Performance of prior event rate ratio method in the presence of differential mortality or dropout
Diese Studie erweitert die bisherige Forschung zur Methode der Prior Event Rate Ratio (PERR), indem sie aufzeigt, dass während der traditionelle Schätzer unter verschiedenen Szenarien differenzieller Mortalität und Dropouts verzerrt bleibt, ein alternativer Schätzer, der nur die Vollendeten nutzt (PERR_Comp), den Bias signifikant reduziert und unverzerrte Schätzungen liefert, sofern die Mortalität oder der Dropout nicht direkt durch vorangegangene Ereignisse beeinflusst wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der herauszufinden versucht, ob ein neues Medikament tatsächlich wirkt. Sie betrachten die realen Krankenakten von Patienten, aber es gibt einen Haken: Einige Patienten sind schon vor Beginn der Behandlung kränker als andere. Diese „Krankheit“ ist ein verborgener Hinweis (ein Confounder), der es schwierig macht zu sagen, ob das Medikament geholfen hat oder ob die Patienten einfach von Natur aus unterschiedlich waren.
Um dies zu lösen, verwenden Forscher einen cleveren Trick namens Prior Event Rate Ratio (PERR). Denken Sie an einen „Vorher-Nachher“-Foto-Vergleich, aber für die Zeit.
Der Trick des Detektivs (Wie PERR funktioniert)
Anstatt nur zu betrachten, was nach Beginn der Medikamenteneinnahme geschah, betrachtet die PERR-Methode zwei Zeiträume für jeden Patienten:
- Der „Vorher“-Zeitraum: Die Zeit vor der Einnahme des Medikaments.
- Der „Nachher“-Zeitraum: Die Zeit nach Beginn der Medikamenteneinnahme.
Die Methode vergleicht die behandelte Gruppe mit einer Kontrollgruppe (Menschen, die das Medikament nicht eingenommen haben). Sie berechnet, wie häufig ein Ereignis (wie etwa das Krankwerden) im „Nachher“-Zeitraum im Vergleich zum „Vorher“-Zeitraum auftrat, und zwar für beide Gruppen. Indem sie das Verhältnis dieser beiden Vergleiche bildet, versucht die Methode, die „verborgenen Hinweise“ (Confounder) zu eliminieren, die in beiden Zeiträumen vorhanden waren. Es ist so, als würde man sagen: „Wenn diese Gruppe schon vorher doppelt so krank war und sie auch nachher noch doppelt so krank ist, dann hat das Medikament nichts verändert.“
Das Problem: Das „Dropout“-Rätsel
Eine frühere Studie warnte davor, dass dieser Trick versagt, wenn Menschen beginnen, aus der Studie auszuscheiden (sterben oder die Studie verlassen) – und zwar mit unterschiedlichen Raten. Sie behaupteten, dass das PERR-Verfahren ein falsches Ergebnis liefert, wenn der Grund für das Ausscheiden eine Mischung aus ihrer Behandlung, ihrer verborgenen Krankheit und ihrer vergangenen Gesundheit ist.
Dieses Paper sagt: „Moment mal, so einfach ist das nicht.“
Die Autoren argumentieren, dass die PERR-Methode nicht nur ein einzelnes Werkzeug ist, sondern ein Werkzeugkasten. Je nachdem, wie man die Werkzeuge darin verwendet, kann man unterschiedliche Ergebnisse erhalten. Sie haben zwei spezifische Arten getestet, die PERR-Methode anzuwenden:
Der „alte Weg“ (PERRPrev): Diese Methode nutzt die Daten von allen im „Vorher“-Zeitraum, verwendet aber nur die Daten von Personen, die bis zum Ende der Studie geblieben sind, im „Nachher“-Zeitraum.
- Die Analogie: Stellen Sie sich vor, Sie bewerten ein Rennen. Sie zählen die Läufer, die das Rennen gestartet haben, aber in der zweiten Hälfte zählen Sie nur die Läufer, die nicht aufgegeben haben. Wenn die Leute, die aufgegeben haben, überwiegend die langsamen Läufer waren, wird Ihr Endergebnis falsch sein.
- Das Ergebnis: Die Autoren bestätigten, dass dieser „alte Weg“ tatsächlich verzerrt (falsch) wird, wenn Menschen aus komplexen Gründen aussteigen.
Der „neue Weg“ (PERRComp): Diese Methode ist strenger. Sie betrachtet nur Menschen, die die gesamte Studie abgeschlossen haben (Completer), sowohl für den „Vorher“- als auch für den „Nachher“-Zeitraum.
- Die Analogie: Das ist so, als würde man sagen: „Wir werden das Rennen nur basierend auf den Läufern bewerten, die den gesamten Marathon beendet haben.“ Wir ignorieren jeden, der aufgegeben hat, sowohl für die erste als auch für die zweite Hälfte.
- Das Ergebnis: Diese Methode ist viel robuster.
- Wenn Menschen aufgrund ihrer vergangenen Gesundheit oder der Behandlung aussteigen, ist diese Methode immer noch weitgehend genau.
- Wenn Menschen speziell deshalb aussteigen, weil etwas in der „Vorher“-Phase passiert ist (z. B. wenn das Krankwerden vor der Medikamenteneinnahme dazu führte, dass sie aufhörten), ist diese Methode zwar ein wenig verzerrt, aber der Fehler ist nur etwa ein Drittel so schlimm wie beim „alten Weg“.
- Wenn Menschen aus Gründen aussteigen, die mit ihrer vergangenen Gesundheit unabhängig sind (einfach zufällig oder aufgrund der Behandlung selbst), liefert diese Methode ein perfekt genaues Ergebnis.
Das große Fazit
Das Paper kommt zu dem Schluss, dass die PERR-Methode nicht „kaputt“ ist; es kommt nur darauf an, welche Version man verwendet.
- Wenn man die Version verwendet, die Daten von Aussteigern und Teilnehmern mischt, riskiert man ein falsches Ergebnis, wenn Menschen aus komplexen Gründen die Studie verlassen.
- Wenn man die Version verwendet, die nur die Menschen betrachtet, die die ganze Zeit durchgehalten haben, erhält man ein viel zuverlässigeres Ergebnis. Es scheitert nur dann, wenn der Akt des Krankwerdens in der Vergangenheit die Ursache dafür war, dass sie ausgeschieden sind.
Kurz gesagt: Die Autoren sagen den Forschern: „Werfen Sie nicht die ganze PERR-Methode weg, nur wegen eines schlechten Szenarios. Wählen Sie einfach die richtige Version des Werkzeugs für Ihre spezifische Situation, und Sie können trotzdem die Wahrheit finden.“
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.