8

Methoden empirischer Forschung (Fach) / Time-to-event-Daten (Lektion)

Diese Lektion wurde von Niiklas1997 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Kennzeichen von Time-to-event-Daten - Erstereignis = z.B. Ende oder Beginn einer Intervention - Zweitereignis = Eintreten eines in Bezug auf die Studie terminalen Ereignisses, bspw. Ausscheiden der Beobachtungseinheit aus der Studie
• Häufigstes Ziel von Time-to-event-Daten Überprüfung, ob das Erstereignis (und weitere Einflussfaktoren) Einfluss auf die Eintrittswahrscheinlichkeit des Zweitereignisses und die Zeit bis zum Eintritt des Zweitereignisses hat.
• Was gibt die Survivalfunktion an? Die Wahrscheinlichkeit, dass eine Person die Zeit "t" überlebt
• 3 mögliche Verläufe von Time-to-event-Daten 1. Erstereignis (Beginn der Beobachtungsperiode), etwas später Zweitereignis (Outcome) 2. Erstereignis (Beginn der Beobachtungsperiode), etwas später Zweitereignis (Ausscheiden, no response) 3. Erstereignis (Beginn der Beobachtungsperiode), irgendwann Ende der Beobachtungszeit (wird als Ausscheiden codiert), es tritt kein Ereignis ein
• Modelle zur Analyse von Time-to-event-Daten 1. Logit-Modell: -Spezifikation der abhängigen Var.: Eintritt des Zweitereignisses nach X Tagen (Ja/Nein) - Nachteil: Personen, die zwischenzeitlich aus der Studie ausscheiden, können nicht berücksichtigt werden, weiterhin Aggregation (Zsmfassung der Daten nach mathemat. Methoden) => führt zu Inf.verlust 2. Count-Data-Modelle - Spezifikation der abhängigen Var.: Anzahl der Tage bis zum Eintritt des Zweitereignisses - Nachteil: Personen, die zwischenzeitlich aus der Studie ausscheiden, können nicht berücksichtigt werden => Inf.verlust 3. Survival-Analyse - Spezifikation der abhängigen Var.: wie beim Count-Data-Modell - ermöglicht eine Unterscheidung nach der Art des Zweitereignisses (Ausscheiden/Outcome)
• Arbeiten mit zensierten Daten Zensur = unvollständige Beobachtung Scheidet ein Individuum während der Beobachtungsepriode aus, so spricht man u.U. vom informative censoring (= Ausscheiden eines Individuums erfolgt nicht zufällig) Zur Berücksichtigung zensierter Daten wird mit bedingten Wahrscheinlichkeiten gerechnet. -> P (AlB) = P(A und B)/P(B), außer P(A) und P(B) sind unabhängig, dann P(A und B) = P(A) * P(B)
• Hazard Modelle 1. nicht-parametrisch: Kaplan-Meyer-Methode (bedingte Wahrscheinlichkeiten) - Vorteil: einfache Darstellung der Überlebenswahrscheinlichkeiten - Nachteil: Quantifizierung des Effekts ist nicht möglich 2. semi-parametrische: Cox-proportional-hazard Modell - Vorteil: trifft keine Annahme über den Grundverlauf dere Hazardfunktion (baseline hazard) - Nachteil: für alle unabhängigen Var. wird angenommen, dass die Beeinflussung des baseline hazards unabhängig von der Zeit ist 3. parametrische Modelle: AFT Modelle - treffen Annahmen über den Grundverlauf der Hazardfunktion
• Competing Risk Problem: Beobachtung mehrer, sich ausschließender Ereignisse Bsp.: Untersuchung des Einflusses der KH-Behandlung bei Herzinfarkt auf A: Zeit bis zum Tod B: Zeit bis zur Wiedereinweisung -> Ereignis A schließt Ereignis B aus Lösung: Erreichen eines Events löst ein Ausscheiden der Beobachtung für das andere Event aus (Zensierung)

zurück  |  weiter 1 / 1