有助于减少药品浪费的 8 种 IRT 方法

1) 预测

向研究中心供应药物的传统方法基于一种缓存策略，该策略通常由可根据各研究中心调整的触发因素和再供应级别进行配置。每次研究中心有任何药包类型符合再供应触发时，IRT 系统都会生成运送请求。常见的做法是在提出运送请求时补充所有药包类型，以减少整体运费并更好地在一批货件中保持盲态。再供应级别视招募率、预期再供应频率、研究中心储存能力和研究药品过剩情况而定，并且在提出下一次运送前应能为需要药物治疗的预计非预期事件数量提供足够药物。

受试者被随机化分配到试验中后，可能需要额外分发药物，这通常在后续计划访视时提供。由于 IRT 知晓此计划，因此该系统可以计算受试者需要哪些药包以及何时需要，这意味着可以预测继续参加试验的受试者的需求。

IRT 系统可以在一个确定的时间范围（检查范围）内进行预测，并确定当前的研究中心库存是否足够支撑此窗口期间的所有访视。如果不够，必须发送新的药物货件，以使未满足的要求得到满足。为减少向研究中心发货的次数，系统可在一个更长的时间范围（补货范围）内进行预测，以确定是否需要在任何其他计划内访视时为返院患者供应药物。补货范围由预期再供应频率、研究中心储存能力和研究药物过剩情况以及预期退出率等其他因素决定。

与在单批货件中供应按受试者编号药包的传统系统相比，虽然这些为研究中心再供应药物的方法显著减少了浪费数量，但有时这些方法也缺乏更复杂情况所需的先进性和适应性。

2) 分段预测算法

在传统剂量探索研究中，申办方会研究同一种治疗的几种剂量，这使减少药品浪费变得更具挑战性。

如果没有 IRT 系统，申办方可能需要为所有患者维持研究方案中的所有给药方案，而这随后会导致巨大的浪费，尤其是在有许多剂量的情况下。虽然 IRT 中的预测算法可显著节省药物，但不可能充分涵盖个体患者发生剂量调整的可能性，因此需要每个研究中心维持更多的药物库存来涵盖这种可能性。

考虑一个示例

想象有 4 个剂量的活性化合物（和匹配安慰剂剂量），且任何受试者都可以在每次访视时调整一个剂量水平。采用一种简单的缓存策略时，IRT 系统可能需要研究中心针对每种治疗的每个剂量水平维持一个药包，从而用于预计可能会调整剂量的每位患者（根据招募率）。

一种更有效的方案可能是预测每位患者在每次访视时可能需要的所有可能剂量（例如对于在上一次访视时接受剂量水平 2 的受试者来说，系统可能预测相关治疗组为剂量水平 1、2 和 3 的其中一个）。

这种方法在最大程度减少研究中心拥有的不相关治疗类型时，仍然意味着在预计只使用一种药包时向研究中心发送三种药包。

有一种类型的测预算法可以进一步减少这种可能的浪费。根据近似调整百分率，IRT 系统可以预测相对于这种预期的药包分数。例如，如果接受剂量水平 2 的患者中预计只有 20% 会下调至剂量水平 1，则预测目前接受剂量水平 2 的每位患者的药包分数为五分之一。

通过 IRT 系统评估这些需求时，添加这些分数（每种药包类型）并向上舍入至最近的整数。在我们的示例中，对于每 5 名接受剂量水平为 2 的同种治疗的受试者，将向研究中心发送一个剂量水平为 1 的药包。

采用这种方法时，预测的分数是一个重要变量：将分数设得过高会增加药品浪费，而设得过低则会导致分发失败。使用药物需求刺激后，可以通过确保失败风险较低并同时保持研究中心拥有最低数量的药物，来对分数进行优化。

