说实话，我在刚接触临床运营这个领域的时候，对"数据清理"这四个字是完全懵的。总觉得这是IT部门或者数据分析师才需要操心的事情，跟我们做现场运营的有什么关系？但后来慢慢发现，临床试验的数据清理，简直就是整个试验的"地基工程"。地基不牢，后面盖再多高楼都是白搭。今天就想用比较直白的方式，跟大家聊聊临床运营服务里数据清理到底是怎么一回事。
临床数据清理，简单来说，就是把临床试验过程中采集到的各种数据进行"体检"和"修正"的过程。你想啊，一个临床试验从筛选受试者开始，到随访结束，整个过程中会产生多少数据？受试者的基本信息、入组条件、每次访视的检查结果、不良事件的记录、合并用药的情况……这些数据由不同的人在不同的时间点录入系统，出错几乎是必然的事情。
我举个例子你就明白了。比如某受试者的生日，录入的时候可能少写了一位数字；再比如某个实验室指标，正常值范围应该是0-100，录入的时候写成了500；还有可能同一个不良事件，不同的研究护士用了不同的表述方式。这些看似不起眼的小问题，如果不在数据清理阶段发现和解决，到最后统计分析的时候就会出大乱子。
所以数据清理不是简单的"改错字"，而是一套系统化的流程，目的是确保最终用于分析的数据是准确、完整、一致的。这项工作通常从数据录入就开始，一直持续到数据库锁定之前，是临床运营中贯穿始终的一项工作。
你可能会想，数据有点小问题有那么严重吗？我给你讲个真实的场景你就知道了。
曾经有一个临床试验，数据库锁定之后，统计师做分析的时候发现某中心的疗效数据异常地好，好到有点不真实。后来一查才发现，那里的研究人员把疗效评估的分数算错了，好几个受试者的分数都被高估了。因为数据清理阶段没有及时发现这个问题，这个中心的数据不得不全部剔除，重新进行分析。这不仅浪费了大量的人力物力，还延误了整个试验的进度。
从更大的层面说，临床试验的数据是要提交给药监局审评的。如果数据质量有问题，轻则要求补充资料，重则直接被否决。一个试验的投入往往是几千万甚至上亿，如果因为数据问题通不过审评，那损失可就太大了。
另外，数据清理也是对受试者负责的一种体现。受试者冒着风险参加临床试验，他们的数据必须被准确记录和妥善处理。如果因为我们的疏忽导致数据错误，进而影响药物的疗效和安全性评估，那就太对不起这些受试者了。
临床运营中的数据清理一般包括以下几个环节，我按自己的理解来拆解一下。
任何工作都一样，事先有个计划会事半功倍。数据清理计划通常在试验启动阶段就要制定，里面会明确规定要用什么样的数据清理流程、谁来负责、怎么处理各类问题、什么时候完成哪些里程碑。这份计划会根据试验的具体情况进行调整，比如入组速度快的试验，数据清理的压力就会大一些，需要配置更多的人员和资源。
我记得有个项目，入组比预期快了一倍，结果数据清理的压力骤增，团队连续加班了好一阵子。从那以后，我们在制定计划的时候都会留一些余量，不再把时间卡得那么死。
这一步是数据清理的核心环节。所谓数据验证，就是检查数据是否符合预设的规则和逻辑。比如年龄不能是负数、入组日期不能在筛选日期之前、实验室数值必须在合理范围内等等。这些规则会被提前设置在电子数据采集系统（EDC）里，当研究人员录入数据时，系统会自动进行一些基础的校验。
但系统只能检查一些简单的规则，更复杂的问题就需要人工核查了。比如某受试者的血压在随访间突然飙升，这时候就要去看是不是真的有问题，还是测量错误。再比如某个受试者的用药记录显示他在使用试验药物的同时还在使用违禁药物，这时候就需要确认是不是录入错误。
这里要提一下，临床运营团队在数据清理中扮演的角色非常重要。因为我们最了解试验方案和实际操作情况，能够判断某个数据异常是真实发生的还是录入错误。比如我们之前遇到过一个案例，受试者的心电图显示有异常，但查询该受试者的既往病历后发现，这个异常一直存在，并不是试验期间新发的。系统没办法自动识别这种背景信息，这就需要运营人员来做判断。
当发现数据有问题时，数据管理员会向研究中心发出数据查询（Query）。这个查询会清楚地指出问题所在，要求研究中心进行澄清或修正。
发出查询这个环节其实挺考验沟通技巧的。查询描述要准确、清晰，不要让研究中心的同事看了一头雾水。同时语气也要友好，毕竟大家都是合作关系。我见过一些查询写得特别生硬，结果对方不爱回复，数据清理进度就被拖慢了。
