Professional Documents
Culture Documents
Bachelorthesis FTP/FPZ
Bachelorthesis FTP/FPZ
Inleiding
De bevolking in Nederland wordt steeds ouder en vergrijzing wordt een steeds
belangrijker probleem. Hoe ouder mensen worden, hoe meer geneesmiddelen ze
gebruiken. Van de kinderen tot vijftien jaar zijn in 2012 geneesmiddelen verstrekt
aan slechts 49,3% van alle kinderen tegenover het verstrekken van
geneesmiddelen aan 90,99% van de personen ouder dan 75 jaar. i Daarbij is het
aantal ziekenhuisopnamen als gevolg van bijwerkingen van geneesmiddelen
gestegen van 11,5 opnamen per 10.000 inwoners in 2005 naar 19,6 opnamen
per 10.000 inwoners in 2012. Dit komt neer op een totaal aantal
ziekenhuisopnamen als gevolg van bijwerkingen van 32.895. ii
Het ontdekken en voorkomen van bijwerkingen is dus erg belangrijk.
Farmacovigilantie houdt zich hiermee bezig en wordt gedefinieerd als: de
wetenschap en activiteiten gerelateerd aan de detectie, beoordeling, het
begrijpen en de preventie van bijwerkingen of enig ander medicijnprobleem. iii De
noodzaak hiervan kwam aan het licht door de geboorte van meer dan 10.000
kinderen met ernstige afwijkingen, nadat hun moeders tijdens de zwangerschap
thalidomide (Softenon) hadden gebruikt. Hierna is in Nederland het College ter
Beoordeling van Geneesmiddelen (CBG) opgericht en kwam er een systeem voor
het melden van bijwerkingen van geneesmiddelen. In Nederland is het
Bijwerkingencentrum Lareb verantwoordelijk voor de detectie en beoordeling van
geneesmiddelen.
Farmacovigilantie speelt bij het ontwikkelen van geneesmiddelen dus een rol in
het klinisch onderzoek in zowel de pre-registratiefase, via het CBG, als de postregistratiefase, via het Lareb. Tijdens de pre-registratiefase worden alle personen,
die meedoen aan het onderzoek, nauwlettend in de gaten gehouden en
gecontroleerd op bijwerkingen. Tijdens de post-registratiefase is dit anders. In
Nederland berust het detecteren van bijwerkingen na registratie vooral op
spontane meldingen van artsen en patinten. Bij het Lareb komen jaarlijks meer
dan 22.000 meldingen van bijwerkingen van geneesmiddelen binnen. Ongeveer
20% hiervan zijn ernstige bijwerkingen, bijvoorbeeld ziekenhuisopnames,
blijvende invaliditeit, aangeboren afwijkingen of overlijden.
Vergeleken met 32.895 ziekenhuisopnames per jaar door bijwerkingen van
geneesmiddelen ligt het aantal meldingen bij het Lareb (22.000) erg laag. Het
huidige systeem is gebaseerd op spontane rapportage. Een arts of patint moet
hierbij zelf de bijwerking herkennen en deze melden. Voor het bepalen van de
causaliteit kan daarna vervolgonderzoek worden gedaan. Het spontane
rapportage systeem (SRS) heeft beperkingen, waarvan de onderrapportage van
Methode
Bij deze literatuurstudie is gekozen voor de methode van Whittemore en Knafl. vi
Deze methode bestaat uit: het vaststellen van het probleem, een
literatuuronderzoek, de data evaluatie en analyse en de presentatie van deze
data. Het probleem is vastgesteld als: Welke verschillen zijn er tussen het
onderzoeken van bijwerkingen via SRS en social media? Het literatuuronderzoek
is gedaan via de MEDLINE database, van zestien tot negentien november 2015
met de volgende zoektermen: adverse drug reaction (ADR) social media, ADR
spontaneous reporting system, ADR forum. Bij deze zoekopdrachten is ook
gezocht op synoniemen voor ADR: adverse drug event en side effect.
