Vortragsnachmittag

am Montag, 3. Februar 2003,
15:00 - 17:00 Uhr
Institut für Medizinische Informatik, Statistik und Dokumentation, Seminarraum
Auenbruggerplatz 9 / III.Stock
8010 Graz




Analyse multivariater Überlebensdaten unter Anwendung von Multi-State-Modellen -
Ein Anwendungsbeispiel aus der klinischen Onkologie: Evaluierung palliativer Therapiesequenzen beim metastasierten Mammakarzinom

von DI Dr. Bernd Genser

Nach einer Kurzeinführung in die Theorie der Überlebensanalyse wird die Problematik der Analyse mehrdimensionaler, sogenannter multivariater Überlebensdaten erläutert. Dabei wird speziell auf Multi-State-Modelle näher eingegangen, die eine flexible Möglichkeit bieten, longitudinale multivariate Überlebensdaten (engl. Event History Data) zu modellieren. Ein Basiskonzept zur Analyse von Multi-State-Modellen, basierend auf dem proportionalen Hazard-Modell von Cox und der Theorie stochastischer Prozesse wird vorgestellt. Anschließend wird anhand eines Datensatzes aus der klinischen Onkologie die praktische Umsetzung der Methodik mit Hilfe des Softwarepakets S-PLUS demonstriert. Dazu wird der Krankheitsverlauf von Mammakarzinompatientinnen durch unterschiedliche klinische Stadien modelliert. Als Kovariablen sind neben bereits etablierten sowie neueren Prognosefaktoren vor allem die unterschiedlichen Therapieansätze von Interesse. Weiters wird untersucht, ob der bisherige Krankheits- und Therapieverlauf einen Einfluss auf die aktuelle Prognose der Patientin hat.



Ein neuer Ansatz zur Diskriminanzanalyse mit longitudinalen Daten

von Prof. K.-D. Wernecke
Institut für Medizinische Biometrie, Charité, Humboldt-Universität zu Berlin

In klinischen Studien geht es sehr oft um die Auswertung von wiederholten Messungen pro Patient, d.h. um Experimente mit wiederholten Beobachtungen. Mit Methoden der Varianzanalyse für wiederholte Beobachtungen ist es möglich, den Effekt unterschiedlicher Einflussfaktoren auf das Untersuchungsergebnis zu analysieren und Unterschiede im Mittel zwischen Behandlungsgruppen zu testen.
Geht es aber um eine individuelle Zuordnung von Patienten in unterschiedliche Gruppen (etwa bei diagnostischen Fragestellungen), müssen Methoden der Diskriminanzanalyse eingesetzt werden. Eine Diskrimination unter Berücksichtigung des gesamten (zeitlichen) Verlaufs wiederholter Beobachtungen war bisher jedoch nicht möglich. In einem ersten Ansatz modifizierten Tomasko et al., 1999 die lineare Diskriminanzanalyse (LDA) für solche Anwendungen, indem sie eine MANOVA für gemischte Modelle zur Schätzung der festen Effekte (Kovariaten) und zur Bestimmung unterschiedlicher Kovarianzstrukturen (unstructured, compound symmetry, autoregressive of the first order – Azzalani, 1995) einsetzten.
Wir erweiterten diesen Ansatz durch Berücksichtigung eines zufälligen Subjekt-Einflusses (Azzalani, 1995) im Kovarianzmodell eines autoregressiven Prozesses 1.Ordnung, Einbeziehung von Verlustfunktionen in die Diskrimination (Vorgabe von Sensitivität bzw. Spezifität), Erweiterung auf mehr als 2 Klassen, validierte Merkmalsselektion mit validierter Fehlerschätzung und validierte Modellwahl. Eine Anwendung des Verfahrens auf medizinische Daten und Simulationen zum Vergleich von LDA und dem neuen Ansatz mit unterschiedlichen Modellstrukturen werden vorgestellt.



Zurück zur Seite der biometrischen Sektion Steiermark-Kärnten