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

あなたは、ミステリーを解決しようとしている探偵だと想像してください。ただし、あなたの犯罪現場は犯罪現場ではなく、膨大な量の医療記録の山です。現代医学の世界、特にがんの研究において、研究者はもはや制御された実験室の実験だけに頼ることはありません。彼らは「リアルワールドデータ（実臨床データ）」に注目しています。これは、病院、クリニック、薬局から集められた、ありのままの、日常的な事務書類のようなものです。医師が書いた実際のメモ、印刷された検査結果、そして処方された薬のことです。このデータは、完璧な試験管の中ではなく、現実の世界で治療がどのように機能するかを示すため、非常に価値のある「黄金」なのです。

しかし、この黄金はしばしば泥の中に埋もれています。ある病院では「心臓発作（heart attack）」と書き、別の病院では「心筋梗塞（myocardial infarction）」と書き、また別の病院では単にコード「410.0」とだけ書いているかもしれません。もしこれらの記録を混ぜ合わせてパターンを見つけようとしたら、それはレンガ、レゴブロック、そして滑らかな川の石がすべて混ざり合った状態で家を建てようとするようなものです。構造は崩壊してしまいます。これを修正するために、科学者は「共通データモデル（Common Data Model）」を使用します。これは、あらゆる情報を同じ形やラベルに強制する、ユニバーサルな翻訳機や標準的な設計図のようなものです。しかし、ここに落とし穴があります。たとえレンガの形が同じに見えたとしても、それが「正しい」レンガであるとは限りません。例えば、「患者は2020年に死亡した」というデータがありながら、同時に「患者は2021年に医師を訪問した」というメモがあるかもしれません。これは不可能なことですが、誰かが非常に注意深くチェックしない限り、コンピュータは気づかない可能性があります。ここで「データの品質（データ・クオリティ）」が登場します。つまり、データが語る物語が実際に真実であるかどうかを確認することです。

---

4段階の探偵部隊

この研究において、サミュエル・マニラージ・セルヴァラジ（Samuel Maniraj Selvaraj）という研究者は、2つの異なるがん患者データの山を混ぜ合わせる準備ができているかを確認するための、非常に組織化された4段階のチェックリストを作成しました。彼は単にデータを眺めたのではありません。彼はデータを、使用される前に完璧である必要がある高リスクな製品のように扱い、厳格な「品質管理」のトンネルへと通したのです。

このプロセスは、製薬会社のために巨大で複雑なケーキを焼くための、異なる2つの材料のバッチを準備する工程に似ています。バッチA（ある一連の病院から）とバッチB（別の病院から）があります。これらを混ぜ合わせる前に、材料が腐っていないか、本当に意図した通りの材料であるか、そしてプロセスの中ほどで入れ替わっていないかを確認しなければなりません。

ステージ1：レシピのチェック（マッピングファイルの検証）
まず、チームは「レシピカード」をチェックしました。これらのカードは、コンピュータに対して、乱雑な病院のコードをどのようにクリーンで標準的な言語（OMOP共通データモデルと呼ばれます）に翻訳するかを指示するものです。ここでのルールは単純です。「すべてのコードに有効な翻訳が存在するか？」です。チームはすべての記録に対して徹底的なチェックを行いました。この研究により、マッピングファイルが進行に必要な構造的ルールを満たしていることが確認されましたが、これらのチェックを通過した記録の具体的な割合は、最終報告には開示されませんでした。重要なポイントは、土台が進行に十分なほど有効であると判断されたことですが、レシピカードの正確な「スコア」は非公開のままです。

ステージ2：組み立てラインのチェック（構造的マッピングの検証）
次に、彼らは組み立てラインを監視しました。これは、乱雑な病院のファイルからクリーンな標準データベースへと、実際のデータが移動する工程です。彼らは、記録がコンベアベルトから脱落したり、記録が重複したり（例：誤って患者が二人分として現れるなど）していないかを確認しました。また、データが正しい箱に入っているかも確認しました。例えば、「薬剤」の記録が「手術」の箱に入ってしまうようなことはあってはなりません。研究では、データがソースからターゲットの全ドメインへ正常に移動したことが報告され、「合格（Pass）」ステータスを獲得しました。しかし、構造的な変換が成功したことは確認されたものの、データの損失率や処理された記録の総量については、公開された知見の中で明示的なパーセンテージとして算出されていませんでした。

