039. Jak zaplanować zarządzanie danymi badawczymi?

Zarządzanie danymi badawczymi nie jest czynnością techniczną wykonywaną dopiero po zakończeniu zbierania materiału. To część projektu badawczego, którą należy zaplanować przed rozpoczęciem rekrutacji uczestników, pobierania próbek, przeglądania dokumentacji lub uruchomienia ankiety. Dobrze zarządzane dane powinny być możliwe do zidentyfikowania, zrozumiałe dla członków zespołu, zabezpieczone przed utratą i nieuprawnionym dostępem, a także wystarczająco dobrze opisane, aby można było odtworzyć sposób ich powstania i analizy. W tej lekcji, stanowiącej część szkolenia na statystyk.edu.pl, uporządkujemy te zadania w postaci praktycznego planu.

Czym jest zarządzanie danymi badawczymi?

Zarządzanie danymi badawczymi to zaplanowany zbiór działań dotyczących danych przez cały cykl życia projektu: od ich zaprojektowania i pozyskania, przez dokumentowanie, kontrolę jakości, przechowywanie i analizę, aż po udostępnienie, archiwizację albo bezpieczne usunięcie. Obejmuje zarówno dane pierwotne, jak i dane przekształcone, dokumentację projektu, słowniki zmiennych, kod analityczny, metadane oraz informacje o pochodzeniu danych.

Nie należy utożsamiać zarządzania danymi wyłącznie z przechowywaniem pliku w chmurze. Plik może być przechowywany bezpiecznie, ale nadal pozostawać bezużyteczny, jeżeli nie wiadomo, co oznaczają zmienne, jakie zastosowano jednostki miary, kiedy wykonano pomiar, kto dokonał korekty oraz która wersja zbioru była podstawą analizy.

Praktycznym narzędziem jest plan zarządzania danymi (Data Management Plan, DMP). Jest to dokument opisujący, jakie dane powstaną lub zostaną pozyskane, jak będą organizowane, chronione, kontrolowane, udostępniane i przechowywane. Dobry DMP nie powinien być ogólną deklaracją typu „dane będą przechowywane na bezpiecznym serwerze”. Powinien wskazywać konkretne procedury, odpowiedzialności, formaty plików, terminy i rozwiązania awaryjne.

Dlaczego planowanie danych jest elementem metodologii?

Jakość danych wpływa na wiarygodność całego wnioskowania statystycznego. Nawet właściwie dobrany test lub model nie naprawi niejednoznacznej definicji zmiennej, pomieszania kodów braków danych, wielokrotnego nadpisywania plików albo utraty informacji o tym, kto i kiedy wprowadził zmianę. Zarządzanie danymi jest więc powiązane z trafnością pomiaru, kontrolą błędów systematycznych, możliwością odtworzenia analizy i przejrzystością raportowania.

Planowanie pozwala także wcześniej rozstrzygnąć kwestie etyczne i prawne. W badaniach z udziałem ludzi trzeba ustalić, czy dane będą bezpośrednio identyfikujące, pseudonimizowane czy anonimowe, kto będzie miał do nich dostęp, jak długo będą przechowywane oraz czy i w jakim zakresie można je udostępnić innym badaczom. Otwarte udostępnianie nie jest wartością absolutną: w odniesieniu do danych wrażliwych należy stosować zasadę „tak otwarte, jak to możliwe, tak zamknięte, jak to konieczne”.

