Utilisation du SDTM pour standardiser les données cliniques: avantages et chausse-trappes

Transcription

1 Utilisation du SDTM pour standardiser les données cliniques: avantages et chausse-trappes (Les données cliniques peuvent-elles survivre aux standards de soumission du CDISC?) Rencontres Caen Thierry Lambert

2 Contexte 2 Une longue expérience de création de bases cliniques globales récupérer un long historique d essais cliniques (jusqu à 30 ans) pour en faire une base globale et facile à analyser En entrée : des structures de données et des conventions très hétérogènes : Différents systèmes de data management Différents data managers (du laboratoire, de CRO) Différents standards (quand il y en avait, et qu ils étaient appliqués...) Aujourd hui, ces structures en entrée sont de plus en plus «SDTM-like» Bilan: en moyenne, les bases inspirées du SDTM sont de moins bonne qualité

3 Quelle qualité? 3 L aisance avec laquelle on peut comprendre et analyser les données Base parfaite : on peut comprendre et traiter les données sans avoir recours au CRF ni au protocole à travers plusieurs études avec peu de programmation (pas de «if study=... then...»)

4 Retour aux fondamentaux Le modèle des données change d une étude à l autre Modèle: ce qu on obtient par les techniques classiques de modélisation, comme les diagrammes entité-relation 4 Study A table Subject table SubjectVisit Subject Height (cm) Weight (kg) Subject Visit () () Study B table Subject table SubjectVisit Subject Height (cm) Subject Visit Weight (kg) () ()

5 Les méta-données Les méta-données sont ce qui est connu indépendamment des données collectées. Elles permettent de connaître les similarités et les différences entre études, sans avoir besoin de retourner aux données. 5 Study Table Variable Key Unit A Subject Subject Yes Height cm Weight kg SubjectVisit Subject Yes Visit Yes B Subject Subject Yes Height cm SubjectVisit Subject Yes Visit Yes Weight kg

6 Une «standardisation» Le but: rendre les similitudes évidentes et faciles à traiter par exemple, si deux choses ont le même nom, alors elles sont identiques (et réciproquement) 6 Study A table Subject table VitalSigns Subject Height (cm) Subject Visit Weight (kg) () () Study B table Subject table VitalSigns Subject Height (cm) Subject Visit Weight (kg) () ()

7 Les méta-données après «standardisation» 7 Study Table Variable Key Unit A Subject Subject Yes Height cm VitalSigns Subject Yes Visit Yes Weight kg B Subject Subject Yes Height cm VitalSigns Subject Yes Visit Yes Weight kg On a perdu de l information : «la même variable toujours dans la même table», ce n est pas de la standardisation : c est de l uniformisation, qui se traduit par une perte de méta-données

8 Méta-données mises à jour Uniformiser implique d augmenter les méta-données pour réinjecter l information qui a été perdue : 8 Study Table Variable Key Unit AttributeOf A Subject Subject Yes Height cm VitalSigns Subject Yes Visit Yes Weight kg Subject B Subject Subject Yes Height cm VitalSigns Subject Yes Visit Yes Weight kg

9 Le SDTM 9 Le SDTM standardise et uniformise : standardisation : Events, Interventions, Controlled Terminology uniformisation: Findings, SUPP--, «tout ressemble soit à un événement indésirable, soit à un traitement associé, soit à un résultat d analyse de laboratoire» Study A, Domain VS USUBJID VSTESTCD VSSTRESN VSSTRESU VISITNUM A-001 WEIGHT 75 kg 1 SY DIABP 65 1 SY DIABP 60 2 SY DIABP 64 3 A-001 WEIGHT 50 kg 1 SY DIABP 71 1 SY DIABP 75 2 Study B, Domain VS USUBJID VSTESTCD VSSTRESN VSSTRESU VISITNUM B-001 WEIGHT 75 kg 1 SY DIABP 65 1 WEIGHT 74 kg 2 SY DIABP 60 2 WEIGHT 72 kg 3 SY DIABP 64 3 B-001 WEIGHT 50 kg 1 SY DIABP 71 1 WEIGHT 50 kg 2 SY DIABP 75 2

10 Les méta-données du SDTM 10 Study Domain Key A VS USUBJID, VISITNUM, TESTCD B VS USUBJID, VISITNUM, TESTCD Study Item Label Type C odelist A VSSTRESN Numeric Result/Finding integer VSSTRESU Standard Units text kg, WEIGHT.VSORRES Weight integer SY.VSORRES Systolic Blood Pressure integer DIABP.VSORRES Diastolic Blood Pressure integer B VSSTRESN Numeric Result/Finding integer VSSTRESU Standard Units text kg, WEIGHT.VSORRES Weight integer SY.VSORRES Systolic Blood Pressure integer DIABP.VSORRES Diastolic Blood Pressure integer Elles sont insuffisantes, par exemple : on ne peut pas spécifier de clé par paramètre on peut donner le type et la liste des codes par paramètre pour --ORRES, mais pas les autres variables (comme les --STRESx) un poids de "75 " est maintenant une donnée valide!

