gms | German Medical Science

Einleitung und Fragestellung: Dynamic Prediction by Landmarking ist ein verhältnismäßig neuer Ansatz (van Houwelingen 2007 [1]), der an einem Beispiel aus der chronisch myeloischen Leukämie (CML) illustriert werden soll. Patienten durchlaufen dabei nacheinander 4 verschiedene Remissionszustände. Untersucht wurde, zu welchem Zeitpunkt das Nichterreichen dieser Remissionszustände das Risiko einer Progression der Erkrankung bestmöglich vorhersagt. Darüber hinaus wurde analysiert, inwiefern die Wahl der Landmarkzeitpunkte und der Glättungsfunktion der Regressionskoeffizienten die Vorhersage beeinflussten.

Material und Methoden: In die Analyse gingen Daten von 1302 Patienten aus der deutschen CML Studie IV mit einer medianen Beobachtungszeit von 68 Monaten ein. Zu den verschiedenen Landmark-Zeitpunkten wurde jeweils ein Cox-Modell geschätzt, wobei davon ausgegangen wurde, dass die Regressionskoeffizienten über eine Glättungsfunktion des Landmark-Zeitpunktes voneinander abhängen. Diese Glättungsfunktion wurde ebenso wie die Anzahl der Landmark-Zeitpunkte variiert. Als optimaler Vorhersagepunkt, wurde jeweils der Zeitpunkt definiert, an dem die Kurve der Regressionskoeffizienten im gewählten Modell ihr Minimum erreichte. Alle Berechnungen wurden in R durchgeführt.

Ergebnisse: Es wurden Landmark-Zeitpunkte zwischen 12 und 60 Monaten nach Diagnose untersucht. Eine höhere Anzahl an Landmark-Zeitpunkten in diesem Intervall verbesserte die Prädiktion nicht nennenswert. Als Beurteilungskriterium wurde die Wahrscheinlichkeit, ab dem Landmark-Zeitpunkt 4 Jahre progressionsfrei zu überleben, verwendet. Es ließen sich gut interpretierbare Vorhersagezeitpunkte finden, die auch im klinischen Kontext sinnvoll erscheinen. Diese Zeitpunkte blieben auch stabil, wenn Kovariablen wie Alter oder Risikoscore in das Modell einbezogen wurden. Die besten Ergebnisse wurden mit kubischen Glättungsfunktionen β(t)=β0+β1t+β2t² +β3t3 erzielt, ähnlich gute mit quadratischen Glättungsfunktionen. Mit linearen Glättungsfunktionen wurde eine deutlich schlechtere Anpassung erreicht. Auf die gleiche Weise wurden die Baseline-Hazards modelliert.

Diskussion: Die geschätzten Regressionskoeffizienten und Überlebenswahrscheinlichkeiten im gezeigten Beispiel blieben stabil, unabhängig von der Wahl der Glättungsfunktion und der Anzahl der Landmark-Zeitpunkte. Dynamic Prediction by Landmarking stellt daher eine gut interpretierbare Alternative zu Multi-State-Modellen dar, erlaubt jedoch im Gegensatz zu diesen keine Modellierung der Remissionswahrscheinlichkeiten.