Biotech & MedTech · Datenqualität mit branchenspezifischen Metriken messen

Eine Studienkoordinatorin lädt 4.200 Patientendatensätze aus der Onkologie hoch. Auf dem Papier sieht das vollständig aus. Aber 38 Prozent der Felder zum Tumorstadium sind leer, einige HER2-Status lauten „positve“, und ein Patient hat ein dokumentiertes Gewicht von 6 Kilogramm. Noch bevor ein einziges Modell läuft, lügt dieser Datensatz Sie an.

Diese Lektion gibt Ihnen ein wiederholbares Vorgehen, um diese Lügen aufzudecken. Wir nutzen drei Dimensionen der Datenqualität, auf die sich die biomedizinische Welt tatsächlich stützt (Completeness, Conformance und Plausibility) und bewerten einen unsauberen Onkologie-Datensatz hinsichtlich seiner Analytics-Readiness.

Warum Onkologiedaten auf vorhersehbare Weise kaputtgehen

Onkologiedaten sind aus strukturellen Gründen unsauber, nicht bloß aus Unachtsamkeit.

• Mehrere Quellen fließen zusammen. Ein einzelner Datensatz aus dem Tumorregister kann aus dem EHR (Electronic Health Record, die digitale Patientenakte des Krankenhauses), dem LIS (Laboratory Information System) und als Freitext eingegebenen Pathologieberichten stammen.
• Standards konkurrieren. Das Tumorstaging kann dem AJCC (American Joint Committee on Cancer) folgen oder älteren Systemen. Diagnosen nutzen ICD-10 (International Classification of Diseases, 10. Revision) oder ICD-O-3 (die onkologiespezifische Variante).
• Zeitliche Verzögerungen. Ein Biomarker-Ergebnis kommt Wochen nach der Diagnose, wodurch Felder vorübergehend leer bleiben.

Die Konsequenz: Sie können einem Datensatz nicht vertrauen, weil er „alle Spalten hat“. Sie messen ihn.

Die drei Dimensionen, definiert

Diese drei stammen direkt aus dem viel zitierten Kahn-Framework für EHR-Datenqualität, das von Forschungsnetzwerken wie OHDSI übernommen wurde (Observational Health Data Sciences and Informatics). Siehe das Open-Access-Paper zur harmonisierten Terminologie für Data Quality Assessment.

1. Completeness

Sind Werte dort vorhanden, wo sie sein sollten? Ein Feld kann absent sein (nie erhoben) oder missing (erwartet, aber leer). Das sind unterschiedliche Probleme.

2. Conformance

Folgen die Werte dem erforderlichen Format, Typ und Vokabular? Ein HER2-Feld sollte einen kontrollierten Wert enthalten („Positive“, „Negative“, „Equivocal“), nicht „positve“ oder „3+ maybe“.

3. Plausibility

Sind die Werte angesichts der klinischen Realität glaubwürdig? Ein erwachsener Patient mit 6 kg fällt bei der Plausibility durch, obwohl das Feld vorhanden und numerisch ist.

Ein Datensatz kann eine Dimension bestehen und an einer anderen scheitern. Genau darum misst man sie getrennt.

Den unsauberen Onkologie-Datensatz bewerten

Arbeiten wir ein konkretes Beispiel durch. Unser Datensatz: 4.200 Brustkrebs-Datensätze mit diesen Schlüsselfeldern.

Completeness-Score

Completeness für ein Feld:

completeness = (records with a valid non-null value) / (records where value is expected)

Für tumor_stage: 62 Prozent der 4.200 Datensätze haben einen Wert.

completeness(tumor_stage) = 2,604 / 4,200 = 0.62

Das sind 62 Prozent. Unterhalb der meisten Analytics-Schwellen (Forschungsnetzwerke zielen für zentrale klinische Variablen oft auf 90 Prozent oder mehr, auch wenn es keinen einzigen universellen Standard gibt).

