Planning and nonparametric inderence for multistate time-to-event data such as diesease occurrences and disease durations
Final Report Abstract
Krankheitsverläufe sind haufig eine komplexe Abfolge von Krankheitsereignissen im zeitlichen Verlauf. Mehrstadienmodelle aus der Überlebenszeitanalyse bieten einen geeigneten statistischen Rahmen, um derartige Krankheitsverläufe zu analysieren. So ist ein gängiger klinischer Endpunkt krankheitsfreies Überleben. Ein konkurrierendes Risiken Mehrstadien-Modell untersucht spezifischer das Eintreten einer Erkrankung im Vergleich zu Tod. Werden Patienten nach einer Wiedererkrankung weiter beobachtet, erlauben komplexere Mehrstadien-Modelle z.B. Krankheitsdauern zu studieren. Klinische Studien, die derartigen Fragen nachgehen, müssen jedoch sorgfältig geplant werden. In einem Teilprojekt haben wir statistische Methodik zur Studienplanung untersucht. Eine beispielhaft untersuchte Frage war, wie statistisch der Nachweis zu erbringen ist, dass eine innovative Prophylaxe unerwünschter Immunreaktionen bei stammzelltransplantierten Patienten wirkt. Ein weiterer, insbesondere für Mehrstadien-Daten wichtiger Aspekt ist der des Sampling Designs. Nicht jedes Krankheitsereignis ereilt jeden Patienten. Daher haben wir unter Planungsaspekten Designs untersucht, bei denen alle Patienten mit einem bestimmten Ereignis, z.B. im Krankenhaus erworbene Infektion, jedoch nur eine Stichprobe der nicht-infizierten Patienten in die Studie eingeschlossen wird. Die methodische Herausforderung liegt dabei darin, dass der Infektionszustand und damit auch die genannte Einteilung zeitdynamisch sind. In einem weiteren Teilprojekt haben wir statistische Schlußweisen untersucht, die mittels zeitsimultaner Techniken dem Umstand Rechnung tragen, dass sich Krankheitsverläufe sowohl durch unterschiedliche Krankheitsereignisse als auch durch unterschiedliche Ereigniszeitpunkte charakterisieren. Derartige zeitsimultane Techniken sind typischerweise rechenintensiv und verwenden Computer-Simulationen, die aus den empirisch beobachteten Daten generiert werden. In unserem Projekt ist uns einerseits der mathematische Nachweis eines fast 20 Jahre alten Verfahrens gelungen. Andererseits wurden die Techniken erfolgreich auf reale Datensätze wie z.B. zur Arzneimittelsicherheit in der Schwangerschaft angewendet.
Publications
- (2012). Nonparametric inference for the cumulative incidence function of a competing risk, with an emphasis on confidence bands in the presence of lefttruncation. Biometrical Journal 54(4), 568 - 578
Di Termini S, Hieke S, Schumacher M, Beyersmann J
(See online at https://doi.org/10.1002/bimj.201100161) - (2013) Competing risks and Multistate models. Clinical Cancer Research 19(1), 12 - 21
Schmoor, C, Schumacher, M, Finke, J and Beyersmann, J
- (2013). Planning and evaluating clinical trials with composite time-to-first-event endpoints in a competing risk framework. Statistics in Medicine 32(21), 3595-3608
Rauch G, Beyersmann J
(See online at https://doi.org/10.1002/sim.5798) - (2013). Sample Size Calculations for Clinical Trials. In: Handbook of Survival Analysis. Klein JP, van Houwelingen HC, Ibrahim JG, Scheike TH. Chapman and Hall/CRC
Ohneberg K, Schumacher M
- (2013). Weak Convergence of the Wild Bootstrap for the Aalen- Johansen Estimator of the Cumulative Incidence Function of a Competing Risk. Scandinavian Journal of Statistics 40(3), 387 - 402
Beyersmann J, Di Termini S, Pauly M
(See online at https://doi.org/10.1111/j.1467-9469.2012.00817.x) - (2015) Analysis of clinical cohort data using nested case-control and case-cohort sampling designs: A powerful and economical tool. Methods of Information in Medicine
Ohneberg, K, Wolkewitz, M, Beyersmann, J, Palomar-Martinez, M, Olaechea-Astigarraga, P, Alvarez-Lerma, F, Schumacher, M
(See online at https://doi.org/10.3414/ME14-01-0113)
