Article
Einfluss informativer a-priori Verteilungen in linearen gemischten Modellen für die longitudinale Analyse von Daten zur Lebensqualität
Search Medline for
Authors
-
Raphael Koch
- Institut für Biometrie und Klinische Forschung, Westfälische Wilhelms-Universität Münster, Münster, Deutschland
-
Andrea Schumacher
- Medizinische Klinik A (Hämatologie und Onkologie), Universitätsklinikum Münster, Münster, Deutschland
| Published: | August 29, 2017 |
|---|
Outline
Text
In klinischen Studien steigt das Interesse an der zeitlichen Veränderung von klinisch relevanten Endpunkten wie der Lebensqualität (QoL). Um den Zeitverlauf zu untersuchen, werden longitudinale Studiendesigns verwendet und die Zielgrößen an mehreren Messzeitpunkten erhoben. Häufig liegen bereits Ergebnisse für einzelne spezifische Zeitpunkte aus früheren Querschnittsstudien vor. Dieses Vorwissen kann mittels eines Bayes-Ansatzes in die Analyse der longitudinalen Daten einer neuen Studie eingebracht werden.
In einem klinischen Beispiel (DRKS00007945) wird die QoL bei onkologischen Patienten, die eine allogene Stammzelltransplantation erhalten, zu drei Zeitpunkten erhoben: zu Beginn (T1) und am Ende der stationären Behandlung (T2), sowie sechs Monate nach Entlassung (T3). Der Fragebogen EORTC QLQ-C30 [1] wird verwendet um die QoL zu erheben. Aus einer früheren Querschnittstudie [2] einem ähnlichen Patientenkollektiv und einem zu T3 vergleichbaren Zeitpunkt liegen bereits Messungen der QoL vor.
Zuerst werden klassische frequentistische lineare gemischte Modelle [3] angepasst, um die longitudinale Veränderung des globalen QoL-Scores zu schätzen. Dabei werden verschiedene Typen von Kovarianzmatrizen für die Residuen verwendet bzw. unterschiedliche Zufallseffekte modelliert. Fehlende Werte werden als Missing at random angenommen. Desweiteren werden lineare gemischte Bayes-Modelle mit nicht-informativen sowie informativen a-priori Verteilungen, basierend auf der früheren Studie, angepasst [4], [5], [6]. Diese Ergebnisse werden mit dem frequentistischen Verfahren verglichen.
Falls mehrere historische Studien Informationen über einen Modellparameter beitragen, kann eine metaanalytisch prädiktive (MAP) a-priori Verteilung bestimmt und angewandt werden [7] oder eine Mischung aus konjugierten a-priori Verteilungen [8] benutzt werden. In diesem Beispiel kann der MAP-Ansatz nicht angewandt werden, da nur eine frühere Studie existiert. Daher wird hier die Bedeutung des Gewichtungsfaktors für das historische informative a-priori Vorwissen näher untersucht. Weiter wird der Einfluss der informativen a-priori Verteilung eines Parameters auf die anderen Modellparameter, wie beispielsweise die Veränderung zwischen den Zeitpunkten, analysiert.
Die Autoren geben an, dass kein Interessenkonflikt besteht.
Die Autoren geben an, dass kein Ethikvotum erforderlich ist.
Literatur
- 1.
- Aaronson NK, Ahmedzai S, Bergman B, Bullinger M, Cull A, Duez, NJ, et al. The European Organization for Research and Treatment of Cancer QLQ-C30: a quality-of-life instrument for use in international clinical trials in oncology. J Natl Cancer Inst. 1993;85:365-376.
- 2.
- Schumacher A, Sauerland C, Silling G, Berdel WE, Stelljes M. Resilience in patients after allogeneic stem cell transplantation. Supportive Care Cancer. 2014;22:487-493
- 3.
- Zeger SL, Liang KY. Longitudinal Data Analysis for Discrete and Continuous Outcomes. Biometrics. 1986;42:121–130.
- 4.
- Broemeling, LD. Bayesian Methods for Repeated Measures. Oakville: CRC Press; 2015.
- 5.
- Kruschke JK. Doing Bayesian Data Analysis, Second Edition: A Tutorial with R, JAGS, and Stan. Academic Press; 2015.
- 6.
- Lesaffre E, Lawson AB. Bayesian Biostatistics. Wiley; 2012.
- 7.
- Gsteiger S, Neuenschwander B, Mercier F, Schmidli H. Using historical control information for the design and analysis of clinical trials with overdispersed count data. Statistics in Medicine. 2013;32(21):3609-22.
- 8.
- Schmidli H, Gsteiger S, Roychoudhury S, O'Hagan A, Spiegelhalter D, Neuenschwander B. Robust Meta-Analytic-Predictive Priors in Clinical Trials with Historical Control Information. Biometrics. 2014;70(4):1023-32.
