gms | German Medical Science

Einleitung und Fragestellung: In klinischen Studien ist die Anzahl verfügbarer Patienten häufig sehr beschränkt. Oft kann die notwendige Fallzahl für konfirmatorische Studien nicht erreicht werden. Um die Fallzahl in einer zukünftigen Studie zu reduzieren oder die Power zu erhöhen, ist es zulässig Ergebnisse von historischen Studien als a-priori Information zu nutzen [1]. Um den Informationsgehalt der früheren Studien möglichst objektiv zu bewerten, wird ein bayesianischer meta-analytisch-prädiktiver Ansatz verwendet [2], [3]. Ziel ist es einerseits geeignete a-priori Verteilungen für die Varianz zwischen den Studien zu identifizieren und andererseits eine notwendige Mindestanzahl von vorangegangen Studien zu quantifizieren.

Material und Methoden: Hierarchische Modelle und MCMC-Verfahren werden angewendet um auf Grundlage der Vorinformationen den studien-spezifischen Effekt in einer neuen Studie zu schätzen. Das Ergebnis ist die a-posteriori prädiktive Verteilung dieses Parameters, die die Unsicherheit der historischen Daten enthält. Der in der a-posteriori prädiktiven Verteilung enthaltene Informationsgehalt wird in eine Anzahl virtueller Patienten übersetzt. Diese Fallzahl kann in der neuen Studie eingespart werden. Die virtuelle Patientenzahl, die „prior effectiv sample size“, wird direkt von der Interstudienvarianz beeinflusst. Um den Einfluss der beobachteten Daten hervorzuheben werden im Rahmen der hierarchischen Modelle in der Regel nicht-informative hyper a-priori Verteilungen [4] benutzt. In der Situation weniger zur Verfügung stehender historischer Studien kann dies zu Modellanpassungsproblemen führen.

Ergebnisse: Es werden die Ergebnisse verschiedener Simulationsszenarien mit normalverteilten Endpunkten dargestellt und auf klinische Situationen übertragen. Dazu werden nicht-informative und schwach-informative hyper a-priori Verteilungen wie die Gleichverteilung U(0,100), die Inverse-Gamma Γ 1(0.001,0.001), die Half-Normal HN(0,1) und die Half-Cauchy Verteilung HC(0,1) für den Interstudienvarianzparameter untersucht. Hierbei wird unteranderem die Stabilität der Parameterschätzungen der MCMC-Verfahren beurteilt.

Diskussion: In den betrachteten Simulationsszenarien, bei Existenz weniger historischen Studien, zeigt die Half-Normal HN(0,1)-Verteilung die besten Resultate. Die Inverse-Gamma Verteilung verhält sich antikonservativ, das heißt die Interstudienvarianz wird unterschätzt. Eine sinnvolle Extrapolation historischer Informationen eignet sich erst beim Vorhandensein von mindestens 5 vorangegangenen Studien.