Verteilungsregression für Ereigniszeiten
Zusammenfassung der Projektergebnisse
Das Projekt “Verteilungsregression für Ereigniszeiten” hatte das Ziel, neue Regressionsmethoden für die Analyse von Ereigniszeiten zu entwickeln, beispielsweise zur Vorhersage der Zeit bis zum Tod eines Krebspatienten. Hierfür wird die Assoziation der Überlebenszeit mit mehreren Einflussgrößen modelliert. Üblicherweise wird hierbei die mittlere Überlebenszeit vorhergesagt. Durch spezielle Methoden, sogenannter Verteilungsregression, die statt des Durchschnittspatienten auch die Vorhersage von Worst-Case und Best-Case Szenarien ermöglichen, können neue Erkenntnisse erzielt werden. Im Zentrum unserer Forschung stand zunächst die Erweiterung von Expektil- und Modusregression, zwei Methoden der Verteilungsregression, für rechtszensierte Ereigniszeiten. Rechtszensierte Daten entstehen in einer Studie beispielsweise dadurch, dass ein Patient wegen Umzug oder Studienende nicht weiter beobachtet werden kann. Durch Analysemethoden kann trotzdem diese teilweise beobachtete Überlebenszeit für diesen Patienten verwendet werden. Mithilfe von Gewichten haben wir die Expektil- und Modusregression erweitert und sie mithilfe von Simulationen evaluiert. Die Methoden haben einige vorteilhafte Eigenschaften: Die Berechnung beruht auf bekannten Algorithmen; außerdem können Effekte von Einflussgrößen flexibel modelliert werden. Beispielsweise können durch flexible Modellierungen ein nichtlinearer Effekt von Alter auf das Überleben angenommen werden, statt von einem gleichbleibenden Effekt von jedem zusätzlichen Jahr auf das Überleben. Unsere Methoden haben wir nach der Entwicklung auf Überlebenszeiten von Darmkrebs-und Pankreaskrebspatienten angewandt. Dabei konnten wir beispielsweise feststellen, dass Chemotherapie für unser Patientenkollektiv im Worst-Case Szenario die größte Assoziation zwischen Chemotherapie und einer Verlängerung der Überlebenszeit bestand. In einer weiteren Arbeit von uns haben wir uns mit Generalisierten Additiven Modellen für Lokation, Skala und Schiefe (GAMLSS) beschäftigt. In Kooperation mit Partnern wie des Mitentwicklers von GAMLSS haben wir eine Einführung zu GAMLSS für Ereigniszeiten verfasst. Obwohl GAMLSS bereits seit einigen Jahren für zensierte Ereigniszeiten benutzt werden kann, wurde das Modell in der Vergangenheit wenig genutzt. Der Fokus dieses Artikels liegt daher in der Vermittlung von praktischem Wissen über GAMLSS und in dem Abbau von Hürden für Anwender. GAMLSS hat einige Vorteile, die wir in unserem Tutorial dargestellt haben. Es erlaubt dem Anwender, Einflüsse auf die Unsicherheit direkt zu modellieren und damit Aussagen zum Risiko einer bestimmten Therapie zu generieren. Unsere Methoden haben wir in einem frei verfügbaren Softwarepaket veröffentlich sowie in open access Artikeln beschrieben und evaluiert.
Projektbezogene Publikationen (Auswahl)
-
Analysis of Colorectal Cancer Data using Semiparametric Distributional Regression. GMDS 2019. Dortmund, 09.09.2019
Seipp A
-
Outcome-Analyse mithilfe von Quantilregression bei 1028 Patienten mit kolorektalem Karzinom. DGVS Viszeralmedizin 2019. Wiesbaden, 04.10.2019
Weyhe D, Seipp A , Uslar V, Timmer A, Otto-Sobotka F
-
Semiparametric Accelerated Failure Times Quantile and Expectile Regression using Auxiliary Likelihoods. DAGStat 2019. München, 20.03.2019
Otto-Sobotka F
-
Weighting Expectile Regression for Survival Analysis with Right-Censoring. DAGStat 2019. München, 20.03.2019
Seipp A
-
Mode Regression in Survival Analysis. GMDS 2020. 06.09.2020
Seipp A, Uslar V, Timmer A, Otto-Sobotka F
-
Weighted expectile re- gression for right-censored data. Statistics in Medicine. 2021; 40(25): 5501–5520
Seipp A, Uslar V, Weyhe D, Timmer A, Otto-Sobotka F
-
Flexible Semiparametric Mode Regression for Time-to-Event Data. Statistical Methods in Medical Research. 2022; 31(12):2352-2367
Seipp A, Uslar V, Weyhe D, Timmer A, Otto-Sobotka F
