Statistische Methoden für Diagnosestudien

Die Voraussetzung für eine wirksame Therapie ist eine korrekte Diagnose. Die dafür benötigten diagnostischen Tests werden in sogenannten Diagnosestudien evaluiert. Die Entwicklung statistischer Methoden für die Planung und Analyse von Diagnosestudien und für diagnostische Metaanalysen wurde lange Zeit vernachlässigt. Deshalb ist es unser Ziel, die immer noch vorhandenen methodischen Lücken auf diesem Gebiet zu schließen. Mit diesem Forschungsthema beschäftigen sich Eric Bibiza, Amra Hot, Maria Stark und Prof. Dr. Antonia Zapf. Aktuell bearbeiten wir das Thema flexible Designs für Diagnosestudien im Rahmen eines DFG-geförderten Projekts:

Flexible Designs für Diagnosestudien – von der Diagnosegüte zur personalisierten Medizin

  • Im laufenden Forschungsprojekt werden für verschiedene Fragestellungen in Diagnosestudien Methoden für adaptive Studiendesigns entwickelt. Dabei ist in Phase 3-Studien die Besonderheit, dass es zwei co-primäre Endpunkte gibt (Sensitivität und Spezifität), während in Phase 4-Studien ein Patienten-relevanter klinischer Endpunkt gewählt wird. Weiterhin wird zwischen verblindeten und entblindeten Zwischenauswertungen unterschieden.

    Das Vorhaben wird entsprechend in fünf Unterprojekte aufgeteilt:

    • Adaptive Designs für verblindete Zwischenauswertungen in Phase 3-Diagnosestudien
    • Adaptive Designs für entblindete Zwischenauswertungen in Phase 3-Diagnosestudien
    • Adaptive Designs für verblindete Zwischenauswertungen in Phase 4-Diagnosestudien
    • Adaptive Designs für entblindete Zwischenauswertungen in Phase 4-Diagnosestudien
    • Adaptive seamless designs

    In jedem Unterprojekt werden sowohl komparative Studien, bei denen der experimentelle Test mit einem Standardtest verglichen wird, als auch nicht-komparative Studien, wenn es keinen Standardtest gibt, betrachtet.

    Für die praktische Umsetzbarkeit sollen für alle Designs R- und / oder SAS-Programme geschrieben und öffentlich zur Verfügung gestellt werden.

    • Todd Alonzo (University of Southern California, USA)
    • Norbert Benda (BfArM, Deutschland)
    • Christoph Berding (Roche Diagnostics, Deutschland)
    • Patrick Bossuyt (University of Amsterdam, Niederlande)
    • Jon Deeks (University of Birmingham, UK)
    • Tim Friede (Universitätsmedizin Göttingen, Deutschland)
    • Oke Gerke (Odense University Hospital, Dänemark)
    • Hans Reitsma (University Medical Center Utrecht & University Utrecht, Niederlande)
    • Werner Vach (Universitätsspital Basel, Schweiz)

  • Bisher fanden zwei Projekt-Workshops mit den nationalen und internationalen Kooperationspartnern statt.

    Workshop 2017

    Workshop 2019

    Der nächste Workshop ist für Anfang 2021 geplant.

    Wenn Sie interessiert sind, am Workshop teilzunehmen, können Sie sich in den E-Mail-Verteiler aufnehmen lassen. Schreiben Sie dafür bitte eine E-Mail an Frau Prof. Dr. Antonia Zapf

  • Adaptive trial designs in diagnostic accuracy research. Zapf A, Stark M, Gerke O, Ehret C, Benda N, Bossuyt P, Deeks J, Reitsma J, Alonzo T, Friede T. Stat Med. 2020 Feb 28;39(5):591-601.

    Sample size calculation and re-estimation based on the prevalence in a single-arm confirmatory diagnostic accuracy study. Stark M, Zapf A. Stat Methods Med Res. 2020 Oct;29(10):2958-2971.

    There is a potential for seamless designs in diagnostic research. Vach W, Bibiza E, Gerke O, Bossuyt PM, Friede T, Zapf A. J Clin Epi, 2020, accepted.

  • Weiterführende Links:

    DFG-Portal

    UKE FIS-Portal


    Weitere Publikationen aus diesem Forschungsgebiet:

    Appraising Heterogeneity. Zapf A. 2018. Diagnostic Meta-Analysis . Biondi-Zoccai G (Hrsg.). 1. Aufl. Berlin: Springer International Publishing, 125-160.

    Partial verification bias and incorporation bias affected accuracy estimates of diagnostic studies for biomarkers that were part of an existing composite gold standard. Karch A, Koch A, Zapf A, Zerr I, Karch A. J CLIN EPIDEMIOL. 2016;78:73-82.

    A wild bootstrap approach for the selection of biomarkers in early diagnostic trials. Zapf A, Brunner E, Konietschke F. BMC MED RES METHODOL. 2015;15:43.

    Nonparametric meta-analysis for diagnostic accuracy studies. Zapf A, Hoyer A, Kramer K, Kuss O. STAT MED. 2015;34(29):3831-3841.

    A modified Wald interval for the area under the ROC curve (AUC) in diagnostic case-control studies. Kottas M, Kuss O, Zapf A. BMC MED RES METHODOL. 2014;14:26.

    Difference of two dependent sensitivities and specificities: Comparison of various approaches. Wenzel D, Zapf A. BIOMETRICAL J. 2013;55(5):705-718.