gms | German Medical Science

In kontrollierten klinischen Studien mit ordinaler Zielgröße werden die einzelnen Studienergebnisse für die Patienten einer Kategorie C₁, …, C_m, m > 2, zugeordnet, wobei die Kategorien geordnet sind von z.B. C₁ = beste Kategorie bis C_m = schlechteste Kategorie. Es wird davon ausgegangen, dass die Realisationen in den Behandlungsgruppen jeweils einer latenten, stetigen Verteilung H _i , i=1, 2, mit demselben Träger und einer Grenzverteilung H entstammen, wobei H =wH ₁ +(1-w)H ₂ und w die Wahrscheinlichkeit für einen Response aus der ersten Behandlungsgruppe bezeichnet [Ref. 1].

Mit Hilfe von Cut-Points werden die Realistation einer Kategorie zugeordnet und innerhalb (2 x m)-Kontingenztafeln betrachtet. Ein Cut-Point ist dabei ein Element einer (m-1)-elementrigen Menge, welche den Träger in m zusammenhängende Intervalle aufteilt. Neben der Annahme fest vorgegebener Cut-Points können diese als Zufallsstichprobe vom Umfang m-1 einer Verteilung F, welche nicht unabhängig von H sein muss, angesehen werden. Dies hat zur Folge, dass die einzelnen Zellwahrscheinlichkeiten selbst zufällig sind. Ist eine Funktion G bekannt für die gilt F=G(H) zeigt Edwardes [Ref. 2], dass Funktionen, die von den Zellwahrscheinlichkeiten abhängen wie bspw. die Mann-Whitney-Statistilk U, ein verallgemeinertes Odds-Ratio oder eine verallgemeinerte Riskodifferenz [Ref. 3], ebenfalls bekannt sind. Die Anpassung von G kann anhand des Datenmaterials mit Hilfe des Anderson-Darling-Test überprüft werden. Für G wird genau die Funktion gewählt, welche unter allen gültigen Funktion den größten p-Wert liefert. Da keinerlei Annahmen über die Verteilungen getroffen werden, ist dieser Ansatz als nichtparametrisch anzusehen und hiermit werden mit Hilfe der entsprechnenden Testverfahren in der Regel kleinere p-Werte als unter dem Modell mit fester Kategorieeinteilung erhalten.

In diesem Vortrag werden sowohl die herkömmlichen als auch die auf dem Random-Cut-Points-Modell basierenden Auswertungsmöglichkeiten betrachtet und anschließend in die Meta-Analyse übertragen. Neben der Inversen-Normal-Methode, die auf der Verknüpfung von p-Werten beruht, werden Kombinationsmethoden präsentiert, wie sie etwa. in Hartung und Knapp [Ref. 4] und Hartung et al. [Ref. 5] beschrieben werden sind.

Insgesamt ist es auch nicht zwingend, dass in allen Studien dieselbe Kategorisierung der Responsevariablen vorgenommen wird, d.h. sowohl die Art als auch die Anzahl der Cut-Points darf variieren.

Die vorgestellten Verfahren werden durch reale Datenbeispiele illustriert und darüber hinaus anhand von einigen Simulationsergebnissen verglichen.