Data Integrity bezeichnet die Sicherstellung, dass Daten in klinischen Studien vollständig, korrekt, konsistent und nachvollziehbar erhoben, verarbeitet und gespeichert werden. Sie ist eine zentrale Voraussetzung dafür, dass Studienergebnisse zuverlässig interpretiert werden können und auf einer belastbaren Datengrundlage beruhen. Innerhalb des regulatorischen Rahmens von Ethik & Recht kommt der Datenintegrität eine Schlüsselrolle zu, da fehlerhafte oder manipulierte Daten die Aussagekraft einer Studie erheblich beeinträchtigen können.
Im Kern geht es bei Data Integrity darum, dass Studiendaten ihren gesamten Lebenszyklus hinweg unverändert nachvollziehbar bleiben. Dieser Lebenszyklus beginnt bei der Erfassung der Rohdaten, etwa während einer Studienvisite, und reicht über die Verarbeitung und Auswertung bis hin zur Archivierung. Jede Veränderung an den Daten muss begründet, dokumentiert und rückverfolgbar sein. Datenintegrität bedeutet dabei nicht, dass Daten niemals korrigiert werden dürfen, sondern dass jede Korrektur transparent erfolgt.
Ein häufig verwendetes Modell zur Beschreibung von Data Integrity ist das sogenannte ALCOA+-Prinzip. Es beschreibt, dass Daten attributable (eindeutig zuordenbar), legible (lesbar), contemporaneous (zeitnah erhoben), original (ursprünglich) und accurate (korrekt) sein müssen. Die erweiterten Kriterien („+“) ergänzen Aspekte wie Vollständigkeit, Konsistenz und dauerhafte Verfügbarkeit. Diese Prinzipien bilden die praktische Grundlage für die Umsetzung von Data Integrity in klinischen Studien.
In der Praxis ist Data Integrity eng mit technischen und organisatorischen Maßnahmen verknüpft. Elektronische Datenerfassungssysteme, klare Arbeitsanweisungen und definierte Verantwortlichkeiten tragen dazu bei, Fehlerquellen zu minimieren. Ein zentrales Instrument zur Nachvollziehbarkeit von Änderungen ist der Audit Trail. Er dokumentiert, wann Daten eingegeben, geändert oder gelöscht wurden, durch wen dies erfolgt ist und aus welchem Grund. Dadurch bleibt der Datenverlauf transparent und überprüfbar.
Ein weiterer wichtiger Baustein ist die Source Data Verification (SDV). Dabei werden die im Studiendatensatz erfassten Informationen mit den ursprünglichen Quelldaten, etwa Patientenakten oder Messprotokollen, abgeglichen. Ziel ist es, sicherzustellen, dass die übertragenen Daten korrekt und vollständig sind. SDV ist damit ein zentrales Kontrollinstrument zur Wahrung der Datenintegrität.
Auch das Datenmonitoring spielt eine entscheidende Rolle. Durch regelmäßige Überprüfungen können Unstimmigkeiten, fehlende Daten oder systematische Fehler frühzeitig erkannt werden. Monitoring-Maßnahmen helfen nicht nur dabei, Datenprobleme zu identifizieren, sondern auch deren Ursachen zu analysieren und nachhaltige Korrekturmaßnahmen umzusetzen.
Typische Risiken für die Data Integrity sind unklare Dokumentationsprozesse, unzureichende Schulung des Studienpersonals oder technische Schwachstellen in Datensystemen. Auch Zeitdruck im Studienalltag kann dazu führen, dass Daten verspätet oder unvollständig erfasst werden. Eine konsequente Fokussierung auf Datenintegrität trägt dazu bei, diese Risiken zu reduzieren und die Qualität der Studienergebnisse langfristig zu sichern.
Zusammenfassend ist Data Integrity ein grundlegendes Qualitätsmerkmal klinischer Studien. Sie stellt sicher, dass erhobene Daten vertrauenswürdig sind und als verlässliche Grundlage für wissenschaftliche Auswertungen, medizinische Entscheidungen und weiterführende Forschung dienen können.
