Artikel
Ecological Momentary Assessment (EMA): Herausforderungen und Lösungen zur Datenauswertung
Suche in Medline nach
Autoren
-
Petra von Gablenz
- Institut für Hörtechnik und Audiologie, Jade Hochschule, Oldenburg, DE
-
Arne Leijon
- Royal Institute of Technology, Stockholm, SE
-
Karolina Smeds
- ORCA Europe, WS Audiology, Stockholm, SE
-
Inga Holube
- Institut für Hörtechnik und Audiologie, Jade Hochschule, Oldenburg, DE
| Veröffentlicht: | 1. März 2023 |
|---|
Gliederung
Text
Ecological Momentary Assessment (EMA) bezeichnet zeitlich ausgedehnte Datenerhebungen bei Individuen in realen Alltagsumgebungen. Im Kern handelt es sich meist um Befragungen zur momentanen Situation und Bewertungen momentaner Wahrnehmungen, die häufig wiederholt und teilweise durch Erhebungen physiologischer oder physikalisch-technische Parameter begleitet werden. EMA ist, angetrieben durch die technologische Entwicklung bei den Smartphones, auch in der audiologischen Forschung auf dem Weg, den Status einer Nischenanwendung hinter sich zu lassen [1]. Zur Vielzahl methodischer Aspekte, die bereits in der Planung von EMA-Anwendungen bedacht werden sollten, gehören nicht zuletzt Fragen der Datenanalyse. Schließlich werden mit EMA komplexe Zeitreihendaten generiert, bei deren Auswertung partielle Abhängigkeiten, diverse Skalenniveaus und Verteilungsparameter zu berücksichtigen sind. Die Bayes-Statistik kann hier gut interpretierbare und belastbare Ergebnisse liefern, neben fortgeschrittenen Varianten der häufigkeitsbasierten Datenanalyse. Die gebräuchlichen Statistikprogramme stellen jedoch keine passend konfigurierten Lösungsvorschläge für eine Bayes’sche Modellierung von EMA-Daten bereit. Diese Lücke schließen Leijon et al. mit dem Software-Paket EmaCalc, das über den Python Package Index (PyPi) frei verfügbar ist [2]. EmaCalc kann EMA-Daten mit nominalen und ordinalen Skalenniveau angemessen verarbeiten, um Interventionseffekte mit Vertrauensintervallen aus komplexen EMA-Daten zu schätzen. Dabei werden drei Ebenen der Effektschätzung unterschieden. Erstens, Effekte, die für ein zufällig ausgewähltes, unbekanntes Individuum der Grundgesamtheit, aus der die Studiengruppe rekrutiert wurde, erwartet werden. Zweitens, mittlere Effekte in der Grundgesamtheit und, drittens, Effekte für jedes Individuum der Studiengruppe. An konkreten Beispielen zum Effekt einer Erstversorgung mit Hörgeräten aus der EMA-Studie Individual Hearing Aid Benefit in Real-Life [3] beschreibt der Beitrag die häufigsten Herausforderungen, mit denen die Auswertung von EMA-Daten konfrontiert ist, und die Python-Software EmaCalc als Bayes’sche Alternative zur häufigkeitsbasierten Datenanalyse.
Eine Langfassung des Beitrags erhalten Sie hier:
Literatur
- 1.
- Holube I, von Gablenz P, Bitzer J. Ecological Momentary Assessment in hearing research: current state, challenges, and future directions. Ear and Hearing. 2020;41:79S–90S.
- 2.
- Leijon A, von Gablenz P, Holube I, Taghia J, Smeds K . Bayesian analysis of Ecological Momentary Assessment (EMA) data collected in adults before and after hearing rehabilitation. Front Digit Health. 2023 Feb 17;5:1100705. DOI: 10.3389/fdgth.2023.1100705
- 3.
- von Gablenz P, Kowalk U, Bitzer J, Meis M, Holube I. Individual hearing aid benefit in real life evaluated using Ecological Momentary Assessment. Trends in hearing. 2021;25:2331216521990288.
