Идриса Кирёва - магистрант
Санкт-Петербург
Kiryowa Idrisa - MSc, Student
St. Petersburg
Холопов Руслан Александрович - студент
Санкт-Петербург
Ruslan A. Kholopov - student
St. Petersburg
Драгунс Виталий - зам. генерального директора
Санкт-Петербург
Vitaly Draguns - deputy general director
St. Petersburg
Булкран Мохамед Саид - доцент
Санкт-Петербург
Mohamed Said Boulkrane - Associate Professor
St. Petersburg
Цель. Разработка и валидация гибридной биостатистической методологии для генерации доказательств, основанных на данных реальной клинической практики (RWE) при оценке эффективности и безопасности биологически активных добавок (БАД).
Методы. Предложенная концепция объединяет методы причинно-следственного вывода (IPTW) с ансамблевыми методами машинного обучения (CatBoost, Random Forest) и множественным восполнением пропущенных данных (MICE). Валидация проводилась на двух пилотных неинтервенционных исследованиях (N=249) и высокоразмерном синтетическом наборе данных (N=6000) с уровнем пропусков до 83,33%. Для оценки соотношения польза–риск использовалась многокритериальная Парето-оптимизация.
Результаты. Применение IPTW позволило достичь стандартизированной разницы средних (SMD) <0,10 по всем исходным характеристикам. Регрессионная модель эффективности достигла R² = 0,3596. Модель классификации безопасности на основе CatBoost после оптимизации порога классификации показала PRAUC = 0,123 и F1-меру = 0,218, что позволило выявить скрытые сигналы нежелательных явлений (например, 12,47% для магния 400 мг). Парето-оптимизация обеспечила объективное сравнение профилей БАД без субъективного взвешивания показателей.
Заключение. Разработанная методология повышает согласованность и надёжность пострегистрационной оценки БАД на основе RWD и может быть использована регуляторными органами (FDA, EFSA, Росздравнадзор РФ).
Objective. To develop and validate a hybrid biostatistical methodology for generating Real-World Evidence (RWE) to assess the efficacy and safety of food supplements.
Methods. The proposed framework integrates causal inference techniques (Inverse Probability of Treatment Weighting, IPTW) with ensemble machine learning methods (CatBoost, Random Forest) and Multiple Imputation by Chained Equations (MICE). Validation was performed using two pilot non-interventional studies (N=249) and a high-dimensional synthetic dataset (N=6000) with missingness up to 83.33%. Multi-objective Pareto optimization was applied for benefit–risk assessment.
Results. IPTW achieved a standardized mean difference (SMD) <0.10 across all baseline covariates. The efficacy regression model attained an R² of 0.3596. The CatBoost-based safety classification model, after threshold optimization, achieved a PRfor Magnesium 400 mg). Pareto optimization provided an objective comparison of supplement profiles without subjective AUC of 0.123 and an F1-score of 0.218, enabling the detection of latent adverse event signals (e.g., 12.47% indicator weighting.
Conclusion. The developed methodology improves the consistency and reliability of post-market supplement evaluation using RWD and can support regulatory activities of organizations such as Food and Drug Administration, European Food Safety Authority, and Roszdravnadzor RF.
The authors declare that there are no conflicts of interest present.