Współczesnym punktem odniesienia są zasady FAIR: dane i metadane powinny być możliwe do znalezienia (Findable), dostępne w odpowiednio kontrolowany sposób (Accessible), interoperacyjne (Interoperable) i możliwe do ponownego użycia (Reusable) (Wilkinson i in., 2016). Zasady FAIR nie nakazują publikowania wszystkich danych bez ograniczeń. W przypadku danych osobowych zgodność z FAIR może oznaczać udostępnienie bogatych metadanych, opisu procedury dostępu i informacji o warunkach ponownego wykorzystania, bez publicznego ujawniania surowego zbioru. ([nature.com])

Elementy dobrego planu zarządzania danymi

1. Charakterystyka danych

Najpierw należy opisać, jakie dane będą gromadzone lub wykorzystywane. Warto uwzględnić:

• źródło danych, na przykład ankieta, dokumentacja medyczna, pomiar laboratoryjny, wywiad lub rejestr publiczny;
• jednostkę obserwacji, na przykład pacjent, zdarzenie ratownicze, gospodarstwo domowe albo pomiar;
• przewidywaną liczbę obserwacji i punktów pomiarowych;
• typy zmiennych: jakościowe, ilościowe, czasowe, tekstowe, obrazowe lub przestrzenne;
• formaty plików i przewidywaną wielkość zbioru;
• zależności między plikami, na przykład połączenie tabeli uczestników z tabelą wizyt.

Na tym etapie trzeba odróżnić dane surowe od danych przetworzonych. Dane surowe to zapis możliwie bliski pierwotnemu pomiarowi lub źródłu. Dane przetworzone powstają po zastosowaniu reguł czyszczenia, rekodowania, agregowania lub imputacji. Dane surowe powinny być zachowane i zabezpieczone przed nadpisaniem. Każda transformacja powinna być opisana, a jeżeli to możliwe — wykonana za pomocą powtarzalnego skryptu, nie tylko ręcznej edycji arkusza.

2. Słownik danych i metadane

Słownik danych opisuje znaczenie zmiennych i sposób ich kodowania. Dla każdej zmiennej warto podać co najmniej: nazwę, etykietę, definicję operacyjną, typ, jednostkę, dopuszczalny zakres, kody braków danych, moment pomiaru i źródło informacji.

Nazwa	Opis	Typ	Kody lub jednostka
age_years	Wiek w dniu włączenia do badania	ilościowa	lata, wartości 18–99
sex_at_birth	Płeć zarejestrowana w dokumentacji	jakościowa	1 = kobieta, 2 = mężczyzna, 9 = brak danych
pain_nrs	Natężenie bólu w skali numerycznej	ilościowa porządkowa	0–10, 99 = nie oceniono

Metadane powinny również dokumentować pochodzenie danych (provenance): kto je zebrał, jakim narzędziem, w jakich warunkach, po jakiej procedurze i jakie przekształcenia wykonano. W badaniu wieloośrodkowym trzeba dodatkowo określić, czy ośrodki stosują te same definicje, wersje formularzy i jednostki pomiaru.

3. Role i odpowiedzialność

Plan powinien wskazywać osoby odpowiedzialne za poszczególne obszary. Kierownik projektu odpowiada za decyzje metodologiczne i zgodność z protokołem, osoba zarządzająca bazą — za strukturę systemu i uprawnienia, badacze terenowi — za kompletność oraz poprawność wprowadzanych danych, a analityk — za kontrolowane tworzenie zbiorów analitycznych i dokumentację kodu.

W małym projekcie jedna osoba może pełnić kilka funkcji, ale odpowiedzialność nadal powinna być jawna. Szczególnie ważne jest ustalenie, kto zatwierdza zmianę definicji zmiennej, kto może odblokować bazę do edycji i kto przechowuje klucz łączący kod uczestnika z jego tożsamością.

4. Bezpieczeństwo i kontrola dostępu

Bezpieczeństwo danych obejmuje poufność, integralność i dostępność. Poufność oznacza ochronę przed dostępem osób nieuprawnionych, integralność — ochronę przed niekontrolowaną zmianą, a dostępność — możliwość odzyskania danych wtedy, gdy są potrzebne.

W praktyce należy zaplanować:

• indywidualne konta użytkowników zamiast wspólnego hasła;
• uprawnienia zgodne z zasadą najmniejszych przywilejów;
• szyfrowanie podczas przesyłania i, gdy jest to uzasadnione, także w miejscu przechowywania;
• rejestrowanie istotnych zmian i operacji eksportu;
• oddzielne przechowywanie danych identyfikacyjnych oraz danych badawczych;
• regularne kopie zapasowe testowane pod kątem możliwości odtworzenia;
• procedurę postępowania w przypadku utraty urządzenia, wycieku lub uszkodzenia pliku.

