75 Internal Validity for Large Collaborative Clinical Datasets: Assessment of the CONGRESS Database
Notice bibliographique
Résumé
Abstract Aim Multi-centre clinical research collaboratives generate large, generalisable datasets, but concerns remain regarding data quality due to variability in validation practices and the involvement of trainees with limited clinical or academic experience. This study aims to evaluate the feasibility, methodology, and effectiveness of internal data validation within the CONGRESS database, to inform best practices for ensuring data integrity in collaborative research settings. Method The multicentre CONGRESS dataset of early oesophago-gastric cancer was assessed. A random 20% sample of patients was selected to meet a >15% target validation size. Patient, disease and outcome data were re-abstracted from medical records and entered into a validation dataset which was compared to the original database. Cohen’s kappa coefficient (κ) and Pearsons corelation (r) were calculated to express the strength of agreement between categorical and continuous variables, respectively. Results In total, 302 patients (18.1%) from the original CONGRESS database were included in the validation dataset and 3320 data points were compared between datasets (6640 total). The percentage of exact agreement for variables ranged from 82.5-98.7% (median 92.3%, IQR 86.3-95.7%). 9 variables (1645/2946, 55.8% data points) showed “almost-perfect” agreement (κ or r >0.8), 5 (1301/2946, 44.2%) showed substantial agreement (κ > 0.6). None showed weak or poor agreement. Conclusions This study provides strong evidence of internal validity for the CONGRESS collaborative clinical database. It presents key learning points and a methodology for data validation, which can be applied to other large collaborative databases. This approach aims to enhance confidence in the quality and reliability of research conducted through these platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».