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

Wie verlässlich sind Risikoprädiktionsmodelle?

Meeting Abstract

Search Medline for

  • Martin Schumacher - Institut für Med. Biometrie und Med. Informatik / Universitätsklinikum Freiburg, Freiburg

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. Doc09gmds136

doi: 10.3205/09gmds136, urn:nbn:de:0183-09gmds1364

Published: September 2, 2009

© 2009 Schumacher.
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

In vielen Bereichen der klinischen Medizin, aber auch in der Epidemiologie, werden Risikoprädiktionsmodelle eingesetzt um den weiteren Verlauf einer Krankheit bzw. das Auftreten einer bestimmten Krankheit vorherzusagen. Ein populäres Beispiel für die letztere Kategorie ist das Gail-Modell (in verschiedenen Varianten) für das Auftreten eines Mamma-Karzinoms. Mathematisch gesehen ist ein solches Modell eine Vorhersageregel, die eine prädizierte Wahrscheinlichkeit für das Auftreten des interessierenden Ereignisses, z.B. einer bestimmten Erkrankung, in einem bestimmten Zeitraum liefert. Diese Vorhersage nutzt die zur Zeit der Prädiktionsstellung verfügbaren individuellen Kovariablen-Informationen, z.B. über vorhandene Risikofaktoren. Häufig wird aus signifikanten Effekten solcher Risikofaktoren und/oder einer guten Kalibrierung des Prädiktionsmodells auf eine gute Vorhersageleistung geschlossen. Dies ist aber im Allgemeinen nicht der Fall. Zur Bewertung der Vorhersageleistung ist vielmehr eine unverzerrte Schätzung von geeigneten Maßzahlen für den Prädiktionsfehler notwendig, die einerseits die zeitliche Dimension angemessen berücksichtigen und andererseits einen Vergleich mit geeigneten Benchmark-Werten erlauben. Der Vortrag gibt eine kurze Übersicht über die moderne Anwendung klassischer statistischer Ansätze für eine solche Bewertung. An einigen Beispielen aus der Epidemiologie und der klinischen Medizin wird exemplarisch das Ausmaß der Unsicherheit von individuellen Vorhersagen durch Risikoprädiktionsmodelle illustriert.


References

1.
Gerds TA, Cai T, Schumacher M. The performance of risk prediction models. Biometrical Journal. 2008;50:457-479.