<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Dieser Artikel erscheint in JMPer-Kabel, Ausgabe 30, Sommer 2015 .
von Richard C. Zink richard.zink , PhD, Principal Research Statistician Entwickler, JMP Life Sciences
JMP® Clinical vereinfacht die Ermittlung, Analyse und Berichterstellung von Daten für klinische Prüfungen. Mit seiner einfachen Benutzeroberfläche und der primären Abhängigkeit von grafischen Ergebniszusammenfassungen ermöglicht JMP Clinical dem gesamten Team klinischer Studien, Daten zu untersuchen, um Sicherheits- oder Qualitätsprobleme zu identifizieren. Die kommende Correlated Findings-Analyse in JMP Clinical 6.0 ermöglicht Ihnen, Qualitätsprobleme und Fehlverhalten in klinischen Studien aufzudecken.
In den frühen achtziger Jahren finanzierte das National Heart, Lung und Blood Institute eine Multicenter-Studie zur Bewertung der Reproduzierbarkeit von Tiermodellen für einen Herzinfarkt 1 . Das Endziel bestand darin, festzustellen, ob solche Modelle zur Bewertung der Wirksamkeit neuer Therapien herangezogen werden können. Im Verlauf der Studie konnten im Koordinierungszentrum durchgeführte Analysen an einem von vier Versuchsstandorten viele ungewöhnliche Ergebnisse feststellen. Bei weiteren Untersuchungen wurden zahlreiche inkonsistente oder unplausible Beziehungen zwischen mehreren Variablen identifiziert. Nachdem er sich an den Laborleiter des problematischen Zentrums gewandt hatte, stellte der Projektleiter fest, dass der medizinische Mitarbeiter, der die Forschung durchführte, die Daten für eine im Vorjahr durchgeführte Studie erstellt hatte. Mit dieser neuen Erkenntnis bewaffnet, enthüllte eine weitere Analyse eine Reihe neuer Probleme, einschließlich merklicher Unterschiede in den Daten, die vor und nach dem Datum erstellt wurden, zu dem der Projektverantwortliche den Laborleiter an der problematischen Stelle kontaktierte.
Das vorige Beispiel hebt einen wichtigen Punkt hervor: Daten sind stark strukturiert, und der Mensch erzeugt keine wirklichkeitsgetreuen Daten, insbesondere in den vielen Dimensionen, die erforderlich wären, um plausibel zu erscheinen 2 . Sogar ohne Fehlverhalten kann die Untersuchung von Momenten höherer Ordnung, wie Varianz, Schiefe und Kurtosis jeder Variablen oder die paarweise Korrelation zwischen den Variablenpaaren innerhalb jedes Ortes, ein Problem in der Datenqualität aufdecken. Hier konzentrieren wir uns auf die Analyse paarweiser Korrelationen. Dies ist einer der Berichte, die in unseren Tools zur Datenqualitäts- und Betrugsanalyse verfügbar sind. In der Vergangenheit wurden Korrelationsanalysen durchgeführt, um Unregelmäßigkeiten anhand von Fragebögen aus klinischen Studien zu erkennen 3 .
Zunächst fasse ich alle Tests unter Verwendung eines Vulkanplots zusammen, um die Kombinationen von größerem Interesse hervorzuheben: Tests mit großen numerischen Unterschieden und / oder Tests, die die Kriterien für die statistische Signifikanz nach Anwendung einer geeigneten Multiplizitätsanpassung erfüllen.
In 1 ist Die X-Achse repräsentiert den Unterschied in nicht transformierten Korrelationen zwischen der verdächtigen Stelle und ihrer Referenz (allen anderen Stellen). Die Y-Achse repräsentiert die roher p-Wert aus dem Z- Test oben im negativen Protokoll definiert 10 Rahmen. Je kleiner der p-Wert ist, desto größer ist der Wert vertikal. Im Allgemeinen ist das interessant Standortpaarkombinationen nähern Sie sich den oberen Ecken des Diagramms und erscheinen über der gestrichelten roten Bezugslinie. Die Marken, die für mehrere Vergleiche von Bedeutung sind. In Abbildung 1 Für Standort 28 wurden zahlreiche Ergebnisse unter Paaren von Labortests ermittelt.
