A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

In der Welt der medizinischen Forschung verfolgen Ärzte und Wissenschaftler oft zwei verschiedene Arten von Informationen, um zu verstehen, wie eine Krankheit durch den Körper eines Menschen fortschreitet. Die erste Art ist eine Reihe von Messungen, die über einen Zeitraum hinweg durchgeführt werden, wie etwa die Kontrolle des Blutdrucks oder der Lungenkapazität alle paar Monate. Diese werden als longitudinale Marker bezeichnet, und sie erzählen eine Geschichte der Veränderung, indem sie zeigen, ob sich ein Patient langsam verbessert oder verschlechtert. Die zweite Art von Information bezieht sich auf spezifische Momente, in denen etwas Bedeutendes geschieht, wie etwa ein plötzlicher Krankenhausaufenthalt, eine schwere Komplikation oder sogar der Tod. Diese sind als klinische Ereignisse bekannt. Seit Jahrzehnten versuchen Forscher, mathematische Modelle zu entwickeln, die diese beiden Datenströme miteinander verknüpfen – mit der Frage, wie die langsamen, stetigen Veränderungen in den Gesundheitsmesswerten eines Patienten den Zeitpunkt eines plötzlichen, schweren Ereignisses vorhersagen können. Diese Verbindung ist entscheidend, da sie es Ärzten ermöglicht, Probleme vorherzusehen, bevor sie zu Notfällen werden. Die medizinischen Daten aus der Praxis sind jedoch selten einfach. Patienten erleben oft die gleiche Art von Krise mehrfach, und sie sind mit verschiedenen Arten von schwerwiegenden Ereignissen konfrontiert, die miteinander konkurrieren, wie etwa das Risiko zu sterben gegenüber dem Risiko, eine Transplantation zu benötigen. Darüber hinaus sind viele Gesundheitsmesswerte begrenzt, was bedeutet, dass sie nicht unter Null sinken oder über eine bestimmte Grenze steigen können, was sie mit Standardwerkzeugen, die davon ausgehen, dass Zahlen in beide Richtungen unendlich lang sein können, schwierig analysierbar macht.

Ein Team aus Statistikern und Epidemiologen hat einen neuen, anspruchsvolleren Weg entwickelt, um diese komplexen Teile der Information miteinander zu verbinden. Ihre Arbeit konzentriert sich auf die Mukoviszidose (zystische Fibrose), eine schwere genetische Störung, die die Lunge und das Verdauungssystem schädigt. Patienten mit dieser Erkrankung werden engmaschig anhand zweier Schlüsselindikatoren überwacht: ihres Body-Mass-Index, der ihren Ernährungszustand widerspiegelt, und eines Maßes der Lungenfunktion namens prozentualer vorhergesagter Einsekundenkapazität (FEV1). Diese Lungenmessung ist ein Prozentsatz, der typischerweise zwischen null und einhundert liegt, obwohl er durch effektive Behandlung gelegentlich etwas höher ausfallen kann. Da diese Zahl in einem spezifischen Bereich gefangen ist, haben herkömmliche statistische Methoden Schwierigkeiten, sie genau zu modellieren, und liefern manchmal unmögliche Ergebnisse wie eine negative Lungenkapazität. Die Forscher mussten zudem berücksichtigen, dass Patienten wiederholt unter Lungeninfektionen, sogenannten pulmonalen Exazerbationen, leiden können, und dass sie am Ende ihres Weges zwei unterschiedlichen, konkurrierenden Risiken gegenüberstehen: dem Tod durch Ateminsuffizienz oder dem Erhalt einer Lungentransplantation. Frühere Methoden zwangen Forscher oft dazu, einige dieser Informationen zu ignorieren, etwa indem sie mehrere Infektionen als ein einziges Ereignis behandelten oder Tod und Transplantation in eine einzige Kategorie zusammenfassten, was wichtige Details verschleierte.