3) 强制

强制作为试验设计的一部分

强制通常用作一种避免因研究中心出现计划外缺药而导致随机化分配失败的方法。在一些情况下，IRT 中的强制被更故意地纳入到设计中，以减少药品浪费。

使用双重随机化分配的研究中心的强制。

这种方法适用于有许多治疗、缺乏供应品和招募率相对较低的试验。在这些情况下，发送全套治疗供应品会造成大量浪费。

为了减少浪费，采用两个不同的随机化分配列表。第一个随机化分配列表使用最小的区组编制，并且将是分配比率的总和。例如，将针对一项含 7 种治疗且分配比率相等的试验使用大小为 7 的区组。随着研究中心在 IRT 中激活，向研究中心发送与区组大小的分数相对应的供应品。在我们的示例中，可能向第一个被激活的研究中心发送与列表上前三个条目相对应的治疗药物。可能向第二个被激活的研究中心发送随机化分配列表上的后续三个条目，以此类推。这意味着可能会根据不同区组向研究中心发送相同治疗的两个药包。

使用第一个随机化分配列表确定向研究中心发送哪些治疗药物时，使用第二个随机化分配列表进行实际的患者随机化分配。该列表使用强制方法将与研究中心提供的治疗相对应的下一个可用随机化分配编号分配给患者。跳过与未提供的治疗相对应的随机化分配编号，但该编号可用于后续患者。由于是在研究中心招募患者，因此使用第一个随机化配分列表启动缓冲库存再供应，并针对未来的患者访视进行预测。

通过根据平衡列表进行强制分配，在面对供应品有限和药品浪费最低的情况时，该技术将会产生最佳的整体研究治疗组平衡。值得注意的是，《国际协调会议 (ICH) E9 指南》不建议采用这种方法。虽然可以说这种方法增加了可预测性和选择偏倚防范，但即使研究者知道区组大小和既往治疗分配，他们也无法预测下一位随机化分配患者的药物。

4） 自动化供应策略管理

基于预期招募率的常规库存管理很受限，因为这需要临床供应团队进行积极监控，并采取措施来适应真实的研究中心级别招募。

虽然这对于规模相对较小的研究而言是一种有效的解决方案，但预计无法在大型全球研究中对所有研究中心的招募率进行持续密切监控。

IRT 系统可帮助根据使用率调整库存需求，而库存需求与实际招募率直接相关。

仍然按低、中等和高招募率对研究中心库存分类，但 IRT 中内置的存货管理算法可监控每个研究中心积极接受治疗的患者人数，并将其转化为一段预定时间内所需的药物数量。

先进的 IRT 系统能够计算平均使用率以及最高预期值，以提高供应管理的准确度。如果研究中心的活跃患者人数增加或减少，IRT 系统将自动调整研究中心的需求，从而对药物库存进行自动管理。

如果各阶段的药物需求发生变化，还会自动调整这些策略以适应招募阶段。在已招募所有患者后，临床供应经理将把研究中心的缓冲库存降至最低，例如，这可以通过 IRT 自动进行，以减少密切监控招募阶段的需求。

如果研究中心的活跃患者人数增加或减少，IRT 系统将自动调整研究中心的需求，从而对药物库存进行自动管理。

5） 随机分配预测

根据预期招募率和可能的治疗分配，基于某个规定时期内可能需要的药包数量确定按触发和再供应或使用率定义的缓冲库存。因为在随机化分配一定人数的患者时需要维持的药包数量始终都会超过实际需求，因此以这种方式供应药物必然会导致浪费。

在有 3 个治疗组且每组都接受一种不同药物的研究中，为了能够在短时间内对 2 名患者进行随机化分配，现场必须保留每种药物各 2 包。

在随机分配代码在研究中心层面分层的临床试验中，有一种方法通过使用称为随机分配预测的策略来预测所需的缓冲。

通过随机化分配时间表确定研究中心的药物需求；通过预览时间表，IRT 系统可预测未来的治疗分配。当库存水平低于或等于将接下来的 X 名患者随机化分配至随机化分配时间表所列治疗的所需水平时，会生成研究中的供应订单，其中 X 通过检查范围内的最高预期招募率来确定。