Sama kopia zapasowa nie jest wystarczająca, jeśli znajduje się na tym samym urządzeniu co plik główny. Warto stosować kilka kopii, różne nośniki i co najmniej jedną lokalizację niezależną od podstawowego miejsca pracy. Należy również określić, jak długo kopie będą przechowywane i kto będzie odpowiedzialny za ich usuwanie.

5. Kontrola jakości i wersjonowanie

Kontrola jakości powinna być zaplanowana jako proces, a nie jednorazowe sprawdzenie na końcu badania. Obejmuje między innymi kontrolę zakresów, spójności logicznej, duplikatów, kompletności i zgodności dat. Przykładowa reguła może wymagać, aby data wypisu nie była wcześniejsza od daty przyjęcia, a wynik skali klinicznej mieścił się w ustalonym zakresie.

Każdy zbiór powinien mieć jednoznaczną nazwę i numer wersji. Nazwa final_final_poprawiony2.xlsx nie jest systemem wersjonowania. Lepsze będzie na przykład badanie_pacjenci_v03_2026-09-05.csv, uzupełnione o rejestr zmian opisujący, co zostało zmienione, przez kogo, kiedy i z jakiego powodu.

Ważną zasadą jest zachowanie niezmienionej kopii danych surowych. Korekty powinny być wykonywane w kopii roboczej albo przez kontrolowany proces importu. Jeżeli usunięto obserwację jako duplikat, trzeba zachować informację o tej decyzji; nie należy po prostu usuwać rekordu bez śladu.

6. Udostępnianie i archiwizacja

Plan powinien odpowiadać na pytania: jakie dane zostaną udostępnione, komu, kiedy, w jakim formacie, na jakiej podstawie prawnej i pod jakimi warunkami. W badaniach z udziałem ludzi najczęściej udostępnia się dane zdeidentyfikowane albo zagregowane, a dostęp do bardziej szczegółowych danych odbywa się po ocenie wniosku badacza.

Międzynarodowy Komitet Redaktorów Czasopism Medycznych zaleca, aby deklaracja udostępniania danych określała między innymi, czy będą udostępniane dane pojedynczych uczestników, jakie dokładnie dane i dokumenty będą dostępne, kiedy oraz według jakich kryteriów można uzyskać dostęp (ICMJE, 2026). ([icmje.org])

Do archiwizacji należy wybrać repozytorium odpowiednie dla rodzaju danych, poziomu wrażliwości, rozmiaru zbioru i przewidywanego sposobu dostępu. Warto preferować repozytoria zapewniające trwały identyfikator, wersjonowanie, opis metadanych i jasne warunki licencyjne. NIH wskazuje, że wybór repozytorium powinien uwzględniać między innymi wrażliwość danych, ich rozmiar i złożoność oraz przewidywaną liczbę wniosków o dostęp (NIH, 2023). ([grants.nih.gov])

Prosty schemat planowania

Plan można rozpocząć od odpowiedzi na sześć pytań:

1. Jakie dane powstaną i które z nich są niezbędne do odpowiedzi na pytanie badawcze?
2. Jak zostaną zdefiniowane, zakodowane i opisane zmienne?
3. Gdzie dane będą przechowywane podczas projektu i kto będzie miał dostęp?
4. Jak będą wykrywane i dokumentowane błędy oraz zmiany?
5. Co zostanie udostępnione po zakończeniu projektu i na jakich warunkach?
6. Jak długo dane, dokumentacja i kod będą przechowywane?