Spontaneous reporting system is tijdens het zoeken voluit geschreven.
Vervolgens zijn in- en exclusiecriteria opgesteld om de resultaten te kunnen
filteren op relevantie. Een artikel werd gencludeerd als het was geschreven in
het Nederlands of Engels, omdat andere talen niet gelezen kunnen worden door
de onderzoeker. Het artikel was gepubliceerd tussen 2010 en 2015, want voor
2010 kunnen geen relevante uitspraken worden gedaan over de huidige toestand
van social media. Het onderzoek is toegespitst op het bijwerkingen in Nederland,
dus alleen onderzoeken over in Nederland geregistreerde geneesmiddelen zijn
gencludeerd. Het laatste inclusiecriterium is dat het artikel de karakteristieken
van informatie beschrijft.
De exclusiecriteria zijn:
o
o
o
o
o
o
o
o
o
o
o
Resultaten
Het aantal resultaten van de verschillende zoekopdrachten met de in- en
exclusiecriteria is te zien in tabel 1. Bij de zoekterm ADR social media of ADE
social media werden in totaal 157 artikelen gevonden. Van deze artikelen gingen
109 niet specifiek over social media en zijn dus gexcludeerd uit dit onderzoek.
En artikel ging over een vaccinatie en n artikel over een niet in Nederland
geregistreerd medicijn. Daarnaast waren het 18 verslagen van congressen
gevonden, zes reviews en acht artikelen van voor 2010. Uiteindelijk zijn er 14
artikelen gencludeerd in het onderzoek, die aan alle in- en exclusiecriteria
voldeden.
De zoekterm ADR forum of ADE forum leverde 105 resultaten op. Veel van deze
resultaten waren dezelfde artikelen als bij de social media zoekterm. Van deze
artikelen waren 33 van voor 2010, twee review artikelen en n fase 2 klinische
trial. Deze artikelen zijn gexcludeerd. Van de overgebleven artikelen gingen er
52 niet specifiek over social media. In totaal voldeden negen artikelen aan alle inen exlcusiecriteria en zijn deze artikelen gebruikt voor het onderzoek. Hiervan
zijn acht artikelen ook gevonden bij de zoekterm ADR social media of ADE social
media. Deze zoekopdracht heeft in totaal n nieuw artikel opgeleverd.
Bij de zoekterm ADR SRS of ADE SRS werden in totaal 201 artikelen gevonden.
Hiervan waren 102 artikelen van voor 2010, zeven artikelen waren reviews, en
van negen artikelen was geen volledige tekst beschikbaar. Van de overgebleven
artikelen gingen drie artikelen niet over mensen, twee artikelen over vaccinaties,
vier over derdewereldlanden, zes artikelen beschreven n specifieke bijwerking.
32 artikelen gingen niet specifiek over SRS. Het merendeel van deze artikelen
ging over het verbeteren van het melden van bijwerkingen door Health Care
Professionals. Uiteindelijk zijn 36 artikelen gencludeerd in het onderzoek. Deze
voldeden aan alle in- en exclusiecriteria.
