Article
Ein SAS-Makro zur Schätzung des Frailty-Effekts mit dem EM-Algorithmus
Search Medline for
Authors
Published: | September 2, 2009 |
---|
Outline
Text
Hintergrund: Bei der Auswertung klinischer Studien führen Unterschiede zwischen den Erhebungseinheiten zu geclusterten Überlebensdaten. Für diese sollte in der Auswertung ein Frailty-Term [1] berücksichtigt werden, um so eine Verzerrung der Schätzer zu verhindern.
Methoden: Der EM-Algorithmus [2] gelangt iterativ zu einer Schätzung unter Berücksichtigung des Frailty-Effekts. In einem E-Schritt werden die erwarteten Frailties ermittelt. In einem M-Schritt werden die geschätzten Regressionskoeffizienten sowie die geschätzte Varianz der Frailty bestimmt. Der EM-Algorithmus lässt sich mithilfe der Prozeduren NLMIXED und PHREG in einem SAS-Makro umsetzen. Das Konvergenz-Verhalten wird mithilfe von simulierten Überlebensdaten überprüft. Die Anwendbarkeit des Algorithmus wird anhand von Daten der HALLUCA-Studie demonstriert.
Ergebnisse: Bei der Auswertung von 1000 simulierten Datensätzen konvergiert der EM-Algorithmus in allen 1000 Fällen. Lediglich die Varianz der Frailty wird leicht unterschätzt. Dabei ist der EM-Algorithmus etwas langsamer als die Verwendung der Prozedur NLMIXED unter Berücksichtigung eines zufälligen Effekts.
Diskussion: Bei der Implementierung des EM-Algorithmus können bekannte SAS-Prozeduren genutzt und somit von deren Geschwindigkeit profitiert werden. Durch die iterative Herangehensweise eignet er sich gut zur Schätzung geclusterter Überlebensdaten.