再供应量同样通过随机化分配时间表来确定，而且货件将包含充足的药物，以使研究中心能够随机化分配接下来的 Y 名患者。与正常缓存相似，通过补充库存范围内的平均预期招募率来确定 Y。

使用正常缓冲，在上述示例中，需要维持 6 个药物包以随机分配 2 名受试者；如果随机分配方案按研究中心分层，且随机分配预测方法用于维持随机分配的缓冲储备，则只需要保留 2 个包在研究中心即可随机分配 2 名患者。

6) 盲组订购

在许多研究中，时常会出现招募速度较慢或预期仅有非常少的受试者被招募至各研究中心的情况。在试验设计为双盲的这些情况下，很可能货件中包含的药物只能用于一名患者，因此需要在货件中添加一个随机化药包，以保持盲态。在整个研究过程中考虑时，这种额外的药包可能会导致相对较大的浪费，尤其是存在多个治疗组或包装类型的情况下。

在这种情况下，可以使用另一种供应缓存药物的方法（称为盲组订购）来减少这种浪费。

盲组订购的原则是向研究中心提供的初始供应中包含随机化盲法药物，但不是每批货物中都必须添加此药物。这与常规缓存策略一样；但盲组订购策略还要考虑根据总数维持总缓存数。

例如，考虑有两种药包类型的研究（活性药物和安慰剂）：盲组订购策略可设定为维持 1 包活性药物，1 包安慰剂，总共 3 个药包。第三个药包将随机化选择（即活性药物或安慰剂）。我们假设，某研究中心的当前库存为 1 包活性药物和 2 包安慰剂（其中第二包安慰剂为随机化药包）。

对下一名患者进行随机化分配时，可能会出现以下其中一种情况：

• 如果该患者被随机化分配至接受活性药物，则将提供含有 1 包活性药物的单药包货件（由于该研究中心无剩余活性药物包）。
• 如果该患者被随机化分配至接受安慰剂，则将提供含有 1 包活性药物或 1 包安慰剂的单药包货件（由于该研究中心仍剩余 1 包安慰剂，因此 IRT 系统将替换随机化药包）。

使用此类方法意味着单药包货件并未部分揭盲，因为研究者并不知道货件中的药包是否替换了他们刚分配的药包，或者只是一个随机化药包。因此，这样可以减少增加大量药包来对每个货件设盲所致的药品浪费量。

7) 药包替换（针对开放标签研究与双盲研究）

在临床试验中，当药物分配计划允许使用多种给药制剂的药包组合来构成相同总剂量时，通常会采用药包替换。例如，100 毫克剂量可由 4 x 25 毫克片剂、2 x 50 毫克片剂或 1 x 100 毫克片剂组成。将决定如何提供该剂量以优化多个不同目标，而这可能与患者的使用频率、患者的易用性、可用性或单独的临床考虑有关。

在试验期间变更药物制剂的情况下，将一种制剂转换为另一种制剂时会出现较高的大量浪费风险。如果现有药包在完全使用之前被替换，那么所有剩余药包都会被浪费。可能会在研究中心和仓库两个层面上造成浪费。

在此类情况下，药包替换是减少浪费的良好解决方案。根据研究中心需求完成从旧制剂到新制剂的转换，IRT 会优先将旧制剂运送到研究中心，在仓库用完旧制剂后才将新制剂运送到研究中心。

从药物分发的角度来看，IRT 系统也会优先选择旧制剂，当旧制剂的数量不够用于全面分发时才会开始分发新制剂。

在此类情况下，良好的药包替换计划至关重要，因为新制剂的有效期需要长到足以涵盖相对较慢的旧制剂替换速度。申办方也希望与仓库和研究中心共享这一过程，以便他们仅在所有旧制剂均已使用后才会配制用于替换旧制剂的新制剂。

