Article
Nichtparametrische Verfahren für individualisierte Diagnostik
Search Medline for
Authors
Published: | September 2, 2009 |
---|
Outline
Text
In der Medizin gewinnen Diagnosestudien zunehmend an Bedeutung, da eine richtige Diagnose die Voraussetzung für eine effektive Therapie ist. So haben Newman-Toker und Pronovost [1] festgestellt, dass in amerikanischen Kliniken jedes Jahr 40 000 bis 80 000 Menschen aufgrund falscher Diagnosen versterben. Der Schwellenwert, bei dem z. B. zwischen Kranken und Gesunden oder zwischen guter und schlechter Prognose unterschieden wird, ist in den meisten Fällen für alle Personen derselbe. Dagegen ist z. B. der von der WHO festgelegte Schwellenwert zur Diagnose einer Osteoporose bei der Knochendichte geschlechtsspezifisch. Da jedoch bekannt ist, dass auch das Alter ein Risikofaktor ist, gibt es in Deutschland zur Osteoporosediagnose alters- und geschlechtsspezifische Schwellenwerte. Es ist allerdings zu vermuten, dass die Diagnose um so sicherer ist, je genauer sie auf die einzelne Person zugeschnitten ist.
Optimale Schwellenwerte lassen sich im Allgemeinen anhand von receiver operating characteristic (ROC)-Kurven bestimmen, die die Sensitivität und Spezifität gemeinsam darstellen. Janes und Pepe [2] haben semi- und nichtparametrische Schätzer für Kovariablen-adjustierte ROC-Kurven entwickelt. 2008 untersuchten Janes [3], inwieweit sich die Trennschärfe durch die Kombination von Test und Kovariablen verbessern lässt. In diesem Vortrag sollen nichtprametrische Verfahren vorgestellt werden, die es erlauben, in faktoriellen Designs Kovariablen-adjustierte Schwellenwerte zu schätzen. Die Güte der Verfahren soll durch einen Vergleich dieser individualisierten mit den allgemeingültigen Schwellenwerten hinsichtlich Sensitivität und Spezifität untersucht werden.
Literatur
- 1.
- Newman-Toker D, Pronovost P. „Diagnostic Errors - The Next Frontier for Patient Safety“. The Journal of the American Medical Association. 2009;301:1060-1062.
- 2.
- Janes H, Pepe MS. „Adjusting for Covariate Effects on Classification Accuracy Using the Covariate-Adjusted ROC Curve“. UW Biostatistical Working Paper Series, Working Paper 283. 2006.
- 3.
- Janes H. „Accommodating Covariates in ROC Analysis“. UW Biostatistical Working Paper Series, Working Paper 322. 2008.