Article
Zur Schätzung von relativen Risiken aus Daten von Prävalenzstudien
Search Medline for
Authors
Published: | September 6, 2007 |
---|
Outline
Text
Einleitung: Manchmal müssen Prävalenzstudien in der Krankheitsursachenforschung herangezogen werden. Diese erlauben es nicht, auf direktem Wege relative Risiken zu schätzen. Rechentechnisch elegant lässt sich das durch eine logistische Regressionsanalyse realisieren, bei der für jeden Probanden die logarithmierte erwartete Krankheitsdauer als Offset in den linearen Prediktor aufgenommen wird. Damit wird dem Umstand Rechnung getragen, dass nicht nur die Erkrankungsrisiken inhomogen sind und von Einflussvariablen abhängen können sondern auch die Krankheitsdauerverteilung. Da man die jeweils erwartete Krankheitsdauer jedoch nicht kennt, muss man sie durch geeignete Schätzungen ersetzen, welche man z.B. aus einer Kohortenstudie von inzidenten Erkrankungsfällen mittels einer geeigneten Überlebenszeitanalysemethode gewinnt. In diesem Vortrag geht es jedoch um eine Analysemethode, die auf eine zusätzliche Fallkohortenstudie verzichtet. Es muss aber vorausgesetzt werden, dass man die bisherige Krankheitsdauer der prävalenten Fälle kennt.
Methode und Daten: Die hier vorgeschlagene Methode beruht auf zwei Modellanpassungen:
1. Es wird ein binäres logistisches Modell an die Indikatorvariable für die untersuchte Erkrankung angepasst. 2. Es wird ein akzeleriertes Überlebenszeitmodell an die Krankheitsdauerdaten angepasst, wobei die gleichen Kovariablen, wie bei der logistischen Regressionsanalyse berücksichtigt werden. Die Differenz der Koeffizienten einer Kovariablen aus den beiden Modellanpassungen ist dann unter Stabilitätsannahmen das logarithmierte Relative Risiko. Außerdem lassen sich aus den Standardfehlern der jeweiligen Schätzungen der Regressionskoeffizienten Konfidenzintervallschätzungen ableiten.
Die Methode wird an den Daten des Saarländischen Krebsregisters überprüft. Als Studienfaktor wurde das Geschlecht betrachtet und als Kovariable stand das Alter zur Verfügung.
Ergebnisse und Diskussion: Für alle betrachteten Krebslokalisationen und Jahre erfolgte die Biaskorrektur in die richtige Richtung. Die hier vorgeschlagene Methode beruht wesentlich auf Stabilitätsannahmen, deren exakte Gültigkeit in einer realen Population zu Recht bezweifelt werden kann. Es wird deshalb in diesem Beitrag auch die Größe und die Richtung des „Bias der Bias-Korrektur“ diskutiert
Literatur
- 1.
- Little JDC. A proof for queing formula: L=Lamda*W. Operations Research 1961; 9: 383-387.
- 2.
- Cox DR, Miller HD. The Theory of Stochastic Processes. Chapman & Hall, 1965.
- 3.
- Schaefer G, Englert H, Ahlers C, Roll S, Willich S, Beier K. Erectile disorder and quality of life – first results of the Berlin Male Study. Sexuologie 2003; 10: 50-60.
- 4.
- Neyman J. Statistics: servant of all sciences. Science 1955; 122: 401-406
- 5.
- Brookmeyer R, Quinn TC. Estimation of current human immunodeficiency virus incidence rates from cross-sectional survey using early diagnostic tests. AJE 1995; 141(2): 166-172