Modellierung von ROC-Kurven in Metaanalysen von Diagnosestudien und Netzwerkmetaanalyse

• Antragstellerin: Dr. Gerta Rücker
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung von 2012 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 214969570

Das Projekt betrifft zwei aktuelle Forschungsgebiete der Evidenzsynthese in der Medizin, Metaanalyse von Studien zur diagnostischen Genauigkeit und Netzwerkmetaanalyse. Abschließendes Ziel ist es, beide Gebiete zu kombinieren.Beim Standardansatz zur Metaanalyse diagnostischer Genauigkeitsstudien nimmt man an, dass jede Studie genau ein Paar (Sensitivität, Spezifität) beiträgt. In der ersten Förderphase untersuchten wir zwei allgemeinere Ansätze, die auch multiple Cut-offs des zugrundeliegenden Biomarkers berücksichtigen, `Modelling biomarker distributions' und `Averaging ROC curves'.Der erste Ansatz basiert auf der Idee, die Verteilungsfunktionen des zugrundeliegenden Biomarkers für erkrankte und nicht erkrankte Personen zu schätzen. Unter einer parametrischen Verteilungsannahme schätzt man über ein gemischtes lineares Modell für die geeignet transformierten Daten die Parameter in beiden Gruppen. Das Modell berücksichtigt sowohl die Abhängigkeit zwischen Sensitivität und Spezifität innerhalb der Studien als auch die Heterogenität zwischen den Studien. Wir erhalten eine summary receiver operating characteristic (SROC-)Kurve und einen gepoolten Schätzer für Sensitivität und Spezifität an jedem Cut-off. Zudem ermöglicht das Modell über die Maximierung des Youden-Index die Bestimmung eines optimalen Cut-off.Im zweiten Ansatz, zuerst vorgeschlagen von Martinez-Camblor (2014), bildet man die SROC-Kurve als gewichtetes Mittel über die ROC-Kurven der Primärstudien in `vertikaler' Richtung (Mittelung der Sensitivitäten bei gegebener Spezifität). Wir verallgemeinerten die Methode durch (1) Vertauschung der Rolle von Sensitivität und Spezifität (Mittelung der Spezifitäten bei gegebener Sensitivität, `horizontal averaging'), (2) Mittelung der Differenzen von Sensitivität und Falschpositivrate bei gegebener Summe (`diagonal averaging').Ein weiteres Forschungsgebiet war Netzwerkmetaanalyse (NMA). Wir untersuchten in vier Publikationen (1) die Beziehung zwischen NMA und der Theorie elektrischer Netzwerke, (2) eine alternative Methode zur Adjustierung von mehrarmigen Studien durch geeignete Inflation der Standardfehler, (3) Methoden zur automatischen Visualisierung von Netzwerken, und (4) das Ranking von Behandlungen auf der Basis einer Netzwerkmetaanalyse aus frequentistischer Perspektive.In der zweiten Förderphase wollen wir die bisherigen Ansätze verfeinern und verallgemeinern, mit einem Fokus auf Wissensvermittlung. Einem immer größeren und komplexeren Methodenspektrum steht deren mangelnde Zugänglichkeit für nicht-statistische Anwender gegenüber. Diese Lücke möchten wir schließen. Dazu gehört die Implementierung der neuen Ansätze in einem neuen R-Paket sowie die Erweiterung unseres existierenden R-Pakets netmeta für Netzwerkmetaanalyse, etwa durch die Möglichkeit der Metaregression. Das abschließende Ziel ist es, Metaanalyse von Studien zur diagnostischen Genauigkeit und Netzwerkmetaanalyse zu verbinden (Netzwerkmetaanalyse von Diagnosestudien).

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Dr. Guido Schwarzer