gms | German Medical Science

Hintergrund: Beobachtungs-, Routine- und Sekundärdaten stellen eine wichtige Datenquelle für die Versorgungforschung dar. Der Einsatz von Beobachtungsstudien kann mitunter besser für die Bewertung von Therapiemaßnahmen in der alltäglichen Praxis geeignet sein, um den oftmals kritisierten efficacy-effectiveness-gap angemessen zu adressieren. Die Auswertung von Routine- und Sekundärdaten, beispielsweise auf der Basis von Registerdaten, wird zudem oftmals in der Versorgungsforschung genutzt, um bereits verfügbare Daten für wissenschaftliche Fragestellungen schnell nutzbar zu machen. All diesen Auswertungsansätzen ist jedoch gemein, dass sie im Vergleich zu randomisierten Studien explizit die Möglichkeit ungleich verteilter Störgrößen mit berücksichtigen müssen, um unverzerrte Effektschätzer generieren zu können. Ein Ansatz hierzu stellt die Anwendung von Matching-Verfahren dar, um das potentielle Problem nicht-vergleichbarerer Patienten- oder Probandenkollektive bereits im Rahmen der Studienplanung zu adressieren.

Methoden: Es wird ein zweistufiger Matching-Algorithmus vorgestellt, der ein Fall-Kontroll-Matching auf zwei verschiedenen Ebenen ermöglicht: die Level-1-Merkmale müssen zu 100% übereinstimmen, während die Level-2-Merkmale im Rahmen einer Distanzmaßberechnung (z.B. Mahalanobis-Distanz, Propensity Score-Distanz) berücksichtigt werden. Das zweistufige Verfahren bietet sich insbesondere in Situationen an, in den mehrere Datenquellen (z.B. in multizentrischen Studien) am Fall-Kontroll-Matching beteiligt sind, das Matching jedoch innerhalb definierter Datenquellen bevorzugt vorgenommen werden soll. Im Rahmen des Beitrags werden zudem die grundlegenden Ansätze des Matching (z.B. exact matching, greedy matching, optimal matching) erläutert, sowie Möglichkeiten aufgezeigt die Güte des Matchings zu bewerten.

Ergebnisse: Zur Umsetzung des Matching-Verfahrens und zur Bewertung der Güte des Matchings wurden flexible Makros in der Statistik-Software SAS implementiert, die eine Vielzahl an verschiedenen Einstellungsmöglichkeiten bieten. So kann u.a. festgelegt werden, welches Distanzmaß auf der 2. Matching-Ebene verwendet wird, welche Referenzbereiche für stetige Matching-Variablen berücksichtigt werden müssen und in welchem Verhältnis das Fall-Kontroll-Matching ausgeführt werden soll (1:1, 1:k). Auf der Basis verschiedener Beispielstudien wird die Funktionsweise des vorgestellten Algorithmus demonstriert, insbesondere dessen Einsatz bei multizentrischen Auswertungen.

Diskussion: Die Anwendung des zweistufigen Matching-Algorithmus stellt aufgrund seiner kompakten Implementierung in SAS eine schnelle und flexible Möglichkeit dar ein Fall-Kontroll-Matching einer gewünschten Konfiguration durchzuführen. Parallel zu den vorgestellten Algorithmus muss jedoch stets eine Bewertung der Güte des Matchings vorgenommen werden, um dessen Erfolg (d.h. Vergleichbarkeit der Vergleichskollektive) beurteilen zu können. Ebenso müssen alternative Ansätze, wie z.B. die Anwendung multipler Regressionsmodelle oder eine stratifizierte Auswertung in Subgruppen, ggf. betrachtet werden, wenn ein Fall-Kontroll-Matching nicht mit ausreichender Qualität durchgeführt werden konnte.

Praktische Implikationen: Der vorgestellte zweistufige Matching-Algorithmus stellt eine sehr flexible Möglichkeit des Fall-Kontroll-Matchings in Beobachtungsdaten dar, dabei kann der Algorithmus auf die besondere Situation einer multizentrischen Beteiligung mehrerer Datenquellen (z.B. Register) angepasst werden. Ein breiter Einsatz für das Matching von Fällen und Kontrollen im Setting von Beobachtungsdaten ist damit problemlos möglich.