gms | German Medical Science

Einleitung und Fragestellung: Die Beurteilung der Wirksamkeit der Behandlung in longitudinalen Beobachtungsstudien ist mit einigen analytischen Herausforderungen verbunden. Diese beinhalten die Notwendigkeit der adäquaten Berücksichtigung der fehlenden Daten, des Selektionsbias und des Therapiewechsels. Besonderes Augenmerk muss dabei der Frage des Selektionsbias gewidmet werden, da die Behandlungsgruppen nicht durch Randomisierung gebildet wurden und sich oft in Bezug auf andere Merkmale als der Gruppenzugehörigkeit unterscheiden. Solche Behandlungsgruppen sind ohne entsprechende Annahmen und Adjustierung nicht direkt miteinander vergleichbar. Eng verbunden mit dem Selektionsbias ist auch die Möglichkeit des Therapiewechsels über die Zeit. Hierbei können Patienten jederzeit ihre Therapie wechseln, beenden, verändern (Kombinationstherapie) oder auf andere Weise nicht adhärent sein. Die korrekte bzw. angemessene Berücksichtigung des Therapiewechsels in statistischen Analysen ist schwierig, da oft die Entscheidung für einen Therapiewechsel von stochastischen und zeitveränderlichen Faktoren abhängt, die zwischen den einzelnen Behandlungen variieren können.

Ziel des Beitrags ist es anhand von anonymisierten Routinedaten der gesetzlichen Krankenversicherung (GKV) und am Beispiel der Therapieoptionen und deren Outcomes von Vorhofflimmern, eine statistische Methodik zu präsentieren mit der sich konsistente Ergebnisse erzielen lassen.

Material und Methoden: Die statistischen Ansätze zur Auswertung von Beobachtungsdaten lassen sich generell in drei Gruppen zusammenfassen: Ansätze, die einen Therapiewechsel ignorieren, Ansätze, die versuchen einen Therapiewechsel zu „eliminieren“ und Ansätze, die den Therapiewechsel direkt modellieren. Der Fokus dieses Beitrags liegt in den Ansätzen, die den Therapiewechsel zu eliminieren (Nur initiale Exposition berücksichtigen – „as treated“) oder direkt zu modellieren, wobei speziell auf die marginalen strukturellen Modelle (MSM) eingegangen wird.

Marginale Strukturmodelle (MSM), zusammen mit der Methode der Inverse Probability Treatment Weighting (IPWT), sind eine statistische Methode zur Untersuchung kausaler Effekte bei zeitvariierenden Behandlungen oder Expositionen in Längsschnittstudien. Die Durchführung einer MSM-Analyse ist ein zweistufiger Prozess. Auf der ersten Stufe werden für jede Beobachtung zeitveränderliche Gewichte geschätzt. Diese Gewichte basieren auf der Wahrscheinlichkeit eine bestimmte Behandlung zu einem bestimmten Zeitpunkt zu bekommen, bedingt auf Behandlung und die Kovariaten bis zur aktuellen Behandlung. Auf der zweiten Stufe wird dann eine gewichtete Modellanalyse mit verallgemeinerten Schätzgleichungen durchgeführt.

Um den Unterschied gegenüber den anderen Methoden, die den Therapiewechsel ignorieren oder eliminieren, zu zeigen, wurden auch „intention to treat“ (ITT) Ansatz und „as treated“ (AT) Ansatz betrachtet.

Ergebnisse: Unsere Ergebnisse zeigen, dass die adäquate Berücksichtigung des Therapiewechsels Vorteile hat gegenüber Methoden, die einen Therapiewechsel ignorieren oder eliminieren. Dieser Vorteil ist umso ausgeprägter je größer der Anteil der Therapiewechsler ist.