Stetige Interventionen in der Epidemiologie: von der Theorie zur Praxis

• Antragsteller: Dr. Michael Schomaker
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 465412441

Ziel des vorgeschlagenen Forschungsvorhabens ist die Entwicklung statistischer Verfahren zur Schätzung kausaler Dosis-Wirkungskurven (KDWKs) bei longitudinalen stetigen Interventionen. Angewandt werden diese auf die Untersuchung des Effektes von Efavirenz- und Nevirapin-Konzentrationen auf die Unterdrückung der Virenlast in HIV-positiven Kindern. Von Interesse ist, wie die kontrafaktische Wahrscheinlichkeit einer unterdrückten Virenlast als Funktion von Medikamentenkonzentrationen, Beobachtungszeit und metabolischen Subgruppen variiert. Der erste Ansatz verwendet kausale Standardisierungsmethoden unter Verwendung der „g-formula“ und des sequentiellen „g-computation“-Schätzers. Hier werden kontrafaktische Outcomes für verschiedene Werte der stetigen Intervention zu jedem Zeitpunkt geschätzt und anschließend nichtparametrisch kombiniert. Bei stetigen Interventionen stellen praktische Verletzungen der Positivitätsannahme (PA) eine Herausforderung dar. Die PA fordert eine positive Wahrscheinlichkeit, eine bestimmte Intervention (z.B. Konzentration) zu einem gewissen Zeitpunkt zu erhalten (für gegebene Kovariablenstrata). Bedingung ist, dass die entsprechende Intervention auch zu vergangenen Zeitpunkten erhalten wurde. Daher schlage ich die Entwicklung geeigneter Projektionsfunktionen vor, die Interventionsstrategien mit stärkerer Unterstützung in den Daten höher gewichten. Alle entwickelten Methoden werden in einem Paket für die statistische Software R implementiert und mit Monte-Carlo-Simulationen evaluiert. Im zweiten Ansatz soll ein doppelt robuster Schätzer für KDWKs entwickelt werden. Dieser beruht auf der Schätzung der bedingten Interventionsdichte und des bedingten Erwartungswerts der Zielgröße zu jedem Zeitpunkt. Doppelt robuste Schätzer erlauben die Integrierung von maschinellem Lernen (ML). Da aktuell implementierte „Wrapper“ für ML-Algorithmen zur Schätzung bedingter Dichten im Kontext der kausalen Inferenzschätzung jedoch noch sehr limitiert sind, sollen weitere passende „Wrapper“ implementiert werden, um die Flexibilität des entwickelten Schätzers zu erhöhen. Dies schließt u.a. Techniken wie Boosting von verallgemeinerten additiven Modellen für Lage-, Skalen- und Formparameter mit ein. Beide Ansätze werden im Kontext der Anwendung entwickelt, die eine möglichst exakte Schätzung der KDWK erfordert. Unter starken Posititvitätsverletzungen ist dies jedoch eine Herausforderung. Hier sind „natürliche Interventionen“ (NI), die auf Verschiebungen tatsächlich beobachteter Interventionswerte basieren, eine Alternative, da diese auf weniger starken Annahmen zur Identifizierung eines kausalen Effekts basieren. Die Forschungsfrage ist bei NI jedoch eine andere. Simulationen sollen die Stabilität der beiden entwickelten Ansätze sowie der NI bei unterschiedlicher Schwere an Positivitätsverletzungen untersuchen. Ziel ist es, praktische Empfehlungen für Anwender unter Berücksichtigung statistischer und interpretatorischer Aspekte zu geben.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Südafrika, USA
• Mitverantwortlich: Professor Dr. Bernd Bischl
• Kooperationspartnerinnen / Kooperationspartner: Professor Dr. Paolo Denti; Professor Dr. Iván Diaz; Professorin Dr. Helen McIlleron