Aber Achtung: Manche Leerfelder sind legitim „nicht anwendbar“. Bei einer Patientin, deren Krebs präinvasiv entdeckt wurde, kann ein vollständiges Stadium nicht anwendbar sein. Also teilen Sie Completeness auf in „erwartet, aber fehlend“ (ein echtes Problem) und „nicht anwendbar“ (in Ordnung). Wenn 400 dieser Leerfelder tatsächlich nicht anwendbar sind:

adjusted completeness = 2,604 / (4,200 - 400) = 2,604 / 3,800 = 0.685

Jetzt 68,5 Prozent. Immer noch schwach, aber ehrlich.

Conformance-Score

her2_status sollte auf ein kontrolliertes Vokabular abbilden. Zwölf Prozent fallen durch.

conformance(her2_status) = (4,200 - 504) / 4,200 = 3,696 / 4,200 = 0.88

88 Prozent. Die 504 non-conforming Datensätze sind oft rettbar: „positve“, „POS“ und „positive“ lassen sich auf einen kanonischen Wert normalisieren. Conformance-Fehler sind häufig am günstigsten zu beheben, weil sie mechanisch sind.

Plausibility-Score

Hier zwei Prüfungen:

• Range-Check: patient_weight_kg zwischen etwa 30 und 250 für Erwachsene. 3 Prozent fallen durch.
• Prüfung der zeitlichen Logik: diagnosis_date muss vor death_date liegen. 1 Prozent fällt durch.

plausibility(weight) = (4,200 - 126) / 4,200 = 0.97
plausibility(date_logic) = (4,200 - 42) / 4,200 = 0.99

Die Gewichts-Plausibility liegt bei 97 Prozent, die Datumslogik bei 99 Prozent. Die Datumsfehler sind Warnsignale: Sie deuten meist auf einen Fehler beim Zusammenführen der Daten hin, nicht auf einen echten AusreißererDas 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 →.

Aus Scores ein Readiness-Urteil machen

Sie bilden nicht blind einen Durchschnitt. Gewichten Sie die Felder danach, wie stark Ihre nachgelagerten Analytics sie brauchen.

Angenommen, Sie bauen ein Modell zur Vorhersage des Therapieansprechens, und tumor_stage sowie her2_status sind essenzielle Prädiktoren. Ein Feld-Score von 68,5 Prozent Completeness bei tumor_stage ist ein Blocker, keine Fußnote. Keine Menge sauberer Gewichtsdaten kompensiert einen fehlenden Schlüsselprädiktor.

Eine einfache Readiness-Rubrik:

• Grün (ready): alle essenziellen Felder bei 90 Prozent oder mehr in jeder Dimension.
• Gelb (bedingt): behebbare Conformance-Probleme oder Fehlwerte, die transparent imputiert oder ausgeschlossen werden 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.
• Rot (nicht ready): Completeness eines essenziellen Feldes unter der Schwelle oder systematische Plausibility-Fehler, die auf eine kaputte PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → hindeuten.

Unser Datensatz ist Rot, getrieben von der Completeness bei tumor_stage. Das HER2-Conformance-Problem ist Gelb (mechanisch behebbar). Die Fehler in der Datumslogik müssen vor allem anderen untersucht werden, denn sie deuten darauf hin, dass der Merge selbst fehlerhaft ist.

Dieses Urteil ist das Deliverable. „Rot wegen Stage-Completeness und ungeklärter Fehler in der Datumslogik“ ist weit nützlicher als ein einziger gemischter Prozentwert, der den fatalen Fehler verdeckt.

🎬 [VIDEO: „Data QualityData QualityDer Grad, in dem Daten für ihren Zweck geeignet sind: korrekt, vollständig, konsistent, aktuell, valide und eindeutig. Schlechte Datenqualität untergräbt Analytics, Reporting und KI.Vollständige Definition ansehen → in Healthcare: The OHDSI Data Quality Dashboard“ - youtube.com - Durchgang durch ein Open-Source-Tool, das tausende automatisierte Conformance- und Plausibility-Checks auf Gesundheitsdaten ausführt]

Die Checks automatisieren

Sie würden nicht 4.200 Datensätze mit dem Auge prüfen. Hier die Logik eines minimalen Conformance- und Plausibility-Checks in Python-artigem Pseudocode.

