MeldungQuelle: EClinCloud

Neue Technologien für die Skalenbewertung in der psychiatrischen und psychologischen klinischen Forschung – Verblindete Datenanalyse

6 Min. LesezeitEClinCloud-Redaktionsteam
Abbildung zum Artikel

Quelle: EClinCloud. Autor: eClinCloud.


Klicken Sie oben auf den „blauen Text“, um uns zu folgen

Abbildung zum Artikel



Vom 24. bis 27. August 2021 fand die „Schulungsreihe zu Technologien und Kompetenzentwicklung in der klinischen Forschung zu psychischen Erkrankungen“ erfolgreich statt. Dr. Qin Long, CEO von EClinCloud, war eingeladen, auf der Veranstaltung einen Themenvortrag über „Neue Technologien für die Skalenbewertung in der psychiatrischen und psychologischen klinischen Forschung“ zu halten. Er stellte umfassend die derzeitigen drei neuen Technologien im Bereich der Skalenbewertung vor, nämlich eCOA, Beurteilerschulung, verblindete Datenanalyse, und teilte Fallbeispiele, die belegen, wie diese neuen Technologien die klinische Forschung unterstützen können.


Wir werden diese drei neuen Technologien in drei Artikeln einzeln vorstellen; dieser Beitrag widmet sich dem dritten Teil – der verblindeten Datenanalyse.



Abbildung zum Artikel



Was ist BDA?


Die verblindete Datenanalyse (Blinded Data Analytics, BDA) ist eine neue Technologie der Datenanalyse, mit der im verblindeten Zustand durch Methoden des zentralisierten statistischen Monitorings Datenqualitätsprobleme, die den Studienendpunkt beeinflussen könnten, rechtzeitig erkannt und korrigiert werden. Während das risikobasierte Monitoring (Risk-Based Monitoring, RBM) auf den gesamten klinischen Studienprozess ausgerichtet ist, gilt aus Datensicht: BDA sollte als Ergänzung zu RBM betrachtet werden, da es sich vollständig auf die Datenqualität klinischer Endpunkte konzentriert.



Faktoren, die zu Datenqualitätsproblemen führen


In klinischen Prüfungen kann die Datenqualität in vielerlei Hinsicht vor Herausforderungen stehen. Verschiedene Faktoren können zu Datenqualitätsproblemen führen.


Subjektive Faktoren
Viele Skalen, die als primäre Endpunkte in klinischen Prüfungen eingesetzt werden, beruhen auf der subjektiven Diagnose durch den Beurteiler, und die Genauigkeit der Diagnose wirkt sich auf die Datenqualität aus; zweitens darauf, ob der Einschluss der Prüfungsteilnehmer streng gemäß den Einschlusskriterien erfolgt; sowie auf Abweichungen bei der Ergebnismessung. Auch wenn es sich jeweils um einzelne kleine Abweichungen handelt, können diese sich kumulieren und letztlich zu einer erheblichen Verzerrung der Ergebnisse führen.

Instabilität der Symptome
Langzeitveränderungen der Symptome; Tag-Nacht-Schwankungen, da sich die Daten mitunter zwischen Tag und Nacht unterscheiden; sowie Umgebungsveränderungen, die ebenfalls zu unterschiedlichen Symptomen führen können. All diese Faktoren führen letztlich zu einer Instabilität der Daten.

Regionale Unterschiede
Unterschiedliche Regionen, in denen sich die Prüfungsteilnehmer befinden, können ebenfalls zu deutlichen Veränderungen der Daten führen.

Verzerrung (Bias)
Beurteiler und Prüfungsteilnehmer können im Verlauf einer klinischen Prüfung Bewertungsverzerrungen bei Wirksamkeit und Sicherheit, einen selektiven Einschluss oder Beeinflussungen bei der Festlegung der Analysepopulation verursachen und sogar die Richtigkeit der Ergebnisse der klinischen Prüfung beeinträchtigen.

Studiendesign
Unterschiedliche Studiengrößen und Komplexitätsgrade sowie Unterschiede bei Randomisierung und Verblindung zählen je nach Prüfung zu den Faktoren, die die Datenqualität beeinflussen.

Abbildung zum Artikel

Die obige Abbildung zeigt die Schlussfolgerung aus einem realen Projekt. In dieser Prüfung besteht ein großer Unterschied zwischen den durchschnittlichen Scores der Prüfzentren, die hinsichtlich der Randomisierungskriterien verblindet waren (rote Linie in der Abbildung), und den durchschnittlichen Scores der Prüfzentren, die hinsichtlich der Randomisierungskriterien unverblindet waren (blaue Linie in der Abbildung). Daher muss beim Studiendesign je nach Projekt unbedingt geprüft werden, ob die Prüfung mit verblindeten Randomisierungskriterien durchgeführt werden sollte.

