Article
Anwendungsmöglichkeiten der latenten Klassenanalyse (LCA)
Search Medline for
Authors
Published: | September 27, 2021 |
---|
Outline
Text
Hintergrund/Fragestellung/Problem: Gesundheitsbezogene Daten können eine unbekannte und komplexe Datenabhängigkeitsstruktur aufweisen, die die Anwendung von statistischen Standardmethoden erschweren und Ergebnisse verfälschen könnte. Dies geschieht, weil die meisten statistischen Methoden auf Annahmen basieren, die nur eine einfache Datenstruktur (z.B. Unabhängigkeit oder schwache Abhängigkeit, Linearität usw.) berücksichtigen.
Lösungen und Lösungsvorschläge: Einen datengetriebenen Ansatz, eine verborgene Abhängigkeitsstruktur von bestimmten Merkmalen aufzudecken, bietet die so genannte latente Klassenanalyse (latent class analysis - LCA). Mit Hilfe von LCA werden in Daten vorhandene Muster ausgewählter Merkmale analysiert. Heterogene Daten werden in Klassen aufgeteilt, die in sich homogen disjunkt und durch unterschiedliche Merkmalsverteilungen charakterisiert sind. Die Kenntnisnahme von typischen Merkmalsmuster in den Daten trägt zu einem tieferen Datenverständnis bei. Im Vortrag werden die Möglichkeiten der LCA-Anwendung anhand von verschiedenen Beispielen und Fragestellungen aus bevölkerungsbezogenen Studien veranschaulicht. So wurden auf Basis von Daten der KORA GEFU4-Studie mittels LCA Gruppen von Probanden mit unterschiedlichen diabetesbezogenen Informationsbedürfnissen identifiziert, die sich in soziodemografischen und diabetesbezogenen Merkmalen unterscheiden. Im Rahmen einer Studie zu Lebensqualität, Beeinträchtigung, Inanspruchnahme gesundheitlicher Leistungen und Kosten bei Patienten mit Diabetes unter Berücksichtigung der Rolle der Depression konnten mittels LCA Muster in der Inanspruchnahme gesundheitlicher Versorgung von Menschen mit Diabetes in Deutschland identifiziert und analysiert werden. In einem Projekt zur Versorgung, Funktionsfähigkeit und Lebensqualität nach proximaler Femurfraktur wurde die LCA zum einen eingesetzt, um die Definition einer „vulnerablen“ Gruppe zu ermöglichen, die durch mehrere Merkmale charakterisiert ist, die sich zu einem „schweren Fall“ summieren. Zum anderen fand eine LCA im Rahmen der Nonresponderanalyse Anwendung. Durch Bildung von latenten Klassen über interessierende Faktoren, konnten die unabhängigen Variablen im Regressionsmodell durch eine einzige Variable ersetzt werden, die die Klassenzugehörigkeit angibt. Dabei ist es denkbar, dass die Assoziation zwischen dem interessierenden Outcome (hier Response) und der Klassenzugehörigkeit, stärker sichtbar wird, als dies unter der Anwendung von Standardverfahren (z.B. logistischer Regression) zwischen dem Outcome und ursprünglichen Faktoren möglich ist. Dieser Ansatz wird als LCA mit „distal“ Outcome bezeichnet.
Schlussfolgerung/Diskussion/Lessons Learned: Die Anwendung der LCA ist vielfältig und erlaubt einen alternativen Blick auf die Daten. Sie sollte deshalb zum Standardrepertoire einer statistischen Analyse gehören.