VALID_HER2 = {"Positive", "Negative", "Equivocal"}

def score_record(r):
    flags = []
    # Conformance
    if r["her2_status"] not in VALID_HER2:
        flags.append("her2_nonconform")
    # Plausibility: Wertebereich
    if not (30 <= r["patient_weight_kg"] <= 250):
        flags.append("weight_implausible")
    # Plausibility: zeitliche Logik
    if r["diagnosis_date"] > r["death_date"]:
        flags.append("date_logic_fail")
    return flags

Führen Sie das über den Datensatz aus, zählen Sie die Flags pro Regel, und Sie haben automatisch Dimensions-Scores auf Feldebene. Tools wie das OHDSI Data Quality Dashboard machen genau das im großen 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 →ßstab und führen tausende Checks gegen ein standardisiertes Datenmodell aus.

Branchenspezifische Benchmarks und Standards

Einige Referenzpunkte für 2026, alle als Kontext zu verstehen, nicht als harte Regeln:

• Common Data Models sind wichtig. Ein Mapping auf OMOP (Observational Medical Outcomes Partnership) oder FHIR (Fast Healthcare Interoperability Resources, der HL7-Standard für den Austausch von Gesundheitsdaten) erlaubt es Ihnen, veröffentlichte Qualitätschecks zu nutzen, statt eigene zu erfinden.
• Regulatorische Erwartungen bestehen. Für Daten, die Zulassungen von Arzneimitteln oder Medizinprodukten stützen, erwarten die US-amerikanische FDA (Food and Drug Administration) und die EMA (European Medicines Agency) eine Datenintegrität nach den ALCOA+-Prinzipien: Attributable, Legible, Contemporaneous, Original, Accurate, plus Complete, Consistent, Enduring, Available. Beachten Sie die Überschneidung: Completeness und Accuracy sind regulatorische Erwartungen, nicht bloß analytische Feinheiten.
• Real-World-Daten werden stärker geprüft. Das Real-World-Evidence-Framework der FDA behandelt explizit die Zuverlässigkeit von Daten, was direkt auf Conformance und Plausibility abbildet.

Es gibt keinen einzigen gesetzlich vorgeschriebenen Completeness-Prozentwert. Was Regulierer verlangen, ist, dass Sie Ihr Quality Assessment und Ihren Umgang mit Defekten dokumentieren. Ein transparentes Gelb ist vertretbar. Ein verstecktes Rot nicht.

Eine Anmerkung zu Medtech-Gerätedaten

Die gleichen drei Dimensionen gelten für gerätegenerierte Daten (ein kontinuierliches Glukosemessgerät, das Log einer Infusionspumpe).

• Completeness: Lücken in einer Sensor-Zeitreihe (ausgefallene Messwerte).
• Conformance: Zeitstempel in der erwarteten Zeitzone und Einheit.
• Plausibility: ein Glukosewert von 900 mg/dL, der wahrscheinlich einen Sensorfehler widerspiegelt, nicht einen Patienten.

Bei hochfrequenten Gerätedaten wird Plausibility oft zum dominierenden Thema, weil Sensoren vorhandene, gut formatierte, aber physiologisch unmögliche Werte produzieren.

Die wichtigsten Punkte

• Messen Sie drei Dimensionen getrennt. Completeness, Conformance und Plausibility fangen unterschiedliche Fehler ab. Ein Datensatz kann vollständig, aber implausibel sein oder gut formatiert, aber genau dort leer, wo es zählt.
• Bewerten Sie Felder, nicht nur Datensätze. 68,5 Prozent Completeness bei tumor_stage (einem essenziellen Prädiktor) machen den Datensatz Rot, egal wie sauber alles andere ist.
• Trennen Sie „missing“ von „nicht anwendbar“. Die Anpassung des Nenners verwandelte 62 Prozent in ehrliche 68,5 Prozent und vermied, legitime Leerfelder zu bestrafen.
• Conformance ist oft günstig, Plausibility-Fehler sind oft Warnungen. Tippfehler lassen sich leicht normalisieren; ein diagnosis_date nach death_date signalisiert meist einen kaputten Daten-Merge.
• Dokumentieren, nicht verbergen. Regulierer (FDA, EMA) und Forschungsnetzwerke (OHDSI) erwarten ein transparentes Quality Assessment. Ein vertretbares Gelb schlägt ein verschwiegenes Rot.