gms | German Medical Science

Einleitung: In Therapiestudien zur Alkoholabhängigkeit dient als primäres Outcome-Kriterium meist der Rückfall zum schweren Trinken bzw. die Zeit bis dahin. Zunehmend rücken jedoch sekundäre Outcome-Kriterien, die im Messwiederholungs-Design erhoben werden, in den Fokus der Forschung. Ein methodisches Grundproblem bei solchen Studien ist die Tatsache, dass eine nicht unerhebliche Anzahl von Patienten nach dem Rückfall die Teilnahme an der Studie abbricht und damit keine weiteren Daten für geplante Messzeitpunkte zur Verfügung stehen. Die Annahme eines zufälligen Missing-Data-Mechanismus ist in solchen Studien oft verletzt. Vielmehr ist von einem Zusammenhang zwischen dem Auftreten fehlender Werte und dem nicht-beobachteten Outcome auszugehen (Missing Not At Random = MNAR).

Material und Methoden: In diesem Beitrag wird ein möglicher Ansatz zur Behandlung fehlender Werte unter der MNAR-Annahme vorgestellt, das sogen Pattern-Mixture-Modell (PMM). Dabei wird das beobachtete Muster der Missings durch eine Variable beschrieben, die als zusätzlicher Prädiktor und gegebenenfalls mit einem zusätzlichen Interaktionsterm in das Modell einbezogen wird. Damit kann einerseits der Effekt des Missing-Musters überprüft, andererseits aber auch untersucht werden, in welchem Ausmaß der Einfluss anderer Variablen modifiziert wird.

Zur Analyse wurden Daten aus der PREDICT-Studie [1] verwendet, bei denen sich für Variablen zu Craving (OCDS, AUQ) ein monotones Dropout-Muster ergab. Dazu wurde eine Varianzanalyse mit Messwiederholung für ein Pattern-Mixture-Modell über 7 Zeitpunkte durchgeführt.

Ergebnisse: Es zeigte sich, dass der Effekt verschiedener Kovariablen auf die Outcome-Variablen zu Craving (OCDS, AUQ) vom Missing-Muster abhängt, was zu einer schwierigeren Interpretierbarkeit der Ergebnisse führt. Es konnten sowohl Submodelle für die einzelnen Patterns geschätzt als auch Gesamtschätzer für die Modellparameter abgeleitet werden.