Veri Giriş Hatalarını Önleme: Validasyon Kuralları ve Çift Giriş Yöntemi

Beş yüz hastalık bir veri setinde ilk tanımlayıcı istatistikler bazen şaşırtıcı çıkar. Sistolik kan basıncı ortalaması 142 mmHg, standart sapma ise 62. Dağılıma bakıldığında bir hastanın değerinin 1450 olduğu görülür; ondalık noktası bir hane kaymıştır. Kontrol edildiğinde farklı değişkenlerde toplam 47 kayıtta benzer transkripsiyon hataları bulunur; yani kayıtların yaklaşık yüzde onunda bir şeyler yanlıştır. Bu noktada 500 kaydı geriye dönüp tek tek kontrol etmek, baştan doğru bir veri giriş sistemi kurmaktan çok daha uzun sürer.

Klinik araştırmalarda veri işleme hata oranları çok geniş bir aralıkta değişiyor. Bir sistematik derleme ve meta-analizde hata sayısı 10.000 alanda 2 ile 2.784 arasındaydı; havuzlanmış oran tek girişte %0,29, çift girişte %0,14, tıbbi kayıttan elle aktarımda %6,6 bulundu (Garza ve ark. 2025). Binde birkaç düzeyindeki oranlar küçük görünse de büyük veri setlerinde yüzlerce hatalı alana karşılık geliyor. Bu hataların önemli bir bölümü doğru form tasarımı ve sistematik kontrol mekanizmalarıyla önlenebilir.

Hata türlerini tanımak, önlemenin ilk adımı

Veri giriş hataları üç ana kategoride ortaya çıkıyor.

Transkripsiyon hataları kaynak belgeden dijital ortama aktarım sırasında oluşuyor. Laboratuvar sonucunun 14,5 yerine 145 olarak girilmesi, hasta yaşının 56 yerine 65 olarak yazılması tipik örnekler. Özellikle kâğıt formlardan elektronik sisteme aktarımda sıkça karşılaşılan bir durum.

Atlama ve eksiklik hataları bir alanın boş bırakılması veya formun bir bölümünün atlanmasıyla ortaya çıkıyor. Uzun ve karmaşık formlarda bu sorun ciddi boyutlara ulaşabiliyor. Bir komorbidite listesinde işaretlenmeyen bir hastalık veya girilmeyen ilaç dozu, analiz sonuçlarını doğrudan etkiliyor.

Tutarsızlık hataları aynı veri seti içinde birbiriyle çelişen bilgilerden kaynaklanıyor. Doğum tarihi 1990 olan bir hastanın yaşının 45 olarak kaydedilmesi, ameliyat tarihinin yatış tarihinden önce görünmesi gibi mantıksal çelişkiler bu gruba giriyor. Aşağıdaki tablo birim hatasını da ekliyor; sıklık ve tespit kolaylığı dereceleri ölçüme değil, bizim deneyimimize dayanan kaba bir sınıflama.

CRF tasarımı: Hatayı kaynağında durdurmak

Olgu rapor formu (Case Report Form, CRF) tasarımı, veri kalitesinin temelini oluşturuyor. İyi tasarlanmış bir form, hataları giriş aşamasında engelleyerek sonradan düzeltme ihtiyacını büyük ölçüde azaltıyor.

Formun hangi analiz birimine göre kurulacağı ve türetilmiş değişkenlerin nasıl tanımlanacağı ayrı bir karar; bu konuyu analiz birimi ve veri sözlüğü yazımızda ele aldık.

Alan tipi seçimi en basit ama en etkili önlemlerden biri. Yaş bilgisi için serbest metin alanı yerine sayısal alan kullanmak, cinsiyet için açık uçlu soru yerine seçenek düğmesi koymak ve tarih bilgisi için standart biçimi zorunlu tutmak küçük görünen ama büyük fark yaratan kararlar. Sayısal alanlarda minimum ve maksimum değer sınırları da tanımlamakta fayda var: yetişkin boyu için 100-250 cm, vücut ağırlığı için 30-300 kg gibi fizyolojik olarak anlamlı aralıklar.

Form düzeni ve akışı hata oranını doğrudan etkiliyor. Birbiriyle ilişkili alanların gruplanması, mantıksal bir sıra izlenmesi, her bölümün başında kısa bir doldurma talimatı bulunması veri kalitesini artırıyor. Demografik bilgiler, klinik bulgular, laboratuvar sonuçları ve tedavi bilgileri ayrı bölümlerde toplandığında form doldurma süreci çok daha az hata üretiyor.

