Webbtillgänglig befolkningsfarmakokinetiktjänst - blödarsjuka: källor till variation (WAPPS-Hemo)

Innovation och förväntade resultat: Eftersom den klassiska PK-metoden vanligtvis kräver 11 prover, vilket kan vara en börda för patienten, utesluts ofta specifika undergrupper av individer från analys, inklusive barn, äldre och intensivvårdspatienter. Eftersom WAPPS-Hemo är den största databasen med individuella farmakokinetiska data, finns en stor undergrupp av pediatriska patienter och patienter med inhibitorer tillgängliga för undersökning, vilket möjliggör analys av variabilitet i tidigare otillgängliga grupper. Att fastställa prediktorer för variabilitet inom patientutfallet kommer att tillåta oss att förbättra de nuvarande modellerna som används för att uppskatta individuell PK, vilket resulterar i bättre individuell vård och användning av resurser.

Behörighetskriterier: Alla giltiga data i WAPPS-Hemo-databasen kommer att användas. Alla faktorkoncentrat kommer att ingå. Alla tillgängliga kovariater kommer att analyseras.

Patienter: Individer med hemofili A eller B, oavsett svårighetsgrad, som är registrerade på WAPPS-Hemo och för vilka infusions- och/eller PK-data finns tillgängliga. Både vuxna och pediatriska patienter kommer att inkluderas. Patienter med anamnes på inhibitorer kommer att inkluderas som en separat undergrupp.

Tillgängliga kovariater: ålder, kön, vikt, längd, dos och typ av administrerad faktor (som totalt och IE/kg), blodgrupp, baslinjefaktornivå, positiv historia av hämmare, hematokrit, hemoglobin, serumkreatinin och laboratoriemetoder som används för att mäta faktor VIII och faktor IX.

Design: retrospektiv dataanalys

Studiedatabas: WAPPS-Hemo-databasen kommer att användas för studien. WAPPS-Hemo är en webbtillgänglig plattform utvecklad och driven av Health Information Research Unit (HiRU) vid McMaster University. Data har tillhandahållits från deltagande hemofilibehandlingscenter över hela världen för att erhålla individuella farmakokinetiska uppskattningar. Data som samlas in är helt anonymiserade och återanvändning av data för modellerings- och valideringsändamål kom överens om av de inmatande läkarna, som åtog sig att informera sina patienter om användningen av deras data för systemförbättring.

Dataextraktionsprocedur: Data kommer att extraheras från WAPPS-Hemo-databasen efter att ha transformerat centrumnamnet till en numerisk kod. Data som extraheras kommer att inkludera: patientens ålder, kön, vikt, längd, dos och typ av administrerad faktor (som totalt och IE/kg), blodgrupp, baslinjefaktornivå, positiv historia av hämmare, hematokrit, hemoglobin, serumkreatinin, laboratorium metoder som används för att mäta faktor VIII och faktor IX, infunderad dos, post-infusion mätning av plasmafaktoraktivitetsnivå, beräknad terminal halveringstid och tid till 0,01, 0,02 och 0,05 IE/ml, med deras trovärdighetsintervall, area under kurvan (AUC), central volym och spelrum. När informationen har extraherats lagras den på en säker server, belägen inom HiRU:s lokala nätverk, skyddad av en proxyserver och brandvägg.

Datarensning: När data har extraherats rensas den. Dubblettbidrag kommer att tas bort och all originaldata som har duplicerats från sammanslagna infusioner kommer att raderas. All data som inte är giltig för modellering, såsom användarinmatningsfel, otillräcklig data eller tillstånd som utesluter användning av patientdata (som användning av inhibitorer) kommer att tas bort och exkluderas från analysen. Datauppsättningen kommer att analyseras för att söka efter extremvärden. Inmatningsfel som missas vid källan kommer att korrigeras där den felaktiga mätningen har använts (dvs. vikt höjd).

Dataanalys: Multivariat hierarkisk analys kommer att utföras på olika faktorer (ålder, kön, vikt, längd, dos och typ av faktor som administreras (som totalt och IE/kg), blodgrupp, baslinjefaktornivå, positiv historia av inhibitorer, hematokrit, hemoglobin och serumkreatinin, laboratoriemetoder som används för att mäta faktor VIII och faktor IX) för att utforska källor till variation i patientresultat. Signifikanta prediktorer kommer att användas som kovariater för att förbättra modellen.