Four-Stage Data Quality Framework for Multi-Source Oncology Real-World Data Integration: Validation Using Health Datasets Mapped to the OMOP Common Data Model

Imagina que eres un detective intentando resolver un misterio, pero en lugar de una escena del crimen, tu escena del crimen es una montaña de registros médicos. En el mundo de la medicina moderna, especialmente al estudiar el cáncer, los investigadores ya no se limitan solo a experimentos controlados de laboratorio; ahora observan los "Datos del Mundo Real" (Real-World Data). Piensa en esto como el papeleo desordenado y cotidiano de hospitales, clínicas y farmacias: las notas reales que escriben los médicos, los resultados de laboratorio que imprimen y las recetas que entregan. Estos datos son oro porque muestran cómo funcionan los tratamientos en el mundo real, no solo en un tubo de ensayo perfecto.

Sin embargo, este oro suele estar enterrado en la suciedad. Un hospital puede escribir "ataque al corazón", mientras que otro escribe "infarto de miocardio", y un tercero simplemente usa un código como "410.0". Si intentas mezclar estos registros para encontrar patrones, es como intentar construir una casa con ladrillos, piezas de LEGO y piedras de río lisas mezcladas. La estructura colapsa. Para solucionar esto, los científicos utilizan un "Modelo de Datos Común", que es como un traductor universal o un plano estándar que obliga a cada pieza de información a tener la misma forma y etiqueta. Pero aquí está el truco: el hecho de que los ladrillos tengan la misma forma no significa que sean los ladrillos correctos. Podrías tener un ladrillo que diga "Paciente falleció en 2020", pero que también tenga una nota que diga "Paciente visitó al médico en 2021". Eso es imposible, pero una computadora no lo notaría a menos que alguien revise muy cuidadosamente. Aquí es donde entra la calidad de los datos: asegurar que la historia que cuenta el dato sea realmente cierta.

---

El Escuadrón de Detectives de Cuatro Etapas

En este estudio, un investigador llamado Samuel Maniraj Selvaraj construyó una lista de verificación súper organizada de cuatro pasos para asegurarse de que dos pilas diferentes de datos de pacientes con cáncer estuvieran listas para ser mezcladas. No se limitó a echar un vistazo a los datos; los sometió a un riguroso túnel de "control de calidad", tratando los datos como un producto de alto riesgo que debe ser perfecto antes de poder usarse para tomar decisiones de vida o muerte.

Piensa en el proceso como la preparación de dos lotes diferentes de ingredientes para hornear un pastel gigante y complejo para una compañía farmacéutica. Tienes el Lote A (de un conjunto de hospitales) y el Lote B (de otro). Antes de que puedas mezclarlos, tienes que asegurarte de que no estén en mal estado, de que son realmente los ingredientes que crees que son, y de que no han sido intercambiados en medio del proceso.

Etapa 1: La Verificación de la Receta (Validación del Archivo de Mapeo)
Primero, el equipo revisó las "tarjetas de recetas". Estas tarjetas le dicen a la computadora cómo traducir los códigos desordenados de los hospitales al lenguaje estándar y limpio (llamado Modelo de Datos Comunes OMOP). La regla aquí es simple: ¿Tiene cada código una traducción válida? El equipo realizó controles exhaustivos en cada registro. Aunque el estudio confirmó que los archivos de mapeo cumplían con las reglas estructurales requeridas para proceder, el porcentaje específico de registros que pasaron estos controles no se reveló en el informe final. La idea clave es que la base se consideró lo suficientemente válida para seguir adelante, pero la "puntuación" exacta de las tarjetas de recetas permanece privada.

Etapa 2: La Verificación de la Línea de Ensamblaje (Validación de Mapeo Estructural)
Después, vigilaron la línea de ensamblaje. Aquí es donde los datos se mueven desde los desordenados archivos hospitalarios hacia la base de datos limpia y estandarizada. Revisaron para asegurarse de que ningún registro se cayera de la cinta transportadora y que no hubiera duplicados (como que un paciente aparezca dos veces por accidente). También verificaron que los datos aterrizaran en las cajas correctas. Por ejemplo, un registro de "medicamento" no debería terminar en la caja de "cirugía". El estudio informó que los datos se movieron con éxito de la fuente al destino para todos los dominios validados, logrando un estatus de "Aprobado". Sin embargo, aunque la transformación estructural se confirmó como exitosa, la tasa precisa de pérdida de datos o el volumen total de registros procesados no se calculó explícicamente como un porcentaje en los hallazgos públicos.

