gms | German Medical Science

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

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

07. bis 10.09.2009, Essen

Ableitung von Nutzenbelegen für Interventionen in systematischen Übersichten bei unterschiedlichen Effekten zwischen 3 Subgruppen

Meeting Abstract

Search Medline for

  • Guido Skipka - IQWiG, Köln

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Essen, 07.-10.09.2009. Düsseldorf: German Medical Science GMS Publishing House; 2009. Doc09gmds108

DOI: 10.3205/09gmds108, URN: urn:nbn:de:0183-09gmds1081

Published: September 2, 2009

© 2009 Skipka.
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

Hintergrund: Im Rahmen von systematischen Übersichten zu klinischen Fragestellungen ist es üblich, mögliche Effektmodifikatoren, d. h. Variablen, die einen Behandlungseffekt beeinflussen, mittels Subgruppenanalysen zu untersuchen. Um eine Effektmodifikation zu belegen, bedarf es üblicherweise einer statistisch signifikanten Interaktion zwischen Behandlung und Effektmodifikator zum Niveau 0,05. Im Falle von 3 Subgruppen schließt sich bei einer belegten Interaktion die Frage an, ob sich bezüglich des Behandlungseffekts nur eine der Subgruppen von den beiden anderen unterscheidet oder ob alle 3 Subgruppen voneinander verschieden sind. Im 1. Fall können die Ergebnisse von 2 der Subgruppen zusammengefasst werden, um die Präzision der Effektschätzer zu erhöhen.

Methode: Wann Subgruppenergebnisse zusammengefasst werden können, kann mittels paarweiser Interaktionstests beantwortet werden. Unklar ist jedoch, welches Testniveau für die paarweisen Vergleiche angelegt werden sollte. Anhand theoretischer Szenarien werden die p-Werte der paarweisen Interaktionstests berechnet, um einen Algorithmus zur Ableitung von Nutzenbelegen für Interventionen bei unterschiedlichen Effekten zwischen den Subgruppen zu entwickeln.

Ergebnis: Bei paarweisen Interaktionstests zu dem in der Medizin üblichen Niveau 0,05 wird häufig die folgende, schwierig zu interpretierende Situation auftreten: Es liegt bei 3 Subgruppen A, B und C (mit nachgewiesener Interaktion) ein Beleg für einen Unterschied zwischen beispielsweise A und B vor, nicht jedoch zwischen A und C sowie zwischen B und C (nicht transitive Relation). Um nicht generell die Möglichkeit des Zusammenfassens von 2 der 3 Subgruppen auszuschließen, kann das Niveau angehoben werden. Es zeigt sich, dass bei einem Niveau von 0,20 für die paarweisen Tests die oben beschriebene problematische Situation kaum auftreten kann.

Schlussfolgerung: Es wird vorgeschlagen, bei 3 Subgruppen mit statistisch signifikanter Interaktion zum Niveau 0,05, paarweise Interaktionstests zum Niveau 0,20 durchzuführen, um zu klären, ob zumindest 2 der 3 Subgruppen zusammengefasst werden können.