Nous avons atteint la fin de notre série d'articles sur la détection de la fraude dans les essais cliniques (du moins pour le moment). Notre discussion finale porte sur la similitude des sujets au sein du site clinique, un sujet auquel j'ai fait allusion dans ma réponse à un commentaire à un de mes précédents des postes . Dans le cadre de cette discussion, nous avons décrit un prochain JMP Clinical Processus analytique (AP) permettant de rechercher des enregistrements dupliqués à l'intérieur et entre les sujets d'étude contenus dans un site clinique.
Cette tactique particulière présente toutefois certaines lacunes. D'abord et avant tout, si un enquêteur ou un autre membre du personnel du site se livrait à de telles activités, il semble peu probable qu'il soit négligent au point de copier des pages ou des enregistrements intégralement sans modifier certaines valeurs. Le simple fait de modifier une fréquence cardiaque dupliquée par un seul BPM empêcherait la vérification ci-dessus de détecter tout acte répréhensible. En outre, bien que nous puissions générer des fréquences de résultats exacts entre les deux sujets dans plusieurs domaines, nous ne générons pas vraiment de métrique de similarité entre les sujets car nous ne pouvons pas comparer directement les enregistrements qui diffèrent.
Basé sur notre discussion Depuis la dernière fois, nous aimerions utiliser le maximum de données d'un sujet pour évaluer la similitude entre deux individus d'un centre d'étude. Une métrique telle que la distance de Mahalanobis ou la distance euclidienne (avec chaque covariable centrée et mise à l'échelle) peut être utilisée pour déterminer à quel point deux sujets se ressemblent. De plus, nous pouvons utiliser des techniques de classification hiérarchique pour déterminer s’il existe des sous-groupes de sujets qui semblent liés les uns aux autres.
Le prochain JMP Clinical AP Sujets de cluster dans le site d'étude effectue les analyses décrites dans le paragraphe précédent. Semblable à la Inliers et Outliers multivariés AP, les données des domaines de résultats, d’événements et d’interventions du CDISC sont utilisées pour générer un ensemble de données comprenant une ligne par sujet d’étude. Cependant, plutôt que de calculer la distance de Mahalanobis par rapport au centre de gravité de tous les sujets, une matrice de distance euclidienne (avec chaque covariable centrée et mise à l'échelle) pour chaque centre est générée pour évaluer la similarité de tous les sujets de ce centre. Nous utilisons la distance euclidienne pour cette application car PROC DISTANCE est capable de calculer la distance en présence de valeurs manquantes pour les covariables. Les utilisateurs peuvent toutefois supprimer de l'analyse les variables présentant un taux élevé de données manquantes (la valeur par défaut est également 5%).
La figure 1 résume les distances par paires sur chaque site à l'aide de boîtes à moustaches. L'intrigue à gauche nous permet de comparer la similarité de sujets entre les centres d'étude. Il s’agit d’un complot important, car nous devons d’abord répondre à la question «Quelle est la similarité?» Bien sûr, une distance de 0 entre deux sujets indiquerait une copie exacte, mais en tant qu’analystes, nous devons avoir une idée de ce qui est raisonnable. attendre entre les sujets parmi les différents sites. Rappelons que des fraudes sont susceptibles de se produire sur un ou plusieurs sites. Ce chiffre devrait donc nous aider à identifier les sites «différents». Le graphique de droite résume la répartition des paires de sujets les plus similaires de chaque site. Même si nous sommes peut-être motivés à identifier les sujets en double, une telle analyse permet également de décrire la population de l'étude pouvant être disponible sur le site clinique. Les petites ou grandes cases indiqueraient des centres avec une population plus homogène ou hétérogène, respectivement.
Bien qu'une analyse soit effectuée pour chaque site, par défaut JMP Clinical présente uniquement l'analyse du centre avec la distance globale minimale entre les sujets (Figure 2). Les résultats d’analyses d’autres sites sont disponibles à l’aide de sondages. Le graphique de gauche résume la distribution de toutes les distances par paires pour les sujets disponibles sur le site 44 lors d'un essai clinique sur la nicardipine. La carte thermique et le dendogramme résument la matrice de distance et l'analyse de classification hiérarchique pour les sujets du site. À partir de la boîte à moustaches, nous pouvons sélectionner la distance par paire minimale et mettre en surbrillance ces personnes dans la carte thermique pour identifier et explorer davantage les sujets avec lesquels elles peuvent être regroupées. De plus, en utilisant des fonctionnalités supplémentaires, nous pouvons ouvrir la table de données pour examiner côte à côte les covariables de ces deux sujets (ou d’un groupe plus important auquel ils appartiennent).
Ces cinq dernières semaines, nous avons exploré plusieurs moyens d'identifier des données potentiellement frauduleuses issues d'un essai clinique. La fraude aux essais cliniques est-elle évitable? Deux approches souvent citées et efficaces consistent à rationaliser les critères d’entrée dans les études et à réduire la quantité de données collectées. Un suivi régulier des essais cliniques peut également empêcher ou limiter la survenue de telles activités. Cependant, une telle révision sur site prend du temps, est coûteuse et, comme pour tout effort manuel, de portée limitée et sujette aux erreurs. Récent Littérature suggère que la vérification des données source basée sur les risques soit un moyen de réduire les coûts et d'améliorer l'efficacité. En particulier dans ces cas, une logique informatique approfondie et des contrôles de validation effectués tôt dans l'essai clinique aideront à garantir la qualité des données, mais peuvent être utilisés pour identifier des activités potentiellement frauduleuses.
