gms | German Medical Science

Einleitung: Bei einer binären Zielgröße sind die Risikodifferenz (RD) und deren Kehrwert, das NNE (number needed to be exposed), anschauliche Maße für den Vergleich der Risiken zwischen Exponierten und Nicht-Exponierten. Für die Schätzung von RDs unter Berücksichtigung von Kovariablen ist die logistische Regression nicht direkt anwendbar, da sie nicht linear in den Risiken ist. Daher wurde ein generalisiertes lineares Modell (GLM) mit binomialverteilter Zielgröße, identischer Linkfunktion und Nebenbedingungen für die Zielgröße vorgeschlagen (Linear Probability Model, LPM) [Ref. 1]. Ein neuerer Ansatz ist der Average Risk Difference Approach (ARDA) [Ref. 2], bei dem basierend auf einer logistischen Regression der Mittelwert der zu erwartenden RD in einer Gruppe bestimmt wird. In einer früheren Simulationsstudie [Ref. 3] hatte sich der ARDA als überlegen gegenüber dem LPM erwiesen. Des weiteren hatte sich das klassische lineare Modell (LM) bei gleicher Kovariablen-Verteilung in den beiden Gruppen (Non-Confounding) dort als etwa gleichwertig gegenüber dem ARDA herausgestellt. Bei Confounding und simuliertem logistischen Zusammenhang ergeben sich jedoch unterschiedliche wahre NNEs für Exponierte und Nicht-Exponierte. Das ARDA hatte hier Vorteile, da es unterschiedliche NNEs schätzt. Um auch im LM unterschiedliche NNEs schätzen zu können, bietet sich die Einführung von Interaktionen zwischen Expositionsstatus und Kovariable an.

Methoden: Es wurde eine Simulationsstudie mit logistischem Zusammenhang zwischen Einflussgrößen und binärer Zielgröße durchgeführt. Dabei wurde das um Interaktionen erweiterte LM mit dem ARDA verglichen.

Ergebnisse: In den Confounding-Situationen hatte das ARDA Überdeckungswahrscheinlichkeiten von 92,8 bis 96,2%. Im LM ohne Interaktionen waren dies 50,6 bis 86,6%, mit Interaktionen 72,0 bis 88,8%. Durch den Einbezug von Interaktionen ergaben sich hier also leichte Verbesserungen. Beim relativen Bias zeigten sich bezogen auf die RD ebenfalls Verbesserungen, bezogen auf das NNE jedoch nicht.

Diskussion: Der Einbezug von Interaktionen in das LM hat dieses leicht verbessert, aber es bleibt dem ARDA unterlegen. Weitere Verbesserungsmöglichkeiten könnten in Transformationen der Kovariablen liegen, z.B. durch fraktionale Polynome.