gms | German Medical Science

49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)
19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI)
Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie
Schweizerische Gesellschaft für Medizinische Informatik (SGMI)

26. bis 30.09.2004, Innsbruck/Tirol

Prävalenzänderungen des Rauchverhaltens bei verschiedenem Rekrutierungsaufwand und bei Nichtteilnehmern

Meeting Abstract (gmds2004)

  • corresponding author presenting/speaker Astrid Feuersenger - Institut für Medizinische Informatik Biometrie und Epidemiologie, Universitätsklinikum Essen, Essen, Deutschland
  • Andreas Stang - Institut für Medizinische Informatik Biometrie und Epidemiologie, Universitätsklinikum Essen, Essen, Deutschland
  • Susanne Moebus - Institut für Medizinische Informatik Biometrie und Epidemiologie, Universitätsklinikum Essen, Essen, Deutschland
  • A. Schmermund - Abteilung für Kardiologie, Universitätsklinikum Essen, Essen, Deutschland
  • R. Erbel - Abteilung für Kardiologie, Universitätsklinikum Essen, Essen, Deutschland
  • Karl-Heinz Jöckel - Institut für Medizinische Informatik Biometrie und Epidemiologie, Universitätsklinikum Essen, Essen, Deutschland

Kooperative Versorgung - Vernetzte Forschung - Ubiquitäre Information. 49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI) und Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI) der Österreichischen Computer Gesellschaft (OCG) und der Österreichischen Gesellschaft für Biomedizinische Technik (ÖGBMT). Innsbruck, 26.-30.09.2004. Düsseldorf, Köln: German Medical Science; 2004. Doc04gmds152

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2004/04gmds152.shtml

Veröffentlicht: 14. September 2004

© 2004 Feuersenger et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung

In epidemiologischen Studien ist es nahezu unmöglich, Daten der gesamten Studienpopulation zu erheben. Kommt es im Gegensatz zu einem rein zufälligen Fehlen zu einem systematischen Ausfall von Angaben, besteht die Gefahr eines Nonresponse-Bias [1]. Um bei einer Studie nicht nur Spontanresponder einzuschließen und somit die Gefahr einer Verzerrung durch systematische Nichtteilnahme zu verringern, wird ein hoher Aufwand betrieben, um möglichst viele Probanden zur Teilnahme zu motivieren. Dies bedeutet allerdings nicht, dass der Bias um so niedriger sein muss, je höher der Response ist [2]. Daraus ergibt sich die Frage, wie sich Teilnehmer mit unterschiedlichem Rekrutierungsaufwand hinsichtlich Exposition voneinander unterscheiden. Anhand des Rauchverhaltens haben wir untersucht, wie sich die Prävalenzen bei unterschiedlichem Rekrutierungsaufwand ändern. Wir führten einen Vergleich mit der Prävalenz der Nichtteilnehmer, die einen Kurzfragebogen ausgefüllt haben, durch.

Methoden

Die Teilnehmer der Heinz Nixdorf Recall Studie (N = 4814, [3]) werden entsprechend ihres bis zur Teilnahme benötigten Rekrutierungsaufwandes in 4 Gruppen (= Wellen) eingeteilt. Die Welle stellt ein Maß für die Intensität der Rekrutierungsaufwandes (1. Welle = niedrigster Aufwand, 4. Welle = höchster Aufwand) dar. Die relevanten Größen bei der Welleneinteilung sind die Anzahl der Probandentelefongespräche, Anschreiben, Proxi-Telefongespräche sowie Anrufbeantwortermitteilungen. Probanden, die keine Angabe zum Rauchverhalten aufwiesen, wurden aus der Analyse ausgeschlossen (Teilnehmer: N=4803, Nichtteilnehmer mit Kurzfragebogen: N=1277). Berechnet wurden Prävalenzen und Odds Ratios (= ORs) mit 95% Konfidenzintervallen (= KIs).

Ergebnisse

Tabelle 1 [Tab. 1] zeigt für jedes Rauchverhalten aufgeteilt in Wellen und Nichtteilnehmer mit Kurzfragebogen die absoluten Zahlen sowie die Prävalenzen mit 95% KIs. In Tabelle 2 [Tab. 2] sind für jedes Rauchverhalten die ORs mit 95% KIs (Wald), die mittels logistischer Regression berechnet wurden, aufgelistet. Bei dem Wellenvergleich stellt die 4. Welle, bei dem Vergleich zwischen Wellen und Nichtteilnehmern stellen die Nichtteilnehmer die Referenz dar.

Um vermehrt Raucher in die Studie einzuschließen ist die 4. Welle und somit ein hoher Rekrutierungsaufwand erforderlich. Die Prävalenz der Nichtraucher ist unabhängig vom Rekrutierungsaufwand. Die Prävalenz der Exraucher ist bei Spontanrespondern (= 1. Welle) höher als bei Teilnehmern mit hohem Rekrutierungsaufwand.

Diskussion/Schlussfolgerung

Entsprechende des Artikels von Siemiatycki [4] bestätigt unsere Studie, dass Teilnehmer, die erst nach hohem Rekrutierungsaufwand teilnehmen, eher Raucher sind als Spontanresponder. Armstrong [5] legt dar, dass sich unter den Nichtteilnehmern vermehrt Raucher befinden. So pauschal kann dies in unserer Studie nicht bestätigt werden. Die Vergleiche der Raucherprävalenzen sind abhängig vom Rekrutierungsaufwand..


Literatur

1.
Kreienbrock L, Schach S. Epidemiologische Methoden. Heidelberg Berlin: Spektrum Akademischer Verlag; 2000
2.
Stang A, Jöckel K-H. Studies with low response proportions may be less biases than studies with high response proportions. Am J Epidemiol 2004; 159 (2):204-210
3.
Schmermund A, Möhlenkamp S, Stang A et al. Assessment of clinically silent atherosclerotic disease and established and novel risk factors for predicting myocardial infarction and cardiac death in healthy middle-aged subjects: rationale and design of the Heinz Nixdorf Recall Study. Am Heart J 2002;144:212-218
4.
Siemiatycki J, Campbell S. Nonresponse bias and early versus all responders in mail and telephone surveys. Am J Epidemiol 1984; 120 (2):291-301
5.
Armstrong B, White E, Saracci R. Principles of exposure measurement in Epidemiology. Oxford: Oxford University Press; 1995