ステージ3：意味のチェック（概念的マッピングの検証）
ここからが難題です。記録が正しい箱に移動したからといって、それが意味を成しているとは限りません。ラベルに「リンゴ」と書いてあっても、実際には「バナナ」の写真であるような状況を想像してください。コンピュータは、その箱が「果物」とラベル付けされているため、それをリンゴだと判断するかもしれませんが、人間はラベルが本当に正しいかどうかを確認する必要があります。チームは、医学用語が医師の意図と実際に一致しているかどうかを確認するために、専門家によるレビューを行いました。彼らは、データが意味的に十分に正しく、合格基準を満たしていることを確認しましたが、この研究では、基礎となる「概念的一致率（Conceptual Concordance Rate）」、つまり、完全にマッピングされた記録の正確な割合は開示されていないことが明記されています。専門家たちはゴーサインを出しましたが、どれだけの数の「リンゴ」が実は「バナナ」であったかという詳細な統計は隠されたままです。

ステージ4：配送のチェック（データ同期の検証）
最後に、彼らは配送トラックをチェックしました。データは安全な保管庫（メインデータベース）に整理・洗浄されて格納されましたが、研究者は公開ポータル（ウェブサイト）を通じてそれにアクセスします。チームは、保管庫にあるものと、ウェブサイトにあるものが全く同一であることを確認しました。彼らは、最新のデータが保管庫にあるにもかかわらず、ユーザーが古くて鮮度の落ちたデータを見ているという事態を防ぎたかったのです。この「同期（シンクロナイゼーション）」も完璧な合格となり、ユーザーが利用可能なデータが、認定されたデータベースと一致していることが確認されました。

隠れた不具合： 「完璧」が完璧ではないとき

データが4つのステージすべてを通過し、「グリーンライト（許可）」を得たとしても、チームはそこで立ち止まりませんでした。彼らは特別な「妥当性（プラウジビリティ）」テストを実行しました。これは、「この物語は理にかなっているか？」と問いかけるようなものです。ここで、単純なコンピュータのチェックでは見逃してしまうような、非常に奇妙で、滑稽で、かつ懸念すべき不具合を発見したのです。

彼らは、主に3種類の「タイムトラベル」エラーを発見しました。

1. タイムトラベルする患者： 一部の記録では、患者が生まれる前の日付で医療イベントが発生していることが示されました。例えば、ある患者の「疾患の発生（Condition Occurrence）」（診断など）の日付が、その人の生年月日よりも前になっていました。データソースBでは、9,213名の患者にこのエラーが見られ、データソースAでは63名に見られました。
2. 幽霊の訪問： 患者が死亡した後も医師を訪問している記録が見つかりました。データソースBでは、354名の患者に、記録された死亡日よりも後の日付での受診記録がありました。これは、診断後の生存期間を調査しようとする研究にとって極めて大きな問題です。
3. 魔法の薬： 不可能な量の薬剤記録が見つかりました。ある患者は、物理的に不可能な50,000ユニットの薬を服用していると記録されていたり、逆に0、あるいはマイナスの量を服用していると記録されていたりしました。
   • データソースAでは、129,923名もの患者に、ゼロまたはマイナスの量の薬剤記録がありました。
   • データソースBでは、6,033名の患者に同様の問題があり、さらに1,772名に「多すぎる薬」のエラーが見られました。

なぜこれが重要なのか

この論文の最も重要な発見は、データが「良かった（それは事実です）」ということではなく、たとえ「良い」データであっても、チェックなしでは研究を台無しにするような巨大で愚かな間違いが隠れている可能性があるということです。もし研究者がこれらのエラーを見逃したまま、ある薬の効果を調べようとしたとしたら、「死亡後に訪問した幽霊患者」のおかげでその薬が驚異的に効いていると結論づけたり、「マイナスの薬の量」のせいで計算が狂い、その薬が無効であると結論づけてしまうかもしれません。

この論文は、こうしたエラーを捉えるための厳格な4段階のルールベースのシステムが必要であることを証明しています。単に「データはクリーンである」と言うだけでは不十分なのです。レシピ、組み立て、意味、そして配送をチェックしなければなりません。そして、たとえそうしたとしても、「タイムトラベル」の不具合を探さなければならないのです。

著者は、この4段階のフレームワークが、がんデータを使用する準備ができていることを証明するための、信頼でき、再現可能な方法であると結論づけています。これは、科学者を欺くような「あり得ない物語」を事前に防ぐためのセーフティネットです。この研究では、正確なエラーの割合（総患者数や特定のカバー率が共有されていないため）は算出されていませんが、「幽霊の訪問」や「マイナスの薬」の膨大な数は、このような深い検証が絶対的に必要であることを示しています。この検証がなければ、私たちががんとの戦いに頼るリアルワールドエビデンスは、タイムトラベルする患者や魔法の薬という不安定な土台の上に築かれることになるのです。