упорстве к любой гипотезе можно подогнать "статистически значимый" результат.
Как с этим бороться?
Критически относиться к результатам единственного исследования
Ошибка II рода (β-ошибка): Мы не находим различия там, где они на самом деле есть. О вероятности ошибки II рода нам говорит мощность (power) исследования. Мощность исследования = 1-β. То есть, если мы возьмем β = 0,2, то мощность будет равна 1-0,2=0,8=80%. Мощность исследования мы выбираем сами при планировании исследования (это в большей степени касается рандомизированных клинических исследований и других проспективных - для поисковых ретроспективных эти расчеты не так актуальны).
Еще раз: если мы "соглашаемся" на вероятность β-ошибки (то есть, на вероятность того, что мы не найдем различий, при условии, что они там на самом деле есть) =20%, то мощность = 80%. Если 20% - это слишком много для нас, мы можем взять 10% (тогда мощность = 90%), но эта манипуляция, к сожалению, увеличит объем выборки, который потребуется нам для доказательства гипотезы.
В целом, чем меньшую вероятность ошибки мы закладываем в исследование, тем больше нам нужно включить пациентов для доказательства гипотезы. Для ошибки I рода это работает таким же образом: если 5% (р=0,05) нас не устраивает, мы можем взять за значимый р=0,01, то есть вероятность ошибки I рода = 1%. Доказать гипотезу с такими параметрами сложнее, и выборка для этого потребуется больше.
Даже если наше исследование идеально спланировано, лишено bias и конфаундингов (то бишь систематических ошибок), мы не застрахованы от случайных ошибок. Эти ошибки заложены в саму процедуру статистического анализа - любой статистический вывод верен не на 100%, а лишь с определенной долей вероятности.
Какие принципиально можно сделать ошибки, если мы, например, сравниваем между собой две группы?
Ошибка I рода (α-ошибка): Мы находим взаимосвязь там, где ее на самом деле нет. Cобственно, о вероятности ошибки I рода нам говорит р-value. Если мы считаем, что для нас р<0,05 cтатистически значим, то мы "соглашаемся" на вероятность ошибки I рода = 0,05=5%. То есть, к примеру, если мы будем много раз повторять одно и то же исследование, в 1 из 20 случаев найденные "различия" будут случайны.
Какой из этого можно сделать вывод?
При должном упорстве к любой гипотезе можно подогнать "статистически значимый" результат.
Как с этим бороться?
Критически относиться к результатам единственного исследования
Ошибка II рода (β-ошибка): Мы не находим различия там, где они на самом деле есть. О вероятности ошибки II рода нам говорит мощность (power) исследования. Мощность исследования = 1-β. То есть, если мы возьмем β = 0,2, то мощность будет равна 1-0,2=0,8=80%. Мощность исследования мы выбираем сами при планировании исследования (это в большей степени касается рандомизированных клинических исследований и других проспективных - для поисковых ретроспективных эти расчеты не так актуальны).
Еще раз: если мы "соглашаемся" на вероятность β-ошибки (то есть, на вероятность того, что мы не найдем различий, при условии, что они там на самом деле есть) =20%, то мощность = 80%. Если 20% - это слишком много для нас, мы можем взять 10% (тогда мощность = 90%), но эта манипуляция, к сожалению, увеличит объем выборки, который потребуется нам для доказательства гипотезы.
В целом, чем меньшую вероятность ошибки мы закладываем в исследование, тем больше нам нужно включить пациентов для доказательства гипотезы. Для ошибки I рода это работает таким же образом: если 5% (р=0,05) нас не устраивает, мы можем взять за значимый р=0,01, то есть вероятность ошибки I рода = 1%. Доказать гипотезу с такими параметрами сложнее, и выборка для этого потребуется больше.
Дизайны исследований. Экологический дизайн.
Главная особенность этого дизайна заключается в том, что единицы анализа - это не отдельные люди, а группы людей - например, город, страна, район проживания. Для такого исследования нам не нужны индивидуальные данные.
Приведем пример. Мы хотим проследить взаимосвязь между потреблением мяса и раком толстой кишки. Для этого мы берем среднее количество потребляемого мяса на душу населения в разных странах, и количество случаев рака Толстой кишки. Получается, что каждая страна характеризуется двумя числами.
Полученные данные размещаем на графике (scatter plot) и видим прямую зависимость - чем больше в среднем по стране люди едят мяса, тем больше случаев рака. Казалось бы, все замечательно, гипотеза доказана?
На самом деле нет.
Основное ограничение этого дизайна - как раз в том, что индивидуальные данные нам недоступны. Мы не знаем, ели ли люди, у которых развился рак, мясо, и если ели, то в каких количествах. Мы не можем сделать вывод о причинно-следственных взаимосвязях.
Этот дизайн очень подвержен конфаундингу - возможно, в странах с высокой заболеваемостью раком толстой кишки есть еще какие-то особенности, помимо большого количества потребляемого мяса? Может быть, причина на самом деле совсем не в мясе?
В целом этот дизайн прост, достаточно быстро реализуем (особенно если есть данные в открытом доступе) и хорош для поиска новых гипотез. Но интерпретировать его надо с большой осторожностью.
Главная особенность этого дизайна заключается в том, что единицы анализа - это не отдельные люди, а группы людей - например, город, страна, район проживания. Для такого исследования нам не нужны индивидуальные данные.
