Statistische Modellbildungsstrategien mit Anwendung in der Kardiologie (SAMBA)

• Antragstellerinnen / Antragsteller: Professor Dr. Heiko Becher; Professorin Dr. Geraldine Rauch, Ph.D.
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 437007492

Statistische Modelle, die den Krankheitsverlauf und das Ansprechen auf die Behandlung angemessen beschreiben, sind für die Entwicklung, Verbesserung und Beurteilung von Therapien in allen medizinischen Bereichen von wesentlicher Bedeutung. Die Ziele solcher Modelle sind- das Ergebnis verschiedener Interventionen oder Veränderungen eines Risikofaktors zu vergleichen, unter Berücksichtigung von Confoundern - erklärende Variablen zu identifizieren und den Zusammenhang zwischen erklärenden Variablen und dem Outcome genau zu beschreiben, und- Vorhersagen über den Outcome zu machen.Die methodischen Anforderungen und Herausforderungen für diese drei Ziele sind unterschiedlich. In medizinischen Anwendungen konzentriert man sich häufig nicht auf ein eines davon, sondern das Interesse liegt in einer Kombination. Im Allgemeinen hängt die Entwicklung eines gültigen beschreibenden oder erklärenden Modells von der Identifizierung der erklärender Variablen und der Auswahl geeigneter funktionaler Formen ab. Zu beiden Aspekten gibt es seit langem intensive statistische Forschung, die jedoch nur unzureichend in die klinische Forschung eingeflossen ist. Dieses interdisziplinäre Projekt soll eine Brücke zwischen der statistischen Erforschung von Modellbildungsstrategien und der Umsetzung der Methodik in die medizinische Forschung schlagen.Daher zielt dieses Projekt auf1. Identifizierung von Einschränkungen bei multivariablen Modellen, die für kardiologische Anwendungen entwickelt wurden (Auswahl der Variablen und der funktionalen Form),2. Entwicklung komplexer statistischer Modelle für vier typische kardiologische Forschungsfragen unter Anwendung moderner Methoden,3. Entwicklung und Bewertung neuer Methoden zur Korrektur des Bias, der bei der Modellbildung auftreten kann, und4. Anleitung für Modellbildungsstrategien, die für angewandte Forscher verständlich sindAus statistischer Sicht ist es daher das Ziel, die in der klinischen Forschung angewandten aktuellen Standards zur Modellbildung und Variablenidentifikation zu identifizieren, zu diskutieren und zu verbessern. In diesem Projekt konzentrieren wir uns auf deskriptive Modelle, die möglicherweise mit dem Ziel verbunden sind, eine bestmögliche Vorhersage auch bei geringer Stichprobengröße zu treffen. Ziel sind daher Modelle, bei denen Regressionskoeffizienten aus medizinischer Sicht interpretierbar sein müssen. Wir werden insbesondere auf die Auswirkungen der Stichprobengröße eingehen und Optionen und Einschränkungen hervorheben, die in realen Situationen auftreten.Aus medizinischer Sicht besteht das Ziel darin, neue Erkenntnisse aus statistischen Modellen zu gewinnen, die unter Anwendung moderner Verfahren erstellt werden. Wir erwarten, für die ausgewählten Beispiele methodisch verbesserte Modellbildungsstrategien ableiten zu können. Originaldaten mehrerer Studien aus der kardiologischen Forschung stehen uns dazu zur Verfügung, deren Resultate mit Ergebnissen aus der Literatur kombiniert werden.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Österreich
• Partnerorganisation: Fonds zur Förderung der wissenschaftlichen Forschung (FWF)
• Kooperationspartnerin: Professorin Dr. Daniela Dunkler