gms | German Medical Science

Einleitung/Fragestellung: In der Präventionsforschung werden häufig Studiendesigns mit komplexen hierarchischen Datenstrukturen angewendet (Multilevel-Daten mit Berücksichtigung von Störgrößen), wie cluster-randomisierte Studien oder Studien mit longitudinalen Daten. Da die Messwerte oft nicht als statistisch unabhängig betrachtet werden können, stellen solchen Studien besondere Anforderungen nicht nur an die statistische Auswertung, sondern auch an die Planung: Sollen konfirmatorische Fragestellungen untersucht werden, ist eine adäquate Fallzahl- bzw. Powerabschätzung erforderlich. Für einfache Situationen mit hierarchischen Daten sind entsprechende Verfahren z.B. in Eldridge & Kerry 2012 und Fitzmaurice et al. 2011 beschrieben. Diese sind jedoch in komplexeren Situationen, wie bei Berücksichtigung von Störgrößen oder Multilevel-Daten, nicht oder nur eingeschränkt anwendbar. Eine Lösung besteht in der Durchführung von Simulation zur Fallzahl- und Powerabschätzung. Das Verfahren beruht auf der Erzeugung künstlicher Datensätze, wofür Informationen aus einem geeigneten Vorgängerprojekt bzw. aus der Literatur verwendet werden müssen. Im Beitrag wird das Ergebnis der beispielhaften Anwendung der Methode auf eine metrische und eine binäre Zielgröße demonstriert.

Material/Methoden: Grundlage sind zwei Datensätze mit komplexer hierarchischer Struktur (Datensatz 1: Studie aus Präventionsforschung (Dreyhaupt et al., BMC Public Health 2012), Datensatz 2: Studie aus Neonatologie (Schmid et al., Dtsch Arztebl Int 2013). Der Schwerpunkt des Beitrags ist die Beschreibung des Verfahrens, welches auf der Anpassung eines linearen gemischten Regressionsmodells für metrische Zielgrößen bzw. eines gemischten Modells für eine binäre Zielgröße an künstliche Daten basiert (Littell et al. 2006).

Ergebnisse/Diskussion: Es werden Ergebnisse für einige Szenarien der Studienplanung demonstriert und mit den Resultaten einer entsprechenden unabhängigen Studiensituation verglichen, die auf einem (statistisch hier nicht korrekten) t-Test bzw. χ² Test basieren. Bei Fallzahl- und Powerberechnungen für hierarchische und/oder longitudinale Daten ist die Berücksichtigung statistischer Abhängigkeiten durch adäquate Methoden erforderlich. Das Verfahren ist für eine Vielzahl komplexer hierarchischer Datenstrukturen flexibel verwendbar und vergleichsweise einfach zu implementieren. Insbesondere der Effekt zusätzlicher Störgrößen wird im Rahmen eines von der Nachwuchsakademie Versorgungsforschung Baden-Württemberg geförderten Projekts untersucht (Dreyhaupt, Fachtagung Heidelberg 2013).