gms | German Medical Science

Einleitung: In Pädiatrischen Studien stehen häufig nicht genügend Patienten zur Verfügung, um die notwendige Fallzahl nach den üblichen Anforderungen konfirmatorischer klinischer Studien zu erreichen. Daher liegt es nahe historische Informationen aus vorangegangenen Erwachsenen- und Kinderstudien für die Planung neuer pädiatrischer Studien zu nutzen, um die Power zu steigern oder die notwendige Fallzahl zu reduzieren.

Material und Methoden: Die Bayes-Statistik ermöglicht es auf flexible Weise, externe Erkenntnisse in die Studienplanung einzubringen [1], [2]. Neuenschwander et al. [3] schlagen einen metaanalytisch-prädiktiven Ansatz vor. Gesamtziel ist die Bestimmung der Anzahl Patienten, die bei der zukünftigen Rekrutierung eingespart werden können („prior-effective-sample-size“). Mit Hilfe von Markov-Chain-Monte-Carlo-Verfahren [4] wird die Qualität der historischen Information mit einem geeigneten Maß beurteilt. Das gewählte Maß ist ein Gewichtungsfaktor aus dem Verhältnis der Posterior-Predictive-Varianz des studienspezifischen Effekts in einer zukünftigen Studie, die sich ergibt, wenn die historische Information keinen Wert verlieren würde, und der entsprechenden Varianz, die das aktuell tatsächlich verfügbare Wissen wiederspiegelt.

Der Ansatz wurde in Gerß [5] erweitert, um mögliche systematische Unterschiede im erwarteten Behandlungseffekt zwischen Erwachsenen und Kindern zu modellieren und so Ergebnisse aus Studien an Erwachsenen und Kindern zu kombinieren.

Um im Vorfeld nicht zu viele Informationen über die Zielparameter vorzugeben, werden in den obigen Bayes-Modellen nicht-informative a-priori-Verteilungen verwendet. Dadurch können bei der Modellanpassung allerdings Probleme entstehen, die gerade bei wenigen historischen Studien, kleiner Teilnehmerzahl oder großer Variation der studienspezifischen Effekte auftreten. Infolgedessen setzt sich in der a-posteriori-Verteilung eher die a-priori-Verteilung als die historischen Daten durch.

Die Markov-Ketten der Zielparameter beinhalten einzelne extreme Ausreißer, so dass die entsprechenden Mittelwerte und Varianzen, und damit auch der Gewichtungsfaktor zur Bestimmung der „prior-effective-sample-size“ stark verzerrt sind. Dementsprechend liefert der metaanalytisch-prädiktive Ansatz in diesem Fall keine sinnvollen Ergebnisse.

Ergebnisse: Die obigen Schwierigkeiten sowie mögliche Lösungsansätze werden in Anlehnung an klinische Studiendaten dargestellt und diskutiert. Eine Möglichkeit bei a-priori-normalverteilten Zielparametern bieten beispielsweise alpha-getrimmtes Mittel und Varianz. Hierbei werden extreme Werte aus der Markov-Kette der Zielparameter entfernt. Ergänzend werden weitere Lösungsverfahren vorgestellt und deren Einschränkungen beschrieben.

Diskussion: Abschließend werden die Möglichkeiten und Grenzen des gesamten Bayes-Ansatzes zur Nutzung historischer Studiendaten für die Planung und Auswertung einer neuen Studie zusammengefasst und bewertet.