Détection de la fraude scientifique et des manquements dans les essais cliniques et la recherche sur la sécurité des médicaments

Aller à la section

• État d'esprit de détection de la fraude
• Contrôle des essais cliniques
• Fraude dans les essais vs études post-commercialisation
• Motifs de fraude scientifique
• Analyse de préférence numérique pour la détection de fraude
• Méthodes statistiques de détection
• Transcription intégrale

État d'esprit de détection de la fraude

Le Dr Stephen Evans, MD, souligne que la détection de la fraude scientifique commence par un état d'esprit spécifique. Les chercheurs et les autorités réglementaires doivent d'abord admettre la possibilité que la fraude puisse survenir. Cette prise de conscience constitue l'étape fondamentale du développement de stratégies de détection efficaces.

Une approche proactive de la détection de la fraude implique une vigilance constante. Le Dr Evans note que présumer de l'intégrité des données sans vérification est une erreur critique. L'état d'esprit doit inclure le scepticisme et un engagement envers des processus rigoureux de validation des données.

Contrôle des essais cliniques

Les autorités réglementaires comme la FDA effectuent un contrôle minutieux des essais cliniques. Le Dr Evans explique que cela implique souvent des visites sur site aux lieux de collecte des données. Cependant, il suggère que cette méthode n'est pas toujours la plus efficace.

L'analyse statistique joue un rôle crucial dans l'optimisation des efforts de contrôle. Le Dr Evans recommande d'utiliser des méthodes statistiques pour déterminer quels sites nécessitent un contrôle sur place. Cette approche fondée sur les données améliore l'efficacité et l'efficience de la détection de la fraude dans la recherche clinique.

Fraude dans les essais vs études post-commercialisation

Le Dr Evans identifie des différences importantes dans la survenue de la fraude selon les types d'études. La fraude est plus facile à détecter dans les essais cliniques que dans les études observationnelles ou post-commercialisation. La nature structurée des essais offre plus d'opportunités de reconnaissance des patterns.

Les études post-commercialisation utilisent souvent des dossiers médicaux électroniques créés à des fins cliniques. Le Dr Evans note que les professionnels de santé enregistrent rarement des données patient frauduleuses dans ces systèmes. Le risque majeur dans la recherche post-commercialisation réside dans l'analyse déficiente plutôt que dans la fabrication des données.

Motifs de fraude scientifique

Comprendre les motivations des chercheurs est crucial pour la détection de la fraude. Le Dr Evans explique que les investigateurs académiques peuvent commettre une fraude en recherchant la gloire professionnelle. Des résultats d'essai positifs peuvent apporter une reconnaissance significative et une avancée de carrière.

Les incitations financières motivent également les manquements à la recherche. Le Dr Evans décrit comment les essais financés par l'industrie procurent des paiements pour les données des participants. Certains investigateurs peuvent inventer des données ou prendre des raccourcis pour recevoir ces paiements, créant des patterns clairs que les méthodes de détection peuvent identifier.

Analyse de préférence numérique pour la détection de fraude

Le Dr Evans illustre une méthode puissante de détection de fraude utilisant l'analyse de préférence numérique. Lorsque les humains inventent des nombres, ils ne peuvent pas créer de distributions véritablement aléatoires. Cela crée des patterns détectables qui diffèrent des données authentiques.

La technique implique l'examen des derniers chiffres des mesures rapportées. Le Dr Evans explique que les personnes montrent des préférences constantes pour certains nombres (comme 7) et en évitent d'autres (comme 0 ou 9). Ces patterns deviennent évidents grâce à l'analyse statistique de grands ensembles de données.

Méthodes statistiques de détection

Le Dr Evans développe des méthodes statistiques spécialisées pour la détection de fraude. Ces techniques identifient des anomalies suggérant une fabrication de données. Les méthodes sont particulièrement efficaces pour les mesures subjectives comme les lectures de tension artérielle.

Le Dr Evans décrit comment la comparaison des données d'essai réelles avec des données inventées révèle des différences nettes. Les patterns statistiques dans les données fabriquées s'écartent systématiquement des distributions naturelles attendues. Ces méthodes de détection continuent d'évoluer alors que les chercheurs développent de nouvelles façons d'identifier les manquements à la recherche.

Transcription intégrale

Dr Anton Titov, MD : Pour conclure notre discussion très intéressante, Professeur Evans, un autre domaine de votre expertise est la découverte de la fraude scientifique et des manquements. Comment peut-on réellement détecter la fraude scientifique et les manquements dans les essais cliniques ou dans l'analyse post-commercialisation et de sécurité des médicaments ?