Zoekterm
Gaat niet
specifiek over
social
media/SRS
Fase 2 trial
Review
Verslag van een
congres
Niet over in
Nederland
geregistreerd
medicijn
Gaat over
ADR/ADE social
media
111
ADR/ADE forum
ADR/ADE SRS
53
34
7
18
1
2
8
7
-
vaccinatie
Beschrijft n
specifieke
bijwerking
Informatie uit
een
derdewereldlan
d
Van voor 2010
Gaat niet over
mensen
Geen volledig
artikel
beschikbaar
Voldoet aan alle
in- en
exclusiecriteria
Totaal
8
-
33
-
102
3
11
10
8 (allemaal ook
gevonden via
ADR/ADE social
media)
105
13
157
186
Discussie
De onderzoeken gedaan naar het gebruik van social media bij het opsporen van
bijwerkingen vertoonden veel overeenkomsten. De artikelen richten zich vooral
op hoe bijwerkingen eventueel opgespoord kunnen worden via social media, in
plaats van zich te richten op de toegevoegde waarde van het opsporen van
bijwerkingen via social media. Segura-Bedmar et al. Beschrijven een zeer
veelbelovend systeem, waarbij het handmatig controleren op vals-positieven de
precisie verbeterd. vii Een systeem van Nikfarjam et al is getest op Twitter en
Daily Strength Corpus en werkt beter bij Daily Strength Corpus dan bij Twitter. Bij
Daily Strength Corpus is de precisie 0,860, de negatief voorspellende waarde
0,784 en de F-waarde 0.821. Bij twitter is dit respectievelijk 0,765, 0,682 en
0,721.viii OConnor et al. geven in hun onderzoek ook aan dat het screenen van
Twitter zeer veelbelovend is. Het systeem gebruikt door OConnor et al. geeft
minder goede resultaten dan het systeem van Nikfarjam. De precisie is 54,1%, de
negatief voorspellende waarde 62,1% en de F-waarde 57,8%. Wel is bij de tien
meest genoemde geneesmiddelen bij ieder geneesmiddel minimaal n
bijwerking gevonden, die overeenkwam met een veel voorkomende bijwerking in
de klinische trials. Ook werden er bij ieder geneesmiddel bijwerkingen gevonden,
die niet tijdens de klinische trials ontdekt zijn. Dit is te zien in tabel 2. ix
Drug
Brand/G
eneric
Name
Seroquel
/
Quetiapi
ne
Primary
Indications
Documented
Adverse Effects
(no order)
Schizophrenia,
Bipolar I
Disorder: manic
episodes,
Bipolar Disorder
somnolence, dry
mouth,
headache,dizzines
s, asthenia,
constipation,
fatigue
Effexor/
venlafaxi
ne
Major
Depressive
Disorder (MDD)
nausea, headach
e, somnolence, dry
mouth, dizziness
Vyvanse
ADHD
decreased
appetite, insomni
a, dry mouth,
diarrhea, nausea
Paxil/
Paroxetin
e
MDD, Obsessive
Compulsive
Disorder (OCD),
Panic Disorder,
Social Anxiety
Disorder,
Generalized
Anxiety
Disorder (GAD),
PTSD
nausea, somnolen
ce, abnormal
ejaculation,
asthenia, tremor,
insomnia, sweating
somnolence (22.2%),
abnormal dreams (9.6%), feel
like a zombie (8.1%), weight
gain (6.6%), restless leg
syndrome (6.6%), increased
appetite (5.9%), sleep
paralysis (2.9%), dizziness
(2.2%), psychosis (2.2%),
tremors (2.2%)
withdrawal syndrome (21.3%),
insomnia (11.1%), headache
(4.3%), malaise (4.3%),
abnormal dreams
(4.3%), nausea
(3.4%), shaking (3.4%),
fatigue (3.4%)
insomnia (38.2%), OCD
(9.3%), anger (5.6%), heart
racing (5.6%), depression
(3.6%), psychosis (3.6%),
headache (3.6%), feel weird
(3.6%)
withdrawal syndrome (27.7%),
weight gain (12.8%),
depression (8.5%), headache
(6.4%), somnolence (6.4%),
allergic (6.4%), feel sick (6.4
%), emotional (6.4%)
Prozac/
Fluoxetin
e
MDD, OCD,
Bulimia Nervosa
Panic Disorder
nausea, headache,
insomnia,
nervousness,
anxiety, somnolen
ce
Lamictal
lamotrigi
ne
Epilepsy,
Bipolar Disorder
Zyprexa/
olanzapi
ne
Schizophrenia,
Bipolar I
Disorder
Humira
Rheumatoid
Arthritis,
Juvenile
Idiopathic
Arthitis,
Psoriatic
Arthitis, Crohns
Disease,
Ulcerative
Colitus, Plaque
Psoriasis
MDD, GAD,
Diabetic
Peripheral
Neuropathy,
