Source Data Verification (SDV) bezeichnet die Überprüfung, ob Daten, die in eine Case Report Form (CRF) bzw. in ein Electronic Data Capture (EDC)-System eingetragen wurden, mit den ursprünglichen Quelldaten in der Prüfstelle übereinstimmen. Ziel ist, die Datenintegrität zu sichern, Abweichungen früh zu erkennen und eine belastbare Grundlage für die statistische Auswertung und regulatorische Entscheidungen zu schaffen.
Was zählt als Source Data und was wird geprüft?
Als Quelldaten (Source Data) gelten alle Originalaufzeichnungen, die die Durchführung einer klinischen Studie und die erhobenen Patientendaten belegen. Dazu zählen Patientenakten, Laborberichte, Arztbriefe, Bildgebungsbefunde, Medikationspläne, Geräteausdrucke, ePRO- bzw. eDiary-Einträge oder digitale Rohdaten aus medizinischen Geräten.
Welche Quelle maßgeblich ist, sollte vorab festgelegt sein. Bei elektronischen Quellen ist zu klären, ob es sich um „Original Source“ handelt (direkt erfasst) oder um transkribierte Daten. Für hybride Prozesse (Papier plus digital) braucht es klare Regeln, damit bei Abweichungen eindeutig ist, welcher Eintrag gilt. Diese Klarheit ist auch für spätere Audits und Inspektionen wichtig, weil sie Diskussionen über nachträgliche Ergänzungen und Verantwortlichkeiten reduziert.
- Übereinstimmung: Werte, Datum/Uhrzeit, Einheit, Referenzbereich, Visit-Bezug und Plausibilität.
- Vollständigkeit: Sind alle relevanten Messungen, Befunde und Endpunkte dokumentiert?
- Nachvollziehbarkeit: Sind Korrekturen datiert, begründet und nachvollziehbar (Audit-Trail)?
- Protokollkonformität: Wurden Ein- und Ausschlusskriterien, Visit-Fenster und Untersuchungsplan eingehalten?
SDV im Kontext von Monitoring und Datenmanagement
SDV ist historisch ein zentraler Bestandteil des On-Site-Monitorings. Moderne Studien setzen jedoch zunehmend auf Risk-Based Monitoring (RBM) und eine risikoorientierte Qualitätsstrategie, um Aufwand zu reduzieren und gleichzeitig kritische Daten und Prozesse zu schützen. SDV wird dabei gezielt dort eingesetzt, wo Fehler die Patientensicherheit oder die Hauptaussagen der Studie gefährden könnten.
Typische SDV-Fokusthemen sind Einwilligungsunterlagen, Einschlusskriterien, primäre Endpunkte, Randomisierung, Prüfmedikationsdokumentation sowie sicherheitsrelevante Ereignisse. Ergänzend werden Query-Management, Datenprüfregeln und zentrale Plausibilitätschecks im EDC genutzt, um Auffälligkeiten früh zu identifizieren. Wichtig ist, dass SDV, Queries und zentrale Checks aufeinander abgestimmt sind, damit nicht doppelt geprüft wird, aber auch keine Lücken entstehen.
Risikobasierte SDV und Remote-Elemente
Die zentrale Frage lautet nicht „100% SDV oder gar keine?“, sondern welches SDV-Niveau in Relation zu Risiko, Studiendesign und Datenfluss angemessen ist. Häufig werden SDV-Quoten definiert, z.B. 100% für kritische Variablen und Stichproben für weniger kritische Daten. Entscheidend ist, dass Auswahl, Begründung und Anpassungen über den Studienverlauf dokumentiert werden, etwa im Monitoring Plan und im Data Management Plan.
Remote Monitoring kann SDV-Elemente enthalten, wenn die Prüfstelle geprüfte Kopien bereitstellt oder sichere Einsichten ermöglicht. Dabei sind Datenschutz, Zugriffskontrollen, Rollenrechte und eine saubere Protokollierung zentral. In Deutschland müssen zudem lokale Datenschutzvorgaben, Patientenrechte und vertragliche Regelungen zwischen Sponsor, CRO und Prüfstelle beachtet werden, damit Einblicke zulässig und nachvollziehbar bleiben.