Koşullu mantık (skip logic) gereksiz soruları devre dışı bırakan güçlü bir araç. "Sigara kullanıyor musunuz?" sorusuna "Hayır" yanıtı veren bir katılımcıya sigara miktarı sorusunun gösterilmemesi hem veri kalitesini artırıyor hem de form doldurma süresini kısaltıyor. Elektronik veri yakalama (EDC) sistemlerinde bu mantık kolayca kurulabiliyor; kâğıt formlarda ise "Hayır ise 3. bölüme geçiniz" gibi yönlendirmeler bu işlevi görüyor.

Validasyon kuralları: Dijital güvenlik ağı

Elektronik veri yakalama sistemlerinde validasyon kuralları, hatalı verilerin sisteme girmesini engelleyen ilk savunma hattı.

Aralık kontrolleri iki düzeyde düşünülebilir. Sert sınırlar fizyolojik olarak imkânsız değerlerde girişi tamamen engelliyor (sistolik kan basıncı < 40 veya > 300 mmHg gibi). Yumuşak sınırlar ise olası ama şüpheli değerlerde uyarı üretip onaylandığında girişe izin veriyor (sistolik < 80 veya > 200 mmHg gibi). Bu iki katmanlı yapı hem aşırı hataları önlüyor hem de gerçek uç değerlerin kaydedilmesine olanak tanıyor.

Mantık kontrolleri farklı alanlar arasındaki tutarlılığı denetliyor. Taburcu tarihinin yatış tarihinden sonra olması, diyastolik kan basıncının sistolikten küçük olması ve gebelik durumunun yalnızca kadın katılımcılarda sorulması bu kategorideki kurallara örnek.

Format kontrolleri tarihin GG/AA/YYYY biçiminde standartlaştırılması, TC kimlik numarasının 11 haneli olması gibi kurallarla veri girişindeki belirsizlikleri ortadan kaldırıyor.

Veri kalite çerçevesi: Adım adım

Veri giriş hatalarını önlemek tek bir teknikle değil, birbiriyle bağlantılı bir dizi adımla mümkün oluyor. Bu çerçeve, çalışmanın tasarım aşamasından veri toplama sürecinin sonuna kadar uzanıyor.

Tek giriş mi, çift giriş mi?

Çift giriş yöntemi (Double Data Entry, DDE), kâğıttan elektronik ortama aktarımda altın standart sayılıyor. Aynı veri iki farklı kişi tarafından bağımsız olarak giriliyor, ardından otomatik bir karşılaştırma programı iki girişi alan alan karşılaştırarak farklılıkları listeliyor; uyuşmazlıklar kaynak belgeye dönülerek çözülüyor.

Derlemedeki havuzlanmış tahmin çift girişte daha düşük (%0,14'e karşı %0,29); tahminler farklı çalışmalardan geldiği için bu fark doğrudan bir etki büyüklüğü sayılmamalı. Yine de her çalışmada çift giriş gerekmeyebilir. Day ve arkadaşlarının (1998) simülasyon çalışmasında basit aralık kontrolleri, sonuçları en çok etkileyen hataların çoğunu zaten yakaladı; yazarlar keşifsel veri analizinin her durumda yapılmasını öneriyor. Karar verirken çalışmanın türü, bütçe ve düzenleyici gereksinimler birlikte değerlendirilmeli.

Düzenleyici kılavuzlar (ICH E6(R3), FDA) belirli bir giriş yöntemini şart koşmuyor; veri işlemenin her aşamasında risk temelli kalite kontrolü istiyor. Kâğıt formdan aktarılan kritik verilerde çift giriş bu kontrolün güçlü bir parçası olabilir; gözlemsel çalışmalarda ve tez projelerinde ise iyi tasarlanmış validasyon kurallarıyla tek giriş yeterli olabiliyor.

EDC sistemleri: REDCap ve alternatifleri

Kâğıt formlardan elektronik veri yakalama (EDC) sistemlerine geçiş, veri kalitesini artırmanın yeni yollarını açtı. Elektronik sistemlerin en büyük avantajı veri girişi sırasında anlık doğrulama yapabilmesi. Bir alan doldurulduğu anda aralık kontrolü çalışıyor, mantık kuralı devreye giriyor, biçim hatası hemen bildiriliyor.

