Planung und nichtparametrische Inferenz bei Mehrstadien-Ereigniszeitdaten wie zum Beispiel Eintreten und Dauer einer Erkrankung

• Antragsteller: Professor Dr. Jan Beyersmann; Professor Dr. Martin Schumacher
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung von 2011 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 189200139

Krankheitsverläufe sind häufig eine komplexe Abfolge von Krankheitsereignissen im zeitlichen Verlauf. Mehrstadienmodelle aus der Überlebenszeitanalyse bieten einen geeigneten statistischen Rahmen, um derartige Krankheitsverläufe zu analysieren. So ist ein gängiger klinischer Endpunkt krankheitsfreies Überleben. Ein konkurrierendes Risiken-Mehrstadien-Modell untersucht spezifischer das Eintreten einer Erkrankung im Vergleich zu Tod. Werden Patienten nach einer Wiedererkrankung weiter beobachtet, erlauben komplexere Mehrstadien-Modelle z.B. Krankheitsdauern zu studieren.Klinische Studien, die derartigen Fragen nachgehen, müssen jedoch sorgfältig geplant werden. In einem Teilprojekt haben wir statistische Methodik zur Studienplanung untersucht. Eine beispielhaft untersuchte Frage war, wie statistisch der Nachweis zu erbringen ist, dass eine innovative Prophylaxe unerwünschter Immunreaktionen bei stammzelltransplantierten Patienten wirkt. Ein weiterer, insbesondere für Mehrstadien-Daten wichtiger Aspekt ist der des Sampling Designs. Nicht jedes Krankheitsereignis ereilt jeden Patienten. Daher haben wir unter Planungsaspekten Designs untersucht, bei denen alle Patienten mit einem bestimmten Ereignis, z.B. im Krankenhaus erworbene Infektion, jedoch nur eine Stichprobe der nicht-infizierten Patienten in die Studie eingeschlossen wird. Die methodische Herausforderung liegt dabei darin, dass der Infektionszustand und damit auch die genannte Einteilung zeitdynamisch sind.In einem weiteren Teilprojekt haben wir statistische Schlussweisen untersucht, die mittels zeitsimultaner Techniken dem Umstand Rechnung tragen, dass sich Krankheitsverläufe sowohl durch unterschiedliche Krankheitsereignisse als auch durch unterschiedliche Ereigniszeitpunkte charakterisieren. Derartige zeitsimultane Techniken sind typischerweise rechenintensiv und verwenden Computer-Simulationen, die aus den empirisch beobachteten Daten generiert werden. In unserem Projekt ist uns einerseits der mathematische Nachweis eines fast 20 Jahre alten Verfahrens gelungen. Andererseits wurden die Techniken erfolgreich auf reale Datensätze wie z.B. zur Arzneimittelsicherheit in der Schwangerschaft angewendet.Im Weiteren wollen wir Planungs- und Inferenzaspekte für Studien und Fragestellungen untersuchen, die komplexe Mehrstadienmodelle erfordern. Besondere Aufmerksamkeit werden wir dabei dem sogenannten Exposure-Density Sampling widmen, das sich insbesondere für Studien mit selten auftretender Exposition zu einem Risikofaktor als sehr ressourceneffiziente Alternative anbietet. Resampling- und permutationsbasierte statistische Methoden bilden den Schwerpunkt auf der Inferenzseite. Durch die geplante Zusammenarbeit sollen beide gleichermaßen wichtigen Aspekte nahtlos miteinander verzahnt werden.

• DFG-Verfahren: Sachbeihilfen