Datenqualitätsmetriken, die zählen: Completeness, Latency und Lineage

# Datenqualitätsmetriken, die zählen: Completeness, Latency und Lineage

Das Claims-Warehouse eines Krankenversicherers zeigt einen durchschnittlichen Verzug von 74 Tagen zwischen dem Einlösen eines Rezepts durch einen Patienten und dem Zeitpunkt, an dem dieser Datensatz für Analysen nutzbar ist. Ein Arzneimittelsicherheits-Team, das Daten für eine Signalerkennung zieht, bemerkt das nicht, führt die Query trotzdem aus und schließt daraus, dass eine Nebenwirkungsrate sinkt. Sie sinkt nicht. Die Claims der letzten 10 Wochen sind einfach noch nicht eingetroffen. So geht Real-World Evidence (RWE, Daten, die außerhalb klinischer Studien entstehen, aus Claims, elektronischen Patientenakten oder Registern) schief: nicht durch schlechte Wissenschaft, sondern durch ungemessene Datenqualität.

Diese Lektion gibt Ihnen drei Metriken, die Sie prüfen sollten, bevor Sie einem Pharma-Datensatz vertrauen: Completeness, Latency und Lineage.

Warum generische Datenqualitäts-Checklisten in Pharma versagen

Die meisten Datenqualitäts-Frameworks für Unternehmen (etwa Fehlerzählungen im Six-Sigma-Stil oder generische „Null-Rate"-Dashboards) wurden für Retail-Transaktionen oder Finanzbuchhaltung gebaut. Pharma-Daten haben andere Fehlermuster:

• Claims-Daten sind administrativ, gebaut für die Abrechnung, nicht für klinische Genauigkeit. Ein Diagnosecode kann nur deshalb vorhanden sein, um eine Zahlung zu begründen, nicht weil ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → die Hauptdiagnose beschreibt.
• EHR-Daten (elektronische Patientenakte) sind unstrukturiert und über Krankenhaussysteme hinweg inkonsistent. Das Feld „Rauchstatus" ist an einem Standort Freitext, an einem anderen ein Dropdown.
• Register (strukturierte Datenbanken, die Patienten mit einer bestimmten Erkrankung oder einem bestimmten Medizinprodukt erfassen) beruhen auf manueller Eingabe, oft durch unterbesetzte Study Coordinators.

Jede Quelle braucht Qualitätsdimensionen, die darauf zugeschnitten sind, wie sie kaputtgeht.

Die drei wichtigsten Metriken

1. Completeness: was tatsächlich da ist

Completeness misst den Anteil der erwarteten Datenfelder, Datensätze oder Zeiträume, die tatsächlich gefüllt sind.

Beispiel: In einem onkologischen EHR-Datensatz sind Biomarker-Testergebnisse (z. B. HER2-Status bei Brustkrebs) eine typische Schwachstelle. Branchenschätzungen legen nahe, dass strukturierte Biomarker-Felder in etwa 30 bis 50 % der EHR-basierten onkologischen Datensätze fehlen, gemessen an aktuell veröffentlichten RWE-Studien (Schätzung, variiert stark je nach Datenanbieter und Krebsart). Wenn Ihre Analyse auf dem Biomarker-Status beruht, um eine Patientenpopulation zu definieren, ist diese Missingness kein Rundungsfehler, sie kann Ihre Kohortendefinition vollständig entwerten.

Durchgerechnetes Beispiel:

Angenommen, Sie ziehen 10.000 Patientendatensätze für eine RWE-Studie zu Lungenkrebs. Sie brauchen den EGFR-Mutationsstatus (ein Biomarker, der die Wahl der zielgerichteten Therapie steuert).

• Datensätze mit gefülltem EGFR-Feld: 6.200
• Completeness-Rate = 6.200 / 10.000 = 62 %

Ist die Missingness zufällig, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie neu gewichten oder imputieren. Korreliert die Missingness mit etwas Relevantem, etwa dass niedergelassene onkologische Praxen seltener testen als Universitätszentren, dann sind Ihre verbleibenden 62 % eine verzerrte Stichprobe, nicht eine kleinere Version der Wahrheit. Prüfen Sie immer die *Muster* der Missingness, nicht nur die *Raten*.

