Entwicklung und Validierung von Prognosemodellen auf Basis der logistischen Regression
1st Edition
Published in January 2005
Book
Paperback/Softback
236 pages
978-3-8322-3527-7 (ISBN)
Description
Im medizinischen Kontext ist eine Prognose eine Vorhersage über den zukünftigen Verlauf einer Krankheit. Dabei soll auf Grundlage der Informationen über den Patienten zum Zeitpunkt der Prognose etwas über den voraussichtlichen Zustand des Patienten in einer näheren oder ferneren Zukunft ausgesagt werden. Diese Prognosen werden von Ärzten als Entscheidungshilfe oder sogar als Entscheidungsgrundlage benutzt. Die wesentlichen Gründe für möglichst genaue Prognosen in der Medizin können folgendermaßen zusammengefasst werden:
Prognosen sind eine Information für den Patienten und dessen Angehörige, um ihn in die Lage zu versetzen, eigene Entscheidungen treffen zu können.
Prognosen sind Informationen, die dem Arzt für diagnostische und therapeutische Entscheidungen zur Ver-fügung stehen.
Die Ressourcen im Gesundheitswesen können bei Kenntnis der Prognosen genauer bereitgestellt werden, z.B. kann bei schlechter Prognose ein höherer Aufwand betrieben werden.
Prognosen helfen bei der Definition von Risikogruppen durch Zusammenfassung von Patienten mit ähnlicher Prognose.
Typischerweise werden Prognosen von Ärzten auf Grundlage langjähriger Erfahrung und intuitiver Zusammenfassung aller (zumindest der meisten) Informationen über den Patienten getroffen. Somit ist bei einer Formalisierung der Prognose durch mathematische Modelle von einem multifakto-riellen Ansatz auszugehen.
Zentrales Thema der vorliegenden Schrift ist das Vorgehen der Entwicklung und Validierung von Prognosemodellen, eingeschränkt auf die logistische Regression, zur Prognose eines dichotomen Ereignisses. Die wichtigsten, in dieser Arbeit umgesetzten Ziele, die mit einer Bestandsaufnahme der Probleme aus der Praxis der Prognosemodellierung einhergehen, sind, 1. diese Probleme aufzuzeigen, 2. ein praktisches Vorgehen zur Modellierung abzuleiten, um 3. die wesentlichen Fehlermöglichkeiten zu vermeiden und 4. mit der Bereitstellung der für diese Auswertungen notwendigen Werkzeuge etwas für die Verbesserung der biometrischen Praxis der Prognosemodellierung (Entwicklung und Anwendung) zu erreichen.
Die wichtigsten Probleme der Modellbildung sind: nicht spezifizierte Definition der Variablen, Multikollinearität, Nichtberücksichtigung einflussreicher Beobachtungen, nicht erfüllte Modellvoraussetzungen, Nichtlinearität des Zusammenhanges, Überanpassung, unspezifizierte Variab-lenselektion, keine Wechselwirkungsprüfung sowie fehlende Modellvalidierung. In der vorliegenden Publikation wird jeder dieser Themenkomplexe und seine Fehlerquellen angesprochen und eingehender beleuchtet. Es wird dabei auf Basis der neuesten Literatur ein spezifischer Weg für die Modellentwicklung, Validierung und Bestimmung der Prognosegüte vorgeschlagen. Für alle diese Auswertungssituationen sind als spezielle Software-Werkzeuge SAS-Makros entwickelt worden, mit denen die Modellentwicklung und -validierung durchgeführt werden kann. Die SAS-Makros können, neben weiteren Informationen, zur eigenen Nutzung aus dem Netz heruntergeladen werden.
Somit sind durch diese Arbeit die Voraussetzungen gegeben, dass in Zukunft Prognosemodelle auf Basis der logistischen Regression wesentlich genauer und exakter bestimmt werden können und sich der praktische Nutzen genauer ermitteln lässt. Damit sollten die Ergebnisse dieser Schrift zur Verbesserung der medizinischen Praxis, insbesondere zur Bestimmung zuverlässigerer Prognosen, beitragen.
Prognosen sind eine Information für den Patienten und dessen Angehörige, um ihn in die Lage zu versetzen, eigene Entscheidungen treffen zu können.
Prognosen sind Informationen, die dem Arzt für diagnostische und therapeutische Entscheidungen zur Ver-fügung stehen.
Die Ressourcen im Gesundheitswesen können bei Kenntnis der Prognosen genauer bereitgestellt werden, z.B. kann bei schlechter Prognose ein höherer Aufwand betrieben werden.
Prognosen helfen bei der Definition von Risikogruppen durch Zusammenfassung von Patienten mit ähnlicher Prognose.
Typischerweise werden Prognosen von Ärzten auf Grundlage langjähriger Erfahrung und intuitiver Zusammenfassung aller (zumindest der meisten) Informationen über den Patienten getroffen. Somit ist bei einer Formalisierung der Prognose durch mathematische Modelle von einem multifakto-riellen Ansatz auszugehen.
Zentrales Thema der vorliegenden Schrift ist das Vorgehen der Entwicklung und Validierung von Prognosemodellen, eingeschränkt auf die logistische Regression, zur Prognose eines dichotomen Ereignisses. Die wichtigsten, in dieser Arbeit umgesetzten Ziele, die mit einer Bestandsaufnahme der Probleme aus der Praxis der Prognosemodellierung einhergehen, sind, 1. diese Probleme aufzuzeigen, 2. ein praktisches Vorgehen zur Modellierung abzuleiten, um 3. die wesentlichen Fehlermöglichkeiten zu vermeiden und 4. mit der Bereitstellung der für diese Auswertungen notwendigen Werkzeuge etwas für die Verbesserung der biometrischen Praxis der Prognosemodellierung (Entwicklung und Anwendung) zu erreichen.
Die wichtigsten Probleme der Modellbildung sind: nicht spezifizierte Definition der Variablen, Multikollinearität, Nichtberücksichtigung einflussreicher Beobachtungen, nicht erfüllte Modellvoraussetzungen, Nichtlinearität des Zusammenhanges, Überanpassung, unspezifizierte Variab-lenselektion, keine Wechselwirkungsprüfung sowie fehlende Modellvalidierung. In der vorliegenden Publikation wird jeder dieser Themenkomplexe und seine Fehlerquellen angesprochen und eingehender beleuchtet. Es wird dabei auf Basis der neuesten Literatur ein spezifischer Weg für die Modellentwicklung, Validierung und Bestimmung der Prognosegüte vorgeschlagen. Für alle diese Auswertungssituationen sind als spezielle Software-Werkzeuge SAS-Makros entwickelt worden, mit denen die Modellentwicklung und -validierung durchgeführt werden kann. Die SAS-Makros können, neben weiteren Informationen, zur eigenen Nutzung aus dem Netz heruntergeladen werden.
Somit sind durch diese Arbeit die Voraussetzungen gegeben, dass in Zukunft Prognosemodelle auf Basis der logistischen Regression wesentlich genauer und exakter bestimmt werden können und sich der praktische Nutzen genauer ermitteln lässt. Damit sollten die Ergebnisse dieser Schrift zur Verbesserung der medizinischen Praxis, insbesondere zur Bestimmung zuverlässigerer Prognosen, beitragen.