gms | German Medical Science

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

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

08. - 11.09.2019, Dortmund

Analyse longitudinaler Daten in einem gemischten Modell mit Messwiederholungen mittels der SAS-Prozedur PROC MIXED

Meeting Abstract

Suche in Medline nach

  • Lars Beckmann - Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG), Köln, Germany
  • Ulrich Grouven - Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG), Köln, Germany
  • Guido Skipka - Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG), Köln, Germany

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Dortmund, 08.-11.09.2019. Düsseldorf: German Medical Science GMS Publishing House; 2019. DocAbstr. 220

doi: 10.3205/19gmds205, urn:nbn:de:0183-19gmds2052

Veröffentlicht: 6. September 2019

© 2019 Beckmann et al.
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

In klinischen Studien werden für Patientinnen und Patienten häufig medizinische Daten, insbesondere zur gesundheitsbezogenen Lebensqualität und zur Symptomatik, zu aufeinanderfolgenden Zeitpunkten erhoben. Für die Auswertung dieser longitudinalen Daten werden in der Literatur sowohl lineare gemischte Modelle für Messwiederholungen (Mixed Models Repeated Measures – Modelle [MMRM]) vorgeschlagen.

In dem Vortrag diskutieren wir die verschiedenen Möglichkeiten, mit denen Modelle zur Analyse von longitudinalen Daten mit der SAS-Prozedur PROC MIXED implementiert werden können. Dies beinhaltet die Modellierung mit den Statements RANDOM, d. h. als gemischtes Modell mit den Zeitpunkten als zufälligem Effekt, sowie die Modellierung mit dem Statement REPEATED. Zentral in diesen Modellen ist die Modellierung der Kovarianzmatrix, in der die Abhängigkeiten sowohl innerhalb als auch zwischen den Patientinnen und Patienten entweder in zufälligen Effekten bzw. im zufälligen Fehler berücksichtigt wird.

In klinischen Studien können verschiedene Fragestellungen und damit auch unterschiedliche Effekte untersucht werden. Beispielsweise kann die Remission eines Symptoms, welches ein diagnostisches Kriterium einer psychischen Störung erfüllt, nach Ende einer psychotherapeutischen Behandlung von primärem Interesse sein. In diesem Fall ist die Änderung von Baseline zum Zeitpunkt des Behandlungsendes der interessierende Effekt. In anderen Fällen kann die Last einer Symptomatik über den gesamten Studienverlauf von Interesse sein. Dies trifft zum Beispiel auf Symptom- und Funktionsskalen, erhoben über die entsprechenden EORTC-Fragebögen (European Organisation for Research and Treatment of Cancer), in onkologischen Studien zu. Die interessierende Fragestellung ist dann ein Unterschied in der Symptomlast, vorstellbar als Differenz in der mittleren Area under the Curve (AUC) zwischen den Behandlungsarmen. PROC MIXED ermöglicht die Schätzung dieser Effekte mit den Statements LSMEANS und ESTIMATE.

Anhand von Beispielen werden die verschiedenen Analysen vorgestellt. Hierbei wird auf den Umgang mit fehlenden Werten, auf nicht-äquidistante Messzeitpunkte sowie auf nichtlineare Daten eingegangen. Empfehlungen für die Analysen von longitudinalen Daten werden zur Diskussion gestellt.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.