การบริหารจัดการข้อมูลระบบเครือข่าย โดยใช้ ScanTRIAD

1. การบริหารจัดการข้อมูลระบบเครือข่ายโดยใช้ ScanTRIAD รศ.ดร. บัณฑิต ถิ่นคำรพ, PhD. (Statistics) ผู้อำนวยการศูนย์บริหารจัดการข้อมูลและสนับสนุนด้านสถิติ ภาควิชาชีวสถิติและประชากรศาสตร์ คณะสาธารณสุขศาสตร์ มหาวิทยาลัยขอนแก่น

2. ความบังเอิญ (Random error) อคติ (Bias หรือ Systematic error ) Data Management ส่วนประกอบขององค์ความรู้จากการวิจัย ความรู้จากการวิจัย = ความจริง + สิ่งรบกวน ผิดจากความเป็นจริงไปอย่างเป็นระบบ ผิดจากความเป็นจริงไปโดยบังเอิญ เป็นไปโดยธรรมชาติ อคติในการเลือกตัวอย่าง[Selection Bias] อคติในการเก็บข้อมูล[Information Bias] อคติจากปัจจัยต่างๆ ที่เกี่ยวข้อง [Confounding Bias] ลดสิ่งรบกวนโดยการออกแบบการศึกษาวิจัยที่ดี และมีการประกันคุณภาพการวิจัย

3. คุณภาพข้อมูลที่เก็บมาได้ + การบริหารจัดการข้อมูลที่ดี ข้อมูลผิดจากความเป็นจริงอย่างเป็นระบบ Selection Bias [All eligible subjects vs. Lost to follow-up and Non-response] ข้อมูลผิดจากความเป็นจริงโดยบังเอิญ • Cancel out in large study • Achieve precision by reducing measurement error บทบาทที่มักเข้าใจว่าทำเพียงเท่านี้ Data entry-> Data editing & cleaning -> Back-up storage บทบาทที่ควรทำ Systematic Approach -------> Statistical Coordinating Center บทบาทการบริหารจัดการข้อมูลต่อองค์ความรู้จากการวิจัย วิเคราะห์/แปลผล ข้อมูล องค์ความรู้ที่มีคุณภาพ Information Bias [Validity & reliability of tools vs. Data management] Confounding Bias [All related predictors vs. what were collected]

4. Systematic Approach “Data Management and Statistical Support” สำคัญมาก Availability of complete, clean data takes time, effort, and attention to details. “งานที่หนักที่สุดคือ Clean data ที่ได้จากการขาดการวางแผนที่ดี” Researcher + Statisticianร่วมวางแผนตั้งแต่เริ่มโครงการวิจัย มี Manual of Operation ที่ชัดเจน รวมทั้ง Plan for data analysis Statistician + Data manager + Programmer ร่วมทำงานต่อไปอย่างใกล้ชิด ทุกกระบวนการให้มี Documentation Detect ปัญหาให้เร็ว แล้วแก้ไขอย่างรวดเร็ว

5. การประกันคุณภาพงานวิจัยการประกันคุณภาพงานวิจัย มาตรฐานสากลในการทำวิจัยทางการแพทย์ ICH-GCP ดูรายละเอียดที่ http://www.ich.org ICH = International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use GCP = Good Clinical Practice ริเริ่มโดย European Union (EU), Japan, และ USA เมื่อ 1996 หลายประเทศทั่วโลกตาม เช่น Australia; Canada; the Nordic countries; WHO; etc. ผลิตภัณฑ์จากผลการวิจัยที่ทำตาม ICH-GCP เท่านั้นที่จะได้รับพิจารณาขึ้นทะเบียน แนวทางที่กำหนดนั้น สามารถปรับใช้ได้กับทุกประเภทการวิจัย

6. เป้าหมายหลักQuality assurance and/or control Prevent problems Detect problems Correct problems

7. Quality assurance elements • Prevention • Well-written protocol, manual of operations • Collection limited to essential items, uncomplicated forms, criteria • Pre-test study forms and procedures • Investigators commitment to follow protocol • Training and certification of all staff • Data from central classification committees, specialized equipment (calibration), central laboratories or reading centers (internal replication; external duplication or standards) • Maintain study records; audit trails, archiving Adopted from Shrikant I. Bangdiwala, Ph.D.

