1) Objectifs de la semaine

À la fin de cette semaine, tu dois être capable de :

• Définir clairement les notions : CDM/DMC, CRF/eCRF, EDC, GCP/BPC, Query, Audit trail, Data lock.
• Expliquer le rôle du Data Manager (DM) et ses interactions avec le site, le CRA/monitor, le biostatisticien et l’équipe IT.
• Comprendre les objectifs du data management clinique : qualité, cohérence, traçabilité, conformité, préparation à l’analyse.
• Identifier des risques fréquents (données manquantes, incohérences, unités, retards de saisie) et proposer des mesures de prévention.

Temps estimé (S1) : 15–20h (lecture + activités + quiz + devoir).

2) Qu’est-ce que le Data Management Clinique (DMC/CDM) ?

Le Data Management Clinique (ou Clinical Data Management — CDM) est un ensemble de processus permettant de collecter, valider, nettoyer, organiser et sécuriser les données générées pendant un essai clinique, de la conception de l’étude jusqu’à la soumission des résultats.

Le but n’est pas “d’avoir beaucoup de données”, mais d’avoir des données :

• précises (pas d’erreurs),
• complètes (ou manquants justifiés),
• cohérentes (pas de contradictions),
• fiables (reproductibles),
• traçables (auditables),
  pour soutenir des analyses statistiques valides et produire des preuves solides sur la sécurité et l’efficacité d’une intervention.

3) Vocabulaire essentiel (à maîtriser)

Lis attentivement ces définitions : elles reviennent partout dans le cours, les quiz et en situation professionnelle.

3.1 CRF / eCRF

• CRF (Case Report Form) : formulaire (papier ou numérique) où l’on enregistre les données d’un participant à l’étude.
• eCRF : version électronique du CRF, utilisée dans un système EDC.

✅ Exemples de données CRF : âge, sexe, date de visite, paramètres vitaux, résultats biologiques, événements indésirables, traitements concomitants.

3.2 EDC (Electronic Data Capture)

Un EDC est un système informatique permettant de :

• saisir les données dans un eCRF,
• appliquer des contrôles automatiques (plages, cohérence, champs obligatoires),
• gérer les utilisateurs et leurs rôles,
• tracer les modifications (audit trail),
• exporter des données pour analyse.

✅ Idée clé : l’EDC ne remplace pas le data management — il est un outil qui aide à l’appliquer.

3.3 GCP / BPC (Good Clinical Practice)

Les Bonnes Pratiques Cliniques sont des normes internationales qui garantissent que :

• les droits et la sécurité des participants sont protégés,
• les données sont fiables et vérifiables,
• l’étude est conduite et documentée correctement.

✅ Idée clé : la conformité (GCP) impose une exigence forte de traçabilité et de qualité documentaire.

3.4 Query

Une query est une demande de clarification ou correction émise lorsqu’une donnée est :

• manquante, ou
• incohérente, ou
• suspecte (valeur aberrante, unité improbable, date impossible…).

✅ Exemple :

“Visite V2 — Créatinine : valeur manquante. Merci de renseigner ou de justifier le manquant.”

Règles d’une bonne query :

• claire et courte,
• neutre (pas accusatoire),
• actionnable (quoi faire),
• contextualisée (où/champ/visite).

3.5 Audit trail

L’audit trail est l’historique qui enregistre :

• qui a modifié quoi,
• quand,
• et souvent pourquoi (selon le système/procédure).

✅ Idée clé : un essai clinique doit être auditable. Sans audit trail, la confiance dans les données s’effondre.

3.6 Data lock

Le data lock correspond au verrouillage final de la base :

• une fois verrouillée, la base ne doit plus être modifiée (sauf procédure exceptionnelle documentée),
• l’analyse statistique est réalisée sur cette base verrouillée.

✅ Idée clé : on ne “verrouille” pas une base non validée.

4) Pourquoi le Data Management Clinique est indispensable ?

