Biotech & MedTech · Klinische Studiendaten strukturieren für Integrität und Wiederverwendung

Eine Patientin in einer onkologischen Phase-II-Studie nimmt ihre Dosis an einem Dienstagmorgen ein. Eine Pflegekraft dokumentiert die Uhrzeit, drei Wochen später wird der Tumor im CT gemessen, und ein Labor meldet einen erhöhten Leberenzymwert. Bis das bei der FDA ankommt, ist dieses einzelne Ereignis in eine standardisierte, per Audit Trail belegte Datenzeile verwandelt worden, die ein Reviewer in Silver Spring bis zur Quelle zurückverfolgen kann. Diese Transformation ist die unsichtbare Ingenieursarbeit hinter jeder Arzneimittelzulassung.

Diese Lektion zeigt, wie klinische Studiendaten für zwei Ziele strukturiert werden, die oft gegeneinander ziehen: Integrität (Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen den Daten vertrauen und deren Herkunft belegen) und Wiederverwendung (Sie können sie poolen, neu auswerten und einreichen, ohne alles neu aufzubauen).

Warum Struktur zählt, bevor wir die Daten anfassen

Klinische Studien erzeugen unsaubere Daten mit hohem Risiko. Eine einzelne Phase-II-Studie kann 100 bis 300 Patienten über Dutzende Zentren umfassen, von denen jedes über Monate hunderte Datenpunkte pro Patient erhebt.

Würde jede Studie ihr eigenes Format erfinden, müsste die FDA die Daten bei jeder Einreichung neu erlernen. Deshalb verlangt die FDA seit 2016 standardisierte Datenformate für die meisten neuen Arzneimittel- und Biologika-Anträge. Dieser Standard ist CDISC (Clinical Data Interchange Standards Consortium), eine Non-Profit-Organisation, die die von der Branche genutzten Datenmodelle pflegt.

Die Anforderungen der FDA können Sie im **Study Data Technical Conformance Guide** nachlesen.

Die zwei Datensätze, die Sie kennen müssen: SDTM und ADaM

Stellen Sie sich diese als zwei Schichten vor.

SDTM (Study Data Tabulation Model) ist die *organisierte Rohaufzeichnung*. Es hält fest, was passiert ist, nahe an der Art der Erhebung, in einer Standardstruktur. Minimale Interpretation.

ADaM (Analysis Data Model) ist die *analysefertige Schicht*. Es wird aus SDTM abgeleitet und gezielt so aufgebaut, dass ein Statistiker die geplanten Analysen der Studie rechnen kann und ein Reviewer sie reproduzieren kann.

Die Regel, die beide verbindet: ADaM muss bis SDTM zurückverfolgbar sein, und SDTM muss bis zur Rohquelle zurückverfolgbar sein (das Case Report Form oder die elektronische Patientenakte). Diese Kette ist das Rückgrat der Datenintegrität.

SDTM in der Praxis

SDTM organisiert Daten in Domains, jede mit einem zweibuchstabigen Code für eine Informationskategorie. Einige, die Sie in einer onkologischen Studie ständig sehen werden:

• DM (Demographics): Alter, Geschlecht, Ethnie, Behandlungsarm.
• AE (Adverse Events): Nebenwirkungen wie Übelkeit oder jener erhöhte Leberenzymwert.
• EX (Exposure): welches Medikament der Patient tatsächlich erhalten hat und wann.
• TU / TR / RS (Tumor Identification, Tumor Results, Disease Response): die onkologiespezifischen Domains, die erfassen, ob Tumoren geschrumpft, gewachsen oder verschwunden sind.
• LB (Laboratory): Blutwerte und andere Laborwerte.

