Two-Phase Sampling Designs and Analysis Approaches for Ordinal Outcomes

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen: Wie wirkt sich ein spezifischer, teurer Hinweis (nennen wir ihn den „Goldenen Hinweis") auf das Gesundheitsergebnis eines Patienten aus? Sie haben eine riesige Liste von Verdächtigen (eine Studienkohorte), und für jeden auf dieser Liste kennen Sie bereits einige grundlegende, günstige Informationen wie Alter, Geschlecht und allgemeine Krankengeschichte. Allerdings ist es zu teuer und zeitaufwendig, den „Goldenen Hinweis" für jede einzelne Person zu ermitteln. Sie haben nur das Budget, ihn für eine kleine Handvoll Personen zu testen.

Dieser Artikel ist ein Leitfaden, wie Sie diese kleine Handvoll Personen intelligent auswählen und die Ergebnisse korrekt analysieren, damit Sie nicht zu einem falschen Ergebnis kommen.

Das Problem: Die „Alles-oder-Nichts"-Falle

In der Vergangenheit, wenn Forscher eine kleine Gruppe auswählen mussten, um den teuren Hinweis zu testen, wählten sie möglicherweise einfach Namen aus einem Hut (Einfache Zufallsstichprobe). Dies ist jedoch ineffizient. Wenn Sie eine zufällige Gruppe auswählen, könnten Sie die interessantesten Fälle verpassen.

Zum Beispiel: Wenn Sie eine Krankheit untersuchen, die sich in Stadien verschlimmert (leicht, mäßig, schwer, kritisch), könnte die Auswahl einer zufälligen Person jemanden mit „mäßigen" Symptomen ergeben, was Ihnen wenig über die Extreme aussagt. Sie möchten die Personen ganz oben und ganz unten auf der Schwere-Skala finden, um zu sehen, wie sich der „Goldene Hinweis" in extremen Situationen verhält.

Die Lösung: Drei intelligente Wege, Ihr Team auszuwählen

Die Autoren schlagen drei neue Strategien vor, um Ihre kleine Gruppe (Phase 2) aus der großen Liste (Phase 1) auszuwählen und Ihre Detektivarbeit effizienter zu gestalten:

1. Outcome-Dependent Sampling (ODS): „Die Extrem-Strategie"

   • Die Metapher: Stellen Sie sich vor, Sie suchen die besten und schlechtesten Schüler einer Schule. Anstatt zufällig Schüler auszuwählen, schauen Sie sich gezielt die Top 10 % und die unteren 10 % der Zeugnisse an.
   • Wie es funktioniert: Sie betrachten das Gesundheitsergebnis, das jeder bereits hat (das Zeugnis). Sie wählen bewusst mehr Personen mit sehr milden Ergebnissen und sehr schweren Ergebnissen aus und weniger Personen mit durchschnittlichen Ergebnissen. Dies bietet Ihnen einen „breiteren" Blick auf die Daten, ohne alle testen zu müssen.

2. Covariate-Stratified ODS (CSODS): „Die gruppierte Extrem-Strategie"

   • Die Metapher: Manchmal wird das „Zeugnis" stark von etwas anderem beeinflusst, wie zum Beispiel der Klassenstufe des Schülers. Wenn Sie einfach die besten und schlechtesten Schüler aus der gesamten Schule auswählen, könnten Sie versehentlich nur Erstklässler und Zwölftklässler auswählen und die mittleren Klassen verpassen.
   • Wie es funktioniert: Sie teilen Ihre Verdächtigen zunächst in Gruppen basierend auf einem bekannten Faktor (wie Alter oder einem spezifischen Gesundheitswert) ein. Dann wählen Sie innerhalb jeder Gruppe die Extreme aus. Dies stellt sicher, dass Sie einen ausgewogenen Blick auf den „Goldenen Hinweis" über alle verschiedenen Personentypen hinweg erhalten, nicht nur auf die Extreme der gesamten Gruppe.

3. Residual-Dependent Sampling (RDS): „Die Überraschungs-Faktor-Strategie"

   • Die Metapher: Stellen Sie sich vor, Sie haben eine Kristallkugel, die die Note eines Schülers basierend auf seinem Lernverhalten vorhersagt. Die meisten Schüler passen gut zur Vorhersage. Aber einige Schüler sind „Überraschungen" – sie haben hart gelernt, aber eine schlechte Note bekommen, oder sie haben nicht gelernt und eine Eins erhalten. Diese „Überraschungen" sind die interessantesten.
   • Wie es funktioniert: Sie verwenden die günstigen Daten, um ein Vorhersagemodell zu erstellen. Dann suchen Sie nach Personen, deren tatsächliches Gesundheitsergebnis sehr stark von dem abwich, was das Modell vorhergesagt hat (die „Residuen"). Sie wählen diese „Überraschungs"-Fälle aus, da sie die meisten neuen Informationen über den „Goldenen Hinweis" enthalten.

