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

Simulationsmodell zur Unterstützung der Risikokommunikation in der Krebsepidemiologie

Meeting Abstract (gmds2004)

Suche in Medline nach

  • corresponding author presenting/speaker Anja Daugs - Bevölkerungsbezogenes Krebsregister Bayern - Registerstelle, Erlangen, Deutschland
  • Martin Radespiel-Tröger - Bevölkerungsbezogenes Krebsregister Bayern - Registerstelle, Erlangen, Deutschland
  • Martin Meyer - Bevölkerungsbezogenes Krebsregister Bayern - Registerstelle, Erlangen, 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. Doc04gmds158

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2004/04gmds158.shtml

Veröffentlicht: 14. September 2004

© 2004 Daugs 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

Krebsregister erhalten regelmäßig Anfragen zu vermuteten regionalen Häufungen von Krebserkrankungen. Häufig ist es schwierig, der beunruhigten Bevölkerung zu erklären, dass die Beobachtungen nicht auf eine gemeinsame Exposition gegenüber einem Karzinogen zurückzuführen sind, sondern im Rahmen von Zufallsschwankungen auftreten können. In der Öffentlichkeit lösen derartige Erklärungen nicht selten Zweifel an der Richtigkeit der Aussagen und ein Gefühl des nicht Ernstnehmens der geäußerten Ängste aus [1]. Ein Grund hierfür ist im unterschiedlichen Einschätzungs- und Bewertungsprozess von Risiken durch Experten und Laien zu sehen. Während sich Krebsepidemiologen auf objektiv-statistische Informationen berufen, definieren Laien Risiko vor allem über die Anzahl der betroffenen Personen, wobei Ereignisse wie Erkrankungen, mit denen man selbst oder jemand im unmittelbaren sozialen Umfeld betroffen ist, häufig übergeneralisiert werden [2].

Da Krebserkrankungen besonders im höheren Alter auftreten, hat aufgrund des demographischen Wandels die absolute Anzahl an Krebsfällen in den letzten Jahren zugenommen, obwohl die altersstandardisierten Neuerkrankungsraten nahezu unverändert geblieben sind. Gerade in kleineren Gemeinden erscheint dieser altersbedingte Anstieg von beobachteten Krebsfällen subjektiv eher auffällig als in anonymeren Großstädten.

Um grundlegende statistisch-epidemiologische Methoden, mit denen das Auftreten von Krebserkrankungen erfasst und überwacht wird, in laienverständlicher Form vermitteln und das Ausmaß von Zufallsschwankungen und demographischen Veränderungen verdeutlichen zu können, haben wir in R [3] ein Softwaretool zur kleinräumigen Simulation des Krebsgeschehens implementiert.

Methoden

Das Softwaretool simuliert über den Zeitraum von 50 Jahren eine kleine Ortschaft mit farblicher Visualisierung von Häusern, Straßenzügen und Individuen [Abb. 1]. Um realistische Simulationsergebnisse zu erhalten, wurde das Modell soweit verfügbar anhand veröffentlichter Daten zur Altersstruktur der Bevölkerung, zur Geburtenrate, zur Krebsinzidenz sowie -mortalität und zur Gesamtmortalität parametriert. Wenige Simulationsparameter, zu denen keine Publikationen vorlagen, wurden empirisch ermittelt, indem analog zu [4] die Parameterwerte systematisch geändert wurden, bis die Ergebnisse im Einklang zur Bevölkerungsentwicklung standen. Die Validierung des Modells erfolgte anhand veröffentlichter Daten zur Morbidität und Mortalität des Robert-Koch-Instituts und des Statistischen Bundesamtes.

Um möglichst genau auf die Anfragen aus der Bevölkerung eingehen und die Auswirkungen des demographischen Wandels auf die Zahl der beobachtbaren Krebserkrankungen veranschaulichen zu können, beinhaltet das Programm die Möglichkeit, bestimmte Simulationsparameter situationsspezifisch einzustellen.

Longitudinale Veränderungen im Bevölkerungsumfang, dem mittleren Bevölkerungsalter, der Geburtenrate, der Inzidenz einschließlich des mittleren Erkrankungsalters, der Prävalenz und dem mittleren Alter der Erkrankten, der Krebsmortalität sowie der nichtkrebsbezogenen Mortalität - jeweils mit mittlerem Sterbealter und 5-Jahres-Kaplan-Meier-Überlebenswahrscheinlichkeiten für Krebspatienten werden anhand numerischer Graphen verdeutlicht.

Ergebnisse

Unser Softwaretool kann effektiv bei Informationsveranstaltungen eingesetzt werden, um interessierten Laien grundlegende statistisch-epidemiologische Konzepte auf anschauliche Weise zu vermitteln und den Einfluss von Zufallsschwankungen sowie von Veränderungen in der Altersstruktur der Bevölkerung auf die Zahl der zu beobachtenden Krebsfälle zu verdeutlichen. Insbesondere lässt sich die große Schwankungsbreite der Prävalenz bei gleich bleibender Inzidenz darlegen.

Diskussion

Die Simulation einer Ortschaft mit Straßenzügen, Häusern und Individuen zur Verdeutlichung des Risikos, an Krebs zu erkranken oder zu versterben, entspricht eher dem Einschätzungs- und Bewertungsprozess von Risiken durch Laien als die Gegenüberstellung von beobachteten und erwarteten Fallzahlen. Dabei sollte jedoch bedacht werden, dass sich unsere Simulation nur auf einige wenige Parameter stützt, mit denen nicht die Komplexität einer multifaktoriell bestimmten Ätiologie abgebildet werden kann. Ergibt die statistische Einschätzung der Situation jedoch keinen Hinweis auf ein erhöhtes Erkrankungs- oder Sterberisiko in einer Region, so kann unser Simulationsprogramm die Kommunikation der Ergebnisse unterstützen.


Literatur

1.
Zöllner I. Probleme und Möglichkeiten kleinräumiger Untersuchungen zu seltenen Erkrankungen. In: Manikowsky v. S, Baumgardt-Elms C, Schümann M, Haartja U, Hrsg. Methoden regionalisierter Beschreibung und Analyse von Krebsregisterdaten, Symposium in Hamburg 1996. Bremen: Edition Temmen; 1997: 36-43.
2.
Leppin A. Informationen über persönliche Gefährdungen als Strategien der Gesundheitskommunikation: Verständigung mit Risiken und Nebenwirkungen. In: Hurrelmann K, Leppin A, Hrsg. Moderne Gesundheitskommunikation: vom Aufklärungsgespräch zur E-Health. Bern: Huber; 2001: 107-27.
3.
Ihaka R, Gentleman R. R: A Language for Data Analysis and Graphics. J Comput Graph Stat 1996; 5: 299-314.
4.
Carter KJ, Castro F, Kessler E, Erickson B. A Computer Model for the Study of Breast Cancer. Comput Biol Med 2003; 33 (4): 345-60.