Artikel
Auswertungsmethoden für Frailty-Modelle im Vergleich
Suche in Medline nach
Autoren
Veröffentlicht: | 2. September 2009 |
---|
Gliederung
Text
Einleitung: Bei der Lebensdaueranalyse werden Beobachtungseinheiten über ein bestimmtes, vorher festgelegtes Zeitintervall hinweg auf ihren Zustand untersucht. Von besonderem Interesse ist der Wechsel von einem Ausgangszustand in den Endzustand, sowie der Zeitpunkt des Überganges.
Material und Methoden: Hier werden Methoden besprochen, die der Auswertung von klinischen Studien dienen. Dabei ist die Cox-Regression ein wichtiges Mittel zur Analyse und Prüfung von Risikofaktoren und beschreibt die beobachteten Ereigniszeiten. Eine Erweiterung des Cox-Modells ist das Shared-Frailty-Modell. Dieses Modell kann zur Analyse geclusterter Daten verwendet werden. Man geht davon aus, dass alle Individuen eines Clusters die gleiche Frailty Z (Anfälligkeit) aufweisen. Als Anwendungsbeispiel für die Auswertungsmethoden diente die Halluca-Studie. Eine prospektive populationsbasierte Studie, in die 1696 Lungenkrebspatienten eingeschlossen wurden. Untersucht wurde die Zeit bis zum Eintreten des Todes.
Zur Auswertung solcher Daten stehen verschiedene Softwarepakete zur Verfügung. Im Vordergrund stehen hier SAS und R. Um die zwei Softwarepakete miteinander zu vergleichen, werden in SAS Simulationsdaten erzeugt, welche in ihrer Form den Halluca-Daten ähneln. Diese Daten werden in SAS mittels PROC LIFETEST und dem Makro SPGAM (Vu und Knuiman [1]) und in R mit den Prozeduren COXPH und PHMM (Vaida [2]) analysiert. Die erhaltenen Ergebnisse werden anschließend miteinander verglichen.
Ergebnisse: Beide Pakete liefern eine gute Schätzung für die Kovariablen. Abweichungen entstehen lediglich bei der Schätzung der Frailty-Varianz.
Diskussion/Schlussfolgerungen: Durch die Gegenüberstellung dieser etablierten Pakete soll ein Überblick über die einzelnen Auswertungsmöglichkeiten und ihre Qualität geschaffen werden.
Literatur
- 1.
- Vu HT, Knuiman MW. Asymptotic and small sample statistical properties of random frailty variance estimates for shared gamma frailty models. Comput Stat Simulation Comput. 2001;3:581-95.
- 2.
- Vaida F, Xu R. Proportional hazards model with random effects. Statist Med. 2000;19:3309-24.
- 3.
- Klein JP. Semiparametric Estimation of Random Effects Using the Cox Model Based on the EM Algorithm. Biometrics. 1992;48:795-806.