Die Analyse: Wie man das Rätsel löst, ohne zu betrügen

Sobald Sie Ihre intelligente Gruppe ausgewählt haben, können Sie sie nicht einfach wie eine normale Gruppe analysieren. Wenn Sie ignorieren, dass Sie sie speziell ausgewählt haben, wird Ihre Mathematik verzerrt sein (wie ein Richter, der nur den lautesten Zeugen hört).

Die Autoren haben drei mathematische „Werkzeuge" entwickelt, um dies zu korrigieren:

• ACML (Das „Korrektur"-Werkzeug): Diese Methode betrachtet nur die Personen, die Sie ausgewählt haben, fügt jedoch einen mathematischen „Korrekturfaktor" hinzu, um der Tatsache Rechnung zu tragen, dass Sie sie absichtlich ausgewählt haben. Es ist, als würde man sagen: „Ich weiß, dass ich mehr extreme Fälle ausgewählt habe, also werde ich meine Mathematik anpassen, um so zu tun, als hätte ich auch die durchschnittlichen Fälle gesehen."
• Multiple Imputation (Das „Lückenfüller"-Werkzeug): Diese Methode ist intelligenter. Sie verwendet die Daten der Personen, die Sie nicht ausgewählt haben (die immer noch ihre günstigen Informationen haben), um zu erraten, was ihr „Goldener Hinweis"-Wert gewesen sein könnte. Sie füllt die fehlenden Teile des Puzzles viele Male aus, um ein vollständiges Bild zu erstellen, und mittelt dann die Ergebnisse.
• Sieve Maximum Likelihood (Das „Flexible Netz"-Werkzeug): Dies ist eine ausgefeilte Methode, die nicht annimmt, dass der „Goldene Hinweis" eine bestimmte Form folgt. Stattdessen verwendet sie ein flexibles „Netz" (mathematische Splines), um die wahre Form der Daten einzufangen, was sie selbst bei unordentlichen Daten sehr robust macht.

Was sie herausfanden

Die Autoren führten Tausende von Computersimulationen durch, um diese Ideen zu testen. Sie stellten fest:

• Effizienz: Die Verwendung dieser intelligenten Auswahlstrategien (ODS, CSODS, RDS) war viel besser als das zufällige Auswählen. Sie erhalten genauere Antworten mit demselben Geldbetrag.
• Die beste Kombination: Wenn ein bekannter Faktor (wie Alter oder ein Gesundheitswert) das Ergebnis stark vorhersagt, funktionierten die „Gruppierten Extreme" (CSODS) und die „Überraschungs-Faktor"-Strategien (RDS) am besten.
• Die beste Mathematik: Die „Lückenfüller"- (Multiple Imputation) und „Flexible Netz"- (Sieve) Methoden lieferten im Allgemeinen präzisere Antworten als die einfache „Korrektur"-Methode, insbesondere wenn Sie Daten über die Personen hatten, die Sie nicht ausgewählt hatten.

Realer Test: Die CLOVERS-Studie

Um zu beweisen, dass dies in der realen Welt funktioniert, wandten sie diese Methoden auf Daten aus einer echten medizinischen Studie namens CLOVERS an. Diese Studie untersuchte Patienten mit Sepsis (einer schweren Infektion).

• Das Ziel: Sie wollten herausfinden, ob ein bestimmtes Protein im Blut (Interleukin-6 oder IL-6) damit zusammenhängt, wie krank ein Patient 14 Tage später war.
• Das Ergebnis: Sie behandelten die gesamte Gruppe von 1.351 Patienten als die „Phase-1"-Liste. Dann simulierten sie, nur 400 Patienten auszuwählen, um mit ihren neuen Strategien auf IL-6 zu testen.
• Das Ergebnis: Die intelligenten Strategien (insbesondere CSODS und RDS) ermöglichten es ihnen, den Zusammenhang zwischen dem Protein und der Krankheit fast so gut wiederherzustellen, als hätten sie alle getestet. Sie erhielten mit weniger Daten ein klareres Bild.

Zusammenfassung

Dieser Artikel bietet ein neues Regelbuch für Forscher, die begrenztes Geld haben, um teure Dinge zu testen. Anstatt zu raten, wen man testen soll, können Sie die Daten, die Sie bereits haben, nutzen, um die informativsten Personen auszuwählen. Dann verwenden Sie spezielle Mathematik, um sicherzustellen, dass Ihre Schlussfolgerungen korrekt sind. Dies spart Geld und Zeit und liefert gleichzeitig bessere wissenschaftliche Antworten.