Sans CDM, on observe rapidement :

• erreurs de saisie,
• incohérences inter-visites,
• données manquantes non justifiées,
• unités non harmonisées,
• délais de résolution très longs,
• difficultés à analyser et à produire un rapport final crédible,
• risques en audit/inspection.

Le CDM permet au contraire :

• une réduction des erreurs,
• une base exploitable plus tôt,
• une meilleure conformité,
• une production de résultats plus solide.

5) Le rôle du Data Manager (DM) : missions et interactions

Le Data Manager est souvent décrit comme un chef d’orchestre des données.

5.1 Missions principales du DM

Le DM contribue à :

1. Conception eCRF : définir les formulaires, les champs, la structure par visites/événements.
2. Spécifications : décrire précisément comment les champs fonctionnent (formats, règles, messages).
3. Contrôles (Edit checks) : définir les règles de validation (plage, logique, cohérence).
4. Data cleaning : détecter problèmes, émettre des queries, suivre leur résolution.
5. Validation finale & data lock : préparer la base pour verrouillage.
6. Documentation : produire ou alimenter les rapports (ex : Data Management Report).
7. Collaboration : communiquer avec le site, CRA/monitor, biostat, IT.

5.2 Interactions clés

• Site investigateur : saisie, réponses aux queries, justification.
• CRA/Monitor : contrôle des données source et conformité terrain.
• Biostatisticien : attend des données propres, cohérentes, documentées.
• IT / EDC admin : paramétrage, rôles, sécurité, exports.

✅ Règle d’or : le DM ne travaille jamais “isolé”. Il coordonne.

6) Les erreurs fréquentes (et comment les anticiper)

Voici des erreurs fréquentes, particulièrement en contexte multi-sites et/ou connexion variable :

1. Dates incohérentes (V2 avant V1, date future, date fin < date début)
   • ✅ Solution : format standard + contrôles de cohérence.
2. Unités non harmonisées (mg/dL vs µmol/L, kg vs lb)
   • ✅ Solution : imposer une unité + champs séparés “valeur/unité” + conversion documentée.
3. Champs critiques manquants (âge, date visite, résultat labo clé)
   • ✅ Solution : champs obligatoires + query automatique + procédure de justification.
4. Valeurs aberrantes (outliers) (poids 7 kg adulte, TA 500…)
   • ✅ Solution : contrôles de plage + revue manuelle ciblée.
5. Retards de saisie
   • ✅ Solution : indicateurs de suivi + relances structurées + priorisation des champs critiques.

7) Mini-cas (à lire avant le Quiz S1)

Lis ces situations et réponds mentalement : “Que ferais-je en tant que DM ?”

Cas 1 — Incohérence logique

Un participant est enregistré “Sexe : Homme”, mais “Grossesse : Oui”.

• ✅ Action attendue : émettre une query, vérifier la saisie/les règles, proposer un contrôle logique.

Cas 2 — Unité biologique

Créatinine = 1.8 (unité non renseignée), sur un site qui utilise parfois mg/dL et parfois µmol/L.

• ✅ Action attendue : query sur l’unité + standardisation + règle.

Cas 3 — Retard de saisie

Visite V3 non saisie alors que V4 est saisie.

• ✅ Action attendue : query / relance / contrôle cohérence inter-visites.

8) À retenir (Résumé)

• Le CDM vise la qualité et la traçabilité des données.
• CRF/eCRF = support de collecte ; EDC = système de saisie et contrôle.
• Query = mécanisme de correction/clarification ; audit trail = preuve de traçabilité.
• Data lock = base figée pour analyse.
• Le DM coordonne conception, contrôles, cleaning et préparation à l’analyse.

9) Travail à faire cette semaine (checklist)

✅ Lire “Cours S1 — Fondamentaux”
✅ Ajouter 2 termes dans le glossaire (ou compléter les flashcards)
✅ Réaliser Défi S1 : Fiche métier Data Manager (1 page)
✅ Passer Quiz S1 (objectif : ≥ 70%)