Hemos llegado al final de nuestra serie de publicaciones sobre detección de fraudes en ensayos clínicos (al menos por ahora). Nuestra discusión final se centra en la similitud de los temas dentro del sitio clínico, un tema que mencioné en mi respuesta a un comentario de uno de mis comentarios anteriores. puestos . Como parte de esa discusión, describimos una próxima JMP clinico Proceso analítico (AP) que buscaría registros duplicados dentro y entre los sujetos del estudio contenidos en un sitio clínico.
Hay, sin embargo, algunas deficiencias de esta táctica en particular. En primer lugar, si un investigador u otro personal del sitio va a participar en tales actividades, parece poco probable que sea tan descuidado como para copiar páginas o registros textuales sin modificar algunos de los valores. El simple hecho de cambiar una frecuencia cardíaca duplicada por un solo BPM evitaría que la verificación anterior detecte cualquier infracción. Además, si bien podemos generar frecuencias de aciertos exactos entre los dos sujetos en varios dominios, en realidad no estamos generando una métrica de similitud entre los sujetos, ya que no podemos comparar directamente los registros que difieren.
Basado en nuestro discusión desde la última vez, nos gustaría utilizar la mayor cantidad posible de datos de un sujeto para evaluar la similitud entre dos personas dentro de un centro de estudio. Se puede utilizar una métrica como la distancia de Mahalanobis o la distancia euclidiana (con cada covariable centrada y escalada) para determinar qué tan "similares" son los dos sujetos. Además, podemos usar técnicas de agrupamiento jerárquico para evaluar si hay subgrupos de sujetos que aparecen relacionados entre sí.
El proximo JMP clinico AP Sujetos agrupados dentro del sitio de estudio Realiza los análisis descritos en el párrafo anterior. Similar a Inliers multivariados y valores atípicos AP, los datos de los dominios de resultados, eventos e intervenciones de CDISC se utilizan para generar un conjunto de datos que comprende una fila por sujeto de estudio. Sin embargo, en lugar de calcular la distancia de Mahalanobis al centroide de todos los sujetos, se genera una matriz euclidiana (con cada covariada centrada y escalada) para cada centro para evaluar la similitud de todos los sujetos dentro de ese centro. Usamos la distancia euclidiana para esta aplicación, ya que PROC DISTANCE es capaz de calcular la distancia en presencia de valores faltantes para las covariables. Sin embargo, los usuarios pueden eliminar las variables con altas tasas de datos faltantes del análisis (el valor predeterminado aquí también es del 5%).
La Figura 1 resume las distancias por pares en cada sitio usando diagramas de caja. El gráfico a la izquierda nos permite comparar la similitud de los sujetos en los centros de estudio. Esta es una trama importante ya que primero debemos responder la pregunta "¿Qué tan similar es?". Por supuesto, una distancia de 0 entre dos temas indica una copia exacta, pero como analistas necesitamos tener una idea de lo que es razonable Esperar entre sujetos entre los diferentes sitios. Recuerde, es probable que se produzca un fraude en uno o en un pequeño número de sitios, por lo que esta cifra debería ayudarnos a identificar los sitios que son "diferentes". La gráfica de la derecha resume la distribución de los pares de temas más similares de cada sitio. Si bien podemos estar motivados para identificar sujetos duplicados, este análisis también ayuda a describir la población de estudio que puede estar disponible en el sitio clínico. Las cajas pequeñas o grandes indicarían centros con una población más homogénea o heterogénea, respectivamente.
Aunque se realiza un análisis para cada sitio, por defecto JMP clinico solo presenta el análisis para el centro con la distancia total mínima entre sujetos (Figura 2). Los resultados de los análisis de otros sitios están disponibles usando desgloses. La gráfica de la izquierda resume la distribución de todas las distancias por pares para los sujetos disponibles en el Sitio 44 de un ensayo clínico de Nicardipine. El mapa de calor y el dendograma resumen la matriz de distancia y el análisis de agrupamiento jerárquico para los sujetos dentro del sitio. Desde el diagrama de caja, podemos seleccionar la distancia por pares mínima y resaltar a estos individuos dentro del mapa de calor para identificar y explorar más los temas con los que se pueden agrupar. Además, al usar características adicionales, podemos abrir la tabla de datos para examinar las covariables de estos dos temas (o un grupo más grande al que pertenecen) lado a lado.
Estas últimas cinco semanas hemos explorado varias maneras de identificar datos potencialmente fraudulentos de un ensayo clínico. ¿Se puede prevenir el fraude en los ensayos clínicos? Dos enfoques a menudo citados y efectivos son agilizar los criterios de ingreso al estudio y reducir la cantidad de datos recopilados. El monitoreo regular de ensayos clínicos también puede prevenir o limitar la ocurrencia de tales actividades. Sin embargo, una revisión en el sitio tan extensa requiere mucho tiempo, es costosa y, como ocurre con cualquier esfuerzo manual, tiene un alcance limitado y es propensa a errores. Reciente literatura sugiere la verificación de datos de fuente basada en el riesgo como un medio para reducir costos y mejorar la eficiencia. En particular, en estos casos, la lógica extensa de la computadora y las verificaciones de validación al principio del ensayo clínico ayudarán a garantizar la calidad de los datos, pero se pueden usar para identificar actividades potencialmente fraudulentas.
