임상 시험에서 사기 탐지에 관한 일련의 게시물이 끝났습니다 (현재는 최소한). 우리의 마지막 면담은 임상 현장에서의 피험자의 유사성에 초점을 맞추고 있는데, 나의 이전 질문 중 하나에 대한 의견에 대한 나의 반응에서 암시 한 주제 게시물 . 토론의 일환으로, JMP 임상 분석 사이트 (AP)는 임상 현장 내에 포함 된 연구 대상 내에서 그리고 대상 환자 전반에 걸쳐 중복 기록을 검색합니다.
그러나이 특별한 전략에는 몇 가지 단점이 있습니다. 무엇보다도 조사자 또는 다른 현장 요원이 그러한 활동에 참여할 경우 일부 값을 수정하지 않고 페이지 또는 기록을 그대로 복사하는 것이 부주의 한 것처럼 보이지 않습니다. 하나의 BPM으로 중복 심장 박동수를 변경하는 것만으로 위의 검사가 잘못된 행위를 감지하지 못합니다. 또한 여러 도메인에서 두 대상 사이에 정확한 히트의 빈도를 생성 할 수는 있지만 다른 레코드를 직접 비교할 수 없기 때문에 대상간에 유사성 측정 기준을 실제로 생성하지는 않습니다.
우리의 토론 마지막으로 우리는 가능한 한 많은 주제 데이터를 사용하여 연구 센터 내의 두 개인 간 유사성을 평가하고자합니다. Mahalanobis 거리 또는 유클리드 거리 (각 공변량을 중앙에두고 크기를 조정 한 것과 같은)와 같은 메트릭을 사용하여 두 피사체가 "비슷하게"어떻게되는지를 확인할 수 있습니다. 또한 계층 적 클러스터링 기술을 사용하여 서로 관련되어 나타나는 주제의 하위 그룹이 있는지 평가할 수 있습니다.
다가오는 JMP 임상 AP 연구 사이트 내의 주제 클러스터 앞 단락에서 설명한 분석을 수행합니다. 마찬가지로 다 변수 Inliers 및 이상 치 AP, CDISC Findings, Events 및 Interventions 도메인의 데이터는 연구 대상 당 한 행으로 구성된 데이터 세트를 생성하는 데 사용됩니다. 그러나 Mahalanobis 거리를 모든 대상의 중심으로 계산하기보다는 각 중심에 대한 유클리드 거리 (각 공변량 중심 및 크기 조정 된 행렬)를 생성하여 해당 중심 내의 모든 대상의 유사성을 평가합니다. PROC DISTANCE는 공변량에 대한 누락 된 값이있을 때 거리를 계산할 수 있기 때문에이 응용 프로그램에는 유클리드 거리를 사용합니다. 그러나 사용자는 분석에서 누락 된 데이터 비율이 높은 변수를 삭제할 수 있습니다 (기본값은 5 % 임).
그림 1은 상자 그림을 사용하여 각 사이트의 쌍 거리를 요약 한 것입니다. 왼쪽 그림은 연구 센터에서 주제 유사성을 비교할 수있게 해줍니다. "비슷한 점은 얼마나 비슷한가?"라는 질문에 먼저 답할 필요가 있기 때문에 이것은 중요한 음모입니다. 물론 두 피사체 사이의 거리가 0이면 정확한 복사본을 나타낼 수 있지만 분석가는 합리적인 점을 알 필요가 있습니다 다른 사이트들 사이의 주제들 사이에 기대할 수 있습니다. 한 개 또는 소수의 사이트에서 사기가 발생할 가능성이 있으므로이 그림은 "다르다"는 사이트와 사이트를 식별하는 데 도움이됩니다. 오른쪽 그림은 각 사이트에서 가장 비슷한 주제 쌍의 분포를 요약 한 것입니다. 우리가 중복 된 대상을 식별 할 동기가있을 수 있지만 이러한 분석은 임상 현장에서 사용할 수있는 연구 집단을 설명하는 데 도움이됩니다. 작거나 큰 상자는보다 균질하거나 이질적인 개체군이있는 센터를 나타냅니다.
분석은 각 사이트에 대해 수행되지만 기본적으로 JMP 임상 전체 피사체 간의 거리가 최소 인 센터에 대한 분석 만 제공합니다 (그림 2). 다른 사이트의 분석 결과는 드릴 다운을 통해 사용할 수 있습니다. 왼쪽 그림은 Nicardipine의 임상 시험에서 Site 44에서 사용 가능한 피험자의 모든 쌍 방향 거리의 분포를 요약 한 것입니다. 히트 맵과 덴 드 그램은 사이트 내의 주제에 대한 거리 매트릭스 및 계층 적 클러스터링 분석을 요약합니다. 박스 플롯에서 최소 쌍 거리를 선택하고 히트 맵에서이 개인을 강조 표시하여 클러스터 된 대상을 식별하고 더 자세히 탐색 할 수 있습니다. 또한 추가 기능을 사용하여 데이터 표를 열어이 두 주제 (또는 속한 더 큰 클러스터)의 공변량을 나란히 검사 할 수 있습니다.
지난 5 주간 우리는 임상 시험에서 잠재적으로 사기성 데이터를 식별 할 수있는 몇 가지 방법을 모색했습니다. 임상 시험 사기는 예방할 수 있습니까? 자주 인용되는 효과적인 접근 방법은 연구 진입 기준을 간소화하고 수집 된 데이터의 양을 줄이는 것입니다. 정기적 인 임상 시험 모니터링은 그러한 활동의 발생을 예방하거나 제한 할 수도 있습니다. 그러나 이와 같은 광범위한 현장 검토는 시간이 오래 걸리고 비용이 많이 들며 범위가 제한되고 오류가 발생할 수있는 수동 작업의 경우와 마찬가지입니다. 충적세 문학 위험 기반 소스 데이터 검증은 비용을 절감하고 효율성을 높이는 수단으로 제안합니다. 특히 이러한 경우 임상 시험 초기에 광범위한 컴퓨터 논리 및 유효성 검사가 데이터 품질을 보장하는 데 도움이되지만 잠재적으로 사기성 활동을 식별하는 데 사용할 수 있습니다.
