gms | German Medical Science

53. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

15. bis 18.09.2008, Stuttgart

Diagnose von Herzerkrankungen – Anwendung und Vergleich verschiedener Modellansätze

Meeting Abstract

  • Jens Dreyhaupt - Institut für Biometrie, Universität Ulm, Ulm, Deutschland
  • Siegfried Wieshammer - Pneumologisch-Thoraxchirurgisches Zentrum, Klinikum Offenburg, Offenburg, Deutschland
  • Beate Basler - Medizinische Klinik II, Klinikum Offenburg, Offenburg, Deutschland
  • Rainer Muche - Institut für Biometrie, Universität Ulm, Ulm, Deutschland

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 53. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Stuttgart, 15.-19.09.2008. Düsseldorf: German Medical Science GMS Publishing House; 2008. DocMBIO3-3

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2008/08gmds060.shtml

Published: September 10, 2008

© 2008 Dreyhaupt et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung und Fragestellung

Das Erkennen von Herzerkrankungen ist relevant für den Pneumologen, da bei vielen Patienten mit Atemnot eine kardiale Ursache besteht. Für die vorliegende Arbeit wurden kardiale Erkrankungen in drei Klassen eingeteilt und der Einfluss mehrerer Kovariablen auf die Prognose des Risikos untersucht. Eine derartige Untersuchung des Einflusses mehrerer Kovariablen auf eine kategoriale Zielgröße mit ordinaler Struktur kann bei Vorliegen der Modellvoraussetzungen mit einem proportional odds Modell erfolgen. Bei Verletzung der Modellvoraussetzungen sollten alternative Modellansätze verwendet werden, z.B. Multinomiale Logit Modelle, was jedoch verbunden ist mit einem Powerverlust bei den Hypothesentests und einer weniger einfachen Interpretation der Modellparameter [1].

Beide Ansätze werden vergleichend dargestellt.

Material und Methoden

Grundlage sind Daten von 697 ambulanten Patienten, die mit Atemnot zur weiteren Klärung der Diagnose an das Pneumologisch-Thoraxchirurgische Zentrum, Klinikum Offenburg, überweisen wurden. Neben weiteren Variablen wurden bekannte prognostische Faktoren (Lebensalter, Geschlecht, BMI) erfasst und der NT-proBNP Spiegel im Blutserum bestimmt. Weiterhin wurde jeder Patient mittels elektrokardiographischer oder dopplerechokardiographischer Verfahren standardisiert auf das Vorliegen bestimmter Herzerkrankungen untersucht. Für die vorliegende Arbeit wurden die Patienten bezüglich einer vorliegenden Herzerkrankung in die folgenden drei Klassen unterteilt (aufsteigend mit zunehmenden Schweregrad):

Klasse 0:

  • keine Herzerkrankung

Klasse 1:

  • Echokardiographisch Wandhypertrophie des linken Ventrikels und normale systolische Pumpfunktion des linken Ventrikels oder
  • Zumindest leichtgradige Aortenklappenstenose, zumindest mittelgradige Aortenklappeninsuffizienz, zumindest mittelgradige Mitralklappeninsuffizienz, schwere Trikuspidalklappeninsuffizienz, Vorhofseptumdefekt oder Perikarderguss

Klasse 2:

  • Pulmonale Hypertonie (systolischer Spitzendruckgradient über der Trikuspidalklappe ≥ 35 mmHg) oder
  • Vorhofflimmern, Linksschenkelblock oder Belastungskoronarinsuffizienz bei angiographisch nachgewiesener koronarer Herzerkrankung oder
  • Echokardiographisch eingeschränkte systolische Funktion des linken Ventrikels.

Die mit dieser Klasseneinteilung erhaltene ordinale Variable ist die Zielgröße bei den beiden in der vorliegenden Arbeit verwendeten Modellen:

a) das Proportional odds Modell (POM)

b) multionomiales Logit Modell (MlogM).

Die Einflussgrößen sind in beiden Modellen Lebensalter (in Jahren), Geschlecht, BMI (in kg/m*m) und ln(BNP) (in pg/ml). Für das Modellfit der Modelle a) und b) sind die SAS- Prozeduren logistic und catmod verwendet worden (SAS-Version 9.1 unter WINDOWS, [2]).

Ergebnisse

Wir präsentieren Ergebnisse der beiden Modellfits und geben einen Vergleich der Modellansätze.

Diskussion

Sowohl das POM als auch das MlogM ist für die Analyse des Einflusses mehrerer Einflussgrößen auf eine ordinale Zielgröße geeignet. Die Interpretation der Regressionskoeffizienten ist jedoch verschieden. Falls die Modellvoraussetzungen des POM erfüllt sind, sollte das Proportional odds Modell wegen der einfacheren Interpretation und der größeren Güte bei den Hypothesentests bevorzugt werden. Sind die Modellvoraussetzungen des POM nicht erfüllt, können verschiedene alternative Verfahren angewendet werden [3].


Literatur

1.
Allison PD. Logistic Regression using the SAS System - Theory and Application.
2.
Gameroff MJ. Using the proportional Odds Model for Health-Related Outcomes: Why, When, and How with various SAS® Procedures. SUGI 30 Paper 205-30; 2005
3.
Bender R, Grouven U. Using Binary Logistic Regression Models for Ordinal Data with Non-proportional Odds. J Clin Epidemiol 1998; 51 (10): 809-816.