11 Résumé de l évolution des 10 dernières années 11 Standard Uniforme Structure Structure Données Autres Other méta- Metadata données Données Information perdue Autres Other méta- Metadata données Les méta-données «traditionnelles» sont la structure (variables, labels, listes de codes) : l adoption de structures uniformes a donc abouti à des bases de moins bonne qualité.

12 Les méta-données dans le SDTM, aujourd hui Trial Design Datasets Dessinés pour fonctionner avec toutes les aires thérapeutiques et tous les dessins d étude Ils manquent donc d informations spécifiques. Par exemple, dans TV : quelle est la visite de randomisation? la visite était-elle optionnelle? quelle était la tolérance pour VISITDY? etc. Define.xml Beaucoup d information va dans le champ «comment», où elle ne peut pas être exploitée automatiquement Les listes de codes sont essentiellement limitées au code et au libellé, et sont redondantes (cf. --TESTCD et --TEST) XML n est pas adapté aux outils qui traitent les données (qui sont faits pour des tables rectangulaires) : les «define» sont maintenus à la main dans Excel, et ne sont pas «câblés» à la structure des données 12

13 Pourquoi les méta-données sont importantes 13 Définition: ce qui est connu indépendamment des données collectées Dans une étude sur le cancer de la prostate, SEX=M est donc une méta-donnée. Et inversement, une partie des méta-données devient des données quand on agrège plusieurs études. Application aux entrepôts de données cliniques Quand on travaille étude par étude, maintenir des meta-données structurées semble superfétatoire. Mais du coup, les méta-données sont dans les programmes, et ne peuvent pas être utilisées quand on interroge les données d un ensemble d études. Empiler des données de structure uniforme ne change pas la donne, et du coup la plupart des projets de bases globales fondées sur le SDTM ne tiennent pas leurs promesses.

14 Que faut-il ne pas faire? 14 Ne pas perdre les bases de données qui sortent du data management des informations cruciales sont souvent perdues en passant au format SDTM exemple: quelle PA systolique va avec quelle PA diastolique? Ne pas standardiser sur le SDTM seul sans en avoir mesuré toutes les conséquences pourriez-vous reconstituer les données de départ à partir de celles au format SDTM? pourriez-vous rapidement et facilement analyser des données de tolérance et d efficacité à travers 50 études? comment allez-vous vous adapter au standard de votre aire thérapeutique quand il sera défini, prospectivement et rétrospectivement?

15 Que faire? 15 Maîtriser l hétérogénéité, ne pas essayer de l éviter standardisez d abord la description des structures de données (la structure des méta-données), ensuite les structures de données elles-mêmes, quand c est possible. S assurer d avoir assez de méta-données maintenables : cherchez à obtenir des bases de données utilisables sans les protocoles ni les cahiers d observation analysez la perte de méta-données quand vous passez d une structure traditionnelle (horizontale) au SDTM (vertical), et choisissez la structure qui vous facilite la maintenance des métadonnées

16 Que faire? (2) 16 Concentrez-vous sur la standardisation constituez une base de méta-données simples (tables, variables, clefs, listes de codes flexibles) nommez ce qu on trouve sur le CRF donnez des noms longs et des libellés détaillés écartez-vous du SDTM s il vous faut un chausse-pied pour y rentrer prévoyez des versions des standards : listes de codes changeantes structures changeantes (évolution des standards officiels) modèles changeants (recherche, progrès de la médecine) Appliquez vos standards il devrait être impossible que les méta-données ne correspondent pas aux données ne faites pas des plans trop ambitieux que vous ne pourrez pas soutenir sur le long terme : il faut que la standardisation vous aide dans votre travail quotidien

17 Des questions? 17 N hésitez pas à me contacter après coup! thierry.lambert@adclin.com