gms | German Medical Science

MAINZ//2011: 56. GMDS-Jahrestagung und 6. DGEpi-Jahrestagung

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

26. - 29.09.2011 in Mainz

Entwicklung eines prognostischen Scores für Alzheimer Demenz: Vergleich von Cox Regression mit Classification Tree Analysen und Cluster-Methoden

Meeting Abstract

  • Birgitt Wiese - Medizinische Hochschule Hannover, Hannover
  • Susanne Steinmann - Medizinische Hochschule Hannover, Hannover
  • Jana Prokein - Medizinische Hochschule Hannover, Hannover
  • Hartmut Hecker - Medizinische Hochschule Hannover, Hannover

Mainz//2011. 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi). Mainz, 26.-29.09.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11gmds125

doi: 10.3205/11gmds125, urn:nbn:de:0183-11gmds1258

Published: September 20, 2011

© 2011 Wiese 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

Einleitung: Die AgeCoDe-Studie (Aging, Cognition and Dementia in Primary Care) ist eine Kohortenstudie von initial nicht an Demenzen erkrankten, älteren Personen mit dem Ziel, Prädiktoren für einen kognitive Beeinträchtigung bzw. für das Entstehen einer Demenz zu identifizieren. Es wurden 3.327 Patienten im Alter von 75 bis 89 Jahren in sechs Studienzentren rekrutiert. Innerhalb von drei Follow-up-Perioden im Zeitraum von fast sechs Jahren entwickelten 342 Patienten eine Demenz, darunter waren 195 Patienten mit einer Alzheimer Demenz (AD). Das Ziel war, einen einfach anzuwendenden prognostischen Score zu entwickeln, der es dem Hausarzt ermöglicht, Patienten mit einem hohen Risiko für AD zu erkennen.

Material und Methoden: Für den Einschluss in das Modell wurden zwölf Prädiktorvariablen ausgewählt. Die Kohorte wurde in zwei gleich große Stichproben geteilt; die erste Teilkohorte wurde zur Entwicklung des Scores verwendet, während die zweite als Teststichprobe zur Schätzung der Vorhersagegenauigkeit diente. Zunächst wurde Die Cox Proportional Hazard Regression mit Rückwärtsselektion der Variablen basierend auf dem Schwarz Bayesian Informationskriterium angewandt. Dann wurde aus den resultierenden ß Koeffizienten ein vereinfachter Score abgeleitet. Verschiedene Schwellenwerte wurden verwendet, um die entsprechenden Risikogruppen zu definieren. Als eine Alternative zur Cox Regression wurde eine Classification Tree Analyse für zensierte Survivaldaten basierend auf einem Recursive Partitioning Algorithmus [1], [2] angewandt. Als zweite Alternative wurde das Verfahren des Clustering By Response (CBR) [3] eingesetzt.

Ergebnisse: Das finale Modell basierend auf der Cox Regression enthielt sechs Parameter. Das obere Dezil und das obere Quintil des resultierenden Scores – hergeleitet aus den β Koeffizienten – wurden als Schwellenwerte für drei Risikogruppen definiert. Die Classification Tree Analyse lieferte einen Klassifikationsbaum mit acht Endknoten, dabei wurden fünf der zwölf Prädiktoren als Splitvariablen benutzt. Die Amalgamation Prozedur der Endknoten identifizierte drei Risikogruppen. Das CBR-Verfahren wählte zur Bildung von drei Clustern fünf Prädiktorvariablen aus; die Cluster identifizieren die verschiedenen Risikogruppen.

Diskussion und Schlussfolgerungen: Die Classification Tree Analyse und das CBR-Verfahren können auf einfache Weise Gruppen identifizieren, die ein höheres Risiko für die Entwicklung einer AD aufweisen. Auf der Cox Regression basierende Risikogruppen hängen von geeigneten Schwellenwerten des Risikoscores ab. Jedoch zeigte der auf der Cox Regression basierende Score eine bessere Vorhersagegenauigkeit.


Literatur

1.
Ciampi A. Generalized regression trees. Comput Stat Data Anal. 1991;12:57-78.
2.
Atkinson EJ, Therneau TM. An Introduction to Recursive Partitioning Using the RPART Routines. Mayo Clinic. 2000.
3.
Hecker H, Wübbelt P. Clustering By Response: CBR. Comput Stat Data Anal. 1997;24:193-215.