2. Latency: wie alt „Echtzeit" wirklich ist

Latency ist der Verzug zwischen dem Eintreten eines Ereignisses und dem Zeitpunkt, an dem die Daten es in Ihrem Datensatz abbilden.

Bei US-Claims-Daten wird häufig als Benchmark genannt, dass 70 bis 90 % der medizinischen Claims innerhalb von 90 Tagen eingereicht und abgerechnet sind, der vollständige „Run-out" (alle Claims vollständig verarbeitet, inklusive Nachmeldungen und Korrekturen) kann aber 6 bis 12 Monate dauern (Schätzung, basierend auf typischen Claims-Lag-Mustern von Kostenträgern). Europäische Quellen, etwa Apotheken-Abgaberegister in den nordischen Ländern, haben wegen zentralisierter nationaler Gesundheitssysteme oft einen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzeren Verzug (Wochen, nicht Monate), aber krankenhausbasierte EHR-Daten in der EU variieren enorm je nach Land und Reifegrad der Systeme.

Warum das konkret zählt: Wenn Sie Sicherheitssignale für ein neu eingeführtes Produkt überwachen, beschreibt Ihr „aktuelles" Dashboard bei einem Meldeverzug von 3 bis 6 Monaten einen Markt, der vor zwei Quartalen existierte. Regulierungsbehörden wie die FDA (Food and Drug Administration) und die EMA (European Medicines Agency) berücksichtigen das in Pharmakovigilanz-Protokollen (Überwachung der Arzneimittelsicherheit) explizit, indem sie Mindestbeobachtungszeiträume festlegen, bevor aus Claims-basierten Signalen Schlüsse gezogen werden.

3. Lineage: kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie es zurückverfolgen

Lineage ist die dokumentierte Spur, woher Daten kommen, welche Transformationen sie durchlaufen haben und wer sie angefasst hat, bevor sie in Ihrer Tabelle landeten.

Ohne Lineage kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie grundlegende Audit-Fragen nicht beantworten: Wurde dieser Diagnosecode korrekt von ICD-9 auf ICD-10 gemappt (International Classification of Diseases, das Standard-Kodiersystem für Diagnosen)? Hat ein „Data Refresh" eines Anbieters im letzten Quartal stillschweigend eine Felddefinition geändert?

Die regulatorische Prüfung macht das nicht optional. Die FDA-Guidance zu Real-World Evidence (Teil des Rahmens unter dem 21st Century Cures Act) fordert von Sponsoren ausdrücklich, die Datenprovenienz zu dokumentieren, wenn RWE zur Unterstützung regulatorischer Entscheidungen eingereicht wird. In der EU setzt die Verordnung zum European Health Data Space (EHDS), die in Phasen von 2025 bis 2027 in Kraft tritt, Anforderungen an die Nachverfolgbarkeit von Gesundheitsdaten, die in der Sekundärforschung genutzt werden. Kein Lineage-Nachweis, keine glaubwürdige Einreichung.

Eine einfache Scoring-Übung

Hier ein leichtgewichtiger Weg, einen Datensatz zu bewerten, bevor Sie sich darauf verlassen. Kein vollständiges Audit, sondern ein Gate-Check.

Dataset: Regional EHR extract, diabetes cohort, n=45,000

1. Completeness (key fields: HbA1c, medication list, BMI)
   populated_fields / expected_fields = 38,000 / 45,000 = 84%

2. Latency (event date vs. data availability date)
   median_lag_days = 21
   Benchmark: acceptable for chronic disease monitoring (<30 days)
   Flag: NOT acceptable for acute safety signal detection

3. Lineage
   - Source system documented? Yes (Epic EHR, single health system)
   - Coding standard documented? Yes (ICD-10, RxNorm for meds)
   - Transformation log available? No <- FAIL

Overall gate decision: CONDITIONAL PASS
Do not use for regulatory submission until transformation log is obtained.

