<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Este artículo aparece en Cable JMPer, Número 30, verano 2015 .
por Richard C. Zink richard.zink , PhD, principal investigador en estadística, JMP Life Sciences
JMP® Clinical simplifica el descubrimiento, análisis e informe de datos para ensayos clínicos. Con su sencilla interfaz de usuario y su dependencia principal en los resúmenes gráficos de los resultados, JMP Clinical permite que todo el equipo de ensayos clínicos explore los datos para identificar problemas de seguridad o calidad. El próximo análisis de Hallazgos correlacionados en JMP Clinical 6.0 le permite descubrir problemas de calidad y mala conducta en ensayos clínicos.
A principios de la década de 1980, el Instituto Nacional del Corazón, los Pulmones y la Sangre patrocinó un estudio multicéntrico para evaluar la reproducibilidad de modelos animales para el infarto de miocardio. 1 . El objetivo final era determinar si alguno de estos modelos podría usarse para evaluar la efectividad de las nuevas terapias. Durante el curso del estudio, los análisis realizados en el centro de coordinación identificaron muchos hallazgos inusuales en uno de los cuatro sitios de prueba. Tras una investigación adicional, se identificaron numerosas relaciones inconsistentes o inverosímiles entre varias de las variables. Después de acercarse al jefe del laboratorio en el centro problemático, el oficial del proyecto descubrió que el médico que estaba realizando la investigación era culpable de fabricar datos para un estudio realizado el año anterior. Armados con esta nueva perspectiva, un análisis más profundo descubrió una gran cantidad de nuevos problemas, incluidas diferencias notables en los datos producidos antes y después de la fecha en que el oficial del proyecto se acercó al jefe del laboratorio en el sitio problemático.
El ejemplo anterior destaca un punto importante: los datos están altamente estructurados y los seres humanos no fabrican de manera efectiva datos realistas, particularmente en las muchas dimensiones que se requerirían para que pareciera plausible 2 . Incluso en ausencia de mala conducta, examinar los momentos de orden superior, como la varianza, la asimetría y la curtosis de cada variable o la correlación de pares entre pares de variables dentro de cada sitio puede descubrir un problema en la calidad de los datos. Aquí, nos centramos en los análisis de correlaciones de pares, que es uno de los informes disponibles de nuestras herramientas de análisis de calidad de datos y fraude. Los análisis de correlaciones se han aplicado en el pasado para detectar irregularidades de cuestionarios obtenidos en ensayos clínicos 3 .
Inicialmente, resumo todas las pruebas utilizando un gráfico de volcanes para resaltar las combinaciones de mayor interés: aquellas pruebas con grandes diferencias numéricas y / o aquellas que cumplen los criterios de significación estadística después de aplicar un ajuste de multiplicidad adecuado.
En la Figura 1, El eje X representa la diferencia en las correlaciones no transformadas entre el sitio sospechoso y su referencia (todos los demás sitios). El eje Y representa la valor p en bruto de la Z- prueba definida anteriormente en el registro negativo 10 escala. Cuanto menor sea el valor p, mayor será el valor verticalmente. En general, lo interesante. combinaciones de sitio-par Acérquese a las esquinas superiores de la gráfica y aparezca sobre la línea de referencia roja discontinua. Los marcadores que son significativos dan cuenta de comparaciones múltiples. En la Figura 1 , se identifican numerosos resultados entre pares de pruebas de laboratorio para el Sitio 28.
Figura 1
Resultados correlacionados Volcano Parcela
La figura 2 presenta un análisis más detallado de la pruebas de laboratorio para el sitio 28. Esta la representación gráfica del triángulo inferior de las matrices de correlación para el Sitio 28 y su referencia resaltan la magnitud de las asociaciones por pares. Con Archivo> Preferencias> Gráficos> Áreas rellenadas> Resumen seleccionado seleccionado, es posible delinear cualquier correlación seleccionada de interés, como aquellas que son altamente significativas estadísticamente. Observe que el Sitio 28 tiene correlaciones positivas mucho más fuertes para los seis pares seleccionados, que comprenden varias combinaciones de cuatro pruebas de laboratorio: alanina aminotransferasa (ALT), aspartato aminotransferasa (AST), lactato deshidrogenasa y tiempo de protrombina. Además, algunos autores señalan que los datos fabricados tienden a mostrar una correlación más fuerte que los datos no fabricados 6 .
Figura 2
Parcelas de correlación para las mediciones de laboratorio del sitio 28
Analizando estas cuatro variables usando Gráfica> Matriz de diagrama de dispersión genera la figura 3. Esta gráfica muestra numerosos valores atípicos bivariados que contribuyen a las fuertes correlaciones del Sitio 28. Muchos de los valores atípicos provienen de un solo paciente.
figura 3
Matriz de diagrama de dispersión para las mediciones de laboratorio del Sitio 28 seleccionadas
Si bien los valores extremos para cualquier prueba de laboratorio individual pueden indicar una posible preocupación de seguridad, las pruebas múltiples que son conjuntamente extremas pueden indicar algo más grave, como una lesión hepática inducida por medicamentos. Corriendo Proyección de la ley de Hy en JMP Clinical identifica a este paciente (entre varios otros) como un caso potencial de toxicidad hepática, lo cual no es demasiado sorprendente dado los resultados extremos para las pruebas hepáticas (ALT / AST) presentadas en la Figura 3.
Referencias
- Bailey, KR (1991). Detectando la fabricación de datos en un estudio multicéntrico de animales en colaboración. Ensayos clínicos controlados 12: 741-752.
- Venet, D., Doffagne, E., Burzykowski, T., Beckers, F., Tellier, Y., Genevois-Marlin, E., Becker, U., Bee, V., Wilson, V., Legrand, C ., Buyse, M. (2012). Una estadística
Aproximación al monitoreo central de la calidad de los datos en ensayos clínicos. Ensayos clínicos 9: 705-713. - Taylor, RN, McEntegart, DJ, Stillman, EC (2002). Técnicas estadísticas para detectar fraudes y otras irregularidades en los datos del cuestionario clínico. Diario de Información de Medicamentos 36: 115-125.
- Fisher, RA (1921). En el "error probable" de un coeficiente de correlación deducido de una pequeña muestra. Metrón 1: 3-32.
- Fisher, RA (1970). Métodos estadísticos para investigadores, decimocuarta edición. . Davien, CT: Hafner Publishing Company.
- Akhtar-Danesh, N., Dehghan-Ko. M. (2003). ¿En qué se diferencia la estructura de correlación entre conjuntos de datos reales y fabricados? BMC Metodología de la Investigación Médica. Disponible en: http://www.biomedcentral.com/1471-2288/3/18 .