Fibromyalgia,
Chronic
Muscoskeletal
Pain
MDD
vomiting,
coordination
abnormality,
dizziness, rhinitis,
dyspepsia, nausea,
headache,
diplopia,
ataxia, insomnia,
fatigue, back pain
dizziness,
constipation,
personality
disorder, weight
gain,
akathisia,somnole
nce, dry mouth,
asthenia,
dyspepsia
upper
respiratory
infection, rash,he
adache, sinusitis,
accidental injury
Cymbalt
a/
Duloxeti
ne
Trazodon
e
somnolence
(22.2%), withdrawal
syndrome (8.9%), feeling ill
(8.9%), abnormal dreams
(6.7%), suicidal thoughts
(6.7%), tremors (6.7%),
allergic reaction (4.4%)
insomnia (17.9%), rash
(12.8%), lethargy (7.7%), joint
pain (5.1%), feel like a zombie
(5.1%), feel sick (5.1%)
weight gain
(40.0%), somnolence
(11.4%), increased appetite
(8.6%), dependence (5.7%)
nausea,
headache, dry
mouth, fatigue,s
omnolence
withdrawal syndrome
(16.3%), fatigue
(14.0%), somnolence
(7.0%), dizziness (7.0%), dry
mouth (4.7%), depression
(4.7%), rash (4.7%), migraine
(4.7%)
somnolence, hea
dache, dry mouth,
dizziness, nausea
somnolence (24.3%),
abnormal dreams (16.2%),
hangover effect
(8.1%),headache (5.4%),
insomnia (5.4%), withdrawal
syndrome (5.4%)
De verklaring voor het verschil tussen Twitter en andere social media zou
verklaard kunnen worden doordat op Twitter vaak descriptieve taal wordt
gebruikt, waardoor het systeem het niet herkent als bijwerking. Bij het onderzoek
van OConnor heeft het grootste deel van de vals-negatieven als oorzaak
descriptieve taal, waardoor geen match met het lexicon gevonden wordt. Dit lijkt
dus een algemeen probleem voor het screenen van social media. x
Een studie naar het screenen van de online gezondheidsfora steadyhealth.com
en medications.com met het Hidden Markov Model (HMM) laat een vergelijking
zien tussen de bijwerkingen gevonden via deze methode, de meest
gerapporteerde bijwerkingen en de bijwerkingen op de bijsluiter. Hiervoor is een
op HMM gebaseerde Tekst Miner gebruikt. Dit onderzoek laat zien dat deze
methode geschikt is om zowel bekende bijwerkingen als nieuwe bijwerkingen te
vinden via social media. En van de nieuwe bijwerkingen die met het model
gevonden is, is avasculaire necrose bij prednison. Dit is het afsterven van
botweefsel door te weinig toevoer van bloed, een zeer ernstige bijwerking. xi
Yeleswarapu SJ et al hebben in een onderzoek semi-geautomatiseerde pipeline
gerealiseerd, waarmee bijwerkingen in databases, MEDLINE abstracts en
berichten op gezondheid gerelateerde websites ontdekt kunnen worden. Dit
onderzoek stelt dat het screenen van het internet geen alternatief is voor de
traditionele methode van spontane rapportage. Wel kunnen er aanwijzingen
gevonden worden voor bijwerkingen die nog niet bekend zijn, zoals te zien is in
tabel 3 en zijn de bijwerkingen gedetailleerder omschreven dan bij SRS. De blogs
die gebruikt zijn voor de vergelijking zijn PatientsLikeMe, Mediguard en
DailyStrength.xii
Tabel 3. Burproion: vergelijking van de informatie op de bijsluiter (Label), gevonden via
blogs (Blogs), via SRS (AERS) en via de samenvattingen op MEDLINE (MEDLINE)
De problemen die zich voordoen zijn vooral te verklaren door het descriptieve
taalgebruik op het internet. Hierdoor herkennen geautomatiseerde systemen
bijwerkingen niet, of worden indicaties aangezien voor bijwerkingen. xiii Ook kan
het zijn dat een persoon niet over zijn/haar eigen bijwerking bericht, maar over
een (bij)werking in het algemeen. Een ander probleem is dat de populatie op
social media niet representatief is voor de populatie die de meeste medicatie
gebruikt. De populatie op social media is relatief jong en gezond, terwijl ouderen
en zieken de meeste medicatie gebruiken.
