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

Imagine que você é um detetive tentando resolver um mistério, mas o seu cenário de crime não é uma cena de crime, é uma montanha de registros médicos. No mundo da medicina moderna, especialmente ao estudar o câncer, os pesquisadores não dependem apenas de experimentos controlados em laboratório; eles olham para os "Dados do Mundo Real" (Real-World Data). Pense nisso como a papelada bagunçada e cotidiana de hospitais, clínicas e farmácias — as notas reais que os médicos escrevem, os resultados de exames que eles imprimem e as prescrições que eles entregam. Esses dados são ouro porque mostram como os tratamentos funcionam no mundo real, não apenas em um tubo de ensaio perfeito.

No entanto, esse ouro costuma estar enterrado na sujeira. Um hospital pode escrever "ataque cardíaco", enquanto outro escreve "infarto do miocárdio", e um terceiro usa apenas um código como "410.0". Se você tentar misturar esses registros para encontrar padrões, é como tentar construir uma casa com tijolos, LEGOs e pedras de rio lisas todos misturados. A estrutura desmorona. Para corrigir isso, os cientistas usam um "Modelo de Dados Comum", que é como um tradutor universal ou um projeto padrão que força cada peça de informação a ter a mesma forma e rótulo. Mas aqui está a pegadinha: só porque os tijolos têm a mesma forma não significa que sejam os tijolos certos. Você poderia ter um tijolo que diz "Paciente morreu em 2020", mas também tem uma nota dizendo "Paciente visitou o médico em 2021". Isso é impossível, mas um computador pode não notar, a menos que alguém verifique com muito cuidado. É aqui que entra a qualidade dos dados: garantir que a história que os dados contam seja realmente verdadeira.

---

O Esquadrão de Detetives de Quatro Estágios

Neste estudo, um pesquisador chamado Samuel Maniraj Selvaraj construiu um checklist super organizado de quatro etapas para garantir que dois montes diferentes de dados de pacientes com câncer estivessem prontos para serem misturados. Ele não apenas deu uma olhada nos dados; ele os passou por um túnel de "controle de qualidade" rigoroso, tratando os dados como um produto de alto risco que precisa ser perfeito antes de ser usado para tomar decisões de vida ou morte.

Pense no processo como preparar dois lotes diferentes de ingredientes para assar um bolo gigante e complexo para uma empresa farmacêutica. Você tem o Lote A (de um conjunto de hospitais) e o Lote B (de outro). Antes de você poder misturá-los, você tem que garantir que eles não estão estragados, que são realmente os ingredientes que você pensa que são, e que não foram trocados no meio do processo.

Estágio 1: A Verificação da Receita (Validação do Arquivo de Mapeamento)
Primeiro, a equipe verificou os "cartões de receita". Esses cartões dizem ao computador como traduzir os códigos bagunçados do hospital para a linguagem padrão limpa (chamada de Modelo de Dados Comuns OMOP). A regra aqui é simples: cada código individual possui uma tradução válida? A equipe realizou verificações exaustivas em cada registro. Embora o estudo tenha confirmado que os arquivos de mapeamento atendiam às regras estruturais necessárias para prosseguir, a porcentagem específica de registros que passaram por essas verificações não foi divulgada no relatório final. A conclusão principal é que a base foi considerada válida o suficiente para seguir em frente, mas a "pontuação" exata dos cartões de receita permanece privada.

Estágio 2: A Verificação da Linha de Montagem (Validação de Mapeamento Estrutural)
Em seguida, eles observaram a linha de montagem. É aqui que os dados reais são movidos dos arquivos bagunçados do hospital para o banco de dados padrão limpo. Eles verificaram para garantir que nenhum registro caísse da esteira transportadora e que nenhum registro fosse duplicado (como um paciente aparecendo duas vezes por acidente). Eles também verificaram se os dados caíram nas caixas certas. Por exemplo, um registro de "medicamento" não deve terminar na caixa de "cirurgia". O estudo relatou que os dados foram movidos com sucesso da origem para o destino para todos os domínios validados, alcançando um status de "Aprovado". No entanto, embora a transformação estrutural tenha sido confirmada como bem-sucedida, a taxa precisa de perda de dados ou o volume total de registros processados não foi explicitamente calculado como uma porcentagem nos achados públicos.

