Upload
jonas-ranstam
View
126
Download
2
Embed Size (px)
Citation preview
9/24/11
Validering - datakvalitet
Jonas Ranstam, RC Syd, Lund
9/24/11
CRF Data-bas
Statistiskanalys
RapportMyndighetskontroll
Journal o.d.
Klinisk prövning - informationsflöde
9/24/11
Klinisk prövning, personal Läkare
Monitorerare
Data manager
Auditerare
Statistiker
9/24/11
Monitorerare
Kontrollerar att källdata överförs korrekt till CRF (övervakar procedurer, följsamhet med GCP, etc.)
Kontrollerar medicinsk bedömning
Kontrollerar data management
Kontrollerar statistisk analys
9/24/11
Data manager Överför CRF-information till analysdatabas
Kontrollerar att överföringen blivit korrekt
Kontrollerar medicinsk bedömning
Kontrollerar statistisk analys
9/24/11
Auditerare (intern/extern)
Utför oberoende kvalitetssäkring
Kontrollerar att instruktioner och deras efterlevande överensstämmer med GCP (good clinical practice)
Kontrollerar monitoreringen
9/24/11
Statistiker
Deltar i planläggning av studien (studiedesign, patientantal, m.m.)
Skattar behandlingseffekt
Bestämmer osäkerheten i skattningen
Redovisar resultat
9/24/11
Felkällor och ansvar
Felaktiga medicinska bedömningar (läkare)
Felaktiga eller saknade källdata (monitorerare)
Korrupt datahantering (data manager)
Inadekvat statistisk analys (statistiker)
Myndighetsövervakning och kontroll!
9/24/11
Kvalitetsregisterarbete, personal
Läkare, sjuksköterskor, sjukgymnaster, patienter, etc.
Monitorerare (?)
Data manager (?)
Auditerare (?)
Statistiker (?)
Systemutvecklare (?)
Myndighetsövervakning och kontroll?
9/24/11
ValideringsmetoderIndirekt validering m.h.a. externa registerdata
- relativt enkelt att åstadkomma med begränsad arbetsinsats- registerdata är inte alltid valida- relevant information kan saknas (t.ex. sida)
Direkt validering mot källdata
- omfattande arbete (urvalsstudier rekommenderas)- medicinsk tolkning av källdata nödvändig- urvalsosäkerhet
9/24/11
Målsättning för kvalitetsregister
1. Beslutsstöd
2. Prestationsövervakning
3. Forskning
4. Förbättringsarbete
9/24/11
Målsättning för kvalitetsregister
1. Beslutsstöd - totalmaterial
2. Prestationsövervakning - totalmaterial, urval
3. Forskning - urval
4. Förbättringsarbete - urval
9/24/11
Olika frågeställningar
Totalmaterial
- Beskrivning av vad som inträffat, utan ambition att generalisera iakttagelserna
- Resultatet beror delvis på ovidkommande tillfälligheter
Urvalsundersökning (“science = generalizable knowledge”)
- Generaliserbara resultat (till finit eller super-population)
- Urvalsosäkerhet kvantifieras urvalsosäkerhet
9/24/11
UrvalsproblematikExempel: Andelen personer med influensa
9/24/11
9/24/11
9/24/11
9/24/11
9/24/11
Osäkerhet har konsekvenser
Osäkerhetsmått
P-värdet, anger osäkerheten i form av sannolikheten för ett falskt positivt resultat
Konfidensintervallet, anger osäkerheten som en serie plausibla värden
9/24/11
9/24/11
9/24/11
9/24/11
Osäkerhet har fler konsekvenser
Mät- och registreringsfel bidrar med ytterligare osäkerhet
Differential and non-differential misclassification bias
9/24/11
9/24/11
Vad har detta för betydelse för validering och datakvalitet?
Vad som är viktigt för ett registers datakvalitet beror på dess målsättning
- Totalmaterial
- Urval
9/24/11
Datakvalitet i ett totalmaterial
För totalmaterialsfrågeställningar (beslutsstöd, och vissa former av prestationsövervakning) är detta viktigast:
- Täckningsgrad
- Registreringsgrad
9/24/11
Definitioner
Täckningsgrad
Andelen till ett register rapporterande enheter (kliniker, vårdcentraler, etc.) som uppfyller registrets inklusionskriterier, ev. uttryckt i procent patienter.
Registreringsgrad
Andelen i ett register registrerade patienter av de patienter som behandlats vid en enhet som rapporterar till registret
9/24/11
Indirekt validering
Exempel
Jämförelse av protesregister (PR) med patientregister (PAR). Vissa fall/åtgärder finns i enbart PR, andra i enbart PAR
Registreringsgrad = PR / (PR eller PAR)
Förfarandet leder till upptäckten av en blandad kompott med fel från läkare, monitorerare och datamanagers samt systemutvecklare. För att förbättra registreringssystemet krävs ofta kompletterande analys.
9/24/11
Datakvalitet i en urvalsstudie
För urvalsfrågeställningar (vissa former av prestationsövervak-ning, forskning och förbättringsarbete) är urvalsstorleken av relativt underordnad betydelse (marginalnyttan är avtagande).
För resultatens validitet är detta viktigast:
- Bortfallsproblem (selektionsbias)
- Felklassificeringssannolikheter (informationsbias)
9/24/11
Direkt validering mot källdata1) Selektionssannolikheter (MCAR, MAR, MNAR)
2) Felklassificeringssannolikheter
Exempel: Protespatienter har endera OA eller RA
P(oa|OA), P(ra|OA), P(oa|RA), P(ra|RA)
oa = pat har osteoartros, ra = pat har reumatoid artrit, OA = registrering som osteoartrospatient, RA = registrering som patient med reumatoid artrit
9/24/11
Exempel
Jämförelse av data från protesregister (PR) med operations-berättelser och journaluppgifter.
Urval om 4 veckors operationer på 10 sjukhus:- Har alla källdata registrerats i PR?- Är information korrekt registrerad (pnr, diagnos, datum, etc.)?- Finns operationer i PR som saknas i källdata?
Hur stor är urvalsosäkerheten i valideringsresultatet?
Direkt validering mot källdata
9/24/11
Valideringsrättelser av registerdata
I en klinisk prövning sker normalt en omfattande query-hantering med rättelser av felaktiga registreringar.
Ska även felaktiga och saknade registerdata rättas respektive kompletteras i samband med validering?
9/24/11
Tack för uppmärksamheten!