gms | German Medical Science

Kongress Medizin und Gesellschaft 2007

17. bis 21.09.2007, Augsburg

Zur Schätzung von relativen Risiken aus Daten von Prävalenzstudien

Meeting Abstract

Suche in Medline nach

  • Ekkehart Dietz - Institut für Biometrie und Klinische Epidemiologie der Charite Berlin, Berlin
  • Ramona Scheufele - Institut für Biometrie und Klinische Epidemiologie der Charite Berlin, Berlin
  • Dankmar Böhning - School of Biological Sciences, Universita of Reading, Reading UK

Kongress Medizin und Gesellschaft 2007. Augsburg, 17.-21.09.2007. Düsseldorf: German Medical Science GMS Publishing House; 2007. Doc07gmds067

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2007/07gmds067.shtml

Veröffentlicht: 6. September 2007

© 2007 Dietz 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: Manchmal müssen Prävalenzstudien in der Krankheitsursachenforschung herangezogen werden. Diese erlauben es nicht, auf direktem Wege relative Risiken zu schätzen. Rechentechnisch elegant lässt sich das durch eine logistische Regressionsanalyse realisieren, bei der für jeden Probanden die logarithmierte erwartete Krankheitsdauer als Offset in den linearen Prediktor aufgenommen wird. Damit wird dem Umstand Rechnung getragen, dass nicht nur die Erkrankungsrisiken inhomogen sind und von Einflussvariablen abhängen können sondern auch die Krankheitsdauerverteilung. Da man die jeweils erwartete Krankheitsdauer jedoch nicht kennt, muss man sie durch geeignete Schätzungen ersetzen, welche man z.B. aus einer Kohortenstudie von inzidenten Erkrankungsfällen mittels einer geeigneten Überlebenszeitanalysemethode gewinnt. In diesem Vortrag geht es jedoch um eine Analysemethode, die auf eine zusätzliche Fallkohortenstudie verzichtet. Es muss aber vorausgesetzt werden, dass man die bisherige Krankheitsdauer der prävalenten Fälle kennt.

Methode und Daten: Die hier vorgeschlagene Methode beruht auf zwei Modellanpassungen:

1. Es wird ein binäres logistisches Modell an die Indikatorvariable für die untersuchte Erkrankung angepasst. 2. Es wird ein akzeleriertes Überlebenszeitmodell an die Krankheitsdauerdaten angepasst, wobei die gleichen Kovariablen, wie bei der logistischen Regressionsanalyse berücksichtigt werden. Die Differenz der Koeffizienten einer Kovariablen aus den beiden Modellanpassungen ist dann unter Stabilitätsannahmen das logarithmierte Relative Risiko. Außerdem lassen sich aus den Standardfehlern der jeweiligen Schätzungen der Regressionskoeffizienten Konfidenzintervallschätzungen ableiten.

Die Methode wird an den Daten des Saarländischen Krebsregisters überprüft. Als Studienfaktor wurde das Geschlecht betrachtet und als Kovariable stand das Alter zur Verfügung.

Ergebnisse und Diskussion: Für alle betrachteten Krebslokalisationen und Jahre erfolgte die Biaskorrektur in die richtige Richtung. Die hier vorgeschlagene Methode beruht wesentlich auf Stabilitätsannahmen, deren exakte Gültigkeit in einer realen Population zu Recht bezweifelt werden kann. Es wird deshalb in diesem Beitrag auch die Größe und die Richtung des „Bias der Bias-Korrektur“ diskutiert


Literatur

1.
Little JDC. A proof for queing formula: L=Lamda*W. Operations Research 1961; 9: 383-387.
2.
Cox DR, Miller HD. The Theory of Stochastic Processes. Chapman & Hall, 1965.
3.
Schaefer G, Englert H, Ahlers C, Roll S, Willich S, Beier K. Erectile disorder and quality of life – first results of the Berlin Male Study. Sexuologie 2003; 10: 50-60.
4.
Neyman J. Statistics: servant of all sciences. Science 1955; 122: 401-406
5.
Brookmeyer R, Quinn TC. Estimation of current human immunodeficiency virus incidence rates from cross-sectional survey using early diagnostic tests. AJE 1995; 141(2): 166-172