REDCap (Research Electronic Data Capture), Harris ve arkadaşlarının (2009) tanıttığı ve bugün 166 ülkede 8 binden fazla kurumda kullanılan bir EDC platformu. Koşullu dallanma (branching logic), hesaplanmış alanlar, aralık kontrolleri ve veri denetim izleri sunuyor.

ODK ve KoBoToolbox özellikle saha araştırmalarında tercih edilen açık kaynak alternatifler. Çevrim dışı veri toplama desteği, GPS entegrasyonu ve çoklu dil desteği öne çıkan özellikleri. REDCap'e göre kurulumu daha basit ama klinik araştırma odaklı özellikleri daha sınırlı.

Kalite kontrol denetimleri: Teknik önlemler yetmez

Validasyon kuralları ve çift giriş tek başına yeterli olmuyor. Düzenli kalite kontrol denetimleri, sistematik hataları ve eğitim eksikliklerini tespit etmek için gerekli.

Rutin veri kontrolleri haftalık veya aylık aralıklarla yapıldığında sorunlar erken fark ediliyor. Belirli bir değişkende ani bir eksik veri artışı, form tasarımındaki bir soruna veya veri giriş personelindeki bir alışkanlık değişikliğine işaret edebilir.

Kaynak belge doğrulama (SDV) elektronik kayıtların hasta dosyası ve laboratuvar raporlarıyla karşılaştırılması. Tüm kayıtların %100'ünü doğrulamak çoğu zaman gerekli ya da pratik olmadığından örnekleme ile belirli bir oranın doğrulanması tercih ediliyor. FDA ve ICH E6(R3) belirli bir SDV oranı şart koşmuyor; hangi verilerin ne ölçüde doğrulanacağının riske göre izleme planında belirlenmesini istiyor.

Hata oranı metrikleri veri kalitesini somut olarak izlemeye yarıyor. Hata sayısının toplam veri noktası sayısına bölünmesiyle hesaplanan bu oran için klinik veri yönetiminde en sık kullanılan kabul ölçütleri 10.000 alanda 50 (%0,5) ve 10 (%0,1) hata; kritik değişkenlerde %0,1 ya da sıfır hata hedefleniyor (Nahm ve ark. 2008).

Eğitim ve standart prosedürler

Teknik önlemler kadar önemli bir diğer etken, veri giriş personelinin eğitimi. Her araştırma için alanların tanımını, kabul edilebilir değerlerini, doldurma kurallarını ve özel durumlarını içeren bir veri giriş kılavuzu hazırlamak çok yararlı bir adım. Bu kılavuz form değişikliklerinde güncellendiğinde tutarlılığı koruyor.

Pratik eğitimde gerçek verilerle çalışmak, eğitim sırasında yapılan hataları tartışmak ve yeni personeli deneyimli birinin gözetiminde başlatmak hata oranını düşürmeye yardımcı oluyor.

Bağlantılı kaynaklar

Veri giriş hatalarını önlemek, veri kalitesi zincirinin yalnızca bir halkası. Giriş aşamasından sonra karşılaşılan sorunlar için eksik veri analizi yöntemleri ve uç değer tespiti ve yönetimi yazılarımız rehber olabiliyor.

Model İstatistik olarak CRF tasarımından validasyon kurallarına, çift giriş planlamasından kalite kontrol denetimlerine kadar veri toplama sürecinin her aşamasında araştırmacılarla birlikte çalışıyoruz.

Temiz veri toplamak, sonradan temizlemeye çalışmaktan her zaman daha kolay ve çok daha güvenilir.

Kullanılan kaynaklar

• Day S, Fayers P, Harvey D. Double data entry: what value, what price? Controlled Clinical Trials. 1998;19(1):15-24. · 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
• Garza MY, Williams T, Ounpraseuth S, ve ark. Error rates of data processing methods in clinical research: a systematic review and meta-analysis of manuscripts identified through PubMed. Int J Med Inform. 2025;195:105749. PMID 39647291
• Paulsen A, Overgaard S, Lauritsen JM. Quality of data entry using single entry, double entry and automated forms processing: an example based on a study of patient-reported outcomes. PLoS One. 2012;7(4):e35087. PMID 22493733
• Nahm ML, Pieper CF, Cunningham MM. Quantifying data quality for clinical trials using electronic data capture. PLoS One. 2008;3(8):e3049. PMID 18725958
• U.S. Food and Drug Administration. Oversight of Clinical Investigations: A Risk-Based Approach to Monitoring. Guidance for Industry. 2013.
• ICH. E6(R3): Guideline for Good Clinical Practice. 2025.