Приведем пример. Мы хотим проследить взаимосвязь между потреблением мяса и раком толстой кишки. Для этого мы берем среднее количество потребляемого мяса на душу населения в разных странах, и количество случаев рака Толстой кишки. Получается, что каждая страна характеризуется двумя числами.
Полученные данные размещаем на графике (scatter plot) и видим прямую зависимость - чем больше в среднем по стране люди едят мяса, тем больше случаев рака. Казалось бы, все замечательно, гипотеза доказана?
На самом деле нет.
Основное ограничение этого дизайна - как раз в том, что индивидуальные данные нам недоступны. Мы не знаем, ели ли люди, у которых развился рак, мясо, и если ели, то в каких количествах. Мы не можем сделать вывод о причинно-следственных взаимосвязях.
Этот дизайн очень подвержен конфаундингу - возможно, в странах с высокой заболеваемостью раком толстой кишки есть еще какие-то особенности, помимо большого количества потребляемого мяса? Может быть, причина на самом деле совсем не в мясе?
В целом этот дизайн прост, достаточно быстро реализуем (особенно если есть данные в открытом доступе) и хорош для поиска новых гипотез. Но интерпретировать его надо с большой осторожностью.
Дизайны исследований. Поперечные исследования (англ. cross-sectional study).
Поперечное исследование - это своеобразный "моментальный снимок" интересующей нас популяции. Этот дизайн не подразумевает какого-либо наблюдения за пациентами, и является одним из наиболее быстрых и простых типов исследований.
Например, мы хотим выяснить, есть ли взаимосвязь между приемом оральных контрацептивов и раком молочной железы. Раздаем опросники женщинам (например, на улице) и задаем им минимум два вопроса.
1. Принимаете ли Вы оральные контрацептивы?
2. Есть ли у Вас установленный диагноз рака молочной железы?
Собираем данные и анализируем, сколько женщин с РМЖ принимали ОК, а сколько - нет.
Основная отличие этого дизайна от других заключается в том, что и воздействие (=приём ОК), и исходы (=РМЖ) мы оцениваем одномоментно.
Еще поперечные исследования широко используются для оценки распространенности какого-нибудь заболевания (о распространенности подробнее тут: https://vk.com/wall-182541436_313 . К примеру, мы хотим оценить распространенность депрессии у студентов. Опять же, раздаем им опросники со шкалой Гамильтона -> получаем результаты -> анализируем. Просто, дешево и сердито.
Какие здесь есть подводные камни?
Любые исследования, построенные на основании опросников, подвержены искажениям из-за особенностей человеческой памяти. Например, человек, у которого развился рак желудка и который склонен верить, что это произошло из-за острой пищи, при опросе, скорее всего, будет преувеличивать количество употребляемого перца в сравнении со здоровыми респондентами.
При таком дизайне сложно исключить влияние на результат факторов, которые лежат вне нашего опросника. К примеру, мы хотим проанализировать взаимосвязь рака легкого и употребления алкоголя, раздаем простые опросники и приходим к выводу: у злоупотребляющих алкоголем распространенность рака легкого больше. Но точно ли это произошло из-за алкоголя? Возможно, злоупотребляющие респонденты чаще курят и только поэтому мы получили такие результаты? (кстати, это явление называется конфаундер - посторонний вмшивающийся фактор).
Также высока вероятность смещения выборки из-за "ошибки выжившего" и сходных bias - если мы хотим исследовать факторы риска развития глиобластомы с помощью cross-sectional study и будем раздавать опросники на спортплощадках или даже просто на улице, то мы, скорее всего ошибемся. Если какая-то часть пациентов с глиобластомой и смогла выжить, то в общественных местах, а тем более на спортплощадке их встретить не так-то просто.
Еще немаловажный момент - cross-sectional study не очень хорош для исследования редких диагнозов - выборка нужна слишком большая (в таких случаях лучше сделать случай-контроль).
И, конечно же, без какого-то промежутка наблюдения за респондентами (хотя бы ретроспективного) мы не сможем делать выводы о причинно-следственных связях.
В сухом итоге:
Достоинства поперечных исследований:
- быстро, дешево
- одномоментно большое количество данных
- минимум пропущенной информации
- этически безопасно (нет вмешательства)
- основа для последующих исследований
- хороши для исследования факторов, не меняющихся во времени (например)
Недостатки:
- не дают оценить причинно-следственные связи
- все недостатки опросников - ошибочные воспоминания респондентов
- возможные смещения выборки (ошибки выжившего, и т.д.)
Поперечное исследование - это своеобразный "моментальный снимок" интересующей нас популяции. Этот дизайн не подразумевает какого-либо наблюдения за пациентами, и является одним из наиболее быстрых и простых типов исследований.
Например, мы хотим выяснить, есть ли взаимосвязь между приемом оральных контрацептивов и раком молочной железы. Раздаем опросники женщинам (например, на улице) и задаем им минимум два вопроса.
1. Принимаете ли Вы оральные контрацептивы?
2. Есть ли у Вас установленный диагноз рака молочной железы?
Собираем данные и анализируем, сколько женщин с РМЖ принимали ОК, а сколько - нет.
Основная отличие этого дизайна от других заключается в том, что и воздействие (=приём ОК), и исходы (=РМЖ) мы оцениваем одномоментно.
Еще поперечные исследования широко используются для оценки распространенности какого-нибудь заболевания (о распространенности подробнее тут: https://vk.com/wall-182541436_313 . К примеру, мы хотим оценить распространенность депрессии у студентов. Опять же, раздаем им опросники со шкалой Гамильтона -> получаем результаты -> анализируем. Просто, дешево и сердито.
