Von Summary ROC-Kurven zur Anwendung in klinischer Forschung: Transfer der Meta-Analyse von Diagnosestudien in die praktische Umsetzbarkeit

• Antragstellerin: Professorin Dr. Annika Hoyer
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 519901253

Meta-Analysen und systematische Übersichtsarbeiten bilden die Grundlage der evidenzbasierten Medizin und unterstützen klinische Entscheidungen in Behandlung, Diagnose und Prävention sowie die Gesundheitspolitik. Während statistische Methoden für die Meta-Analyse von Interventionsstudien gut etabliert sind, hat die Meta-Analyse von Studien zur diagnostischen Testgenauigkeit (DTA) in jüngerer Zeit erheblich an Bedeutung gewonnen. Dies ist vor allem auf die erhöhte Komplexität diagnostischer Studien zurückzuführen, die einen bivariaten Endpunkt, bestehend aus Sensitivität und Spezifität, berichten. Dieses Projekt beschäftigt sich mit den Herausforderungen bei der Meta-Analyse von DTA-Studien, insbesondere wenn mehrere diagnostische Schwellenwerte pro Studie angegeben werden. Traditionelle Meta-Analysen vereinfachen die Daten oft, indem sie pro Studie nur einen Schwellenwert auswählen, wodurch wertvolle Informationen verloren gehen können. Aktuelle Leitlinien empfehlen fortgeschrittene statistische Methoden für vollständige Schwellenwert-Analysen, die jedoch häufig Einschränkungen aufweisen, wie die Abhängigkeit von Kontinuitätskorrekturen. Um diese Probleme zu adressieren, haben wir bereits alternative Modelle entwickelt: eine Meta-Regression, die das bivariate generalisierte lineare Regressionsmodell mit zufälligen Effekten erweitert, sowie ein bivariates Modell, das diagnostische Testwerte als intervallzensierte Überlebensdaten behandelt. Dieses Modell berücksichtigt Heterogenität und Korrelation über zufällige Effekte und ermöglicht die Schätzung von meta-analytischen ROC-Kurven. Erweiterungen umfassen flexible Verteilungsannahmen mithilfe generalisierter F-Verteilungen sowie semi-parametrische Modelle zur Lockerung parametrischer Annahmen. Trotz dieser Verbesserungen bleiben offene Fragen hinsichtlich der Verteilungsannahmen und der Modellierung von zufälligen Effekten. Im Rahmen dieses Forschungsprojekts konzentrieren wir uns auf vier Hauptziele: (1) Entwicklung neuer statistischer Methoden zur Meta-Analyse von ROC-Kurven unter Verwendung multinomialer Verteilungen zur Modellierung von Heterogenität ohne normalverteilte zufällige Effekte, (2) Entwicklung eines Ensemble-Learning-Ansatzes zur Kombination mehrerer Meta-Analyse-Methoden basierend auf den Eigenschaften der Daten, (3) Entwicklung eines R-Pakets, das verfügbare Methoden und Simulationsabläufe für die praktische Anwendung beinhaltet, sowie (4) die Überführung dieser Modelle in die klinische Praxis. Das Forschungsvorhaben trägt damit zur Weiterentwicklung der meta-analytischen Methodik für DTA-Studien bei und zielt darauf ab, die Evidenzsynthese zu verbessern und die praktische Anwendung zu unterstützen. Wir fokussieren uns insbesondere auf die Übertragung moderner Methoden in die klinische Praxis und schließen damit die Lücke zwischen der Methodenentwicklung und einsatzbereiten Tools, mit denen Meta-Analysen von DTA-Studien ohne technisches Fachwissen durchgeführt werden können.

• DFG-Verfahren: Sachbeihilfen