Dr Stephen Evans, MD : Je pense qu'il faut d'abord avoir un état d'esprit qui admet la possibilité. Actuellement, dans de nombreux essais cliniques, particulièrement ceux contrôlés par la FDA ou les autorités réglementaires, il existe un contrôle minutieux de ce qui se passe dans ces essais.

Bien que le contrôle par visite des sites de collecte de données ne soit pas la méthode la plus efficace. Habituellement, l'analyse statistique est utilisée pour déterminer où effectuer le contrôle sur site. Je pense que cela peut être amélioré.

Il faut un état d'esprit, il faut de l'analyse, il faut savoir quoi chercher dans les données. Il existe des patterns lorsque les gens inventent des données qui n'apparaissent pas dans les données réelles.

Je ne voudrais pas, en un sens, révéler tous les astuces pour détecter la fraude. Quelqu'un m'a dit que je devais être très prudent en expliquant ce que je fais pour détecter la fraude car sinon, les gens trouveront des moyens de la contourner.

Je ne suis pas sûr d'être d'accord avec cela. Je pense que mon travail est d'inventer de nouvelles méthodes statistiques pour détecter la fraude et les manquements dans les essais.

Il est en réalité plus facile de détecter la fraude dans les essais que dans les études observationnelles ou l'analyse de sécurité post-commercialisation des médicaments. Mais beaucoup d'études post-commercialisation sont réalisées dans des dossiers médicaux électroniques utilisés à des fins cliniques.

Les données elles-mêmes sont alors rarement frauduleuses car les médecins n'inscrivent généralement pas de données frauduleuses pour leurs patients, ou d'autres professionnels de santé enregistrant les données. Mais c'est l'analyse des données qui peut être déficiente.

De mon expérience, nous ne voyons pas autant de fraude dans l'analyse de sécurité post-commercialisation que dans les essais académiques, où le résultat de l'essai apporte la gloire à l'investigateur. Il faut être conscient des motivations des personnes lorsqu'elles commettent une fraude.

De nombreux médecins participent à des essais randomisés financés par l'industrie, et ils apprécient l'argent qui en provient. Ainsi, ils peuvent être tentés, et parfois succomber à la tentation de prendre des raccourcis ou d'inventer des données afin d'être payés pour ces données dans un essai.

Je pense que nous avons de bonnes méthodes pour détecter quand cela se produit. Nous avons de moins bonnes méthodes pour le détecter lorsque les études observationnelles sont mal réalisées, mais il existe également des possibilités d'examiner cela.

Dr Anton Titov, MD : L'un des articles fascinants que vous avez publiés—et je pense que c'est un secret de Polichinelle puisqu'il a été publié—est comment vous comparez un essai d'une certaine intervention nutritionnelle pour les maladies cardiovasculaires et aussi une intervention médicale, et montrez que l'analyse des derniers chiffres dans les données pourrait réellement révéler s'il y a un manquement scientifique dans l'analyse ou non à cause de la distribution non aléatoire. Pourriez-vous brièvement discuter de ce type d'approche comme illustration d'une des nombreuses méthodes de votre analyse qui peuvent découvrir ces situations ?

Dr Stephen Evans, MD : Si je demandais à tout votre public de penser à un nombre, un seul nombre entre zéro et neuf, et de l'écrire maintenant, et que je pouvais aller examiner ces résultats, je ne trouverais pas une distribution uniforme des nombres entre zéro et neuf.

Il y aurait, par exemple, très peu de zéros et relativement peu de neufs ; plutôt plus de sept. Dès que les êtres humains commencent à inventer des nombres, ils ne peuvent pas les inventer aléatoirement à moins d'utiliser un ordinateur pour le faire. Et s'ils utilisent un ordinateur pour le faire, alors il existe des moyens de le détecter.

Ainsi, lorsque nous nous retrouvons avec quoi que ce soit de subjectif—et c'était particulièrement le cas avec les tensions artérielles, ou avec les tailles et poids où quelqu'un notait un nombre après avoir examiné un patient—alors vous trouveriez une préférence numérique. Et ce n'était pas nécessairement frauduleux.

Mais si vous devez inventer tous vos nombres pour un essai randomisé et les noter, les patterns que les êtres humains ont en notant ces nombres vous permettent de détecter des différences par rapport à ce qui est probablement des données réelles.

Dans l'exemple que vous avez trouvé, nous avions un essai avec des données réelles et des données clairement inventées. Et nous pouvions détecter la différence entre elles car les êtres humains impliqués dans l'invention des données ne pouvaient pas reproduire ce qui était observé dans le monde réel.