Какие здесь есть подводные камни?
Любые исследования, построенные на основании опросников, подвержены искажениям из-за особенностей человеческой памяти. Например, человек, у которого развился рак желудка и который склонен верить, что это произошло из-за острой пищи, при опросе, скорее всего, будет преувеличивать количество употребляемого перца в сравнении со здоровыми респондентами.
При таком дизайне сложно исключить влияние на результат факторов, которые лежат вне нашего опросника. К примеру, мы хотим проанализировать взаимосвязь рака легкого и употребления алкоголя, раздаем простые опросники и приходим к выводу: у злоупотребляющих алкоголем распространенность рака легкого больше. Но точно ли это произошло из-за алкоголя? Возможно, злоупотребляющие респонденты чаще курят и только поэтому мы получили такие результаты? (кстати, это явление называется конфаундер - посторонний вмшивающийся фактор).
Также высока вероятность смещения выборки из-за "ошибки выжившего" и сходных bias - если мы хотим исследовать факторы риска развития глиобластомы с помощью cross-sectional study и будем раздавать опросники на спортплощадках или даже просто на улице, то мы, скорее всего ошибемся. Если какая-то часть пациентов с глиобластомой и смогла выжить, то в общественных местах, а тем более на спортплощадке их встретить не так-то просто.
Еще немаловажный момент - cross-sectional study не очень хорош для исследования редких диагнозов - выборка нужна слишком большая (в таких случаях лучше сделать случай-контроль).
И, конечно же, без какого-то промежутка наблюдения за респондентами (хотя бы ретроспективного) мы не сможем делать выводы о причинно-следственных связях.
В сухом итоге:
Достоинства поперечных исследований:
- быстро, дешево
- одномоментно большое количество данных
- минимум пропущенной информации
- этически безопасно (нет вмешательства)
- основа для последующих исследований
- хороши для исследования факторов, не меняющихся во времени (например)
Недостатки:
- не дают оценить причинно-следственные связи
- все недостатки опросников - ошибочные воспоминания респондентов
- возможные смещения выборки (ошибки выжившего, и т.д.)
Чем больше развивается наука, тем менее этичным становится применение плацебо.
Почему?
Когда есть возможность сравнить новый препарат не с плацебо, а с "текущим стандартном лечения" - это можно и нужно делать. Оставлять контрольную группу, по факту, без лечения (при наличии доказанно эффективной первой линии) - значит навредить пациенту и нарушить этические принципы клинических исследований.
Подробнее читайте в статье: https://www.wired.co.uk/article/end-of-placebo-trials?fbclid=IwAR09m9zcuCPt9UPjLJsTGzAsegRaOzs5IQRX0SLsmNV-MK3pvLOjfnpk_pE
Почему?
Когда есть возможность сравнить новый препарат не с плацебо, а с "текущим стандартном лечения" - это можно и нужно делать. Оставлять контрольную группу, по факту, без лечения (при наличии доказанно эффективной первой линии) - значит навредить пациенту и нарушить этические принципы клинических исследований.
Подробнее читайте в статье: https://www.wired.co.uk/article/end-of-placebo-trials?fbclid=IwAR09m9zcuCPt9UPjLJsTGzAsegRaOzs5IQRX0SLsmNV-MK3pvLOjfnpk_pE
WIRED UK
The end of placebos is in sight
For over a century, placebo trials have been the best way to test new and experimental drugs. But now clever maths and real-world data is letting us do away with placeboes altogether
Отличная статья в журнале "Нож" о кризисе воспроизводимости исследований в психологии.
Если коротко - кризис есть, но это не повод отказываться от научного подхода.
https://knife.media/bad-science/
Если коротко - кризис есть, но это не повод отказываться от научного подхода.
https://knife.media/bad-science/
Нож
Плохая наука: почему самые громкие психологические исследования оказались неверными
Политрук лжет — но и ученые тоже. Что делает научное сообщество, чтобы решить проблему исследований с ложными выводами?
Словосочетание "журнальный клуб" сейчас звучит из каждого утюга.
Но что это такое?
Это подробный разбор отдельно взятой статьи и очень эффективный способ усвоения EBM-подхода к принятию решений.
Мы с Медач | Medical Channel сделали пилотный выпуск цифрового журнального клуба, где разобрали рандомизированное клиническое исследование из журнала The Lancet.
Для прослушивания необязательно быть онкологом, и вовсе не страшно, если вы не знаете препарат "Оларатумаб", которому посвящена эта статья (онкологических моментов в выпуске - минимум). Важен дизайн, статистические концепции, форма представления результатов. А эти параметры от специальности к специальности варьируют не столь сильно.
Если вам понравится - запустим клуб на постоянной основе и подумаем над новыми форматами.
Пишите ваши вопросы/предложения в комментарии :)
Статья для разбора во вложении, ссылка на оригинальный пост Медача:
https://vk.com/medach?w=wall-60511457_224718
https://vk.com/medach?z=video-60511457_456239431%2F9a5735b6b9dc72b263%2Fpl_wall_-60511457
Но что это такое?
Это подробный разбор отдельно взятой статьи и очень эффективный способ усвоения EBM-подхода к принятию решений.
Мы с Медач | Medical Channel сделали пилотный выпуск цифрового журнального клуба, где разобрали рандомизированное клиническое исследование из журнала The Lancet.