8) 药物集中

减少药品浪费的一个好方法是在一个项目或一系列研究中协调药物的使用，这称为“药物集中”。申办方不仅应实现更高效的药物使用，还可以减少研究特定供应管理监督。精心设计的 IRT 解决方案将成为正确管理药物集中并帮助实现成本效率的重要工具。

虽然 IRT 中的药物集中并不是新功能，但许多研究团队仍不了解集中能实现什么，不能实现什么，以及监管机构对该功能的使用会作何反应。药物集中并不适用于所有项目，因为在不同研究方案的相同药包类型要求中，需要有足够的重叠才能带来益处。申办方还需要考虑对标签的影响，并应参考各试验涵盖的所有国家/地区的现行规章，以确保遵循正确的建议。药包上有多个标签会让仓库和研究中心混淆，因此可能需要特定的标签解决方案来减少混淆和错误风险。

药物集中的定义

当相同仓库和/或研究中心有多个研究方案使用同一药物时，可进行集中。集中允许在多个试验中共享药物供应，因此无法区分用于各研究方案的药物的内容、数量和标签（某些情况下）。

虽然通常仅从减少药品浪费的角度考虑药物集中，但这也是应对可用性（稀缺性）问题或其他影响药物供应的限制的有效解决方案。

当考虑在各项试验中共享药物时，可在仓库层面或研究中心层面应用药物集中；我们将在本文件中阐述这两种选择。

仓库与研究中心层面的集中

仓库和研究中心层面的集中具有不同的供应链和 IRT 设置考虑。集中发生的层面会影响药包标签、仓库供应管理以及研究中心供应管理。两个层面的潜在节省也不同，其中研究中心集中能够最大节省药物。

简言之，仓库药物集中在于管理仓库中用于各项试验的药物，而非在研究中心提供研究方案特定药物（即使药包类型完全相同）。换句话说，研究中心药物集中则同时在仓库和研究中心层面管理用于各项试验的药物。后一种解决方案始终被视为最佳方法，但在确定一组研究中用于所有事件的集中库存的大小方面可能会非常复杂。

研究中心层面的集中

虽然不完全符合研究中心层面药物集中的标准，但减少药品浪费的一种简便方法是在针对研究方案设计的现有 IRT 中添加扩展研究方案。这是业内的常规做法，其允许在两个研究方案中使用药包，而不会对 IRT 设计造成太大影响。但这种方法仅限于两个研究方案的组合。

与研究的某个计划相关的研究中心层面集中允许研究中心针对所有研究方案（已由研究中心纳入研究方案的“集中组”中）供应一个库存。研究中心有一个针对所有研究方案的供应计划，而不是每个研究方案都有一个单独的供应计划。在开放标签试验中，当研究中心针对某个研究方案的库存已用完但可为另一个研究方案提供所需的药物时，此举有助于避免任何合规性问题。

对研究中心供应策略有什么影响？

仓库层面的集中具有同时包含集中后药包类型和未集中药物的灵活性，例如，将某个药包类型分配给特定研究方案。

另一方面，对于研究中心层面的集中，研究方案特定药包应仅限于特定研究方案中出于该设计的独特目的而单独使用的药物。研究中心只有一种药物供应，各研究方案之间的货物没有区别。

对于研究中心计划中的所有研究，药物集中可与预测供应相结合用于给定研究中心内即将到来的患者访视。应保留额外的缓冲库存，以涵盖新的患者和计划外再供应。评估所有研究方案中的需求非常重要，以便确定可以满足研究中心当前进行的试验所需的缓冲库存。申办方还需要考虑若将新研究方案加入集中，会对缓冲库存产生何种影响，以及如何在供应策略中实现适当的灵活性。如果研究方案同时包含了集中药物和研究方案特定药包类型，那么供应策略的定义会变得更加复杂。