Datenintegrität in klinischen Studien: Warum der gesamte Lebenszyklus über die Aussagekraft entscheidet

Applied Clinical Trials Online fragt in einem aktuellen Beitrag, welche Qualitätskriterien Studiendaten über den gesamten klinischen Lebenszyklus hinweg erfüllen müssen, um als belastbare Entscheidungsgrundlage zu dienen. Die zentrale These: Datenqualität ist kein statisches Merkmal, sondern muss in jeder Phase – vom Protokoll über das Monitoring bis zur finalen Auswertung – aktiv gesichert werden. Für Leser klinischer Evidenz verschiebt sich damit der Blick: weg von der reinen Endpunktaussage, hin zur Prüfkette, die diese Aussage erst ermöglicht.

Wo die Kette bricht

Nach Darstellung des Beitrags verunreinigen fehlerhafte Eingaben an der Datenquelle kaskadenartig alle nachgelagerten Auswertungen. Ein nicht validierter CRF-Eintrag, ein fehlerhaft übertragenes Laborergebnis oder ein inkonsistenter Zeitstempel untergräbt die Integrität von Konfidenzintervallen, Number Needed to Treat und Subgruppenanalysen gleichermaßen. Die Konsequenz ist quantifizierbar: Ein primärer Endpunkt, der auf einer bereinigten, aber methodisch undurchsichtigen Datenbasis berechnet wurde, verliert seine Aussagekraft für jede spätere Therapieentscheidung.

Lücken in der Source Data Verification wirken überproportional, sobald Stratifizierungsmerkmale ins Spiel kommen. Je präziser die Subgruppe definiert ist, desto empfindlicher reagiert die Analyse auf ungeprüfte Rohdaten. Mit der Verfeinerung der Studienhypothese steigt zugleich die Anforderung an die dokumentierte Datenintegrität.

Drei Prüfebenen zwischen Patient und Statistik

Die Lifecycle-Perspektive zerlegt die Datenerhebung in distinkte Phasen mit je eigenen Schwachstellen: Protokoll mit Endpunktdefinition, Monitoring mit Abgleich gegen Quelldaten, Auswertung mit vorab spezifizierter Analysepopulation und vorab festgelegtem statistischen Modell. An jeder dieser Stellen entscheidet sich, ob die finale Publikation einen kausalen Effekt beschreibt oder ein Artefakt einer fehlerhaften Datenkette.

Welche Parameter dokumentationspflichtig sind, lässt sich an praktischen Bewertungshilfen ablesen. Ein ergänzender Beitrag zur Studienauswahl bei metastasiertem Blasenkarzinom führt exemplarisch Biomarker wie FGFR2/FGFR3-Alterationen und HER2-Überexpression auf und nennt Randomisierungsverfahren, Phasenabfolge und ärztliche Aufklärung als Prüfpunkte. Übertragen auf die Datenqualität heißt das: Fehlende Angaben zu Randomisierungsmechanismus, Stratifizierungsparametern oder Endpunktoperationalisierung machen die Phase-zu-Phase-Übergabe der Daten nicht prüfbar.

Praktischer Maßstab für die Bewertung

Für die eigene Lektüre folgt ein binärer Test: Entweder die Publikation legt Datenqualitätskennzahlen offen – Source Data Verification-Raten, Query-Cycle-Zeiten, Audit-Findings, vorab registriertes Protokoll – oder der Vertrauensvorschuss entfällt. Das gilt unabhängig von Fallzahl und Signifikanzniveau. Ein p-Wert unter 0,05 verliert jeden Wert, wenn ein substanzieller Anteil der Quelldaten nicht verifiziert ist.

Wer Studien für die klinische Praxis heranzieht, sollte daher nicht nur die Endpunktaussage prüfen, sondern auch die Güte der Datenkette, die zu ihr führt. Eine fehlende Angabe zu Query-Resolution-Raten, ein nicht veröffentlichter Update des Statistischen Analyseplans oder ein verschwiegener Protokoll-Amendment sind keine redaktionellen Detailfragen, sondern direkte Indikatoren für die Belastbarkeit der publizierten Effektschätzer.