Для прослушивания необязательно быть онкологом, и вовсе не страшно, если вы не знаете препарат "Оларатумаб", которому посвящена эта статья (онкологических моментов в выпуске - минимум). Важен дизайн, статистические концепции, форма представления результатов. А эти параметры от специальности к специальности варьируют не столь сильно.
Если вам понравится - запустим клуб на постоянной основе и подумаем над новыми форматами.
Пишите ваши вопросы/предложения в комментарии :)
Статья для разбора во вложении, ссылка на оригинальный пост Медача:
https://vk.com/medach?w=wall-60511457_224718
https://vk.com/medach?z=video-60511457_456239431%2F9a5735b6b9dc72b263%2Fpl_wall_-60511457
GCP (Good Clinical Practice — надлежащая клиническая практика) - святая святых для любого, кто решил связать свою жизнь с клиническими исследованиями (КИ), а сертификат о прохождении курсов GCP обязательно нужен врачам для участия в протоколах КИ.
Публикуем подборку курсов по GCP от Александра Сазонова - очных, заочных, платных, бесплатных - на любой вкус.
https://m.vk.com/@839305-podborka-on-lain-i-ochnyh-kursov-po-gcp-good-clinical-practi
Публикуем подборку курсов по GCP от Александра Сазонова - очных, заочных, платных, бесплатных - на любой вкус.
https://m.vk.com/@839305-podborka-on-lain-i-ochnyh-kursov-po-gcp-good-clinical-practi
VK
ПОДБОРКА ОН-ЛАЙН И ОЧНЫХ КУРСОВ ПО GCP (GOOD CLINICAL PRACTICE) И КЛИНИЧЕСКИМ ИССЛЕДОВАНИЯМ
Он-лайн курсы
Три кита принятия клинических решений в медицине:
1. Научно обоснованные сведения
2. Клиническое мышление
3. Здравый смысл.
1. Без научного подхода мы получаем патофизиологические назначения в духе третьекурсника медицинского вуза "альбумин снижен - надо повысить", "сосуды сужены - надо расширить" и попытки нормализации всея параметров в человеке. Зачастую - в полном отрыве от клинической значимости и влияния на исходы.
Было бы замечательно, если бы патофизиологические умозаключения всегда работали на благо пациента. Но, к сожалению, организм человека - недоизученная и загадочная штука. Если мы не знаем, почему и как конкретный препарат сработает у конкретного человека (а мы этого никогда не знаем), то мы должны по крайней мере представлять, в каком проценте похожих случаев он обычно срабатывает. Клинические исследования дают нам ответы на эти вопросы.
2. Без клинического мышления врач остается совершенно беззащитным в ситуациях, вообще никак не покрытых научными сведениями (а их гораздо больше, чем нам кажется на первый взгляд). Из человека без клинического мышления, но с большим набором знаний получается "профессиональный пациент", который в вопросах исследований и здравого смысла может быть даже более подкован, чем лечащий врач, но упускает из виду совершенно базовые вещи (коллеги, смахиваем слезу, столько лет учились не зря :) ).
3. Без здравого смысла все еще интереснее. Представьте - есть профессор, который топит за доказательную медицину, обладает потрясающим опытом и клиническим мышлением, но при этом совершенно оторван от жизни. Пациенты тратят последние деньги на то, чтобы добраться к нему на прием, и он им рекомендует волшебный супермумаб. Но этот препарат не зарегистрирован в России, стоит сто тысяч миллионов, и вообще статья о том, что он эффективен, вышла только вчера. Профессор знает, что это лучший вариант, и закономерно предлагает его. Пациент получил бесполезное заключение, которое никак не улучшит его жизнь.
Я ни в коем случае не утверждаю, что информацию о чем-то потенциально более эффективном нужно скрывать от пациента. Человек быть осведомлен обо всех возможностях. Но он должен получить максимально полную и конкретную информацию о том, какой эффект он может получить, с какой вероятностью и в обмен на что. А не эмоционально окрашенный возглас вроде "это ваш последний шанс!". Что, если этот препарат - действительно лучший вариант, но не обещает чудесного исцеления, а продлевает жизнь на три месяца? И для его покупки надо продать квартиру и оставить свою семью без средств к существованию?
С этим утверждением перекликается немаловажный четвёртый кит. Две опции плюс-минус равноценны с позиций трех китов? Не знаете, что выбрать? Спросите пациента :)
Ситуаций, когда это возможно и уместно, более чем достаточно. Равноэффективные препараты с разным профилем токсичности (Что вас пугает больше - остеопороз или изменения эндометрия?), разные способы введения (таблетки постоянно или капельница раз в две недели?), и так далее.
На приемах в Луч | Онкологическая клиника ( https://vk.com/klinikaluch ) пациенты сначала удивляются, когда я предлагаю им варианты на выбор. Это достаточно непривычно. Но я знаю, что человек, который сам сделал выбор, с большей вероятностью будет выполнять назначения. Ведь это он взял на себя ответственность и он сам решил, что ему больше подходит. А доктор просто включил клиническое мышление, почитал свежие статьи и пересказал это пациенту в доступной форме.
Озвучить пациенту варианты - значит, задать себе высокую профессиональную планку. Как минимум потому что врач должен быть осведомлен о плюсах и минусах предлагаемых вариантов, помнить процент осложнений в том или ином случае. Нужно уметь ответить на вопрос пациента "а вот если я не буду принимать эти таблетки, то что со мной произойдёт и с какой вероятностью?". И, прежде всего, самому задаваться этими же вопросами.