Een probleem, waardoor de precisie lager zou kunnen zijn, is het feit dat het
systeem lastig onderscheid kan maken tussen een bijwerking en een indicatie.
Andere oorzaken voor vals-positieven zijn dat de persoon het niet over een
bijwerking heeft of dat het geen eerstegraads melding is. Een ander nadeel, waar
rekening mee gehouden moet worden is een niet objectief beeld van de realiteit.
De populatie op social media is gezonder en jonger, waardoor een afwijkend
beeld ontstaat over bijwerkingen.
De voordelen van het (geautomatiseerd) screenen van social media zijn het grote
aantal berichten dat gescreend kan worden. Er kan een zeer grote hoeveelheid
recente data verzameld worden tegen een zeer lage prijs. Social media zijn vaak
gratis toegankelijk, in tegenstelling tot wetenschappelijke tijdschriften. Uit de
data gevonden via social media kunnen onder andere bijwerkingen ontdekt
worden, maar ook voor andere onderzoeken is dit een makkelijke en goedkope
manier van data verzamelen. Door de grote hoeveelheid data is het mogelijk om
bijwerkingen te ontdekken die weinig voorkomen. Doordat ze weinig voorkomen
zullen ze tijdens een klinische trial, met een relatief kleine populatie, niet ontdekt
worden.
Een andere, nog niet besproken manier van het ontdekken van bijwerkingen is
het doorzoeken van de logbestanden van zoekopdrachten. Dit kan naast SRS en
het screenen van social media een manier zijn om bijwerkingen op te sporen.
Deze methode brengt echter veel nadelen met zich mee. Er zijn vaak veel
verstoringen en het is niet duidelijk of een persoon voor zichzelf zoekt of
berhaupt een patint is.xiv Uit een onderzoek blijkt echter dat het gebruik van
logbestanden van zoekmachines relatief accuraat is bij het signaleren van
bijwerkingen. De prestaties zijn vergelijkbaar met SRS. Wel geeft het onderzoek
aan dat er vervolgonderzoek nodig is en een goede evaluatie strategie moet
worden opgesteld. xv
Naar de aard van de bijwerkingen ontdekt via social media is weinig onderzoek
gedaan. Er kan in dit literatuuronderzoek niet worden vastgesteld of de
bijwerkingen van lang- of kortdurende aard zijn of na wat voor gebruiksperiode
de bijwerking optreedt. De verklaring hiervoor zou kunnen zijn, dat er eerst
bijwerkingen ontdekt moeten worden via social media voor onderzocht kan
worden welke bijwerkingen specifiek via social media gemeld worden. Wel lijkt
het in het artikel van O`Connor zo te zijn dat er via Twitter vooral bericht wordt
over bijwerkingen op het centraal zenuwstelsel, zoals slapeloosheid,
misselijkheid, emotionele problemen en slaperigheid. xvi Aan de hand van een
enkel onderzoek kunnen hier echter geen uitspraken over worden gedaan.