Estágio 3: A Verificação do Significado (Validação de Mapeamento Conceitual)
É aqui que as coisas ficam complicadas. Só porque um registro se moveu para a caixa certa não significa que ele faça sentido. Imagine um rótulo que diz "Maçã", mas que na verdade é uma foto de uma banana. O computador pode pensar que é uma maçã porque a caixa está rotulada como "Fruta", mas um humano precisa verificar se o rótulo é realmente correto. A equipe utilizou especialistas para revisar os dados e garantir que os termos médicos realmente correspondiam ao que os médicos queriam dizer. Eles confirmaram que os dados eram semanticamente corretos o suficiente para passar, mas o estudo observou explicitamente que a "Taxa de Concordância Conceitual" subjacente — a porcentagem exata de registros que foram perfeitamente mapeados — não foi divulgada. Os especialistas deram o sinal verde, mas as estatísticas granulares de quantos "maçãs" eram realmente "bananas" permanecem ocultas.

Estágio 4: A Verificação da Entrega (Validação de Sincronização de Dados)
Finalmente, eles verificaram o caminhão de entrega. Os dados haviam sido limpos e organizados em um cofre seguro (o banco de dados principal), mas os pesquisadores acessam através de um portal público (um site). A equipe garantiu que o que estava no cofre era exatamente o mesmo que estava no site. Eles queriam garantir que ninguém estivesse olhando para dados antigos ou obsoletos enquanto o cofre tinha dados novos. Essa "sincronização" também foi uma aprovação perfeita, confirmando que os dados disponíveis para os usuários correspondiam ao banco de dados certificado.

As Falhas Escondidas: Quando o "Perfeito" não é Perfeito

Mesmo que os dados tenham passado por todos os quatro estágios e recebido um "Sinal Verde" para serem usados, a equipe não parou por aí. Eles realizaram um teste especial de "plausibilidade", que é como perguntar: "Essa história faz sentido?". Foi aqui que encontraram alguns erros estranhos, engraçados e preocupantes que uma simples verificação de computador poderia ter perdido.

Eles encontraram três tipos principais de erros de "viagem no tempo":

1. O Paciente Viajante do Tempo: Alguns registros mostravam pacientes tendo eventos médicos antes mesmo de terem nascido. Por exemplo, um paciente tinha uma "Ocorrência de Condição" (como um diagnóstico) com data anterior à sua data de nascimento. Na Fonte de Dados B, havia 9.213 pacientes com este erro, e na Fonte de Dados A, havia 63.
2. As Visitas Fantasmas: Eles encontraram pacientes visitando o médico depois de já terem morrido. Na Fonte de Dados B, 354 pacientes tiveram um registro de visita com data posterior à sua data de morte registrada. Este é um problema enorme para estudos que tentam descobrir quanto tempo as pessoas vivem após um diagnóstico.
3. As Pílulas Mágicas: Eles encontraram registros de medicamentos com quantidades impossíveis. Alguns pacientes foram registrados tomando 50.000 unidades de um medicamento (o que é fisicamente impossível), enquanto outros foram registrados tomando 0 ou até quantidades negativas.
   • Na Fonte de Dados A, um número massivo de 129.923 pacientes tinha registros de medicamentos com quantidades zero ou negativas.
   • Na Fonte de Dados B, 6.033 pacientes tiveram este mesmo problema, e outros 1.772 tiveram o erro de "excesso de pílulas".

Por Que Isso Importa

A descoberta mais importante deste artigo não é que os dados eram "bons" (eles eram), mas que mesmo dados "bons" podem esconder erros massivos e bobos que arruinariam um estudo se não fossem detectados. Se um pesquisador tentasse estudar o quão bem um medicamento funciona sem detectar esses erros, eles poderiam concluir que um medicamento é incrível porque os "pacientes fantasmas" que visitaram após a morte pareceram sobreviver por mais tempo, ou que um medicamento é inútil porque as contagens de "pílulas negativas" estragaram os cálculos.

O artigo prova que você precisa de um sistema de quatro etapas baseado em regras para capturar esses erros. Não basta apenas dizer que "os dados estão limpos". Você tem que verificar a receita, a montagem, o significado e a entrega. E, mesmo assim, você tem que procurar pelos erros de "viagem no tempo".

O autor conclui que este framework de quatro estágios é uma maneira confiável e repetível de certificar que os dados de câncer estão prontos para uso. É uma rede de segurança que captura as histórias "impossíveis" antes que elas enganem os cientistas. Embora o estudo não tenha calculado a porcentagem exata de erros (porque o número total de pacientes e as taxas de cobertura específicas não foram compartilhados), o número expressivo de "visitas fantasmas" e "pílulas negativas" mostra que esse tipo de verificação profunda é absolutamente necessário. Sem ela, as evidências do mundo real em que confiamos para combater o câncer poderiam ser construídas sobre uma fundação de pacientes viajantes do tempo e remédios mágicos.