gms | German Medical Science

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

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

07. bis 10.09.2009, Essen

Vergleich mehrerer Prozeduren zur wiederholten verblindeten Fallzahlrekalkulation in klinischen Studien

Meeting Abstract

Search Medline for

  • Christian Lösch - Institut für Medizinische Informatik, Biometrie und Epidemiologie, Universitätsklinikum Essen, Essen
  • Markus Neuhäuser - Fachbereich Mathematik und Technik, RheinAhrCampus Remagen, Fachhochschule Koblenz, Remagen

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Essen, 07.-10.09.2009. Düsseldorf: German Medical Science GMS Publishing House; 2009. Doc09gmds134

doi: 10.3205/09gmds134, urn:nbn:de:0183-09gmds1344

Published: September 2, 2009

© 2009 Lösch et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung: Bei der Fallzahlplanung klinischer Studien sind Annahmen zur Variabilität der primären Zielgrößen notwendig. Wenn diese nicht zutreffen kann mit adaptiven Designs [1] oder mit internen Pilotstudien [2], [3] eine Anpassung der Planung im Studienverlauf erfolgen. Hier wurden Kombinationen aus verblindeter Varianzschätzung, restringierter und unrestringierter Neuberechung, sowie einer stark vereinfachten Form von Control-Charts [4] hinsichtlich des Fehlers 1. Art eines t-Tests, der relativen Lage der erreichten Fallzahlen und deren Variabilität untersucht.

Methodik: Die drei genannten Eigenschaften ergeben acht verschiedene Kombinationen. Für simulierte Studien verschiedener Größe (100–400 Patienten) wurden unterschiedliche Varianzverläufe mit normalverteilten Daten unter der Nullhypothese simuliert, die Rekalkulationsprozeduren dreimal im Verlauf ausgeführt und dann der t-Test angewendet. Der Fehler 1. Art mit 95%-Konfidenzintervall wurde berechnet, ebenso die mittlere Fallzahl sowie ihr Variationskoeffizient.

Ergebnisse: Fehler 1. Art: Der angesetzte Fehler von 5% wurde durch die unrestringierten Prozeduren bei den kleineren Studien (maximal 200 Patienten) und konstant überspezifizierter Varianz sowohl über- als auch unterschritten. Bei unterspezifizierter Varianz wurde das Niveau nur durch eine der unrestringierten Prozeduren beim kleinsten Studientyp überschritten.

Fallzahl: Die Unterschiede zwischen den Prozeduren waren bei überspezifizierter Varianzen größer, da Restriktion hier die Anpassung verhinderte (bis zu ca. 200 Patienten). Bei korrekter oder Unterspezifizierung unterschieden sich die Prozeduren weniger (höchstens 30 Patienten).

Variabilität der Fallzahl: Unrestringierte Prozeduren lieferten meist die größeren Variationskoeffizienten (maximal 27%). Oft gab es hier eine Gruppierung nach Verwendung der Korrektur nach [3] bei kleinen Studien und eine nach Verwendung von Control-Charts bei größeren Studien.

Diskussion: Es gab stellenweise große Differenzen zwischen geplanter und erreichter Fallzahl. Während die unrestringierten Prozeduren bei überspezifizierter Varianz die Fallzahl deutlich herabsetzen konnten (bis zu 50%), waren ihre Fehler dann signifikant teils oberhalb teils unterhalb von 5%. Bei unterspezifizierter Varianz reagierten alle Prozeduren mit sehr ähnlichen Fallzahlen (bis zu 200% der geplanten Fallzahl) und erhöhten den Fehler leicht, aber nicht signifikant.


Literatur

1.
Bauer P, Köhne K. Evaluation of Experiments with Adaptive Interim Analyses. Biometrics. 1994;50:1029-41.
2.
Kieser M, Friede T. Re-calculating the sample size in internal pilot study designs with control of the type I error rate. Statistics in Medicine. 2000;19:901-11.
3.
Kieser M, Friede T. Simple procedures for blinded sample size adjustment that do not affect the type I error rate. Statistics in Medicine. 2003;22:3571-81.
4.
Weihs C, Jessenberger J. Statistische Methoden zur Qualitätssicherung und -optimierung in der Industrie. Weinheim: Wiley; 1999.