O πρόεδρος του Φαρμακευτικού Συλλόγου Χαλκιδικής κ. Κωνσταντίνος Κάσσανδρος με αφορμή το 6ο Συμπόσιο Φαρμακοεπιδημιολογίας σε άρθρο του για το DailyPharmaNews αναφέρεται στο πρόσφατο 42ο Annual Meeting της International Society for Pharmacoepidemiology (ISPE) και στα συμπεράσματα που προέκυψαν από αυτό για τη νέα εποχή της φαρμακοεπιδημιολογίας, την τεχνητή νοημοσύνη και την αξιοποίηση της πληροφορίας που παράγεται καθημερινά γύρω από το φάρμακο.
Το Συμπόσιο διοργανώνει η Ελληνική Εταιρεία Φαρμακοεπιδημιολογίας από τις 2 έως τις 4 Οκτωβρίου στην Αθήνα συγκεντρώνοντας Έλληνες και διεθνείς επιστήμονες, με επίκεντρο τις σύγχρονες τεχνολογίες, τα δεδομένα και τη σύνδεσή τους με την κλινική πράξη, το φαρμακείο και την πολιτική υγείας,
Ακολουθεί το άρθρο του κ. Κάσσανδρου:
Τι έδειξε το ISPE 2026 για τη νέα εποχή της φαρμακοεπιδημιολογίας, την τεχνητή νοημοσύνη και την αξιοποίηση της πληροφορίας που παράγεται καθημερινά γύρω από το φάρμακο.
«Το 42ο Annual Meeting της International Society for Pharmacoepidemiology (ISPE), που πραγματοποιήθηκε στο Μιλάνο από τις 29 Αυγούστου έως τις 2 Σεπτεμβρίου 2026, έδειξε με αρκετή σαφήνεια προς τα πού κινείται σήμερα η έρευνα για το φάρμακο. Real-world data, causal inference, φαρμακοεπαγρύπνηση, αξιολόγηση της χρήσης φαρμάκων, αποσυνταγογράφηση και τεχνητή νοημοσύνη βρέθηκαν στον πυρήνα ενός προγράμματος που είχε ως κοινό παρονομαστή ένα πρακτικό ερώτημα: τι συμβαίνει πραγματικά όταν μια θεραπεία περάσει από τις συνθήκες της κλινικής δοκιμής στην καθημερινή ζωή του ασθενούς;
Οι κλινικές δοκιμές παραμένουν η βάση για την αξιολόγηση μιας θεραπείας, όμως δεν μπορούν να αναπαραγάγουν πλήρως την πραγματικότητα της μακροχρόνιας χρήσης. Στην καθημερινή κλινική πράξη το ίδιο φάρμακο χορηγείται σε ηλικιωμένους, σε ασθενείς με πολλές συννοσηρότητες, σε ανθρώπους που λαμβάνουν ταυτόχρονα πολλές θεραπείες ή που αλλάζουν δόση, διακόπτουν και επανεκκινούν την αγωγή τους. Η σύγχρονη φαρμακοεπιδημιολογία προσπαθεί να μελετήσει ακριβώς αυτή την πραγματικότητα. Γι’ αυτό και στο φετινό ISPE δόθηκε ιδιαίτερη έμφαση στην ποιότητα του σχεδιασμού των μελετών, στον έλεγχο του bias και του confounding (σ.σ. Ο έλεγχος του συστηματικού σφάλματος -bias και της σύγχισης – confounding αποτελεί τον κεντρικό πυλώνα για τη διασφάλιση της εσωτερικής εγκυρότητας κάθε επιδημιολογικής και επιστημονικής μελέτης), στις νεότερες προσεγγίσεις causal inference (σ.σ. Η αιτιώδης συμπερασματολογία – causal inference είναι το μαθηματικό και στατιστικό πλαίσιο που μας επιτρέπει να καταλάβουμε αν ένα φάρμακο προκάλεσε ένα αποτέλεσμα -θεραπεία ή παρενέργεια- και όχι απλά αν σχετίζεται τυχαία με αυτό) και στη χρήση real-world evidence (σ.σ. δηλαδή κλινικές αποδείξεις για τη χρήση, τα οφέλη και τους κινδύνους ενός ιατρικού προϊόντος, οι οποίες προκύπτουν από την ανάλυση των δεδομένων από τον πραγματικό κόσμο – real word data) για ζητήματα ασφάλειας και θεραπευτικών αποφάσεων.
Μία από τις πιο ενδιαφέρουσες τάσεις είναι ότι η συζήτηση μετακινείται σταδιακά από το «έχουμε πολλά δεδομένα» στο «έχουμε τα σωστά δεδομένα και γνωρίζουμε πώς να τα ερμηνεύσουμε;». Η ηλεκτρονική συνταγογράφηση, τα μητρώα ασθενών, οι ασφαλιστικές βάσεις και οι ηλεκτρονικοί φάκελοι υγείας δημιουργούν τεράστιο όγκο πληροφορίας. Το μέγεθος όμως από μόνο του δεν αρκεί. Χρειάζεται να γνωρίζουμε ποιον πληθυσμό μελετάμε, τι ακριβώς θεωρούμε έκθεση σε μία θεραπεία, ποια είναι η κατάλληλη ομάδα σύγκρισης και ποιοι άλλοι παράγοντες μπορεί να εξηγούν ένα αποτέλεσμα. Η λογική αυτή φαίνεται και στην αυξανόμενη χρήση προσεγγίσεων όπως το target trial emulation (σ.σ. πρόκειται για μία σύγχρονη μεθοδολογία στον τομέα της επιδημιολογίας με τους ερευνητές να χρησιμοποιούν δεδομένα από τον πραγματικό κόσμο -όπως ιατρικούς φακέλους ή βάσεις δεδομένων ασφαλισμένων- και να τα αναλύουν με τέτοιο τρόπο ώστε να προσομοιώσουν τον σχεδιασμό μιας τυχαιοποιημένης ελεγχόμενης κλινικής δοκιμής), όπου μια παρατηρητική μελέτη σχεδιάζεται εξαρχής όσο το δυνατόν πιο κοντά στη δομή μιας υποθετικής τυχαιοποιημένης δοκιμής. Δεν εξαφανίζει τους περιορισμούς των παρατηρησιακών δεδομένων, αλλά επιβάλλει πολύ μεγαλύτερη ακρίβεια στο ερευνητικό ερώτημα.