Typische Fehler und Missverständnisse in der Praxis
Ein häufiger Irrtum ist, SDV automatisch mit hoher Datenqualität gleichzusetzen. SDV erkennt Fehler, verhindert sie aber nicht. Wirksamer sind robuste Prozesse in der Prüfstelle, klare CRF-Ausfüllhinweise, Trainings sowie saubere Schnittstellen (z.B. Labor-Transfers) und eine gute Query-Strategie. SDV ist dann am effektivsten, wenn es früh beginnt und als Feedback-Schleife genutzt wird.
- Zu spätes SDV: Wenn SDV erst kurz vor Database Lock erfolgt, steigt das Risiko für Zeitdruck und offene Queries.
- Fokus auf unkritische Felder: Routinewerte werden vollständig geprüft, während Endpunkte nicht ausreichend priorisiert sind.
- Unklare Verantwortlichkeiten: Wenn nicht klar ist, wer dokumentiert und wer Korrekturen autorisiert, leidet die Datenintegrität.
- Uneinheitliche Korrekturregeln: Fehlende Prozesse gefährden Nachvollziehbarkeit und Audit-Trail-Qualität.
Für Sponsoren ist SDV auch ein Steuerungsinstrument: Wenn in mehreren Zentren ähnliche Abweichungen auftreten (z.B. falsche Einheiten, fehlende Visit-Daten), kann dies auf Trainingsbedarf oder unklare CRF-Guidelines hinweisen. In solchen Fällen sind gezielte Schulungen oft wirksamer als eine pauschal höhere SDV-Quote.
Bedeutung für klinische Studien
Für Sponsoren und CROs ist SDV ein Hebel zur Qualitätssicherung, aber auch ein Kostentreiber. Eine gut konzipierte SDV-Strategie reduziert Monitoring-Aufwand, ohne die Aussagekraft der Studie zu gefährden. In EU/DE-Kontext ist zudem relevant, dass Inspektionen die Nachvollziehbarkeit von Datenflüssen, Korrekturen und die Konsistenz zwischen Quelle, CRF und Datenbank prüfen. Full-Service-CROs wie mediconomics unterstützen dabei, SDV in ein risikobasiertes Setup aus Monitoring, zentralem Datenreview und Qualitätsmanagement einzubetten.
Häufig gestellte Fragen (FAQ)
Ist 100% Source Data Verification regulatorisch vorgeschrieben?
Nein. Erwartet wird ein risikobasierter Ansatz: Kritische Daten und Prozesse müssen angemessen überwacht werden, aber eine pauschale 100%-Prüfung aller Daten ist nicht gefordert. Entscheidend sind Begründung und dokumentierte Umsetzung im Monitoring Plan.
Welche Daten sollten typischerweise immer per SDV geprüft werden?
Üblich sind Einwilligungsdokumentation, Einschlusskriterien, primäre Endpunkte, Randomisierung, Prüfmedikation (z.B. Accountability) sowie sicherheitsrelevante Ereignisse. Die konkrete Auswahl hängt vom Protokoll und vom Datenrisiko ab.
Wie unterscheidet sich SDV von zentralem Monitoring?
SDV vergleicht CRF/EDC-Einträge mit Quelldaten in der Prüfstelle, häufig vor Ort. Zentrales Monitoring nutzt aggregierte Datenanalysen, Plausibilitätschecks und Qualitätsindikatoren über alle Zentren hinweg, um Risiken und Muster früh zu erkennen.
Regulatorische Referenzen
- ICH E6(R3) Good Clinical Practice: Erwartung an risikobasiertes Qualitätsmanagement und angemessene Überwachung von kritischen Daten und Prozessen.
- Verordnung (EU) Nr. 536/2014 (Clinical Trials Regulation): Anforderungen an die Durchführung klinischer Prüfungen und die Verlässlichkeit der Datenbasis.
- EU-GMP Leitfaden, Annex 11 (Computerised Systems): Relevanz für Datenintegrität und Audit-Trail in computergestützten Systemen (z.B. EDC) im Qualitätskontext.