Bayesianisches nichtparametrisches hierarchisches Meta-Regression: ein flexibler Ansatz zur Modellierung multipler Verzerrungen bei der Kombination von Studien unterschiedlicher Qualität und verschiedener Typen

• Antragsteller: Privatdozent Dr. Pablo-Emilio Verde
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 503988801

Das Ziel dieses Projekts ist es, eine flexible Methode zur gemeinsamen Modellierung von Effektivität und Bias, wenn Beweise aus Studien von unterschiedlicher Art (z. B. RCTs, Beobachtungsstudien) oder unterschiedlicher Qualität in einer Meta-Analyse zusammengefasst sind. Die statistische Methode, die entwickelt wird, ist ein Bayesianisches nichparametrisches hierarchisches Meta-Regressionsmodell. Das Modell unterscheidet explizit ein Untermodell für Datenerhebungsprozesses (Modellierung des internen und externen Validitätsbias) und ein Untermodell für klinische Fragestellungen (z. B. Effektivität, Prognose). Der potenzielle Vorteil der Bayesschen Nichtparametrie wird in einem oder beiden dieser Untermodelle untersucht. Basierend auf dieser Methode wird ein R-Paket erstellt. Das Projekt soll einen wesentlichen Beitrag zur Bewertung von Gesundheitstechnologien leisten.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Großbritannien, USA
• Mitverantwortlich: Professor Dr. Andreas Krieg
• Kooperationspartnerinnen / Kooperationspartner: Professorin Dr. Sylwia Bujkiewicz; Professor Gary Rosner