Statistische Lernverfahren zur Identifikation latenter Klassen für die indirekte Schätzung von Referenzintervallen

• Antragsteller: Dr. Tobias Hepp
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 517012999

Referenzintervalle, die den Bereich der in einer gesunden Bevölkerung zu erwartenden physiologischen Testergebnisse umfassen, spielen in der täglichen klinischen Entscheidungsfindung eine bedeutende Rolle. Um zuverlässige und genaue Schätzungen für diese diagnostischen Grenzwerte zu erhalten, stützen sich direkte Methoden auf prospektive Studiendesigns mit umfangreichem Vorscreening, um den Einschluss pathologischer Fälle zu verhindern. Leider ist dieser Ansatz mit erheblichem Aufwand verbunden und nicht immer praktikabel, wie etwa im Zusammenhang mit pädiatrischen Referenzintervallen aufgrund deutlich strengerer Rekrutierungsvorschriften. Infolgedessen gewinnen sogenannte "indirekte" Schätzverfahren zunehmend an Bedeutung, welche in der Lage sind die Verteilung "gesunder" Messwerte aus Labordatenbanken zu extrahieren die auch pathologische Fälle enthalten, der wahre Patientenstatus jedoch unbekannt ist. Derzeit sind jedoch selbst fortschrittliche indirekte Methoden stark limitiert, wenn es darum geht neben der Identifikation der Referenzverteilung gleichzeitig den Einfluss wichtiger Patientenmerkmale (z. B. Alter) zu berücksichtigen. Um diese Einschränkungen zu überwinden wurden durch den Antragsteller in Vorarbeiten unterschiedliche Ansätze der Implementierung und Optimierung latenter Verteilungsregression bzw. konditionaler finiter Mischmodelle untersucht. Das Ziel dieses Projekts ist es durch Weiterentwicklung und Erweiterung dieser Modellklasse die zuverlässige Identifikation latenter Verteilungen und gleichzeitige Schätzung der Abhängigkeitsstruktur deren Parameter von einer oder mehreren Kovariablen unter Vorliegen unbeobachteter Heterogenität zu ermöglichen. Dies erfordert unter anderem Anpassungen und/oder Neuentwicklungen von Algorithmen zur Optimierung der Modellparameter sowie unterschiedliche Regularisierungsstrategien, um die sich aus der hohen Flexibilität der Modelle ergebenden Herausforderungen anzugehen.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Privatdozent Dr. Jakob Zierk