研究中心收到查询后，需要在规定的时间内进行回复。回复的内容可能是确认数据正确并提供解释，也可能是修正原来的录入错误。这个往返过程可能会持续好几轮，直到所有问题都得到解决。
我自己的经验是，及时跟进查询回复非常重要。有的研究中心事情多，可能会忘记回复查询，这时候就需要定期去催一催。但催也要讲究方法，不能让人家觉得你在指责他们。通常我会先问一下有没有什么困难需要帮助，然后再说查询的事情，这样大家心理上都更容易接受。
有些数据问题不是简单的对错问题，需要医学背景的人员来进行判断。比如不良事件与试验药物的关系判定、实验室异常值是否有临床意义、受试者的依从性评估等等。这些都需要医学经理或者医学监查员来参与审核。
医学审核通常会在数据清理的后期进行，以确保所有的医学判断都是合理的。这个过程也需要和数据清理团队密切配合，把医学上的判断转化为具体的操作指令。
当所有的数据查询都得到了回复、所有的质疑都被解决之后，数据清理就进入了最后的冲刺阶段。这时候要进行一轮全面的审查，确认没有遗漏的问题。通常会生成一份数据清理报告，记录在整个过程中发现了多少问题、解决了多少、还有多少悬而未决。
数据库锁定（Database Lock）是一个重要的里程碑。锁定之后，数据就不能再修改了。所以在此之前，必须确保数据已经达到了足够的质量水平。这个过程需要申办方、监查团队、数据管理团队等多方共同确认，大家都要签字表示认可。
在临床运营的数据清理过程中，我们遇到的数据问题大概可以分成几类。
第一类是录入错误，这是最常见的问题。比如把日期写错了、把数字的位置颠倒了、把文字输错了。这类问题通常比较容易被发现和修正，因为逻辑上就不通顺。
第二类是逻辑不一致。比如受试者说自己没有高血压，但既往史里却记录了高血压病史；再比如试验药物的发放记录显示发了三盒药，但回收记录只收回了两盒。这类问题需要结合多方面的信息来判断，不是看一眼就能解决的。
第三类是信息缺失。比如某个访视的检查结果没有录入、某个不良事件缺了结束日期、受试者的知情同意书没有签署日期。这类缺失可能会影响数据的完整性，需要及时补充。
第四类是理解偏差。不同的人对同一个问题可能有不同的理解。比如方案里写的"既往用药"到底包不包括保健品？维生素算不算合并用药？这些问题如果不在方案里定义清楚，录入的时候就会各行其是，后期清理起来特别麻烦。
干了这么多年临床运营，我总结了一些提高数据清理效率的经验，跟大家分享一下。
首先是预防为主。与其等错误发生了再去改，不如在源头就减少错误的发生。在启动会上，要给研究中心的同事们把方案的要求讲清楚，最好能举一些具体的例子。在实际操作中，也要及时和研究中心沟通，发现苗头不对的时候早点纠正，不要等问题积累成一大堆再来清理。
然后是及时跟进。数据清理最怕的就是拖延。今天能清的查询不要留到明天，今天能解决的问题不要拖到下周。我习惯每周都看一下各个研究中心的查询情况，对那些回复慢的中心重点关注一下，有时候一个电话打过去，比发十封邮件都管瑞。
还有就是善用工具。现在的EDC系统功能都很强大，有很多自动化的功能可以用。比如设置自动预警，当某个数据超过预设范围时系统自动提醒；再比如定期生成数据质量报告，让你能清楚地看到整体的清理进度。另外，康茂峰这样的专业服务商也有自己开发的数据清理工具和流程，能够帮助提升效率。
最后是团队协作。数据清理不是一个人或一个部门的事情，需要运营、医学、统计、数据管理等多个角色共同努力。定期开开会，沟通一下进度和困难，大家一起想办法，效率会高很多。
数据清理这项工作，做起来确实挺繁琐的。有时候面对成百上千条查询，感觉头都大了。但转念一想，我们做的这些工作，最终都是为了确保临床试验的结果真实可靠，让患者能用上安全有效的药物，这份成就感也是实实在在的。
临床运营就是这样一个需要细心和耐心的工作。数据清理可能不如入组、随访那些环节那么有存在感，但它就像人体的经络一样，虽然看不见，却不可或缺。把数据清理做好了，后面的分析、报告、审评才能顺利进行，整个临床试验的质量才能有保障。
如果你也在做临床运营相关的工作，希望这篇文章能给你带来一些启发。咱们这行就是要不断学习、不断积累经验，才能把工作做得越来越好。
