Beurteilung der Datenqualität mittels Leitlinien zum adaptiven Management der Datenqualität in Kohortenstudien und Registern

Hintergrund: Eine hohe Datenqualität ist die Grundlage für aussagekräftige Kohorten- und Registerstudien. Nonnemacher u.a. (2007) haben hierzu einen methodischen Bezugsrahmen entwickelt, um die Datenqualität sowohl zu bewerten als auch zu steigern. Dieses Ziel verfolgt die vorliegende Arbeit für eine klinische, retrospektive Kohortenstudie, die auf der Fusion zweier unabhängiger Datenquellen aus zwei Perioden (1996–97, 2003–04) basiert. Material und Methoden: Aus der Periode 1996–97 lagen für n=389 primär therapierte Brustkrebspatientinnen 1.389 Variablen vor. Aus der Periode 2003–04 lagen für n=488 Patientinnen 150 Variablen vor. Nach einer Synchronisierung der Codierung, Fusionierung und Überführung in eine relationale Datenbank (BCQDB) erfolgte der Originaldatenabgleich (SDV) nach Nonnemacher u.a. (2007). Auf den Ebenen Plausibilität, Organisation und Richtigkeit wurden Indikatoren ausgewählt, definiert, und Quoten von Abweichungen in Relation zur Gesamtzahl geprüfter Datenelemente berechnet. Der Schwerpunkt lag dabei auf der Ebene Richtigkeit, wozu externe Datenquellen integriert wurden. Der Abgleich mit vorgegebenen Schwellenwerten filterte alle auffälligen Indikatoren, die eine SDV zwischen der BCQDB und dem Originaldatensatz auslöste. Ein Qualitätsscore für die Datenqualität vor und nach der SDV wurde berechnet, indem das Produkt aus den unauffälligen Indikatoren und den Gewichtsfaktoren der Ebenen als Zähler und die Summe aller Gewichtungsfaktoren der Ebenen als Nenner eingingen. Ergebnisse: Von den 24möglichen Datenqualitätsindikatoren wurden elf geprüft. Die SDV-Methode konnte die Datenqualität von anfänglichen 66,0% auf 76,9% steigern. Diskussion: Die zunächst moderate Datenqualität konnte nach Nonnemacher u.a. (2007) auf eine gute Qualität angehoben werden. Die Leitlinie erweist sich dabei als ein leistungsfähiger objektiver Bezugsrahmen zur Steigerung der Datenqualität. Dabei kann die Methode dem gegebenen Datenkörper flexibel angepasst werden. Die Schwellenwerte sind normativ-analytisch vorgegeben und können gut begründet verändert werden. Dies ist notwendig, da beispielsweise bei Kohortenstudien hohe Drop-Out-Raten zu erwarten sind. Bei Krebsregistern hingegen sollte diese Rate jedoch minimal sein, weshalb sich unterschiedliche Schwellenwerte je Studientyp bzw. Register in der Leitlinie von Nonnemacher u.a. (2007) empfehlen.