Vorsätzliche Datenfälschung
Vorsätzliche Datenfälschung kommt in der Regel am seltensten vor. Früher trat dieser Faktor möglicherweise etwas häufiger auf; heute jedoch sind klinische Prüfungen durch das wachsende Bewusstsein aller Beteiligten, strengere behördliche Regulierung und immer zahlreichere Werkzeuge zunehmend stringenter und standardisierter geworden, sodass die Wahrscheinlichkeit von Fälschungen immer geringer wird.


Reale Fallbeispiele


Auf Parkinson spezialisierte Ärztinnen und Ärzte wissen, dass die Parkinson-Krankheit in der Regel einseitig beginnt und nur eine Körperseite betrifft. Im Verlauf der Zeit breitet sich die Erkrankung beidseitig aus und betrifft beide Körperseiten; dabei ist eine Seite meist stärker betroffen als die andere – dies ist ein Merkmal der Parkinson-Krankheit.

Abbildung zum Artikel

Die obige Abbildung zeigt die Bewertungsergebnisse einer standardisierten Parkinson-Bewertungsskala. Dargestellt ist der durchschnittliche Score über verschiedene Visiten hinweg, also der Mittelwert aus addierter linker und rechter Seite; jede Linie steht für einen Patienten. Auf der Grafik ist kein Problem erkennbar, und auch die Analyse des Gesamtscores hat keine Auffälligkeiten ergeben.

Abbildung zum Artikel

Betrachten wir jedoch nicht mehr einfach nur den UPDRS-Score, sondern schlüsseln die Bewertung auf und analysieren sie aus einer anderen Perspektive – indem wir also die Datenveränderungen auf der linken und rechten Seite betrachten –, lässt sich erkennen, wo das Problem liegt. Diese hellgrüne Linie etwa (auf die der rote Pfeil in der Abbildung zeigt) verläuft einmal höher und einmal niedriger; die Symptome sind mal links und mal rechts schwerwiegender. Aus Sicht der Symptomatik selbst sind dies problematische Daten, da bekanntlich bei Parkinson langfristig eine Seite stärker betroffen ist als die andere. Derartige Datenprobleme sind nicht einfach aus einer einzigen Ebene heraus erkennbar; vielmehr ist eine andere Analysemethode erforderlich, um diese verborgenen Datenprobleme zu entdecken.


Abbildung zum Artikel

Bei Parkinson-Patienten gibt es nach der Medikamenteneinnahme einen Zeitraum, in dem das Arzneimittel wirkt und sich die Symptome bessern; dieser wird als ON-Zeit bezeichnet. Nach Abklingen der Wirkung kehren die Symptome zurück; dieser Zeitraum wird als OFF-Zeit bezeichnet. Nach der Einnahme bessern sich die Symptome für eine gewisse Zeit, kehren nach Nachlassen der Wirkung wieder in den Ausgangszustand zurück, woraufhin erneut Medikamente eingenommen werden und wieder eine Besserung eintritt – diesen Ablauf durchlaufen die Patienten.

Abbildung zum Artikel

Betrachtet man die Daten der beiden Patienten in der obigen Abbildung unter diesem Gesichtspunkt, so steigt der Score von Patient 1 (gelb) bei Visite 2 plötzlich stark an und fällt bei Visite 3 wieder abrupt ab, während die Score-Daten von Patient 2 (schwarz) vergleichsweise stabil bleiben. 

Worin liegt die Ursache für derart starke Schwankungen der Score-Daten? Die wahrscheinlichste Ursache ist eine nicht strikte Einhaltung des Prüfplans, was zu uneinheitlichen Beurteilungszeitpunkten geführt hat. Bei Visite 2 war der Score vermutlich deshalb so hoch, weil sich der Patient bereits in der OFF-Zeit und nicht in der ON-Zeit befand. Durch die Wahl des falschen Zeitfensters schwankten die Daten stark nach oben und unten, was zu instabilen Ergebnisdaten führte. Später teilte das Prüfzentrum mit, dass der Beurteiler die Bewertung tatsächlich nicht nach der festgelegten Zeitspanne nach Medikamenteneinnahme durchführte, sondern erst dann, wenn er selbst Zeit hatte. Bis der Beurteiler Zeit fand, war die Wirkung des Medikaments manchmal bereits abgeklungen und manchmal noch vorhanden – entsprechend schwankten die Ergebnisse stark.


Die Rolle von BDA


In klinischen Prüfungen bildet die Datenqualität die Grundlage für die Bewertung der Studienergebnisse; authentische und verlässliche Daten sind für die Arzneimittelzulassung von entscheidender Bedeutung. Daher ist eine frühzeitige Erkennung von Datenqualitätsproblemen unerlässlich, um rechtzeitig Korrekturen vorzunehmen und die Datenqualität sicherzustellen.