Jede Domain ist eine Tabelle. Jede Zeile ist eine Beobachtung für einen Patienten. Hier ein vereinfachter Auszug einer AE-Domain:

STUDYID   USUBJID       AETERM              AESTDTC      AESEV      AEREL
ONC201    ONC201-0042   NAUSEA              2026-03-14   MODERATE   PROBABLE
ONC201    ONC201-0042   ALT INCREASED       2026-03-21   SEVERE     PROBABLE
ONC201    ONC201-0117   FATIGUE             2026-03-09   MILD       POSSIBLE

Beachten Sie die Konventionen. USUBJID ist eine eindeutige Subjekt-ID, die über alle Domains hinweg konstant bleibt, sodass Sie die unerwünschten Ereignisse dieses Patienten mit seinen Laborwerten und Tumormessungen verknüpfen können. AESTDTC ist ein Datum im ISO-8601-Format (YYYY-MM-DD), ein Standard, der die Mehrdeutigkeit zwischen US-amerikanischer und europäischer Datumsreihenfolge beseitigt. AEREL erfasst die Einschätzung des Prüfarztes, ob das Medikament das Ereignis wahrscheinlich verursacht hat.

Das sind keine willkürlichen Spaltennamen. Sie sind in der CDISC Controlled Terminology definiert, sodass "SEVERE" in jeder Studie jedes Sponsors dasselbe bedeutet.

ADaM in der Praxis

ADaM-Datensätze werden für eine bestimmte Fragestellung gebaut. Die häufigsten Strukturen sind:

• ADSL (Subject-Level Analysis Dataset): genau eine Zeile pro Patient, mit Schlüsselvariablen wie Behandlungsarm, Studienabschluss und Analyse-Flags.
• BDS (Basic Data Structure): eine Zeile pro Patient pro Messung pro Zeitpunkt, genutzt etwa für das Tumoransprechen über die Zeit.

Das zentrale ADaM-Konzept ist die abgeleitete Variable. Angenommen, der primäre Endpunkt der Studie ist die Overall Response Rate (der Anteil der Patienten, deren Tumoren um ein definiertes MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ß geschrumpft sind). ADaM enthält dann eine Variable wie AVAL (Analysewert) und Flags, die markieren, welche Records in die primäre Analyse eingehen.

Entscheidend: ADaM dokumentiert, *wie* jeder abgeleitete Wert berechnet wurde. Wenn ein Responder-Flag gesetzt wurde, zeigen der Datensatz und seine Dokumentation die zugrunde liegenden Tumormessungen aus SDTM, die das begründen. Ein Reviewer kann den Faden vom Hauptergebnis bis zum CT-Scan zurückverfolgen.

Der Audit Trail: Integrität belegen

Integrität bedeutet nicht nur saubere Daten. Sie bedeutet *belegbare* Daten. Zwei Mechanismen zählen.

Define-XML

Jede Einreichung enthält eine maschinenlesbare Metadatendatei namens define.xml. Betrachten Sie sie als Data Dictionary und Landkarte. Sie listet jeden Datensatz, jede Variable, deren Herkunft (erhoben? abgeleitet?) und die Ableitungslogik. Reviewer öffnen sie zuerst. Eine schwache oder inkonsistente define.xml ist einer der schnellsten Wege, regulatorische Rückfragen auszulösen.

ALCOA+ und 21 CFR Part 11

Datenintegrität in Studien richtet sich nach den ALCOA+-Prinzipien. Das ursprüngliche Akronym ALCOA bedeutet, dass Daten Attributable (zuordenbar), Legible (lesbar), Contemporaneous (zeitnah), Original und Accurate (korrekt) sein sollen. Das "plus" ergänzt Complete, Consistent, Enduring und Available.

In der Praxis wird das von den elektronischen Systemen durchgesetzt, die die Daten erfassen. Unter 21 CFR Part 11 (der FDA-Regelung für elektronische Aufzeichnungen und Signaturen) muss das EDC-System (Electronic Data Capture) protokollieren, wer welchen Wert eingegeben oder geändert hat, wann und warum. Wenn jene Pflegekraft die Einnahmezeit von 9:00 auf 9:15 korrigiert, behält das System beide Werte und den Grund. Nichts wird stillschweigend überschrieben.

🎬 [VIDEO: "CDISC Standards Explained" - https://www.youtube.com/results?search_query=CDISC+SDTM+ADaM+explained - ein Überblick in einfacher Sprache, wie SDTM und ADaM in einer Einreichung zusammenspielen]

Wo die Wiederverwendung ins Spiel kommt

Standardisierung dient nicht nur dazu, Regulierungsbehörden zufriedenzustellen. Sie macht Daten wiederverwendbar.

