Çok Merkezli Çalışma Zorlukları: Veri Kaosunu Önlemenin Yolu

Çok merkezli bir çalışmada beş merkezden 320 hastanın verisi toplandığında elinize ulaşan şey homojen bir veri seti değil, çoğu zaman bir yamalar toplamıdır: ilk merkez Excel gönderir, ikincisi PDF tarama, üçüncüsü el yazısı form; birinde hemoglobin g/dL diğerinde g/L; yaş bir yerde "52", başka yerde "50-55 arası"; tarih formatı üç farklı standart. Çok merkezli çalışmanın en zor kısmı veriyi toplamak değil, toplanan veriyi kullanılabilir hâle getirmek. Bu yazı veri kaosunu önlemenin ve harmonizasyonu yönetmenin yollarına odaklanıyor; rol, SOP ve koordinasyon tarafını çok merkezli araştırma yönetimi yazımızda ele aldık.

Çok merkezli çalışma neden bu kadar zor?

Fikir harika görünür: örneklemi hızla büyütür, nadir hastalıklarda yeterli vakaya ulaşır, genellenebilirliği artırırsınız — hakemler ve dergiler sever. Ama kimse şunu söylemez: en zor kısmı toplanan veriyi kullanılabilir hâle getirmektir. Her merkez kendi ekosistemine alışıktır; biri hastane bilgi sisteminden çeker, diğeri kâğıt dosyaya güvenir, üçüncüsü yalnızca kritik alanları doldurur, dördüncüsü "lazım olur" diye ekstra detay ekler, beşincisi üç ay gecikir. Sonuçta homojen bir veri seti değil, yamalar toplamı elinize ulaşır.

Gerçekten çok merkezli olmalı mı?

Bu kararı vermeden önce gerçek maliyeti bilmek gerekir.

Tabloya bakınca çok merkezli her zaman üstün gibi görünür — değil. Koordinasyon kapasitesi yoksa iki merkez bile kaosa yeter. Tek merkezlinin sınırları farkında olarak yönetilebilir; çok merkezlinin koordinasyon sorunları ise farkında olunsa bile yönetilmesi zordur.

CRF olmadan veri toplamak: en pahalı kestirme

Vaka rapor formu (Case Report Form, CRF) yalnızca bir form değil, merkezler arasındaki ortak dildir: hangi değişken nasıl girilecek, hangi birimle ölçülecek, eksik veri nasıl kodlanacak, "tanı tarihi" ne anlama gelecek. CRF olmadan başlayan çok merkezli çalışmaların çoğu veri toplama aşamasında çöker. "Tanı tarihi" ilk semptom mu, ilk başvuru mu, biyopsi mi, patoloji raporu mu? Bir merkez birincisini, diğeri sonuncusunu gönderir. Prospektif çalışmada CRF zorunlu, retrospektifte bile standart bir veri çıkarım şablonu gerekli; merkezlere "verileri gönderin" deyip serbest bırakırsanız beş farklı formatta beş farklı değişken seti alırsınız.

CRF tasarımında üç kural işe yarıyor: serbest metin alanını asgaride tutup mümkün olan her yerde açılır menü koymak; her alanın tam tanımını yazmak ("HbA1c" değil, "son 3 ay içindeki en güncel HbA1c değeri, % cinsinden"); ve CRF'yi bir pilot çalışma kapsamında iki-üç hasta üzerinde test etmek — hangi alanın kafa karıştırdığını ancak böyle görürsünüz.

Birim karışıklıkları: sessiz katil

Bir merkez hemoglobini g/dL, diğeri g/L olarak gönderir; birinde 12,5, diğerinde 125 — ikisi de doğru, ama birleştirme sırasında fark etmezseniz bir merkezdeki tüm hastalar "kritik anemi" olarak kodlanır. Laboratuvar birim farkları çok merkezli çalışmaların en sinsi sorunlarından; yalnızca hemoglobin değil, kreatinin, CRP, troponin gibi değerlerde de cihaz ve birim farkları var. Çözüm basit ama disiplin ister: CRF'de birimi açıkça belirtin, EDC'de aralık kontrolü koyun, veri gelince ilk iş birim tutarlılığını denetleyin; farklı laboratuvar yöntemleri varsa dönüşüm formüllerini uygulayın, yoksa bunu sınırlılık olarak belirtin.

Harmonizasyon: asıl iş burada başlıyor

Tüm merkezlerden veri geldiğinde asıl mesai başlar; farklı format ve birimler ancak ortak CRF/EDC ve harmonizasyonla birleşir.

Birleştirmede merkez kimliği (ID) olmazsa olmaz — hangi hasta hangi merkezden, her satırda görünmeli. Format uyumlama: tarih, sayısal değer ve kategorik değişken tek standartta buluşmalı. Eksik veri kodlaması: boş alan mı, "NA" mı, "bilinmiyor" mu — tek bir standart. Mantık kontrolleri şart: tanı tarihi doğum tarihinden önce olamaz, ameliyat süresi 48 saatten uzun olamaz, hemoglobin 25 g/dL olamaz; bunlar veri girişi hatası veya birim karışıklığı sinyalidir. Şüpheli veriyi ilgili merkeze gönderip teyit edin. Bu süreç genellikle veri toplamanın önemli bir bölümü kadar zaman alır; altı ayda topladıysanız harmonizasyona da ciddi bir pay ayırmadan takvim planlamak sıkıntı yaratır.

