gms | German Medical Science

Gemeinsam informiert entscheiden: 17. Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin

Deutsches Netzwerk Evidenzbasierte Medizin e.V.

03.03. - 05.03.2016, Köln

Identifikation effektiver Konstellationen von Interventionskomponenten, Implementierungsprozessen und Kontextfaktoren in der Synthese von Evidenz komplexer Interventionen

Meeting Abstract

Gemeinsam informiert entscheiden. 17. Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin. Köln, 03.-05.03.2016. Düsseldorf: German Medical Science GMS Publishing House; 2016. Doc16ebmB1b

doi: 10.3205/16ebm024, urn:nbn:de:0183-16ebm0242

Veröffentlicht: 23. Februar 2016

© 2016 Kriston et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Hintergrund und Fragestellung: Zahlreiche medizinische Interventionen bestehen aus mehreren Komponenten, die miteinander und mit dem Kontext der Intervention in einer vielfältigen Weise interagieren können. Die vorgestellte Studie hatte zum Ziel, eine quantitative Methode zur Evidenzsynthese solcher komplexer Interventionen zu entwickeln, die die Identifikation effektiver Konstellationen von Interventionskomponenten, Implementierungsprozessen und Kontextfaktoren ermöglicht.

Material/Methoden: Die entwickelte Methode kann als eine Integration von einer Metaanalyse und einem Regressionsbaum-Algorithmus beschrieben werden. Mit Studiencharakteristika (Interventionskomponenten, Implementierungsprozessen und Kontextfaktoren) als Prädiktorvariablen wird dabei eine Effektstärke basierend auf Response-Raten (Ansprechen auf die Behandlung) als Outcome vorhergesagt, gewichtet durch die inverse Varianz der Effektstärke. Die Methode wird gegenwärtig in einer existierenden Datenbank von randomisiert-kontrollierten Studien (RCTs) zur psychotherapeutischen Behandlung chronischer Depression getestet.

Ergebnisse: Es konnten Daten zu insgesamt 51 Behandlungsarmen aus 18 RCTs extrahiert werden. Die metaanalytische Regressionsbaum-Analyse mit über 20 Prädiktorvariablen wird im Herbst und Winter 2015 durchgeführt. Dabei werden verschiedene statistische Optionen systematisch geprüft (z.B. bzgl. der Validierung der Ergebnisse), um einen Eindruck über die Möglichkeiten und Grenzen des Verfahrens zu gewinnen.

Schlussfolgerung: Die entwickelte Methode hat den Vorteil, mit Daten arbeiten zu können, welche die Annahmen, die den meisten verfügbaren metaanalytischen Modellen zugrunde liegen (z.B. Normalität, Linearität, Additivität), nicht erfüllen müssen. Zudem liefert sie ein intuitiv verständliches Ergebnis, das Entscheidungsbäumen ähnelt. Damit hat sie das Potenzial, größere Datenmengen mit vergleichsweise einfachen Parametern zu beschreiben und effektive Konstellationen von Interventionskomponenten, Implementierungsprozessen und Kontextfaktoren in der Synthese von Evidenz zu komplexen Interventionen zu identifizieren.