Die Evaluierung der Wirksamkeit und Sicherheit neuer Therapien in seltenen Indikationen stellt aufgrund der Schwierigkeiten bei der Rekrutierung ausreichend vieler Patienten für eine robuste klinische Studie eine Herausforderung dar. Um diesem Problem zu begegnen, gewinnen komplexe und innovative Studiendesigns an Bedeutung.
Solche Designs erm?glichen die Integration externer Datenquellen, um die beschr?nkten Stichprobengr??en klinischer Studien zu erg?nzen oder die Allokation zur Kontrollgruppe in Hybrid-Kontrollstudien zu reduzieren. Die Methodengruppe Bayesian Dynamic Borrowing ermo?glicht, weitere Daten als Informationen in ein Bayesian Model mit einzubeziehen (?Borrowing“), wobei der Einfluss der externen Informationen in der Analyse, abha?ngig davon ist, wie a?hnlich sie zu den zu analysierenden Daten sind.

(Prof. Dr. Sarah Friedrich, Lena Schemet)

Da die schnelle und richtige Diagnose einer Erkrankung eine der wichtigsten Voraussetzungen für eine effektive Therapie bilden, sind Diagnosestudien neben Therapiestudien ein wichtiges Standbein der klinischen Forschung. Hierbei soll die Evaluation neuer diagnostischer Verfahren? ?nach denselben wissenschaftlichen und regulatorischen Richtlinien erfolgen, wie auch bei der Entwicklung von Arzneimitteln und anderen medizinischen Produkten“ (EMEA, 2009). ?Für verschiedenen diagnostischen Gütema?e (wie Sensitivit?t, Spezifit?t, AUC, pAUC, pr?diktive Werte) und unterschiedliche Studiendesigns (mehrfaktorielle Versuchsanlage, Messwiederholen etc) werden im Rahmen dieser Forschungst?tigkeit daher vor allem nichtparametrische statistische Methoden entwickelt um die Daten aus Diagnosestudien m?glichst effizient auswerten zu k?nnen.

(Prof. Dr. Sarah Friedrich, Dr. Katharina Kramer)

Methoden der kausalen Inferenz gewinnen zunehmend an Bedeutung für die Sch?tzung von Behandlungseffekten in Beobachtungsstudien, bei denen St?rfaktoren nicht gleichm??ig auf die Behandlungsgruppen verteilt sind. Die Genauigkeit der ermittelten Sch?tzer l?sst sich mit Hilfe von Konfidenzintervallen und zeit-simultanen Konfidenzb?ndern einordnen. In Studien mit Ereigniszeit-Endpunkten, wie sie z.B. in der Onkologie und Kardiologie üblich sind, dient oftmals der nicht-parametrische Bootstrap als Grundlage zur Bestimmung solcher Konfidenzregionen. Die Einschr?nkungen des klassischen Bootstraps im Zusammenhang mit Methoden der kausalen Inferenz (z.B. Matching) sind jedoch bekannt und Martingal-basierte Ans?tze stellen eine vielversprechende Alternative dar.

Ziel des Forschungsprojektes ist es, die Performance verschiedener Resampling-Verfahren im Hinblick auf die Bestimmung von Konfidenzintervallen und -b?ndern für kausale Effektsch?tzer in Ereigniszeitstudien zu vergleichen. Au?erdem sollen die Untersuchungen auf Situationen mit erschwerten Bedingungen, wie z.B. den Fall von Linkstrunkierung, Typ-II-Zensierung oder zeitabh?ngigen St?rfaktoren, ausgeweitet werden.

(Prof. Dr. Sarah Friedrich, Jasmin Rühl)

Methoden zur Klassifizierung multivariater Daten werden z.B. in der Biomedizin, Psychologie oder bei der Auswertung klinischer Studien angewandt. Traditionelle statistische Methoden basieren meist auf Verteilungsannahmen, die von realen Daten nur selten erfüllt werden. Auch ben?tigen sie ausreichend gro?e Stichproben. Alternativen sind robuste und nichtparametrische Methoden. Der Schwerpunkt liegt besonders auf der Erforschung von Klassifizierungsmethoden für multivariate longitudinale Daten. Diese sollten die Korrelation der wiederholten Messungen innerhalb der Individuen miteinbeziehen. Auch Methoden, mit denen die Wichtigkeit der einzelnen Variablen für die Unterscheidung der Gruppen bestimmt werden kann, werden betrachtet.

(Prof. Dr. Sarah Friedrich, Ricarda Graf)