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

Ein SAS-Makro zur Schätzung des Frailty-Effekts mit dem EM-Algorithmus

Meeting Abstract

Search Medline for

  • Diana Pietzner - Institut für Medizinische Epidemiologie, Biometrie und Informatik, Halle
  • Andreas Wienke - Institut für Medizinische Epidemiologie, Biometrie und Informatik, Halle

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. Doc09gmds124

DOI: 10.3205/09gmds124, URN: urn:nbn:de:0183-09gmds1246

Published: September 2, 2009

© 2009 Pietzner 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

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.


Literatur

1.
Duchateau L, Janssen P. The Frailty Model (Statistics for Biology and Health). Berlin: Springer; 2007.
2.
Klein JP. Semiparametric Estimation of Random Effects Using the Cox Model Based on the EM Algorithm. Biometrics. 1992;48(3):795-806.