gms | German Medical Science

51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (gmds)

10. - 14.09.2006, Leipzig

Meta-analytische Methoden zur Kombination kontrollierter klinischer Studien mit ordinalem Response basierend auf dem „Random-Cut-Point-Modell“

Meeting Abstract

Search Medline for

  • Henning Henke - Universität Dortmund, Dortmund
  • Guido Knapp - Universität Dortmund, Dortmund

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (gmds). 51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. Leipzig, 10.-14.09.2006. Düsseldorf, Köln: German Medical Science; 2006. Doc06gmds249

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2006/06gmds146.shtml

Published: September 1, 2006

© 2006 Henke et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

In kontrollierten klinischen Studien mit ordinaler Zielgröße werden die einzelnen Studienergebnisse für die Patienten einer Kategorie C1, …, Cm, m > 2, zugeordnet, wobei die Kategorien geordnet sind von z.B. C1 = beste Kategorie bis Cm = 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 [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 [2], dass Funktionen, die von den Zellwahrscheinlichkeiten abhängen wie bspw. die Mann-Whitney-Statistilk U, ein verallgemeinertes Odds-Ratio oder eine verallgemeinerte Riskodifferenz [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 [4] und Hartung et al. [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.


Literatur

1.
Edwardes MD. Univariate random cut-points theory for the analysis of ordered categorical data. JASA. 1997;92:1114-23.
2.
Edwardes MD. Implications of random cut-points theory for the Mann-Whitney and binomial test. Can J Statist. 2000;28:427-38.
3.
Edwardes MD, Baltzan M. The generalization of the odds ratio, risk ratio and risk difference to r x k tables. Statist Med. 2000;19:1901-14.
4.
Hartung J, Knapp G. A refined method for the meta-analysis of controlled clinical trials with binary outcome. Statist Med. 2001;20:3875-89.
5.
Hartung J, Böckenhoff A, Knapp G. Generalized Cochran-Wald statistics in combining of experiments. JSPI. 2003;113:215-37.