Durch die Definition einer Reihe intelligenter Algorithmen prüfen wir Studiendaten auf verschiedenen Ebenen – etwa auf Ebene der Beurteiler, der Prüfzentren, der Länder, der Regionen sowie der gesamten Studie –, um potenzielle Datenprobleme nahezu in Echtzeit zu erkennen. Daher sind die Algorithmen von zentraler Bedeutung: Neben fundierten Statistikkenntnissen müssen auch klinische Aspekte, Krankheitsbilder und Bewertungsskalen einbezogen werden, um diese Algorithmen sachgerecht auszulegen. Wurde ein Problem gefunden, erfolgt eine Intervention, um es mit der richtigen Methode zu beheben. Gleichzeitig wird mithilfe von Trendanalysen das Ziel der Prävention verfolgt. Schließlich lassen sich Beurteiler oder Prüfzentren mit in der Vergangenheit guter oder schlechter Leistung auswählen, sodass man beispielsweise weiß, welche Beurteiler besser arbeiten und welche Prüfzentren eine höhere Qualität liefern.


Datenprobleme in klinischen Prüfungen durch BDA aufdecken

Rechtzeitig Korrekturmaßnahmen ergreifen

Uns bei der Optimierung klinischer Endpunktdaten unterstützen

Verzerrungen maximal reduzieren

Konsistenz und Validität der Ergebnisse erhöhen


Abbildung zum Artikel


EClinCloud

EClinCloud bringt Patientinnen und Patienten durch innovative, „patientenzentrierte“ dezentrale intelligente Lösungen wirksame Therapien. Wir bieten eine integrierte, einheitliche Cloud-Plattform (einschließlich Lösungen wie CTMS, EDC, eTMF, eCOA, eConsent, RTSM usw. sowie Beratungsleistungen wie Skalenmanagement, linguistische Validierung, Studiendesign usw.) sowie Technologien zur Endpunktbewertung in klinischen Studien für verschiedene Therapiegebiete (Onkologie, Neurologie, Kardiologie, Pneumologie, Dermatologie usw.), verbinden Spitzentechnologie mit biowissenschaftlichen Daten, um eine weltweit führende, „patientenzentrierte“ SaaS-Cloud-Plattform zur Unterstützung klinischer Evidenz aufzubauen, und helfen in- und ausländischen Pharmaunternehmen sowie Forschungseinrichtungen dabei, die F&E-Effizienz zu steigern und die Markteinführung von Arzneimitteln/Medizinprodukten zu beschleunigen – zum Wohl unzähliger Patientinnen und Patienten.
Abbildung zum Artikel


Originalartikel auf WeChat lesen

Weiterführende Beiträge

WeChat-Bild_2026-11-11_150855_109.pngAktuelles6 Min. LesezeitWelt-COPD-Tag | Zur bildgebenden Beurteilung in der klinischen COPD-Forschung13.–15. November. Am 18. November 2026 begeht die Welt den 25. World COPD Day (Welttag der chronisch obstruktiven Lungenerkrankung). Das diesjährige Thema lautet „Early Diagnosis and Management for a Better Life“ (Frühzeitige Diagnose und Behandlung für ein besseres Leben). Die chronisch obstruktive Lungenerkrankung (COPD) ist eine präventive und behandelbare Erkrankung, die durch eine anhaltende Atemwegsobstruktion gekennzeichnet ist; COPD steht in engem Zusammenhang mit chronischer Bronchitis und Emphysem [1]. In der Vergangenheit haben wir bereits Aufklärungsarbeit zu COPD-Skalen geleistet,Artikel-AbbildungAktuelles3 Min. LesezeitEClinCloud-KI zur Bewältigung komplexer Herausforderungen in der klinischen Forschung stößt auf großes InteresseVom 13. bis 15. November fand in Fuzhou die 2026 Konferenz zur Innovation der Nukleinsäure-Therapie und intelligenten biomedizinischen Industrie statt, die vom Yuan Shu Brain Science Research Center unter akademischer Leitung der Chinese Stroke Association veranstaltet wurde. Dr. Tan Long, Gründer und CEO von EClinCloud, wurde eingeladen, die Keynote „Praxis und Anwendung von KI in der klinischen Forschung“ zu halten. Er teilte Einblicke in die Entwicklungstrends der KI-gestützten Arzneimittelentwicklung sowie in die Anwendung von KI im gesamten Prozess der klinischen Forschung, was bei den anwesenden Gästen auf großes Interesse stieß. 01 Die aktuelle Landschaft der KI-gestützten Arzneimittelentwicklung KI zeigt ihren Anwendungswert in mehreren Phasen der Arzneimittelentwicklung, von der ZielidentifizierungFoto vom CNS-Forum von SAPA-China 2026 (1)Aktuelles3 Min. LesezeitFokus auf klinische Endpunktbewertung im ZNS-Bereich: EClinCloud stellt Praxiserfahrungen mit eCOA und IRC vorAuf dem CNS-Forum der SAPA-China-Pharmaindustriekonferenz 2026 stellte Zheng Liangyan, Medizinische Leitung bei EClinCloud, Anwendungsansätze für eCOA und IRC vor – mit Fokus auf Herausforderungen, regulatorische Anforderungen und praktische Umsetzung der Endpunktbewertung in klinischen Studien zu Erkrankungen des zentralen Nervensystems.