gms | German Medical Science

51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (gmds)

10. - 14.09.2006, Leipzig

Lernkurven in der Chirurgie

Meeting Abstract

Suche in Medline nach

  • Martina Mittlböck - Medizinische Universität Wien, Wien
  • Ernst Eigenbauer - Medizinische Universität Wien, Wien
  • Harald Heinzl - Medizinische Universität Wien, Wien

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (gmds). 51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. Leipzig, 10.-14.09.2006. Düsseldorf, Köln: German Medical Science; 2006. Doc06gmds258

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2006/06gmds126.shtml

Veröffentlicht: 1. September 2006

© 2006 Mittlböck 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

Einführung neuer chirurgischer Methoden ist naturgemäß mit Verbesserungen in der technischen Ausführung über die Zeit zu rechnen. Man spricht von der „chirurgischen Lernkurve“. Randomisierte kontrollierte Studien zum Vergleich von chirurgischen Techniken dürfen mögliche Lernkurveneffekte nicht außer Acht lassen. Traditionell wird bei chirurgischen Vergleichstudien entweder intensives Training und Supervision für die teilnehmenden Chirurgen angeboten, oder man verlangt von ihnen eine gewisse Mindestanzahl an bereits durchgeführten Operationen bzw. Trainingseinheiten. Die im Prinzip beste Möglichkeit wäre aber die statistische Beschreibung und Kontrolle von Lernkurveneffekten [1]. Für die praktische Anwendung ist allerdings die Erfüllung einer Reihe von Voraussetzungen unabdingbar.

Ethische Standards sind immer einzuhalten. Auch die statistische Behandlung von Lernkurveneffekten im Rahmen einer Studie darf niemals dazu führen, das chirurgische Basistraining (am Tier, an der Attrappe) zu verkürzen.

Das Messen des Lernens selbst ist per se schwierig und wird im Allgemeinen durch Surrogate ersetzt. Das Ergebnis beim Patienten (z.B. Komplikationen, Überleben) oder Maßzahlen für den chirurgischen Verlauf (z.B. Blutverlust, Operationsdauer) finden Verwendung. Dabei darf auf mögliche Confoundingeffekte nicht vergessen werden, die durch unterschiedliche Konstitutionen der Patienten oder durch das klinische bzw. organisatorische Umfeld verursacht werden können. Es ist unbestritten, dass die individuelle Lernkurve eines Chirurgen nicht nur von seinen individuellen Fähigkeiten, sondern auch von diesen Faktoren abhängt.

Die gemeinhin antizipierte Lernkurve hat eine zu Beginn steile, mit Fortdauer der Zeit gegen eine Asymptote strebende Form. Die Gültigkeit dieser Form sollte insbesondere bei Anwendung parametrischer Modelle immer kritisch hinterfragt werden. So wäre es z.B. durchaus denkbar, dass der Blutverlust mit steigender Erfahrung des Chirurgen sogar zeitweilig ansteigt, sobald dieser nämlich die ängstliche Sorgfalt des Anfängers überwunden, aber noch nicht die Perfektion des Routiniers erreicht hat.

Die angewendeten statistischen Techniken für die Analyse von chirurgische Lernkurven sind zumeist von einfacherer Natur. Techniken der explorativen Datenanalyse bis hin zu CUSUM Charts finden Verwendung; ebenso einfache statistische Tests, multiple Regressionsmodelle und Repeated-Measures-Varianzanalysen. Die Anwendung komplexerer statistischer Techniken, wie Diskriminanzanalysen, GEE, mehrstufige Modelle, ARIMA, stochastische Parametermodelle, usw., beschränkt sich derzeit zumeist auf nichtmedizinische Lernkurvenprobleme [2]. Durch die hierarchische Struktur des chirurgischen Lernens (OP-Techniken sind innerhalb der Chirurgen genestet) und durch die Notwendigkeit, nach diversen Kovariablen zu adjustieren, sollten in Zukunft hierarchische statistische Modelle auch bei chirurgischen Lernkurvenproblemen in Betracht gezogen werden [1].

Abschliessend sei noch auf den gesteigerten Dokumentationsaufwand verwiesen, der naturgemäß bei allen Studien auftritt, die sich explizit mit der statistischen Beschreibung und Kontrolle von chirurgischen Lernkurven befassen.


Literatur

1.
Cook JA, Ramsay CR, Fayers P. Statistical Evaluation of Learning Curve Effects in Surgical Trials. Clinical Trials 2004; 1: 421-427.
2.
Ramsay CR, Grant AM, Wallace SA, Garthwaite PH, Monk AF, Russell IT. Statistical Assessment of the Learning Curves of Health Technologies. Health Technology Assessment 2001; 5(12): 1-79.