1. Научно обоснованные сведения
2. Клиническое мышление
3. Здравый смысл.
1. Без научного подхода мы получаем патофизиологические назначения в духе третьекурсника медицинского вуза "альбумин снижен - надо повысить", "сосуды сужены - надо расширить" и попытки нормализации всея параметров в человеке. Зачастую - в полном отрыве от клинической значимости и влияния на исходы.
Было бы замечательно, если бы патофизиологические умозаключения всегда работали на благо пациента. Но, к сожалению, организм человека - недоизученная и загадочная штука. Если мы не знаем, почему и как конкретный препарат сработает у конкретного человека (а мы этого никогда не знаем), то мы должны по крайней мере представлять, в каком проценте похожих случаев он обычно срабатывает. Клинические исследования дают нам ответы на эти вопросы.
2. Без клинического мышления врач остается совершенно беззащитным в ситуациях, вообще никак не покрытых научными сведениями (а их гораздо больше, чем нам кажется на первый взгляд). Из человека без клинического мышления, но с большим набором знаний получается "профессиональный пациент", который в вопросах исследований и здравого смысла может быть даже более подкован, чем лечащий врач, но упускает из виду совершенно базовые вещи (коллеги, смахиваем слезу, столько лет учились не зря :) ).
3. Без здравого смысла все еще интереснее. Представьте - есть профессор, который топит за доказательную медицину, обладает потрясающим опытом и клиническим мышлением, но при этом совершенно оторван от жизни. Пациенты тратят последние деньги на то, чтобы добраться к нему на прием, и он им рекомендует волшебный супермумаб. Но этот препарат не зарегистрирован в России, стоит сто тысяч миллионов, и вообще статья о том, что он эффективен, вышла только вчера. Профессор знает, что это лучший вариант, и закономерно предлагает его. Пациент получил бесполезное заключение, которое никак не улучшит его жизнь.
Я ни в коем случае не утверждаю, что информацию о чем-то потенциально более эффективном нужно скрывать от пациента. Человек быть осведомлен обо всех возможностях. Но он должен получить максимально полную и конкретную информацию о том, какой эффект он может получить, с какой вероятностью и в обмен на что. А не эмоционально окрашенный возглас вроде "это ваш последний шанс!". Что, если этот препарат - действительно лучший вариант, но не обещает чудесного исцеления, а продлевает жизнь на три месяца? И для его покупки надо продать квартиру и оставить свою семью без средств к существованию?
С этим утверждением перекликается немаловажный четвёртый кит. Две опции плюс-минус равноценны с позиций трех китов? Не знаете, что выбрать? Спросите пациента :)
Ситуаций, когда это возможно и уместно, более чем достаточно. Равноэффективные препараты с разным профилем токсичности (Что вас пугает больше - остеопороз или изменения эндометрия?), разные способы введения (таблетки постоянно или капельница раз в две недели?), и так далее.
На приемах в Луч | Онкологическая клиника ( https://vk.com/klinikaluch ) пациенты сначала удивляются, когда я предлагаю им варианты на выбор. Это достаточно непривычно. Но я знаю, что человек, который сам сделал выбор, с большей вероятностью будет выполнять назначения. Ведь это он взял на себя ответственность и он сам решил, что ему больше подходит. А доктор просто включил клиническое мышление, почитал свежие статьи и пересказал это пациенту в доступной форме.
Озвучить пациенту варианты - значит, задать себе высокую профессиональную планку. Как минимум потому что врач должен быть осведомлен о плюсах и минусах предлагаемых вариантов, помнить процент осложнений в том или ином случае. Нужно уметь ответить на вопрос пациента "а вот если я не буду принимать эти таблетки, то что со мной произойдёт и с какой вероятностью?". И, прежде всего, самому задаваться этими же вопросами.
Workshop "Арифметика принятия решений в медицине"
У врача обычно есть интуитивное представление о пациенте. Это представление мы называем "клиническим мышлением". Ход мыслей обычно выглядит как-то так: "это более вероятно, а это - менее". Но насколько "вероятно"? На основании чего? Можно ли как-то рационализировать клиническое мышление?
Можно - и если выразить цифрами ход наших мыслей, то качество решения повысится. Приходите на мастер-класс - проверьте сами :)
Что будет на мастер-классе:
📌 Топ-5 инструментов для практикующего врача
📌 Разбор реальных жизненных ситуаций
📌 Исследования причинно-следственных связей в медицине
📌 Клиническая и статическая значимость
📌 Отработка навыков - работа в группах!
📍Мастер-класс проводит:
Полина Шило ( https://vk.com/polinashilo ), онколог-химиотерапевт Луч | Онкологическая клиника ( https://vk.com/klinikaluch ),
программный директор проекта Высшая школа онкологии,
студентка программы Harvard Medical School "Global Clinical Scholars Research Training Program".
🧐 Как принять участие:
Вы можете выбрать любой удобный для вас формат — очное участие, онлайн-трансляция или видеозапись.
Чтобы принять участие в мастер-классе, переведите оплату на счет Фонда https://nenaprasno.ru (в виде пожертвования на любой проект) и отправьте скриншот или чек вместе с указанием формы участия Егору Сотникову ( https://vk.com/yegorsotnikov ). После этого мы добавим вас в закрытую группу во ВКонтакте, где вы сможете присоединиться к трансляции, пересмотреть запись мастер-класса и обсудить его с коллегами.