Abbildung 1
Korrelierte Befunde Volcano Plot
Abbildung 2 zeigt eine weitere Analyse der Labortests für Site 28. Diese Die grafische Darstellung des unteren Dreiecks der Korrelationsmatrizen für Site 28 und deren Referenz hebt die Größe paarweiser Assoziationen hervor. Mit Datei> Voreinstellungen> Diagramme> Gefüllte Bereiche> Ausgewählte Gliederung ausgewählt, ist es möglich, ausgewählte Korrelationen von Interesse zu skizzieren, z. Beachten Sie, dass die Stelle 28 viel stärkere positive Korrelationen für die sechs ausgewählten Paare aufweist, die verschiedene Kombinationen von vier Labortests umfassen: Alaninaminotransferase (ALT), Aspartataminotransferase (AST), Lactatdehydrogenase und Prothrombinzeit. Daneben stellen einige Autoren fest, dass hergestellte Daten tendenziell eine stärkere Korrelation aufweisen als nicht hergestellte Daten 6 .
Figur 2
Korrelationsdiagramme für Labormessungen an Standort 28
Analysieren dieser vier Variablen mit Grafik> Streudiagramm-Matrix erzeugt Abbildung 3. Dieses Diagramm zeigt zahlreiche bivariate Ausreißer, die zu den starken Korrelationen von Site 28 beitragen. Viele der Ausreißer stammen von einem einzigen Patienten.
Figur 3
Streudiagramm-Matrix für ausgewählte Labormessungen von Site 28
Während Extremwerte für jeden einzelnen Labortest auf ein potenzielles Sicherheitsrisiko hindeuten können, können mehrere extrem extreme Tests auf etwas Schwerwiegenderes hinweisen, beispielsweise auf eine durch Arzneimittel verursachte Leberschädigung. Laufen Hys Gesetzsprüfung In JMP Clinical wird dieser Patient (unter anderem) als potenzieller Fall von Lebertoxizität identifiziert, was angesichts der extremen Ergebnisse für die in Abbildung 3 dargestellten Lebertests (ALT / AST) nicht allzu überraschend ist.
Verweise
- Bailey, KR (1991). Ermittlung der Datenfabrikation in einer multizentrischen kollaborativen Tierstudie. Kontrollierte klinische Studien 12: 741–752.
- D. Venet, Doffagne, E., Burzykowski, T., Beckers, F., Tellier, Y., Genevois-Marlin, E., Becker, U., Bee, V., Wilson, V., Legrand, C. ., Buyse, M. (2012). Eine statistische
Ansatz zur zentralen Überwachung der Datenqualität in klinischen Studien. Klinische Versuche 9: 705–713. - Taylor, RN, McEntegart, DJ, Stillman, EC (2002). Statistische Verfahren zur Aufdeckung von Betrug und anderen Datenunregelmäßigkeiten in Daten zum klinischen Fragebogen. Drug Information Journal 36: 115-125.
- Fisher, RA (1921). Auf den "wahrscheinlichen Fehler" eines Korrelationskoeffizienten, der aus einer kleinen Stichprobe abgeleitet wird. Metron 1: 3-32.
- Fisher, RA (1970). Statistische Methoden für Forscher, 14. Ausgabe . Davien, CT: Hafner Publishing Company.
- Akhtar-Danesh, N., Dehghan-Ko. M. (2003). Wie unterscheidet sich die Korrelationsstruktur zwischen realen und gefertigten Datensätzen? BMC Medizinische Forschungsmethodik. Verfügbar um: http://www.biomedcentral.com/1471-2288/3/18 .