Weil jede Studie dieselben Domains und dieselbe Terminologie nutzt, kann ein Sponsor Daten über mehrere Studien hinweg poolen, um Sicherheitssignale über ein ganzes Arzneimittelprogramm zu analysieren. Ein seltenes unerwünschtes Ereignis, das in einer Studie zweimal auftritt, kann bei Kombination von drei Studien zwanzigmal auftreten, was das Sicherheitsbild verändert.

Eine Standardstruktur speist außerdem:

• Integrierte Zusammenfassungen zu Sicherheit und Wirksamkeit, die für den finalen Zulassungsantrag erforderlich sind.
• Tools der regulatorischen Bewertung. Die FDA betreibt standardisierte Analyse- und Visualisierungssoftware, die nur funktioniert, weil die Daten konform sind.
• Sekundärforschung. Anonymisierte, standardisierte Studiendaten können über Plattformen wie Vivli geteilt werden, sodass unabhängige Forscher sie neu auswerten können. Das ist unmöglich, wenn die Daten ein maßgeschneidertes Durcheinander sind.

Der Nutzen summiert sich. Strukturieren Sie die Daten einmal richtig, und sie dienen der Einreichung, der Sicherheitsdatenbank und künftiger Forschung.

Häufige Schwachstellen

Auch erfahrene Teams stolpern. Ein paar wiederkehrende Probleme, die man kennen sollte:

Traceability bricht ab. Ein ADaM-Wert ist abgeleitet, aber niemand kann erklären, aus welchen SDTM-Records. Das ist die häufigste Einzelursache für Datenrückfragen der FDA.

Terminologie-Drift. Ein Zentrum dokumentiert "hoher Blutdruck", während der Standardbegriff "Hypertonie" lautet. Unkorrigiert fragmentiert das die Daten und verdeckt Muster.

Späte Standardisierung. Teams erheben Daten manchmal in einem eigenen Format und versuchen, sie ganz am Ende nach SDTM zu konvertieren. Das ist teuer und fehleranfällig. Reife Organisationen entwerfen die Erhebungsformulare von Tag eins an mit SDTM im Blick, eine Praxis, die manchmal "standards-first"-Design genannt wird.

Schwache define.xml. Wenn die Metadaten nicht zu den tatsächlichen Datensätzen passen, verlieren Reviewer schnell das Vertrauen, und verlorenes Vertrauen bedeutet mehr Prüfung von allem.

Ein Hinweis für nicht-technische Leser

Sie müssen kein SDTM schreiben, um in diesem Feld zu führen. Aber Sie sollten die richtigen Fragen stellen können:

• Können wir dieses Hauptergebnis bis zu den Quelldaten zurückverfolgen?
• Werden unsere Daten in einem Part-11-konformen System mit echtem Audit Trail erfasst?
• Designen wir von Anfang an für Standards, oder konvertieren wir am Ende?
• Kann dieser Datensatz programmübergreifend wiederverwendet werden, oder ist ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → ein Einzelfall?

Diese vier Fragen trennen Teams, die Daten als Compliance-Pflichtübung behandeln, von Teams, die sie als dauerhaften Wert behandeln.

Wichtigste Erkenntnisse

• SDTM organisiert die Rohaufzeichnung; ADaM macht sie analysefertig. Beide müssen sauber bis zur Quelle zurückverfolgbar sein, das ist die Grundlage der Datenintegrität.
• CDISC-Standards sind verpflichtend, nicht optional, für die meisten FDA-Einreichungen zu Arzneimitteln und Biologika, und sie nutzen feste Domains und Controlled Terminology, sodass Daten überall dasselbe bedeuten.
• Integrität ist belegbar, nicht nur sauber. ALCOA+-Prinzipien und Audit Trails nach 21 CFR Part 11 stellen sicher, dass jeder Wert zuordenbar und jede Änderung protokolliert ist.
• Standardisierung ermöglicht Wiederverwendung: Poolen über Studien hinweg, integrierte Sicherheitszusammenfassungen, Tools der regulatorischen Bewertung und geteilte Forschung über Plattformen wie Vivli.
• Früh für Standards designen. Erhebungsformulare mit SDTM im Blick zu bauen, schlägt eine teure, fehleranfällige Konvertierung am Ende.