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

Imaginez que vous soyez un détective tentant de résoudre un mystère, mais au lieu d'une scène de crime, votre scène de crime est une montagne de dossiers médicaux. Dans le monde de la médecine moderne, en particulier lors de l'étude du cancer, les chercheurs ne se contentent plus seulement d'expériences contrôlées en laboratoire ; ils examinent les « données en vie réelle » (Real-World Data). Considérez cela comme la paperasse désordonnée et quotidienne des hôpitaux, des cliniques et des pharmacies — les notes réelles que les médecins écrivent, les résultats de laboratoire qu'ils impriment et les prescriptions qu'ils distribuent. Ces données sont de l'or, car elles montrent comment les traitements fonctionnent dans le monde réel, et non pas seulement dans un tube à essai parfait.

Cependant, cet or est souvent enfoui sous la terre. Un hôpital peut écrire « infarctus du myocarde », tandis qu'un autre écrira « crise cardiaque », et un troisième utilisera simplement un code comme « 410.0 ». Si vous essayez de mélanger ces dossiers pour trouver des modèles, c'est comme si vous essayiez de construire une maison avec un mélange de briques, de LEGO et de pierres de rivière lisses. La structure s'effondre. Pour corriger cela, les scientifiques utilisent un « Modèle de Données Commun » (Common Data Model), qui est comme un traducteur universel ou un plan standardisé qui force chaque information à adopter la même forme et la même étiquette. Mais voici le piège : ce n'est pas parce que les briques ont la même forme qu'elles sont les bonnes briques. Vous pourriez avoir une brique qui indique « Patient décédé en 2020 » mais qui comporte aussi une note disant « Le patient a visité le médecin en 2021 ». C'est impossible, mais un ordinateur pourrait ne pas le remarquer à moins que quelqu'un ne vérifie très attentivement. C'est là que la qualité des données intervient : s'assurer que l'histoire racontée par les données est réellement vraie.

---

L'Escouade de Détectives en Quatre Étapes

Dans cette étude, un chercheur nommé Samuel Maniraj Selvaraj a élaboré une liste de contrôle super organisée en quatre étapes pour s'assurer que deux piles différentes de données de patients atteints de cancer étaient prêtes à être mélangées. Il ne s'est pas contenté de jeter un coup d'œil aux données ; il les a fait passer par un tunnel de « contrôle qualité » rigoureux, traitant les données comme un produit à enjeux élevés qui doit être parfait avant de pouvoir être utilisé pour prendre des décisions de vie ou de mort.

Considérez le processus comme la préparation de deux lots différents d'ingrédients pour cuisiner un gâteau géant et complexe pour une entreprise pharmaceutique. Vous avez le Lot A (provenant d'un ensemble d'hôpitaux) et le Lot B (provenant d'un autre). Avant de pouvoir les mélanger, vous devez vous assurer qu'ils ne sont pas périmés, qu'ils sont bien les ingrédients que vous pensez qu'ils sont, et qu'ils n'ont pas été échangés au milieu du processus.

Étape 1 : La vérification de la recette (Validation du fichier de mappage)
D'abord, l'équipe a vérifié les « fiches de recettes ». Ces cartes indiquent à l'ordinateur comment traduire les codes hospitaliers désordonnés en un langage standard propre (appelé modèle de données communes OMOP). La règle ici est simple : est-ce que chaque code possède une traduction valide ? L'équipe a effectué des vérages exhaustifs sur chaque dossier. Bien que l'étude ait confirmé que les fichiers de mappage respectaient les règles structurelles requises pour procéder, le pourcentage spécifique de dossiers ayant passé ces vérifications n'a pas été divulgué dans le rapport final. Le point essentiel est que la base a été jugée assez valide pour continuer, mais le « score » exact des fiches de recettes reste privé.

Étape 2 : La vérification de la chaîne de montage (Validation du mappage structurel)
Ensuite, ils ont surveillé la chaîne de montage. C'est ici que les données sont réellement transférées des fichiers hospitaliers désordonnés vers la base de données standardisée et propre. Ils ont vérifié qu'aucun dossier ne tombait de la bande transporteuse et qu'aucun dossier n'était dupliqué (comme un patient apparaissant deux fois par accident). Ils ont également vérifié que les données arrivaient dans les bonnes boîtes. Par exemple, un enregistrement de « médicament » ne devrait pas finir dans la boîte « chirurgie ». L'étude a rapporté que les données ont été transférées avec succès de la source vers la cible pour tous les domaines validés, atteignant un statut de « Succès » (Pass). Cependant, bien que la transformation structurelle ait été confirmée comme réussie, le taux précis de perte de données ou le volume total de dossiers traités n'a pas été explicitement calculé en pourcentage dans les conclusions publiques.