Etapa 3: La Verificación del Significado (Validación de Mapeo Conceptual)
Aquí es donde las cosas se complican. El hecho de que un registro se haya movido a la caja correcta no significa que tenga sentido. Imagina una etiqueta que dice "Manzana", pero que en realidad es una foto de un plátano. La computadora podría pensar que es una manzana porque la caja está etiquetada como "Fruta", pero un humano necesita verificar si la etiqueta es realmente correcta. El equipo utilizó expertos para revisar los datos y asegurar que los términos médicos realmente coincidieran con lo que los médicos querían decir. Confirmaron que los datos eran semánticamente correctos para aprobar, pero el estudio señaló explícitamente que la "Tasa de Concordancia Conceptual" subyacente —el porcentaje exacto de registros que fueron mapeados perfectamente— no fue revelada. Los expertos dieron luz verde, pero las estadísticas granulares sobre cuántas "manzanas" eran en realidad "plátanos" permanecen ocultas.

Etapa 4: La Verificación de la Entrega (Validación de Sincronización de Datos)
Finalmente, revisaron el camión de entrega. Los datos habían sido limpiados y organizados en una bóveda segura (la base de datos principal), pero los investigadores acceden a ellos a través de un portal público (un sitio web). El equipo se aseguró de que lo que hay en la bóveda es exactamente lo mismo que hay en el sitio web. Querían asegurar que nadie estuviera mirando datos viejos y obsoletos mientras la bócción tenía datos frescos. Esta "sincronización" también fue un éxito total, confirmando que los datos disponibles para los usuarios coincidían con la base de datos certificada.

Los Fallos Ocultos: Cuando lo "Perfecto" no es Perfecto

Aunque los datos pasaron todas las cuatro etapas y recibieron una "Luz Verde" para ser usados, el equipo no se detuvo ahí. Realizaron una prueba especial de "plausibilidad", que es como preguntar: "¿Tiene sentido esta historia?". Aquí es donde encontraron algunos errores extraños, divertidos y preocupantes que una simple revisión computacional podría haber pasado por alto.

Encontraron tres tipos principales de errores de "viaje en el tiempo":

1. El Paciente Viajero del Tiempo: Algunos registros mostraban pacientes teniendo eventos médicos antes de haber nacido. Por ejemplo, un paciente tenía una "Ocurrencia de Condición" (como un diagnóstico) con una fecha anterior a su fecha de nacimiento. En la Fuente de Datos B, hubo 9,213 pacientes con este error, y en la Fuente de Datos A, hubo 63.
2. Las Visitas Fantasma: Encontraron pacientes visitando al médico después de que ya habían muerto. En la Fuente de Datos B, 354 pacientes tenían un registro de visita con una fecha posterior a su fecha de muerte registrada. Este es un problema enorme para los estudios que intentan determinar cuánto tiempo viven las personas después de un diagnóstico.
3. Las Pastillas Mágicas: Encontraron registros de medicamentos con cantidades imposibles. Algunos pacientes tenían registrados 50,000 unidades de un fármaco (lo cual es físicamente imposible), mientras que otros tenían registradas cantidades de 0 o incluso cantidades negativas.
   • En la Fuente de Datos A, un masivo número de 129,923 pacientes tenían registros de medicamentos con cantidades cero o negativas.
   • En la Fuente de Datos B, 6,033 pacientes tuvieron este mismo problema, y otros 1,772 tuvieron el error de "demasiadas pastillas".

Por qué esto importa

El hallazgo más importante de este artículo no es que los datos fueran "buenos" (lo eran), sino que incluso los datos "buenos" pueden esconder errores masivos y absurdos que arruinarían un estudio si no se controlan. Si un investigador intentara estudiar qué tan bien funciona un fármaco sin detectar estos errores, podría concluir que un medicamento es increíble porque los "pacientes fantasma" que visitaron después de la muerte parecían sobrevivir más tiempo, o que un fármaco es inútil porque los conteos de "pastillas negativas" arruinaron las matemáticas.

El artículo demuestra que se necesita un sistema riguroso de cuatro etapas basado en reglas para detectar estos errores. No basta con decir que "los datos están limpios". Tienes que revisar la receta, el ensamblaje, el significado y la entrega. E incluso entonces, tienes que buscar los fallos de "viaje en el tiempo".

El autor concluye que este marco de cuatro etapas es una forma confiable y repetible de certificar que los datos de cáncer están listos para su uso. Es una red de seguridad que atrapa las historias "imposibles" antes de que puedan engañar a los científicos. Aunque el estudio no calculó el porcentaje exacto de errores (porque no se compartieron el número total de pacientes ni las tasas de cobertura específicas), la cantidad de "visitas fantasma" y "pastillas negativas" encontradas muestra que este tipo de revisión profunda es absolutamente necesaria. Sin ella, la evidencia del mundo real en la que confiamos para luchar contra el cáncer podría construirse sobre una base de pacientes viajeros del tiempo y medicina mágica.