Um diese Probleme zu lösen, entwickelten die Forscher einen vereinheitlichten statistischen Rahmen, der all diese Komplexitäten gleichzeitig bewältigen kann. Anstatt die Lungenfunktionsdaten in eine Standardkurve zu pressen, die unmögliche Werte zulässt, verwendeten sie eine flexible mathematische Form, die speziell für Zahlen entwickelt wurde, die innerhalb einer festen Grenze bleiben. Dieser Ansatz stellt sicher, dass das Modell nur realistische Lungenfunktionswerte vorhersagt. Sie verknüpften dieses verbesserte Messmodell dann mit dem Timing wiederholter Infektionen und den konkurrierenden Risiken von Tod und Transplantation. Dadurch konnten sie sehen, wie die Trajektorie der Lungenfunktion und des Körpergewichts eines Patienten die Wahrscheinlichkeit einer zukünftigen Infektion oder eines terminalen Ereignisses beeinflusste, während sie gleichzeitig berücksichtigten, dass ein Patient, der eine Transplantation erhält, nicht mehr auf die gleiche Weise durch Ateminsuffizienz zu sterben gefährdet ist. Das Team testete diese neue Methode unter Verwendung einer massiven Datenbank, die Gesundheitsakten von über 23.000 Personen mit Mukoviszidose in den Vereinigten Staaten über einen Zeitraum von fast zwei Jahrzehnten enthielt. Dieser Datensatz umfasste Millionen einzelner Messungen und erfasste tausende Hospitalisierungen, Transplantationen und Todesfälle.

Die Anwendung dieses neuen Modells auf die realen Daten lieferte ein klareres Bild der Krankheitsentwicklung. Die Analyse zeigte, dass das Risiko eines Patienten, eine Lungeninfektion zu erleiden, steigt, wenn er in der Vergangenheit viele Infektionen hatte, was bestätigt, dass die Krankheit dazu neigt, in Episoden aufzutreten. Vor allem aber demonstrierte das Modell, dass sowohl die Lungenfunktion als auch der Body-Mass-Index starke Prädiktoren für zukünftige Risiken sind. Speziell war ein schnellerer Rückgang der Lungenfunktion stark mit einem höheren Sterberisiko assoziiert, während die kumulative Historie der Veränderungen des Body-Mass-Index mit dem Risiko einer weiteren Infektion verknüpft war. Die Studie fand heraus, dass das Sterberisiko und das Risiko, eine Transplantation zu benötigen, durch diese Marker unterschiedlich beeinflusst werden, was beweist, dass deren Behandlung als ein einziges Ergebnis wichtige Nuancen übersehen hätte. Beispielsweise zeigte das Modell, dass ein Rückgang der Lungenfunktion um eine Einheit sowie eine schnellere Abnahmerate das Sterberisiko jeweils um unterschiedliche Beträge erhöhten, was die Bedeutung der Verfolgung der Änderungsgeschwindigkeit im Vergleich zum reinen Ist-Wert unterstreicht. Die Forscher entdeckten auch, dass Patienten, die gebrechlicher waren – ein Begriff, der einen allgemeinen Zustand der Vulnerabilität beschreibt –, signifikant wahrscheinlicher Infektionen erlitten, eine Transplantation erhielten oder starben.

Die Studie diente auch als Test, um zu prüfen, ob die Verwendung der alten, einfacheren Methoden zu falschen Schlussfolgerungen führen würde. Als die Forscher Daten simulierten, bei denen die Lungenfunktion streng begrenzt war, und dann versuchten, diese mit den traditionellen Methoden zu analysieren, die davon ausgehen, dass Zahlen überall hin wandern können, waren die Ergebnisse verzerrt. Der ältere Ansatz lieferte voreingenommene Schätzungen und suggerierte, dass die Beziehung zwischen der Lungengesundheit und dem Sterberisiko viel schwächer sei, als sie tatsächlich war. Dies bestätigte, dass die neue Methode nicht nur eine geringfügige Anpassung, sondern eine notwendige Verbesserung für eine präzise Analyse ist. Das Team stellte sein neues Modell der wissenschaftlichen Gemeinschaft über ein kostenloses Softwarepaket zur Verfügung, damit andere Forscher denselben strengen Ansatz auf andere Krankheiten mit ähnlichen komplexen Datenstrukturen anwenden können. Indem es die gesamte Geschichte des Gesundheitsverlaufs eines Patienten erfasst – die wiederholten Rückschläge, die konkurrierenden Gefahren und die Begrenztheit ihrer Vitalwerte –, bietet diese Arbeit ein präziseres Werkzeug zum Verständnis des Krankheitsverlaufs. Sie bietet eine Möglichkeit, die Beziehung zwischen den wichtigsten klinischen Anzeichen und lebensbedrohlichen Ereignissen mit einem Detailgrad zu quantifizieren, der zuvor unmöglich war, was potenziell dazu beitragen kann, diese Bedingungen in Zukunft effektiver zu managen.