Étape 3 : La vérification du sens (Validation du mappage conceptuel)
C'est ici que les choses se compliquent. Ce n'est pas parce qu'un enregistrement est déplacé dans la bonne boîte qu'il a du sens. Imaginez une étiquette qui dit « Pomme » mais qui est en réalité une image de banane. L'ordinateur pourrait penser que c'est une pomme parce que la boîte est étiquetée « Fruit », mais un humain doit vérifier si l'étiquette est réellement correcte. L'équipe a fait réviser les données par des experts pour s'assurer que les termes médicaux correspondaient réellement à ce que les médecins voulaient dire. Ils ont confirmé que les données étaient suffisamment correctes sur le plan sémantique pour passer, mais l'étude a explicitement noté que le « Taux de concordance conceptuelle » sous-jacent — le pourcentage exact d'enregistrements qui étaient parfaitement mappés — n'a pas été divulgué. Les experts ont donné le feu vert, mais les statistiques granulaires sur le nombre de « pommes » qui étaient en réalité des « bananes » restent cachées.

Étape 4 : La vérification de la livraison (Validation de la synchronisation des données)
Enfin, ils ont vérifié le camion de livraison. Les données avaient été nettoyées et organisées dans un coffre-fort sécurisé (la base de données principale), mais les chercheurs y accèdent via un portail public (un site web). L'équipe s'est assurée que ce qui se trouvait dans le coffre-fort était exactement la même chose que ce qui se trouvait sur le site web. Ils voulaient s'assurer que personne ne consultait des données anciennes ou obsolètes alors que le coffre-fort contenait des données fraîches. Cette « synchronisation » a également été un succès parfait, confirmant que les données disponibles pour les utilisateurs correspondaient à la base de données certifiée.

Les bugs cachés : Quand le « Parfait » n'est pas parfait

Même si les données ont passé les quatre étapes et ont reçu un « Feu Vert » pour être utilisées, l'équipe ne s'est pas arrêtée là. Ils ont effectué un test spécial de « plausibilité », qui revient à demander : « Est-ce que cette histoire fait sens ? ». C'est là qu'ils ont trouvé des bugs étranges, drôles et préoccupants qu'un simple contrôle informatique aurait pu manquer.

Ils ont trouvé trois principaux types d'erreurs de « voyage dans le temps » :

1. Le patient voyageur du temps : Certains dossiers montraient des événements médicaux survenant avant même la naissance des patients. Par exemple, un patient avait une « Occurrence de condition » (comme un diagnostic) datée d'avant sa date de naissance. Dans la Source de Données B, il y avait 9 213 patients présentant cette erreur, et dans la Source de Données A, il y en avait 63.
2. Les visites fantômes : Ils ont trouvé des patients visitant le médecin après leur propre décès. Dans la Source de Données B, 354 patients avaient un enregistrement de visite daté d'après leur date de décès enregistrée. C'est un problème majeur pour les études tentant de déterminer la survie après un diagnostic.
3. Les pilules magiques : Ils ont trouvé des enregistrements de médicaments avec des quantités impossibles. Certains patients étaient enregistrés prenant 50 000 unités d'un médicament (ce qui est physiquement impossible), tandis que d'autres étaient enregistrés avec 0 ou même des quantités négatives.
   • Dans la Source de Données A, un nombre massif de 129 923 patients avaient des enregistrements de médicaments avec des quantités nulles ou négatives.
   • Dans la Source de Données B, 6 033 patients présentaient ce même problème, et 1 772 autres présentaient l'erreur de « trop de pilules ».

Pourquoi cela importe

La découverte la plus importante de ce document n'est pas que les données étaient « bonnes » (elles l'étaient), mais que même des données « bonnes » peuvent cacher des erreurs massives et absurdes qui pourraient ruiner une étude si elles n'étaient pas détectées. Si un chercheur essayait d'étudier l'efficacité d'un médicament sans détecter ces erreurs, il pourrait conclure qu'un médicament est incroyable parce que les « patients fantômes » qui ont visité après leur mort semblaient survivre plus longtemps, ou qu'un médicament est inutile parce que les comptes de « pilules négatives » ont faussé les calculs.

Le document prouve que vous avez besoin d'un système rigoureux en quatre étapes basé sur des règles pour détecter ces erreurs. Il ne suffit pas de dire que « les données sont propres ». Vous devez vérifier la recette, l'assemblage, le sens et la livraison. Et même après cela, vous devez chercher les bugs de « voyage dans le temps ».

L'auteur conclut que ce cadre en quatre étapes est un moyen fiable et reproductible de certifier que les données sur le cancer sont prêtes à être utilisées. C'est un filet de sécurité qui attrape les histoires « impossibles » avant qu'elles ne trompent les scientifiques. Bien que l'étude n'ait pas calculé le pourcentage exact d'erreurs (car le nombre total de patients et les taux de couverture spécifiques n'ont pas été partagés), le nombre considérable de « visites fantômes » et de « pilules négatives » montre que ce type de vérification approfondie est absolument nécessaire. Sans cela, les preuves du monde réel sur lesquelles nous comptons pour combattre le cancer pourraient être construites sur un fondement de patients voyageurs du temps et de médicaments magiques.