Geçen yıl beş merkezli retrospektif bir çalışmada 180 hasta verisi topladık; CRF vardı. Yine de bir merkez tüm laboratuvar değerlerini tanı anından gönderdi, biz tedavi öncesi son değerleri istemiştik; başka bir merkez takip süresini "tanı-son kontrol" olarak hesaplamış, biz "tedavi-son kontrol" istemiştik; üçüncü merkez yalnızca hayatta kalan hastaların verisini göndermiş, ölen hastaları "bu çalışmaya dâhil değil" saymıştı. Sonuç: iki ay ek süre, kırk küsur e-posta, üç düzeltme turu. Çıkarılan ders: ne kadar detaylı CRF hazırlarsanız hazırlayın, her merkezin veri giriş sorumlusunu birebir eğitmeden başlamak yetmiyor.

Merkez etkisi: analizi karmaşıklaştıran gerçek

Farklı merkezlerdeki hasta profilleri, tedavi yaklaşımları ve ölçüm standartları birbirinden ayrışır; bu "merkez etkisi" modele alınmazsa hakem sorar. Etkiyi görmezden gelmenin bir bedeli de örneklemdedir: kümeleme, tasarım etkisi (DEFF) yoluyla gereken hasta sayısını artırır.

Sınıf içi korelasyon katsayısı (ICC) aynı merkezdeki bireylerin birbirine ne kadar benzediğini ölçer; klinik araştırmalarda genellikle 0,01-0,10 arasındadır. ICC = 0,05 ve merkez başına 50 hasta ile tasarım etkisi 3,45 çıkar — yani kümeleme göz ardı edilen bir hesaba göre yaklaşık 3,5 kat daha fazla hasta gerekir.

Merkez etkisini modellemenin iki yolu var: merkezi modele sabit etki olarak eklemek ya da rastgele etki (karma model) olarak modellemek. Kahan ve Morris'in (2013) 378 senaryoluk simülasyonu, rastgele etki modellerinin neredeyse tüm durumlarda sabit etki kadar iyi ya da daha iyi sonuç verdiğini — özellikle merkez başına hasta sayısı azken (kabaca 10 ve altı) güç ve kesinlik kazandırdığını — gösteriyor; bu nedenle yeterli sayıda merkez varsa rastgele/karma etki tercih ediliyor. Yalnızca merkez sayısı çok azken (kabaca 4-5'in altında) rastgele etkinin varyansı güvenilir tahmin edilemediğinden merkez sabit etki olarak modellenebilir. Merkez başına hasta sayısı dengesizse (bir merkezde 120, diğerinde 15) bu dengesizlik de analizde dikkate alınmalı.

Merkez bazında başlangıç (baseline) karakteristiklerini tabloda göstermek bir zorunluluk gibi düşünülmeli; bir merkezde ortalama yaş 45, diğerinde 68 ise sonuçları düz karşılaştırmak yanıltıcıdır. Duyarlılık analizi — bir merkezi çıkarıp çıkarmadan sonuçların değişip değişmediğini göstermek — hakemleri ikna eden güçlü bir adımdır.

Makaleye nasıl yansıtılır?

Yöntem bölümünde kaç merkezin katıldığı, her merkezden kaç hasta dâhil edildiği, veri toplama sürecinin nasıl standardize edildiği, CRF kullanılıp kullanılmadığı ve merkez etkisinin analizde nasıl ele alındığı belirtilmeli. Sonuçlar bölümünde merkez bazlı başlangıç tablosu verilmeli; merkez etkisi anlamlıysa duyarlılık analizi yapılıp sonuçların bir merkezle/merkezsiz nasıl değiştiği gösterilmeli. Tartışma bölümünde harmonizasyon sürecini, veri uyumsuzluk oranını ve bunların sonuçlara olası etkisini sınırlılık olarak yazmak hakeme güven verir.

Çok merkezli çalışma, doğru planlama ve titiz koordinasyonla değerli sonuçlar üretir; "veri toplayıp birleştirelim" yaklaşımıyla ise zamanın önemli bir bölümü harmonizasyona gider. Model İstatistik olarak çok merkezli çalışmaların veri yönetimi ve harmonizasyon sürecinde araştırmacıya rehberlik ediyoruz — en kritik tavsiyemiz bu planlamayı çalışma başlamadan yapmak.

Not: Buradaki ICC, DEFF ve örneklem değerleri kavramı göstermek için seçilmiş örneklerdir; gerçek değerler çalışmanın verisine ve merkez yapısına göre değişir.

Kullanılan kaynaklar

• Kahan BC, Morris TP. Analysis of multicentre trials with continuous outcomes: when and how should we account for centre effects? Statistics in Medicine. 2013;32(7):1136-1149. · DOI
• Harris PA, Taylor R, Thielke R, Payne J, Gonzalez N, Conde JG. Research electronic data capture (REDCap)—a metadata-driven methodology and workflow process for providing translational research informatics support. Journal of Biomedical Informatics. 2009;42(2):377-381. · DOI