gms | German Medical Science

Einleitung und Fragestellung: Bei der Auswertung von klinischen Datenbanken wie Registerdaten wird eine adäquate multivariate Adjustierung der relevanten Kovariablen benötigt. Insbesondere ist bei der Modellierung das Auftreten möglicher Kalenderzeiteffekte (z.B. Kohorteneffekte) zu berücksichtigen. Diese können sowohl direkten Einfluss auf das gemessene Outcome haben, als auch eine Veränderung in der Verteilung der Kovariablen bewirken. Ein spezielles Augenmerk soll in diesem Beitrag auf sogenannte Changepoint Methoden (siehe z.B. Friede & Henderson 2003 [1]) gelegt werden, welche eine Alternative zu den in solch komplexen Szenarien häufig verwendeten Generalized Additive Models (GAMS, z.B. Restricted Cubic Spline Regression) darstellen. Um ein Vergleich der verschiedenen Modellierungen in Simulationsstudien durchführen zu können, ist die Erzeugung von nicht-trivialen (Register-) Daten mit zeitvariierenden multivariaten Verteilungen und Effekten notwendig.

Material und Methoden: Zur Modellierung von Kalenderzeiteffekten in Registerdaten werden Changepoint Methoden adaptiert, so dass diese eine gemeinsame, multivariate Analyse mit Behandlungsindikationen und Kovariablen erlauben. Der zugehörige statistische Test, welcher Veränderungen in den Daten über die Zeit aufzeigt, wird hinsichtlich seiner statistischen Power optimiert. Um das vorgestellte Verfahren mit GAMs (siehe z.B. Wood 2006 [2]) in Simulationsstudien zu vergleichen, wird das Framework der Clinical Scenario Evaluation (siehe Benda et al. 2010 [3]) verwendet. Für die Generierung von Registerdaten wird auf ein adaptiertes Rubin Kausalmodell (siehe z.B. Rubin & Thomas 1996 [4]) zurückgegriffen, welches für die Erzeugung von Kalenderzeiteffekten adaptiert wurde.

Ergebnisse: Die Simulationen bestätigen, dass sowohl Changepoint Analysen als auch GAMs den Typ-1-Fehler kontrollieren, während Verfahren, welche ein zeitkonstantes Modell annehmen, stark liberal werden können. Die Ergebnisse bezüglich der statistischen Power zeigen darüber hinaus, dass Changepoint Analysen und GAMs eine ähnliche statistische Power besitzen. Wie zu erwarten hängt die Performance von der Form der Kalenderzeiteffekte ab. Des Weiteren zeigen sich keine Nachteile der Modellierungen falls nur schwache oder gar keine Kalenderzeiteffekte vorliegen.

Diskussion: Changepoint Methoden bieten im Vergleich zu GAMs bei zahlreichen Problemstellungen eine bessere Interpretierbarkeit der Ergebnisse. Im Kontext der beschriebenen Simulationsergebnisse können sie daher als geeignete Alternative zu GAMs dienen. Szenarien wann welche Verfahren vorzuziehen sind werden diskutiert.