⌚️ Когда: 3 февраля, 18:30
📍 Где: Лекторий Фонда профилактики рака (г. Санкт-Петербург, 2-я линия В. О., д. 37, офис 310)
💰 Стоимость очного участия: 700 руб.
💰 Стоимость участия в трансляции/предоставление видеозаписи: 500 руб.
Продолжительность мастер-класса - 2,5 часа.
Мастер-класс — фандрайзинговая коллаборация Полина Шило и Фонд профилактики рака ( https://vk.com/nenaprasno ): так мы помогаем Полине собрать деньги на второй образовательный модуль в Harvard Medical School и получить знания, которыми она будет и дальше делиться с вами.
У врача обычно есть интуитивное представление о пациенте. Это представление мы называем "клиническим мышлением". Ход мыслей обычно выглядит как-то так: "это более вероятно, а это - менее". Но насколько "вероятно"? На основании чего? Можно ли как-то рационализировать клиническое мышление?
Можно - и если выразить цифрами ход наших мыслей, то качество решения повысится. Приходите на мастер-класс - проверьте сами :)
Что будет на мастер-классе:
📌 Топ-5 инструментов для практикующего врача
📌 Разбор реальных жизненных ситуаций
📌 Исследования причинно-следственных связей в медицине
📌 Клиническая и статическая значимость
📌 Отработка навыков - работа в группах!
📍Мастер-класс проводит:
Полина Шило ( https://vk.com/polinashilo ), онколог-химиотерапевт Луч | Онкологическая клиника ( https://vk.com/klinikaluch ),
программный директор проекта Высшая школа онкологии,
студентка программы Harvard Medical School "Global Clinical Scholars Research Training Program".
🧐 Как принять участие:
Вы можете выбрать любой удобный для вас формат — очное участие, онлайн-трансляция или видеозапись.
Чтобы принять участие в мастер-классе, переведите оплату на счет Фонда https://nenaprasno.ru (в виде пожертвования на любой проект) и отправьте скриншот или чек вместе с указанием формы участия Егору Сотникову ( https://vk.com/yegorsotnikov ). После этого мы добавим вас в закрытую группу во ВКонтакте, где вы сможете присоединиться к трансляции, пересмотреть запись мастер-класса и обсудить его с коллегами.
⌚️ Когда: 3 февраля, 18:30
📍 Где: Лекторий Фонда профилактики рака (г. Санкт-Петербург, 2-я линия В. О., д. 37, офис 310)
💰 Стоимость очного участия: 700 руб.
💰 Стоимость участия в трансляции/предоставление видеозаписи: 500 руб.
Продолжительность мастер-класса - 2,5 часа.
Мастер-класс — фандрайзинговая коллаборация Полина Шило и Фонд профилактики рака ( https://vk.com/nenaprasno ): так мы помогаем Полине собрать деньги на второй образовательный модуль в Harvard Medical School и получить знания, которыми она будет и дальше делиться с вами.
Концепция черного ящика в медицине
"Черный ящик - термин, используемый для обозначения системы, внутреннее устройство и механизм работы которой очень сложны, неизвестны или неважны в рамках данной задачи" (с)
Мы - люди-человеки - бесцеремонно вмешиваемся во внутренние устоявшиеся процессы, идем наперекор естественному отбору, распутываем хитрые сигнальные пути и расшифровываем геном. Мы молодцы и мы мним себя богами. Но давайте поговорим начистоту.
Вы назначаете пациенту таблетку от высокого давления. Вы правда понимаете, как она работает? Она сработает в 100% случаев? А на сколько мм.рт.ст. давление снизится у пациента? А почему? Что, если препарат не будет эффективен? Из-за чего такой замечательный логичный патофизиологический механизм может не сработать?
Приходит неприятное осознание, что мы на самом деле понимаем едва ли больше, чем ничего. Все, что мы можем сделать - это поиграть в игру под названием "Черный ящик".
Мы закидываем в организм человека (черный ящик) что-нибудь, на наш взгляд, рабочее. Например, препарат. Дальше внутри происходят сложные процессы, о которых мы можем лишь догадываться и судить по косвенным признакам. Наконец, на выходе мы получаем какой-то результат, который мы пытаемся оценить и охарактеризовать (снижение уровня давления, уменьшение размера опухоли, увеличение продолжительности жизни в одной группе по сравнению с другой).
Но одного организма недостаточно, чтобы экстраполировать это знание на все остальное человечество. Поэтому мы придумали клинические исследования, большие выборки и статистику.
Мы пытаемся свести к нулю случайности, стратифицируем пациентов на группы риска, ищем новые биомаркеры/предикторы эффективности, совершенствуем дизайны исследований, статистическую обработку, но мы по-прежнему безнадежно далеки от абсолютного знания. Полногеномное секвенирование не может ответить на вопрос, какой рост будет у ребенка, когда он вырастет. Самая совершенная стратификационная шкала не сможет дать 100% гарантию выздоровления.
Чем дальше развивается наша наука, тем с большей уверенностью мы можем предсказывать точность нашей диагностики, вероятность эффективности лечения. Мы все больше походим на богов - уже не в 30% и не в 70%, а в 90% случаев. Но не в 100%. Мы асимптотически снижаем вероятность ошибки, но никогда не сведем её к нулю.
