Wir sind am Ende unserer Serie von Beiträgen zur Betrugserkennung in klinischen Studien (zumindest jetzt) angelangt. Unsere abschließende Diskussion konzentriert sich auf die Ähnlichkeit der Probanden innerhalb des klinischen Ortes, ein Thema, auf das ich in meiner Antwort auf einen Kommentar zu einem meiner früheren Punkte hingewiesen habe Beiträge . Als Teil dieser Diskussion haben wir ein bevorstehendes Thema beschrieben JMP Clinical Analyseprozess (AP) zur Suche nach doppelten Datensätzen innerhalb und zwischen Studienteilnehmern, die an einem klinischen Standort enthalten sind.
Diese besondere Taktik weist jedoch einige Mängel auf. In erster Linie ist es unwahrscheinlich, dass ein Ermittler oder ein anderes Site-Personal an solchen Aktivitäten beteiligt ist. Es ist unwahrscheinlich, dass er oder sie so unvorsichtig wäre, Seiten oder Aufzeichnungen wortwörtlich zu kopieren, ohne einige der Werte zu ändern. Das bloße Ändern einer doppelten Herzfrequenz um einen einzigen BPM würde verhindern, dass durch die obige Prüfung ein Fehlverhalten erkannt wird. Obwohl wir möglicherweise Frequenzen von exakten Treffern zwischen den beiden Subjekten über mehrere Domänen hinweg generieren können, generieren wir nicht wirklich eine Ähnlichkeitsmetrik zwischen Subjekten, da Datensätze, die sich unterscheiden, nicht direkt verglichen werden können.
Basierend auf unserer Diskussion seit dem letzten Mal möchten wir so viele Daten eines Probanden wie möglich nutzen, um die Ähnlichkeit zwischen zwei Personen in einem Studienzentrum zu bewerten. Eine Metrik wie die Mahalanobis-Distanz oder die euklidische Distanz (wobei jede Kovariate zentriert und skaliert ist) kann verwendet werden, um zu ermitteln, wie "zwei" sich beide Objekte ähneln. Außerdem können wir hierarchische Clustering-Techniken verwenden, um zu beurteilen, ob Subgruppen von Subjekten vorhanden sind, die miteinander verwandt erscheinen.
Das bevorstehende JMP Clinical AP Gruppieren von Fächern innerhalb des Studiengebiets führt die im vorhergehenden Absatz beschriebenen Analysen durch. Ähnlich wie Multivariate Inliers und Ausreißer AP, Daten aus CDISC-Bereichen "Findings", "Events" und "Interventions" werden verwendet, um einen Datensatz zu generieren, der eine Zeile pro Probanden umfasst. Anstatt den Mahalanobis-Abstand zum Schwerpunkt aller Subjekte zu berechnen, wird jedoch eine euklidische Distanzmatrix (mit jeder Kovariate zentriert und skaliert) für jedes Zentrum erstellt, um die Ähnlichkeit aller Subjekte innerhalb dieses Zentrums zu bewerten. Wir verwenden die euklidische Entfernung für diese Anwendung, da PROC DISTANCE die Entfernung berechnen kann, wenn für Kovariaten fehlende Werte vorliegen. Benutzer können jedoch Variablen mit hohen Raten fehlender Daten aus der Analyse löschen (der Standardwert beträgt hier ebenfalls 5%).
Abbildung 1 fasst die paarweisen Abstände an jedem Standort unter Verwendung von Boxplots zusammen. Die Darstellung auf der linken Seite ermöglicht einen Vergleich der Ähnlichkeit zwischen den Studienzentren. Dies ist ein wichtiges Diagramm, da wir zunächst die Frage beantworten müssen, "wie ähnlich ist sich das?". Ein Abstand von 0 zwischen zwei Subjekten würde natürlich eine genaue Kopie anzeigen, aber als Analysten müssen wir eine Vorstellung davon haben, was vernünftig ist zwischen den verschiedenen Standorten erwarten. Es sei daran erinnert, dass Betrug wahrscheinlich an einer oder einer kleinen Anzahl von Standorten auftritt. Diese Zahl sollte uns dabei helfen, Standorte zu identifizieren, die „unterschiedlich“ sind. Die Abbildung rechts fasst die Verteilung der ähnlichsten Personenpaare an jedem Standort zusammen. Während wir möglicherweise motiviert sind, doppelte Probanden zu identifizieren, hilft eine solche Analyse auch, die Studienpopulation zu beschreiben, die am klinischen Standort verfügbar ist. Kleine oder große Kästchen würden Zentren mit einer homogeneren bzw. heterogenen Bevölkerung anzeigen.
Standardmäßig wird für jeden Standort eine Analyse durchgeführt JMP Clinical stellt nur die Analyse für das Zentrum mit der minimalen Gesamtentfernung zwischen Objekten dar (Abbildung 2). Ergebnisse von Analysen anderer Standorte sind mit Drilldowns verfügbar. Die Abbildung links fasst die Verteilung aller paarweisen Entfernungen für die am Standort 44 verfügbaren Probanden aus einer klinischen Studie mit Nicardipine zusammen. Die Heatmap und das Dendogramm fassen die Entfernungsmatrix und die hierarchische Clusteranalyse für Subjekte innerhalb des Standorts zusammen. Im Boxdiagramm können wir die minimale paarweise Entfernung auswählen und diese Personen in der Heatmap markieren, um Personen zu identifizieren und weiter zu erforschen, mit denen sie möglicherweise gruppiert sind. Mithilfe zusätzlicher Funktionen können wir die Datentabelle öffnen, um die Kovariaten dieser beiden Subjekte (oder eines größeren Clusters, zu dem sie gehören) nebeneinander zu untersuchen.
In den letzten fünf Wochen haben wir verschiedene Möglichkeiten untersucht, um potenziell betrügerische Daten aus einer klinischen Studie zu ermitteln. Ist Betrug durch klinische Prüfungen vermeidbar? Zwei häufig zitierte und effektive Ansätze sind die Straffung der Studieneintrittskriterien und die Reduzierung der gesammelten Daten. Die regelmäßige Überwachung klinischer Studien kann auch das Auftreten solcher Aktivitäten verhindern oder einschränken. Eine solche umfassende Überprüfung vor Ort ist jedoch zeitaufwändig, teuer und wie bei jedem manuellen Aufwand auch in ihrem Umfang begrenzt und fehleranfällig. Kürzlich Literatur schlägt eine risikobasierte Überprüfung der Quelldaten vor, um die Kosten zu senken und die Effizienz zu steigern. Insbesondere in diesen Fällen können umfangreiche computergestützte Logik- und Validierungsprüfungen zu einem frühen Zeitpunkt der klinischen Prüfung zur Sicherung der Datenqualität beitragen, sie können jedoch zur Ermittlung potenziell betrügerischer Aktivitäten verwendet werden.
