5. 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
6. Data manager
Överför CRF-information till analysdatabas
Kontrollerar att överföringen blivit korrekt
Kontrollerar medicinsk bedömning
Kontrollerar statistisk analys
9/24/11
7. Auditerare (intern/extern)
Utför oberoende kvalitetssäkring
Kontrollerar att instruktioner och deras efterlevande
överensstämmer med GCP (good clinical practice)
Kontrollerar monitoreringen
9/24/11
8. Statistiker
Deltar i planläggning av studien (studiedesign, patientantal, m.m.)
Skattar behandlingseffekt
Bestämmer osäkerheten i skattningen
Redovisar resultat
9/24/11
9. 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
10. Kvalitetsregisterarbete, personal
Läkare, sjuksköterskor, sjukgymnaster, patienter, etc.
Monitorerare (?)
Data manager (?)
Auditerare (?)
Statistiker (?)
Systemutvecklare (?)
Myndighetsövervakning och kontroll?
9/24/11
11. Valideringsmetoder
Indirekt 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
14. 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
20. 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
24. Osäkerhet har fler konsekvenser
Mät- och registreringsfel bidrar med ytterligare osäkerhet
Differential and non-differential misclassification bias
9/24/11
26. 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
27. Datakvalitet i ett totalmaterial
För totalmaterialsfrågeställningar (beslutsstöd, och vissa former
av prestationsövervakning) är detta viktigast:
- Täckningsgrad
- Registreringsgrad
9/24/11
28. 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
29. 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
30. 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
31. Direkt validering mot källdata
1) 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
32. Direkt validering mot källdata
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?
9/24/11
33. 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