Об этом и многом другом мы будем говорить на мастер-классе "Арифметика принятия решений в медицине", который состоится уже 3 февраля в лектории Фонда профилактики рака в Санкт-Петербурге. Возможен онлайн-формат участия.
Ссылка на мероприятие:
https://vk.com/wall-182541436_704
"Черный ящик - термин, используемый для обозначения системы, внутреннее устройство и механизм работы которой очень сложны, неизвестны или неважны в рамках данной задачи" (с)
Мы - люди-человеки - бесцеремонно вмешиваемся во внутренние устоявшиеся процессы, идем наперекор естественному отбору, распутываем хитрые сигнальные пути и расшифровываем геном. Мы молодцы и мы мним себя богами. Но давайте поговорим начистоту.
Вы назначаете пациенту таблетку от высокого давления. Вы правда понимаете, как она работает? Она сработает в 100% случаев? А на сколько мм.рт.ст. давление снизится у пациента? А почему? Что, если препарат не будет эффективен? Из-за чего такой замечательный логичный патофизиологический механизм может не сработать?
Приходит неприятное осознание, что мы на самом деле понимаем едва ли больше, чем ничего. Все, что мы можем сделать - это поиграть в игру под названием "Черный ящик".
Мы закидываем в организм человека (черный ящик) что-нибудь, на наш взгляд, рабочее. Например, препарат. Дальше внутри происходят сложные процессы, о которых мы можем лишь догадываться и судить по косвенным признакам. Наконец, на выходе мы получаем какой-то результат, который мы пытаемся оценить и охарактеризовать (снижение уровня давления, уменьшение размера опухоли, увеличение продолжительности жизни в одной группе по сравнению с другой).
Но одного организма недостаточно, чтобы экстраполировать это знание на все остальное человечество. Поэтому мы придумали клинические исследования, большие выборки и статистику.
Мы пытаемся свести к нулю случайности, стратифицируем пациентов на группы риска, ищем новые биомаркеры/предикторы эффективности, совершенствуем дизайны исследований, статистическую обработку, но мы по-прежнему безнадежно далеки от абсолютного знания. Полногеномное секвенирование не может ответить на вопрос, какой рост будет у ребенка, когда он вырастет. Самая совершенная стратификационная шкала не сможет дать 100% гарантию выздоровления.
Чем дальше развивается наша наука, тем с большей уверенностью мы можем предсказывать точность нашей диагностики, вероятность эффективности лечения. Мы все больше походим на богов - уже не в 30% и не в 70%, а в 90% случаев. Но не в 100%. Мы асимптотически снижаем вероятность ошибки, но никогда не сведем её к нулю.
Об этом и многом другом мы будем говорить на мастер-классе "Арифметика принятия решений в медицине", который состоится уже 3 февраля в лектории Фонда профилактики рака в Санкт-Петербурге. Возможен онлайн-формат участия.
Ссылка на мероприятие:
https://vk.com/wall-182541436_704
Советы о том, как читать статью, чтобы было не больно, быстро и максимально полезно от Институт биоинформатики (https://vk.com/bioinf)
https://m.vk.com/@bioinf-sovetuem-kak-chitat-nauchnye-stati
https://m.vk.com/@bioinf-sovetuem-kak-chitat-nauchnye-stati
ВКонтакте
Институт биоинформатики
Институт биоинформатики — это дополнительное образование и мероприятия по биоинформатике для талантливых студентов, аспирантов и выпускников технических, математических, биологических и медицинских специальностей. Мы сотрудничаем с компаниями, лабораториями…
Познание неизбежно сопряжено с сомнениями.
Изучая доказательную медицину, начинаешь понимать, что "препарат хорошо работает (а что такое хорошо?), но это неточно (какова мера неточности?)". Специфическая профдеформация налицо - сомневаешься вообще во всём.
Доказательная медицина неразрывно связана с теорией вероятности и прочими математическими наворотами, и там все ещё веселее. Я преподаю биостатистику, и большая часть аудитории к концу первого занятия сидит, схватившись за голову "омайгад, и этим мы пользуемся, чтобы принимать решения!".
Ага. Пользуемся.
Когда совсем не знаешь, как работает махина мировой науки - живётся гораздо проще. Вот там американский Джон сделал исследование стоимостью в мульён долларов, а немецкий Ганс почесал репу, да и сочинил гайдлайн. Вот они - блистательные, сплошь выпускники Оксфордов да Стэнфордов, спустили нам священное писание. Если уж они неправы, то мне-то уж куда?
Гайдлайны - штука хорошая. Но этого катастрофически недостаточно.
По моей специальности в гайдлайнах почти никогда нет четкого указания на третью, четвёртую линию химиотерапии. Вот пришел к тебе пациент, он - есть, а гайдлайна - нет. Окей, в гайдах написано "consider clinical trials". А если у меня нет clinical trials (что скорее всего), то что?
Или - мой любимый пример - открываешь NCCN guidelines, чтобы выбрать для пациента химиотерапию вполне себе первой линии. А тебе там -12 опций на выбор. Как выбрать из 12?
Чувствуешь свою ничтожность перед лицом мирового знания, садишься, ловишь дзен и читаешь. Читаешь статьи о лечении, читаешь книги о том, как правильно читать. Читаешь о том, как считать. И надеешься не сойти с ума :)
Изучая доказательную медицину, начинаешь понимать, что "препарат хорошо работает (а что такое хорошо?), но это неточно (какова мера неточности?)". Специфическая профдеформация налицо - сомневаешься вообще во всём.
