งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

การบริหารจัดการข้อมูล ระบบเครือข่าย โดยใช้ ScanTRIAD รศ. ดร. บัณฑิต ถิ่นคำรพ, PhD. (Statistics) ผู้อำนวยการศูนย์บริหารจัดการข้อมูลและ สนับสนุนด้านสถิติ

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "การบริหารจัดการข้อมูล ระบบเครือข่าย โดยใช้ ScanTRIAD รศ. ดร. บัณฑิต ถิ่นคำรพ, PhD. (Statistics) ผู้อำนวยการศูนย์บริหารจัดการข้อมูลและ สนับสนุนด้านสถิติ"— ใบสำเนางานนำเสนอ:

1 การบริหารจัดการข้อมูล ระบบเครือข่าย โดยใช้ ScanTRIAD รศ. ดร. บัณฑิต ถิ่นคำรพ, PhD. (Statistics) ผู้อำนวยการศูนย์บริหารจัดการข้อมูลและ สนับสนุนด้านสถิติ ภาควิชาชีวสถิติและประชากรศาสตร์ คณะสาธารณสุขศาสตร์ มหาวิทยาลัยขอนแก่น

2 ส่วนประกอบขององค์ความรู้ จากการวิจัย ความรู้จากการวิจัย = ความ จริง + สิ่งรบกวน อคติในการเลือกตัวอย่าง [Selection Bias] อคติในการเก็บข้อมูล [Information Bias] อคติจากปัจจัยต่างๆ ที่เกี่ยวข้อง [Confounding Bias] อคติ (Bias หรือ Systematic error ) ความบังเอิญ (Random error) ผิดจากความเป็นจริงไป อย่างเป็นระบบ เป็นไปโดย ธรรมชาติ ลดสิ่งรบกวนโดยการออกแบบการศึกษาวิจัยที่ดี และมีการประกันคุณภาพการวิจัย ผิดจากความเป็นจริง ไปโดยบังเอิญ Data Management

3 บทบาทการบริหารจัดการข้อมูลต่อ องค์ความรู้จากการวิจัย Selection Bias [All eligible subjects vs. Lost to follow-up and Non-response] ข้อมูลผิดจากความเป็นจริง อย่างเป็นระบบ ข้อมูลผิดจากความเป็นจริง โดยบังเอิญ Cancel out in large study Achieve precision by reducing measurement error ข้อมูลองค์ความรู้ที่มี คุณภาพ วิเคราะห์ / แปลผล Data entry -> Data editing & cleaning -> Back-up storage บทบาทที่มักเข้าใจว่า ทำเพียงเท่านี้ Systematic Approach > Statistical Coordinating Center บทบาทที่ ควรทำ Information Bias [Validity & reliability of tools vs. Data management] Confounding Bias [All related predictors vs. what were collected] คุณภาพข้อมูลที่เก็บมาได้ + การ บริหารจัดการข้อมูลที่ดี

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

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

6 เป้าหมายหลัก Quality 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 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 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 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 Design of data collection forms Paper-based : ระบบบันทึกข้อมูล, ระบบลงรหัส, ความแน่นของ เนื้อหา, ความซับซ้อน ฯลฯ Electronic-based : CAPI, PDA, Web-based, Applications, Optical Scan, etc Data collection methods Self-administered ลายมือ, สภาพกระดาษที่ได้รับกลับ, ระบบ ตรวจกรองค่าที่ผิด, ฯลฯ Interview Type of projects Single site VS Multi-center Cross-sectional or Longitudinal Routine data collection Others Small size project VS Mega study VS Country census Real-time monitoring, Urgent, Allow sufficient time Data Entry Design Considerations RDM Processes

11 Portal of data entry Distributed data entry Centralized data entry Design of data entry interface Direct VS Via CRF Key punching VS Mouse clicking VS Optical scan Spread sheet style VS WYSIWYG Data entry, validation, and verification methods Single VS Double data entry Embedded validation at entry VS Validation externally Verification tools : Paper VS Printout, Paper VS Screen, Screen VS Screen, Two parts within a screen, Data and images being integrated (SD and CRF can be integrated) Data Entry Design RDM Processes

12 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 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% 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 2. Verify 3. Purify Back Office Front Office SCAN VERIFYPURIFY

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

16 ศูนย์บริหารจัดการ ข้อมูลฯ SCANNER ScanTria d INTRANET SERVER ตู้นิรภัยที่ สนง. โครงการวิจัย DVD Backup INTERNET ADSL DVD Backup 1. VERIFY 2. PURIFY HDD-USB 3. DELIVER Downloading station

17 Data Management System with Tools for Optical Recognition, Verification, and Purification.

18 จัดเตรียมแบบสอบถามที่ได้รับจากไปรษณีย์ จัดเป็น Lot เพื่อเตรียมสแกน

19 แบบสอบถาม จัดเป็น Lot เพื่อเตรียมสแกน

20 สแกนแบบสอบถาม

21 สแกนแบบสอบถาม ดูให้ละเอียด

22 Data Verification Center

23

24 Example that data verification is needed

25

26

27

28

29

30

31 คู่มือ Verify


ดาวน์โหลด ppt การบริหารจัดการข้อมูล ระบบเครือข่าย โดยใช้ ScanTRIAD รศ. ดร. บัณฑิต ถิ่นคำรพ, PhD. (Statistics) ผู้อำนวยการศูนย์บริหารจัดการข้อมูลและ สนับสนุนด้านสถิติ

งานนำเสนอที่คล้ายกัน


Ads by Google