Można traktować DMP jako dokument żywy. Jeżeli zmieni się narzędzie pomiarowe, liczba ośrodków, sposób anonimizacji albo planowane repozytorium, należy zaktualizować plan i odnotować zmianę. UK Data Service podkreśla, że dobre zarządzanie danymi zaczyna się jeszcze przed utworzeniem lub pozyskaniem danych, ponieważ wtedy można zawczasu określić role, ochronę, udostępnianie i zachowanie danych (UK Data Service, 2026). ([ukdataservice.ac.uk])

Przykład praktyczny: badanie pacjentów z bólem pooperacyjnym

Zespół planuje prospektywne badanie 300 pacjentów po zabiegach chirurgicznych. Głównym wynikiem ma być natężenie bólu po 24 godzinach, mierzone w skali NRS od 0 do 10. Dodatkowo zbierane będą: wiek, płeć, rodzaj zabiegu, dawki leków przeciwbólowych, czas do pierwszej mobilizacji i długość hospitalizacji.

W DMP zespół powinien ustalić, że:

• każdy uczestnik otrzyma kod badania, a lista łącząca kod z tożsamością będzie przechowywana oddzielnie;
• pomiar NRS będzie wykonywany w określonym przedziale czasowym, na przykład między 22. a 26. godziną po zabiegu;
• brak pomiaru będzie oznaczany odrębnym kodem od wartości „0”, ponieważ brak oceny nie oznacza braku bólu;
• dawki leków będą zapisywane w ujednoliconych jednostkach, na przykład w miligramach substancji czynnej;
• formularz elektroniczny będzie automatycznie sprawdzał zakres wieku, wartości NRS i kolejność dat;
• zmiany danych po weryfikacji będą wymagały krótkiego uzasadnienia;
• do analizy zostanie utworzony zamrożony, oznaczony numerem wersji zbiór, zgodny z zatwierdzonym planem analizy;
• po publikacji zostaną udostępnione metadane, słownik danych i odpowiednio zdeidentyfikowany zbiór, o ile pozwolą na to zgoda uczestników i zasady ochrony danych.

W tym przykładzie zarządzanie danymi wpływa bezpośrednio na interpretację wyniku. Gdyby część pielęgniarek zapisywała dawki w miligramach, a część w liczbie tabletek, porównanie ekspozycji byłoby obciążone błędem. Gdyby kod 99 oznaczał raz „brak pomiaru”, a innym razem „pacjent odmówił”, nie można byłoby poprawnie opisać kompletności danych ani zaplanować analizy braków.

Przykład z nauk społecznych: ankieta dotycząca wypalenia zawodowego

Badacz planuje internetowe badanie 2000 pielęgniarek dotyczące wypalenia zawodowego i zamiaru odejścia z pracy. W tym przypadku szczególne znaczenie ma ryzyko identyfikacji pośredniej. Kombinacja małego miejsca pracy, wieku, stażu i stanowiska może umożliwiać rozpoznanie osoby nawet wtedy, gdy usunięto imię i nazwisko.

Plan powinien zatem przewidywać ograniczenie szczegółowości publikowanych tabel, minimalizację zmiennych niepotrzebnych do celu badania, analizę ryzyka reidentyfikacji oraz przechowywanie danych kontaktowych oddzielnie od odpowiedzi ankietowych. Jeżeli wyniki będą publikowane dla małych podgrup, trzeba rozważyć łączenie kategorii lub raportowanie wyłącznie wartości zagregowanych.