Ein solches Gate, ausgeführt bevor die Analyse beginnt, fängt den Fehler aus unserer Eingangsszene ab, bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → zu einer falschen Schlussfolgerung in einem Slide Deck wird.

Als tiefergehende Referenz zu strukturierten RWE-Datenqualitäts-Frameworks ist die Datenqualitäts-Dokumentation der Sentinel Initiative (ein von der FDA finanziertes System zur aktiven Überwachung) eine wirklich nützliche öffentliche Ressource, die zeigt, wie ein großes System auf Regulatoren-Niveau diese Prüfungen im MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab kodifiziert.

Was sich ändert, wenn Sie diese Metriken anwenden

Sobald Sie einen Datensatz bewerten, müssen Ihre Schlussfolgerungen auf das schrumpfen, was die Daten stützen.

• Geringe Completeness bei einer Schlüsselvariablen bedeutet, dass Sie Ihre Aussage von „Prävalenz in der Population" auf „Prävalenz unter Patienten, bei denen die Variable erfasst wurde" einschränken, eine materiell andere, deutlich begrenztere Aussage.
• Hohe Latency bedeutet, dass Trends des aktuellen Quartals vorläufig sind. Analysten sollten die letzten 1 bis 2 Berichtsperioden als unvollständig markieren, statt sie als endgültig darzustellen.
• Schwache Lineage bedeutet, dass der Datensatz für interne Hypothesenbildung nutzbar sein kann, aber nicht für ein regulatorisches Dossier oder eine Verhandlung mit Kostenträgern, wo Prüfer von FDA oder EMA oder HTA-Institutionen (Health Technology Assessment) wie NICE (National Institute for Health and Care Excellence, UK) oder das deutsche IQWiG die vollständige Provenienz verlangen.

Das ist die Kerndisziplin: Datenqualitätsmetriken bewerten nicht nur einen Datensatz, sie definieren die Grenze dessen, was Sie mit ihm sagen dürfen.

🎬 [VIDEO: "Real-World Evidence: What It Is and Why It Matters" - youtube.com/results?search_query=real+world+evidence+fda+explained - suchen Sie nach Erklärvideos von FDA oder ISPOR zu den Grundlagen der RWE-Datenqualität und regulatorischen Anwendungsfällen]

Wichtigste Erkenntnisse

• Completeness misst, was gefüllt ist, aber prüfen Sie die *Muster* der Missingness, nicht nur den rohen Prozentwert; verzerrte Missingness verfälscht Ihre Kohorte unbemerkt.
• Latency bestimmt, wie „aktuell" Ihre Daten tatsächlich sind. US-Claims-Daten kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen bis zum vollständigen Run-out 3 bis 12 Monate hinterherlaufen (Schätzung); passen Sie Ihr Berichtsfenster immer der Frage an, die Sie stellen (chronisches Monitoring vs. akute Sicherheitssignale).
• Lineage entscheidet, ob Daten für regulatorische oder HTA-Einreichungen nutzbar sind. Keine dokumentierte Provenienz heißt kein glaubwürdiger Audit Trail, egal wie sauber die Zahlen aussehen.
• Führen Sie einen schnellen Gate-Check über drei Metriken (Completeness, Latency, Lineage) vor jeder Analyse durch, nicht danach. Es geht schneller, einen veralteten oder verzerrten Datensatz beim Eingang zu erkennen, als später eine Schlussfolgerung zurückzuziehen.
• Regulatorische Rahmenwerke (FDA-Guidance zu RWE, EMA-Prozesse, der EHDS der EU) verlangen zunehmend genau diese Art dokumentierter Datenqualitätsbewertung, das Einüben dieser Gewohnheit ist also auch eine Compliance-Fähigkeit, nicht nur eine analytische.