gms | German Medical Science

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

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

02. - 06.09.2018, Osnabrück

Vorhersage der Rekrutierung multizentrischer Studien

Meeting Abstract

Suche in Medline nach

  • Reinhard Vonthein - Universität zu Lübeck, Lübeck, Deutschland

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 63. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Osnabrück, 02.-06.09.2018. Düsseldorf: German Medical Science GMS Publishing House; 2018. DocAbstr. 243

doi: 10.3205/18gmds013, urn:nbn:de:0183-18gmds0134

Veröffentlicht: 27. August 2018

© 2018 Vonthein.
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

Multizentrische Studien scheinen besonders anfangs langsam zu rekrutieren, insbesondere wenn Ereigniszeiten beobachtet werden. Das kann DSMB, Sponsor oder Förderer beunruhigen. Was macht es aus, wenn die Zentren nacheinander initiiert werden? Wie breit ist das Konfidenzintervall der Hochrechnung?

Zur Planung der Rekrutierung sei angenommen, dass die Raten der Rekrutierung von Patienten und Zentren konstant sind. Wenn alle Zentren sofort rekrutieren, erfordert die Rekrutierung von Fallzahl n die Zeit t. Allerdings vergeht Zeit t1, bis alle Zentren rekrutieren. Die Zahl eingeschlossener Patienten folgt daher erst einer Parabel, ehe sie ab t1 linear wächst, bis zu t2 n erreicht ist. Nochmaliges Integrieren ergibt eine erste Näherung für die Zeit bis die erforderliche Anzahl Ereignisse eingetreten sein dürfte. Liegen dann Daten aus den Zentren vor, kann für die Rekrutierung ein hierarchisches Modell geschätzt werden. Dieses soll verwendet werden, um Prognoseintervalle anzugeben. Nach dem Invarianzprinzip ergeben die Schnitte bei n das Prognoseintervall fürs Studienende. Verwendet werden R-Pakete shiny und jags.

Erst nach t2 = t + t1 / 2 wird Fallzahl n erreicht. Projektierter und tatsächlicher Verlauf werden in einer App dargestellt. Die Poisson-Gamma-Regression liefert etwas andere Prognoseintervalle als die Profil-Likelihood ohne Zentren-Effekte. Die Regression auf die Zeit, etwa wegen Saisoneffekten, ergibt wieder andere Prognoseintervalle.

Sind die Rekrutierungsraten gut bekannt, so kann ein Projektplan jetzt noch genauer werden, indem die Hälfte des Zeitraums der Initiierungen addiert wird. Visuelle Hilfen sollten die Diskussion erleichtern.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.