gms | German Medical Science

GMDS 2013: 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

01. - 05.09.2013, Lübeck

Adaptive Bayes-Verfahren mit Predictive Probabilities als Entscheidungskriterium in klinischen Studien

Meeting Abstract

Suche in Medline nach

  • Joachim Gerß - Westfälische Wilhelms-Universität Münster, Münster, DE
  • Andreas Faldum - Westfälische Wilhelms-Universität Münster, Münster, DE

GMDS 2013. 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Lübeck, 01.-05.09.2013. Düsseldorf: German Medical Science GMS Publishing House; 2013. DocAbstr.279

doi: 10.3205/13gmds158, urn:nbn:de:0183-13gmds1589

Veröffentlicht: 27. August 2013

© 2013 Gerß et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

In klinischen Studien ist es sehr hilfreich, wenn die Möglichkeit besteht, Zwischenauswertungen durchzuführen, aufgrund deren Ergebnisse die Studie in unterschiedlicher Weise fortgesetzt wird. Dazu existiert ein breites Spektrum an Verfahren der frequentistischen Statistik [1], [2], [3]. Neben diesen frequentistischen Verfahren finden auch Ansätze der Bayes-Statistik immer weitere Verbreitung in klinischen Studien [4]. Insbesondere neuere adaptive Ansätze bieten viel versprechende Möglichkeiten [5].

Im Vortrag werden adaptive Bayes-Verfahren vorgestellt, mit denen eine klinische Studie aufgrund der Ergebnisse einer Zwischenauswertung in unterschiedlicher Weise fortgesetzt wird. Als wesentliches Kriterium dienen so genannte Predictive Probabilities. Predictive Probabilities liefern zum Zeitpunkt der Zwischenauswertung eine Aussage über das spätere Studienergebnis. Diese Aussage ist sehr zuverlässig, da sie dadurch entsteht, dass sämtliche vorliegende Information zum Zeitpunkt der Zwischenauswertung genutzt wird, inkl. der Teilinformation von Patienten mit unvollständiger Nachbeobachtungszeit. Predictive Probabilities werden gewonnen, indem (abgesehen vom zugrunde liegenden Modell) keinerlei weitere Annahmen unterstellt werden, sondern stattdessen über sämtliche unbekannten Modellparameter und zukünftig beobachteten Daten integriert wird. Die Integration erfolgt über die aktuelle A-posteriori-Verteilung zum Zeitpunkt der Zwischenauswertung. Dies stellt einen wesentlichen Unterschied zu entsprechenden frequentistischen Ansätzen dar, in denen die Modellparameter statt einer Integration über ihre Verteilung als fest angesehen werden. Z.B. wird im Falle eines Modellparameters, der den Therapieeffekt darstellt, der in der Fallzahlschätzung verwendete Wert oder alternativ der empirisch beobachtete Effekt unterstellt, in beiden Fällen ungeachtet der entsprechenden Unsicherheit der Schätzung.

In den vorgeschlagenen Bayes-Verfahren werden auf Grund der berechneten Predictive Probabilities unterschiedliche mögliche Entscheidungen getroffen. Dies sind (1) ein unmittelbarer Abbruch der Studie wegen Aussichtslosigkeit (Futility), (2) ein unmittelbarer Abbruch mit einer Entscheidung zu Gunsten der Überlegenheit einer Therapie (Superiority), (3) eine Festlegung des Zeitpunktes der späteren finalen Auswertung. Sämtliche Bayes-Verfahren werden so konstruiert, dass der Fehler 1. Art zu einem vorgegebenem Niveau kontrolliert wird. Zur Bewertung der Verfahren werden sie im Rahmen von Simulationsstudien mit klassischen Verfahren der frequentistischen Statistik verglichen. Dazu werden Operating Characteristics ermittelt wie die mittlere Fallzahl, die Wahrscheinlichkeit eines frühzeitigen Abbruchs und die Power. Es zeigen sich in bestimmten Situationen nicht unerhebliche Vorteile der Bayes-Verfahren.


Literatur

1.
Jennison C, Turnbull BW. Group Sequential Methods with Applications to Clinical Trials. Boca Raton: Chapman & Hall/CRC Interdisciplinary Statistics Series; 1999.
2.
Chow SC, Chang M. Adaptive Design Methods in Clinical Trials. Boca Raton: Chapman & Hall/CRC Biostatistics Series; 2012.
3.
Müller HH, Schäfer H. Adaptive group sequential designs for clinical trials: Combining the advantages of adaptive and of classical group sequential approaches. Biometrics. 2012; 57: 886-891.
4.
Spiegelhalter DJ, Abrams KR, Myles JP. Bayesian Approaches to Clinical Trials and Health-Care Evaluation. New York: Wiley; 2004.
5.
Berry SM, Carlin BP, Lee JJ, Müller P. Bayesian Adaptive Methods for Clinical Trials. Boca Raton: Chapman & Hall/CRC Biostatistics Series; 2010.