Доказательная медицина неразрывно связана с теорией вероятности и прочими математическими наворотами, и там все ещё веселее. Я преподаю биостатистику, и большая часть аудитории к концу первого занятия сидит, схватившись за голову "омайгад, и этим мы пользуемся, чтобы принимать решения!".
Ага. Пользуемся.
Когда совсем не знаешь, как работает махина мировой науки - живётся гораздо проще. Вот там американский Джон сделал исследование стоимостью в мульён долларов, а немецкий Ганс почесал репу, да и сочинил гайдлайн. Вот они - блистательные, сплошь выпускники Оксфордов да Стэнфордов, спустили нам священное писание. Если уж они неправы, то мне-то уж куда?
Гайдлайны - штука хорошая. Но этого катастрофически недостаточно.
По моей специальности в гайдлайнах почти никогда нет четкого указания на третью, четвёртую линию химиотерапии. Вот пришел к тебе пациент, он - есть, а гайдлайна - нет. Окей, в гайдах написано "consider clinical trials". А если у меня нет clinical trials (что скорее всего), то что?
Или - мой любимый пример - открываешь NCCN guidelines, чтобы выбрать для пациента химиотерапию вполне себе первой линии. А тебе там -12 опций на выбор. Как выбрать из 12?
Чувствуешь свою ничтожность перед лицом мирового знания, садишься, ловишь дзен и читаешь. Читаешь статьи о лечении, читаешь книги о том, как правильно читать. Читаешь о том, как считать. И надеешься не сойти с ума :)
Доклинические испытания. Часть I.
До того, как попасть к человеку, новая молекула проходит множество испытаний в центрах доклинических исследований. Этот этап очень важен — чем раньше мы обнаружим проблемы с веществом, тем меньше впоследствии потратим денег на бесперспективный препарат.
#clinres_knowledge #clinres_preclinical
Основные этапы создания и разработки новых молекул:
1. In silico анализ - компьютерное моделирование.
К примеру, мы знаем, что активация сигнального пути EGFR приводит к формированию опухоли. Также нам известна структура рецептора EGFR на поверхности клетки. Наша гипотеза: если заблокировать этот рецептор, то сигнальный путь не будет активироваться и опухолевые клетки погибнут.
С помощью математического моделирования можно сконструировать виртуальные молекулы, которые по принципу "ключ-замок" должны "подойти" к нашему рецептору и заблокировать его. Обычно созданием новых молекул занимаются математики, биоинформатики и молекулярные биологи.
2. In vitro анализ — исследование уже синтезированной молекулы в лабораторных условиях.
Этот этап тестирования осуществляют вне живого организма. К примеру, можно оценить противоопухолевый эффект препарата на культуре опухолевых клеток.
3. In vivo анализ — исследовании эффективности на лабораторных животных.
Препарат, успешно прошедший все эти этапы, допускается к испытанию на людях. Основные критерии успешности лекарства:
— высокая эффективность
— низкая токсичность
Подробнее погрузиться в эту тему можно с курсом от University of California, доступном на Coursera:
https://ru.coursera.org/learn/drug-discovery
До того, как попасть к человеку, новая молекула проходит множество испытаний в центрах доклинических исследований. Этот этап очень важен — чем раньше мы обнаружим проблемы с веществом, тем меньше впоследствии потратим денег на бесперспективный препарат.
#clinres_knowledge #clinres_preclinical
Основные этапы создания и разработки новых молекул:
1. In silico анализ - компьютерное моделирование.
К примеру, мы знаем, что активация сигнального пути EGFR приводит к формированию опухоли. Также нам известна структура рецептора EGFR на поверхности клетки. Наша гипотеза: если заблокировать этот рецептор, то сигнальный путь не будет активироваться и опухолевые клетки погибнут.
С помощью математического моделирования можно сконструировать виртуальные молекулы, которые по принципу "ключ-замок" должны "подойти" к нашему рецептору и заблокировать его. Обычно созданием новых молекул занимаются математики, биоинформатики и молекулярные биологи.
2. In vitro анализ — исследование уже синтезированной молекулы в лабораторных условиях.
Этот этап тестирования осуществляют вне живого организма. К примеру, можно оценить противоопухолевый эффект препарата на культуре опухолевых клеток.
3. In vivo анализ — исследовании эффективности на лабораторных животных.
Препарат, успешно прошедший все эти этапы, допускается к испытанию на людях. Основные критерии успешности лекарства:
— высокая эффективность
— низкая токсичность
Подробнее погрузиться в эту тему можно с курсом от University of California, доступном на Coursera:
https://ru.coursera.org/learn/drug-discovery
Coursera
Drug Discovery
Offered by University of California San Diego. The ... Enroll for free.
Подборка лайфхаков для прохождения собеседований в сфере клинических исследований от Александры Сазоновой
https://m.vk.com/@839305-podborka-kak-uspeshno-proiti-sobesedovaniya-na-rabotu-v-klin
https://m.vk.com/@839305-podborka-kak-uspeshno-proiti-sobesedovaniya-na-rabotu-v-klin
VK
ПОДБОРКА: КАК УСПЕШНО ПРОЙТИ СОБЕСЕДОВАНИЯ НА РАБОТУ В КЛИНИЧЕСКИХ ИССЛЕДОВАНИЯХ
Вот, пожалуй, лучшая подборка статей о том, как подготовиться и успешно пройти собеседование на позиции в клинических исследованиях.