Naar het SRS is meer onderzoek gedaan dan naar social media. De onderzoeken
zijn, zoals blijkt uit de resultaten echter zeer specifiek. Vaak wordt er slechts n
bijwerking van een geneesmiddel onderzocht of wordt SRS vergeleken met het
Conclusie
Social media lijkt een veelbelovend middel om bijwerkingen op te sporen. Het is
echter belangrijk een goede evaluatie strategie wordt opgesteld en het meest
precieze zoeksysteem wordt gebruikt. Er zit veel verschil in kwaliteit tussen de
verschillende zoeksystemen voor social media. Ook is het belangrijk
vervolgonderzoek te doen naar de aard van de bijwerkingen gevonden via social
media en deze te vergelijken met onder andere SRS. Er worden op dit moment
bijwerkingen gevonden via social media, die niet zijn gevonden met SRS. De
verwachting is dat social media een belangrijke rol kan spelen bij het opsporen
van zeldzame bijwerkingen door de grote hoeveelheid data.
Het belangrijkste voordeel van social media ten opzichte van SRS is de grote
hoeveelheid informatie. Een nadeel van social media ten opzichte van SRS is dat
de meldingen descriptief zijn en minder informatie bevatten dan een melding via
SRS. Een voordeel van zowel social media, als SRS is het goedkoop verkrijgen van
veel recente data. Nadelen van zowel social media als SRS zijn het niet
gedetailleerd genoeg beschrijven van het medicijn en de notoriety bias.
i CBS, Statline,
ii CBS, Statline
iii World Health Organization. The Importance of Pharmacovigilance - Safety Monitoring
ofMedicinal Products. World Health Organization; Geneva: 2002.
ivHarrison-Woolrych ML. Evaluating medicines: lets use all the evidence. The Medical
journal of Australia 2007: 186(12): 662.
v Twitter Statistics | Statistic Brain. [Accessed November 25, 2015]. Available at:
http://www.statisticbrain.com/twitter-statistics/ [Ref list]
vi Whittemore L, Knafl K. The integrative review: updated methodology. Journal of
Advanced Nursing 2005: 52: 546-553
vii Segura-Bedmar et al. Exploring Spanish health social media for detecting drug
effects.
viii Nikfarjam et al. Pharmacovigilance from social media: mining adverse drug
reaction mentions using sequence labeling with word embedding cluster features.
ix OConnor K. Pharmacovigilance on Twitter? Mining Tweets for Adverse Drug
Reactions.
x OConnor K. Pharmacovigilance on Twitter? Mining Tweets for Adverse Drug
Reactions.
xi Hariprasad Sampathkuma. Mining Adverse Drug Reactions from online healthcare
forums using Hidden Markov Model.
xii Sri Jyothsna Yeleswarapu. A pipeline to extract drug-adverse event pairs from
multiple data sources.
xiii OConnor K. Pharmacovigilance on Twitter? Mining Tweets for Adverse Drug
Reactions.
xiv Elad Yom-Tov. Postmarket Drug Surveillance Without Trial Costs: Discovery of
Adverse Drug Reactions Through Large-Scale Analysis of Web Search Queries.
xv Ryen W. White. Toward Enhanced Pharmacovigilance using Patient-Generated Data
on the Internet.
xvi OConnor K. Pharmacovigilance on Twitter? Mining Tweets for Adverse Drug
Reactions.
xvii 1 Moulis G . Trends of reporting of 'serious'vs. 'non-serious' adverse drug reactions
over time: a study in the French PharmacoVigilance Database.
xviii Motola D. Ticlopidine safety profile: a case/non-case study on the basis of the
spontaneous ADRs reporting in Italy.
xix Motola D. Ticlopidine safety profile: a case/non-case study on the basis of the
spontaneous ADRs reporting in Italy.
xx Bohn J. Patterns in spontaneous adverse event reporting among branded and
generic antiepileptic drugs.
xxi Grampp G. Active and passive surveillance of enoxaparin generics: a case study
relevant to biosimilars.