Najczęstsze błędy

• Tworzenie planu po zakończeniu zbierania danych. Wtedy wiele decyzji, które powinny być zaplanowane prospektywnie, jest już nieodwracalnych.
• Przechowywanie jedynej kopii na komputerze badacza. Awaria, kradzież lub uszkodzenie dysku może zniszczyć wielomiesięczną pracę.
• Nadpisywanie danych surowych. Uniemożliwia sprawdzenie, jakie wartości znajdowały się w bazie przed korektą.
• Brak słownika danych. Po kilku miesiącach zespół może nie pamiętać znaczenia kodów, jednostek i wyjątków.
• Używanie wspólnego konta i hasła. Uniemożliwia przypisanie zmian do konkretnej osoby i zwiększa ryzyko nieuprawnionego dostępu.
• Traktowanie anonimizacji jako prostego usunięcia nazwiska. Dane mogą nadal umożliwiać identyfikację pośrednią.
• Mylenie kopii zapasowej z archiwizacją. Kopia chroni przed utratą, ale nie musi zapewniać metadanych, trwałego identyfikatora ani możliwości ponownego użycia.
• Brak budżetu na zarządzanie danymi. Czas personelu, bezpieczne serwery, transkrypcja, kuracja danych i repozytorium mogą generować rzeczywiste koszty.
• Udostępnianie danych bez sprawdzenia zgody i ograniczeń prawnych. Cel naukowy nie znosi obowiązku ochrony uczestników.

Co warto zapamiętać?

• Zarządzanie danymi planuje się przed rozpoczęciem badania, a nie dopiero przed publikacją.
• DMP powinien opisywać dane, role, formaty, słownik zmiennych, bezpieczeństwo, kontrolę jakości, udostępnianie i archiwizację.
• Dane surowe należy zachować, a przekształcenia dokumentować i — gdy to możliwe — wykonywać w sposób powtarzalny.
• Bezpieczeństwo danych obejmuje poufność, integralność i dostępność.
• FAIR nie oznacza bezwarunkowego ujawnienia danych osobowych; oznacza raczej możliwość ich znalezienia, kontrolowanego dostępu, zrozumienia i odpowiedzialnego ponownego użycia.
• Jakość danych jest częścią jakości badania, a nie wyłącznie zadaniem administratora bazy.
• Plan zarządzania danymi powinien być aktualizowany, gdy zmieniają się warunki projektu.

W kolejnym etapie projektowania warto sprawdzić, czy plan zarządzania danymi jest zgodny z protokołem, planem analizy statystycznej, formularzami świadomej zgody, wymaganiami komisji bioetycznej oraz polityką instytucji lub grantodawcy. Takie powiązanie dokumentów ogranicza ryzyko, że dane będą zbierane w sposób niezgodny z późniejszymi analizami albo niemożliwy do obrony metodologicznej.

Źródła i dalsza lektura

1. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., Gonzalez-Beltran, A., Gray, A. J. G., Groth, P., Goble, C., Grethe, J. S., Heringa, J., ’t Hoen, P. A. C., Hooft, R., Kuhn, T., Kok, R., Kok, J., Lusher, S. J., Martone, M. E., Mons, A., Packer, A. L., Persson, B., Rocca-Serra, P., Roos, M., van Schaik, R., Sansone, S.-A., Schultes, E., Sengstag, T., Slater, T., Strawn, G., Swertz, M. A., Thompson, M., van der Lei, J., van Mulligen, E., Velterop, J., Waagmeester, A., Wittenburg, P., Wolstencroft, K., Zhao, J., & Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18.
2. Michener, W. K. (2015). Ten Simple Rules for Creating a Good Data Management Plan. PLOS Computational Biology, 11(10), e1004525. DOI: 10.1371/journal.pcbi.1004525.
3. White, E. P., Baldridge, E., Brym, Z. T., Locey, K. J., McGlinn, D. J., & Supp, S. R. (2016). Nine simple ways to make it easier to reuse your data. Proceedings of the National Academy of Sciences of the United States of America, 113(39), 10420–10422. DOI: 10.1073/pnas.1612400113.
4. Baker, M. (2016). 1,500 scientists lift the lid on reproducibility. Nature, 533(7604), 452–454. DOI: 10.1038/533452a.
5. National Institutes of Health (2020). Final NIH Policy for Data Management and Sharing. National Institutes of Health, Office of the Director. Źródło.
6. UK Data Service (2026). Planning and governing research data. UK Data Service, University of Essex. Źródło.
7. International Committee of Medical Journal Editors (2026). Recommendations: Clinical Trials — Data Sharing Statements. International Committee of Medical Journal Editors. Źródło.