8. Quality assurance elements • Detection • Central monitoring of data on individual subjects: • data entry system checks • logical, consistency checks • extreme values • Site visits: standard check-list, records audit • Comprehensive performance-monitoring reports: study overall, by site, by staff • recruitment, follow-up, adherence, completion of procedures • errors • Statistical investigations of aggregate data: by site, by staff • identify unusual patterns • lack of variability • unusual relationships in the data Adopted from Shrikant I. Bangdiwala, Ph.D.

9. Quality assurance elements • Correction • correct the errors and minimize the chance of future occurrences • procedures must be implemented early in the study • empower individuals, committees, centers to address problems • effect of systematic errors, bias, violations of protocol • address individual site or staff performance • redress misconduct or fraud • Document all actions Adopted from Shrikant I. Bangdiwala, Ph.D.

10. RDM Processes Data Entry Design Considerations Design of data collection forms Paper-based : ระบบบันทึกข้อมูล, ระบบลงรหัส, ความแน่นของเนื้อหา, ความซับซ้อน ฯลฯ Electronic-based : CAPI, PDA, Web-based, Applications, Optical Scan, etc Data collection methods Self-administeredลายมือ, สภาพกระดาษที่ได้รับกลับ, ระบบตรวจกรองค่าที่ผิด, ฯลฯ Interview Type of projects Single siteVSMulti-center Cross-sectional or Longitudinal Routine data collection Others Small size projectVSMega studyVSCountry census Real-time monitoring, Urgent, Allow sufficient time

11. RDM Processes Data Entry Design Portal of data entry Distributed data entry Centralized data entry Design of data entry interface DirectVSVia CRF Key punchingVSMouse clickingVSOptical scan Spread sheet styleVSWYSIWYG Data entry, validation, and verification methods SingleVSDouble data entry Embedded validation at entryVSValidation externally Verification tools : PaperVSPrintout, Paper VS Screen, ScreenVSScreen, Two parts within a screen, Data and images being integrated(SD and CRF can be integrated)

12. RDM Processes • Data cleaning • All variables or key variables? • How much computerized vs manual? • Consistency checks – across variables, across forms, across time, across similar individuals • Frequency and timing given rate of accumulation and study needs • Audit trail & documentation – ALL changes to original data specify what, when, why, by whom

13. RDM Processes • Audit trail & documentation – ALL changes to original data specify what, when, why, by whom • WHY? • Monitor study integrity and quality assurance • CC does this separately by personnel, collectively for trends • Regulatory agencies wish to compare the information in original data collection forms with that in reports • Usually, sample 10% of subjects in database, 100% of data from sampled subjects, and often 100% of subjects for key variables • Tolerance of errors: < 25/10000 fields = 0.25%

14. Main Tasks Data Management using 1.Scan SCAN Back Office 2.Verify VERIFY PURIFY 3.Purify Front Office State of the art for quality data entry

15. Scan and activate OMR & ICR Check for image error and fix if any Export both images and data as a ZIP file Unzip to database server Login to the client computer Send data to the server Load data Verify data Save data Login to the client computer Check items with validation warnings Check items based on EDA results Check items with verification remarks Data ready for researchers ขั้นตอนการทำงาน 1.Scan Feed paper 2.Verify 3.Purify

16. ScanTriad SCANNER ADSL DVD Backup INTERNET INTRANET SERVER 2. PURIFY Downloading station 3. DELIVER 1. VERIFY DVD Backup HDD-USB ศูนย์บริหารจัดการข้อมูลฯ ตู้นิรภัยที่ สนง. โครงการวิจัย

17. Data Management System with Tools for Optical Recognition, Verification, and Purification. http://www.scantriad.com

18. จัดเตรียมแบบสอบถามที่ได้รับจากไปรษณีย์จัดเตรียมแบบสอบถามที่ได้รับจากไปรษณีย์ จัดเป็น Lot เพื่อเตรียมสแกน

19. แบบสอบถาม จัดเป็น Lot เพื่อเตรียมสแกน

20. สแกนแบบสอบถาม

21. สแกนแบบสอบถามดูให้ละเอียดสแกนแบบสอบถามดูให้ละเอียด

22. Data Verification Center

23. Data Verification Center

24. Example that data verification is needed

25. Example that data verification is needed

26. Example that data verification is needed

27. Example that data verification is needed

28. Example that data verification is needed

29. Example that data verification is needed

30. Example that data verification is needed

31. Example that data verification is needed คู่มือ Verify