Αντίστοιχη ωρίμανση φαίνεται και στην τεχνητή νοημοσύνη. Το ISPE 2026 περιλάμβανε εκπαίδευση και εφαρμογές AI στη φαρμακοεπιδημιολογία, στη φαρμακοεπαγρύπνηση και στην πρόβλεψη κινδύνου, αλλά το ενδιαφέρον πλέον δεν περιορίζεται στο τι μπορεί να κάνει ένας αλγόριθμος. Εστιάζει στο πότε μπορούμε να εμπιστευτούμε το αποτέλεσμα και ποια ερώτηση πραγματικά απαντά. Ένα μοντέλο μπορεί, για παράδειγμα, να αναγνωρίσει ασθενείς με μεγαλύτερη πιθανότητα μιας ανεπιθύμητης έκβασης. Αυτό δεν σημαίνει αυτομάτως ότι μπορεί να αποδείξει ποιο φάρμακο την προκάλεσε. Η πρόβλεψη κινδύνου, η διερεύνηση αιτιότητας και η κλινική απόφαση είναι διαφορετικά στάδια και η AI μπορεί να υποστηρίξει, αλλά όχι να υποκαταστήσει, τη σωστή μεθοδολογία και την επαγγελματική κρίση.
Στο ίδιο πλαίσιο εντάσσεται και η αυξανόμενη μελέτη της αποσυνταγογράφησης. Η έρευνα δεν αφορά πλέον μόνο το ποιος ξεκινά μια θεραπεία, αλλά και το ποιος παραμένει σε αυτή για χρόνια, τι συμβαίνει όταν μειώνεται η δόση, ποιοι ασθενείς τελικά διακόπτουν και πόσοι επανέρχονται στη θεραπεία. Πρόκειται για ερωτήματα με ιδιαίτερη σημασία στην πολυφαρμακία και στους ηλικιωμένους, αλλά και για ένα χαρακτηριστικό παράδειγμα του πόσο διαφορετική μπορεί να είναι η πραγματική χρήση ενός φαρμάκου από την αρχική θεραπευτική πρόθεση.
Όλα αυτά μπορεί αρχικά να φαίνονται αρκετά μακριά από την καθημερινότητα ενός κοινοτικού φαρμακείου. Στην πραγματικότητα, όμως, ένα σημαντικό μέρος αυτής της λογικής εφαρμόζεται ήδη, συχνά εμπειρικά. Όταν παρατηρούμε ότι ένας ασθενής καθυστερεί σταθερά να ανανεώσει τη θεραπεία του, ότι χρησιμοποιεί παράλληλα διαφορετικά φάρμακα, ότι επιστρέφει σε προηγούμενη δόση μετά από μια αλλαγή ή ότι μια θεραπεία συνεχίζεται επί χρόνια, ουσιαστικά παρατηρούμε πραγματικά δεδομένα χρήσης. Το ίδιο συμβαίνει όταν καταγράφουμε μια ανεπιθύμητη ενέργεια, εντοπίζουμε ένα πρόβλημα πολυφαρμακίας ή προσπαθούμε να καταλάβουμε γιατί ένας ασθενής σταμάτησε μια αγωγή.
Η διαφορά βρίσκεται στο τι κάνουμε με αυτήν την πληροφορία. Αν παραμείνει μόνο ως εμπειρική παρατήρηση, έχει αξία για τον συγκεκριμένο ασθενή. Αν όμως καταγράφεται με κοινό και συστηματικό τρόπο, μπορεί να μας βοηθήσει να μετρήσουμε την προσήλωση, να εντοπίσουμε πληθυσμούς που χρειάζονται medication review, (σ.σ. ανασκόπηση φαρμακοθεραπείας) να αναγνωρίσουμε επαναλαμβανόμενα προβλήματα φαρμακοθεραπείας, να ενισχύσουμε τη φαρμακοεπαγρύπνηση και να αξιολογήσουμε αν μια παρέμβαση του φαρμακοποιού είχε πραγματικό αποτέλεσμα.
Εδώ ίσως βρίσκεται και το πιο πρακτικό μήνυμα του ISPE 2026. Η επόμενη εξέλιξη στη φαρμακευτική πρακτική δεν εξαρτάται μόνο από μεγαλύτερες βάσεις δεδομένων ή πιο σύνθετους αλγορίθμους. Εξαρτάται και από την ικανότητά μας να αναγνωρίζουμε την πληροφορία που ήδη παράγεται στην καθημερινή πρακτική, να τη μετατρέπουμε σε αξιόπιστα δεδομένα και να τη χρησιμοποιούμε για καλύτερες αποφάσεις. Για το κοινοτικό φαρμακείο, αυτό μπορεί να σημαίνει μια σταδιακή μετάβαση από την εμπειρική παρατήρηση σε μια περισσότερο μετρήσιμη, τεκμηριωμένη και αξιολογήσιμη φαρμακευτική πρακτική».