Klinische Studiendaten für Integrität und Wiederverwendung strukturieren

# Klinische Studiendaten für Integrität und Wiederverwendung strukturieren

Ein Patient in einer onkologischen Phase-II-Studie nimmt seine Dosis an einem Dienstagmorgen ein. Eine Pflegekraft notiert die Uhrzeit, drei Wochen später wird der Tumor per 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 häufig gegeneinander arbeiten: 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 ihre Herkunft belegen) und Wiederverwendung (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 sie poolen, neu analysieren und einreichen, ohne alles neu zu bauen).

Warum Struktur zählt, bevor wir die Daten anfassen

Klinische Studien erzeugen unordentliche Daten mit hohem Risiko. Eine einzelne Phase-II-Studie kann 100 bis 300 Patienten an dutzenden Zentren umfassen, die über Monate jeweils hunderte Datenpunkte pro Patient erheben.

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 in der Branche genutzten Datenmodelle pflegt.

Die Anforderungen der FDA selbst 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 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 der *organisierte Rohdatensatz*. Es erfasst, was passiert ist, nah an der Art der Erhebung, in einer Standardstruktur. Minimale Interpretation.

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

Die Regel, die beide verbindet: ADaM muss nachverfolgbar auf SDTM zurückführen, und SDTM muss auf die Rohquelle zurückführen (den Case Report Form oder die elektronische Patientenakte). Diese Kette ist das Rückgrat der Datenintegrität.

SDTM in der Praxis

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

• DM (Demographics): Alter, Geschlecht, Ethnie, Behandlungsarm.
• AE (Adverse Events): Nebenwirkungen, etwa Übelkeit oder der 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 aus 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 ein eindeutiger Subject-Identifier, der über alle Domains hinweg konstant bleibt, sodass Sie die Adverse Events dieses Patienten mit seinen Laborwerten und Tumormessungen verknüpfen 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. AESTDTC ist ein Datum im ISO-8601-Format (YYYY-MM-DD), ein Standard, der die Uneindeutigkeit zwischen US- 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 Frage 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 Tumorresponse im Zeitverlauf.

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 einen definierten Betrag 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 zurück bis zum CT verfolgen.

Der Audit Trail: Integrität belegen

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

Define-XML

Jede Einreichung enthält eine maschinenlesbare Metadatendatei namens define.xml. Sehen Sie sie als Datenwörterbuch und Landkarte. Sie listet jeden Datensatz, jede Variable, ihre 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 durch die Systeme erzwungen, die die Daten erfassen. Unter 21 CFR Part 11 (die FDA-Regulierung für elektronische Aufzeichnungen und Signaturen) muss das EDC-System (Electronic Data Capture) protokollieren, wer jeden Wert eingegeben oder geändert hat, wann und warum. Wenn jene Pflegekraft die Dosierungszeit 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, Regulierer zufriedenzustellen. Sie macht Daten wiederverwendbar.

Weil jede Studie dieselben Domains und dieselbe Terminologie verwendet, kann ein Sponsor Daten über mehrere Studien hinweg poolen, um Safety-Signale über ein ganzes Arzneimittelprogramm zu analysieren. Ein seltenes Adverse Event, das in einer Studie zweimal auftritt, kann bei drei kombinierten Studien zwanzigmal auftreten, und das verändert das Sicherheitsbild.

Standardstruktur speist außerdem:

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

Der Effekt summiert sich. Strukturieren Sie die Daten einmal richtig, und sie dienen der Einreichung, der Sicherheitsdatenbank und 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 →ünftiger Wissenschaft.

Häufige Schwachstellen

Auch erfahrene Teams stolpern. Einige wiederkehrende Probleme, die man erkennen sollte:

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

Terminologie-Drift. Ein Zentrum erfasst „hoher Blutdruck“, während der Standardbegriff „Hypertonie“ lautet. Bleibt das unkorrigiert, fragmentiert es die Daten und verdeckt Muster.

Späte Standardisierung. Teams erheben Daten manchmal in einem eigenen Format und versuchen ganz am Ende, sie nach SDTM zu konvertieren. Das ist teuer und fehleranfällig. Reife Organisationen entwerfen die Erhebungsformulare von Tag eins 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.

Eine Anmerkung für nicht-technische Leser

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

• 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 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 dauerhaftes Asset behandeln.

Key Takeaways

• SDTM organisiert den Rohdatensatz; ADaM macht ihn analysefertig. Beide müssen saubere Nachverfolgbarkeit zur Quelle haben, 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, damit 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: Pooling über Studien hinweg, integrierte Safety-Zusammenfassungen, regulatorische Review-Tools 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.