Abbiamo raggiunto la fine della nostra serie di post sul rilevamento delle frodi negli studi clinici (per ora, almeno). La nostra discussione finale si concentra sulla somiglianza dei soggetti all'interno del sito clinico, un argomento che ho accennato nella mia risposta ad un commento ad uno dei miei precedenti messaggi . Come parte di quella discussione, abbiamo descritto un imminente JMP Clinical Processo analitico (AP) che cerca i record duplicati all'interno e tra i soggetti di studio contenuti all'interno di un sito clinico.
Ci sono, tuttavia, alcuni difetti di questa particolare tattica. Prima di tutto, se un investigatore o altro personale del sito si impegnerà in tali attività, sembra improbabile che lui o lei sarebbe così incurante da copiare pagine o registrazioni in modo testuale senza modificare alcuni valori. Cambiare semplicemente una frequenza cardiaca duplicata con un singolo BPM impedirebbe al controllo di cui sopra di rilevare eventuali irregolarità. Inoltre, mentre possiamo essere in grado di generare frequenze di colpi esatti tra i due soggetti in più domini, non stiamo generando realmente una metrica di somiglianza tra soggetti poiché non possiamo confrontare direttamente i record che differiscono.
Basato sul nostro discussione dall'ultima volta, vorremmo utilizzare il maggior numero possibile di dati di un soggetto per valutare la somiglianza tra due persone all'interno di un centro studi. Una metrica come la distanza di Mahalanobis o la distanza euclidea (con ciascuna covariata centrata e ridimensionata) può essere usata per accertare quanto "simili" siano due soggetti. Inoltre, possiamo utilizzare tecniche di clustering gerarchico per valutare se ci sono sottogruppi di soggetti che appaiono correlati tra loro.
L'imminente JMP Clinical AP Soggetti del Cluster all'interno del sito di studio esegue le analisi descritte nel paragrafo precedente. Simile al Inlier e valori anomali multivariati AP, i dati dai domini CDISC di risultati, eventi e interventi sono utilizzati per generare un set di dati che comprende una riga per oggetto di studio. Tuttavia, piuttosto che calcolare la distanza di Mahalanobis dal centroide di tutti i soggetti, viene generata una matrice di distanza euclidea (con ciascuna covariata centrata e ridimensionata) per ciascun centro per valutare la somiglianza di tutti i soggetti all'interno di quel centro. Usiamo la distanza euclidea per questa applicazione poiché PROC DISTANCE è in grado di calcolare la distanza in presenza di valori mancanti per le covariate. Gli utenti possono, tuttavia, eliminare le variabili con alti tassi di dati mancanti dall'analisi (l'impostazione predefinita è anche il 5%).
La Figura 1 riassume le distanze a coppie in ciascun sito utilizzando i grafici a scatola. La trama a sinistra ci consente di confrontare la somiglianza tra soggetti nei centri di studio. Questa è una trama importante dal momento che dobbiamo prima rispondere alla domanda "Quanto è simile?" Naturalmente, una distanza di 0 tra due qualsiasi soggetto indica una copia esatta, ma come analisti dobbiamo avere un'idea di ciò che è ragionevole aspettarsi tra soggetti tra i diversi siti. Ricordate, è probabile che si verifichi una frode in uno o in un piccolo numero di siti, quindi questa figura dovrebbe aiutarci a identificare e siti "diversi". La trama sulla destra riassume la distribuzione della coppia di soggetti più simile da ciascun sito. Mentre possiamo essere motivati a identificare soggetti duplicati, tale analisi aiuta anche a descrivere la popolazione dello studio che può essere disponibile nel sito clinico. Caselle piccole o grandi indicano rispettivamente i centri con una popolazione più omogenea o eterogenea.
Sebbene venga eseguita un'analisi per ciascun sito, per impostazione predefinita JMP Clinical presenta solo l'analisi per il centro con la distanza minima tra soggetto (Figura 2). I risultati delle analisi di altri siti sono disponibili utilizzando i drill-down. La trama a sinistra riassume la distribuzione di tutte le distanze a coppie per i soggetti disponibili sul sito 44 da una sperimentazione clinica di Nicardipina. La mappa termica e il dendogramma riassumono la matrice della distanza e l'analisi gerarchica del clustering per i soggetti all'interno del sito. Dal grafico a riquadri, possiamo selezionare la distanza minima a coppie e evidenziare questi individui all'interno della mappa termica per identificare ed esplorare ulteriormente i soggetti con i quali possono essere raggruppati. Inoltre, utilizzando funzionalità aggiuntive, possiamo aprire la tabella dei dati per esaminare le covariate di questi due soggetti (o un cluster più grande a cui appartengono) affiancati.
Queste ultime cinque settimane abbiamo esplorato diversi modi per identificare i dati potenzialmente fraudolenti da una sperimentazione clinica. La frode della sperimentazione clinica è prevenibile? Due approcci spesso citati ed efficaci servono a semplificare i criteri di accesso allo studio e a ridurre la quantità di dati raccolti. Il monitoraggio regolare della sperimentazione clinica può anche prevenire o limitare l'insorgenza di tali attività. Tuttavia, una revisione così estesa sul sito richiede molto tempo, è costosa e, come nel caso di qualsiasi sforzo manuale, è limitata nel campo di applicazione e soggetta a errori. Recente letteratura suggerisce la verifica dei dati di origine basata sul rischio come mezzo per ridurre i costi e migliorare l'efficienza. In particolare in questi casi, l'ampia logica computerizzata e i controlli di convalida all'inizio della sperimentazione clinica contribuiranno a garantire la qualità dei dati, ma potranno essere utilizzati per identificare attività potenzialmente fraudolente.
