Dieser Vortrag von Assistenzprofessor Lee Jang (Washington University in St. Louis) behandelt die methodischen Herausforderungen und Validierungsstrategien bei der kausalen Inferenz und der Nutzung von maschinellem Lernen auf Basis elektronischer Gesundheitsakten (EHRs). Im Fokus steht nicht die primäre Effektlösung, sondern die Bewertung der Zuverlässigkeit von Effektschätzungen aus Beobachtungsdaten. Es werden relationale Datenbankmodelle wie das OMOP Common Data Model, das Problem der unbeobachteten Konfundierung, der Average Treatment Effect (ATE) sowie Large-Scale Propensity Scores (LSPS) mit L1-Regularisierung als skalierbare Lösung für hochdimensionale Kovariaten (ca. 50.000 Variablen) diskutiert. Zur Validierung werden drei Kernmethoden vorgestellt: Äquilibrierung (Equipoise), Kovariatenbalance und Negativkontrollen (E-Score). Anhand einer multizentrischen Fallstudie zu Semaglutid (GLP-1-Rezeptoragonisten) im Vergleich zu anderen Diabetes-Medikamenten hinsichtlich des Risikos einer ischämischen Optikusneuropathie (NAION) an 14 Datenbanken wird die praktische Anwendung der Diagnostika demonstriert, bei der nur 5 Datenbanken alle Kriterien für eine Metaanalyse erfüllten.
Wichtigste Punkte & Zeitstempel
0:00 Einführung in EHRs: Elektronische Gesundheitsakten erfassen klinische Routinedaten (Diagnosen, Medikamente, Labortests) und werden für die klinische Forschung in relationalen Datenbanken gespeichert.
1:43 OMOP Common Data Model: Ein standardisiertes gemeinsames Datenmodell (Entity-Relationship-Modell), das patientenzentrierte Tabellen (Zustände, Medikamente, Proben, Demografie) und Provider-Informationen strukturiert.
2:50 Datenumfang & Netzwerke: Das BJC Healthcare System in St. Louis umfasst 14 Krankenhäuser, 6 Millionen Patienten und 20 Jahre longitudinale Daten; internationale Netzwerke wie die Odyssey-Community vernetzen über 4.000 Forscher in mehr als 80 Ländern.
6:30 Kausale Inferenz & Konfundierung: Die Untersuchung von kausalen Effekten (z. B. Wirksamkeit und Sicherheit von GLP-1-Rezeptoragonisten bei Diabetes) erfordert die Kontrolle von Störvariablen wie Adipositas, die sowohl die Behandlungswahl als auch das kardiovaskuläre Risiko beeinflussen.
7:30 Kausale Annahmen: Die Schätzung des Average Treatment Effect (ATE) erfordert die Annahmen der ungemessenen Konfunderfreiheit ("No Unmeasured Confounding"), der Positivität/Überlappung (Positivity / Overlap) und SUTVA.
11:40 Schätzmethoden: Gegenüberstellung traditioneller Propensity-Score-Adjustierungen/Matching sowie Inverse Probability Weighting (IPW) mit neueren Machine-Learning-basierten Methoden wie Doubly Robust Estimators.
18:39 Large-Scale Propensity Scores (LSPS): Umgehung manueller, fehleranfälliger Konfunderauswahl durch automatisierten Einbezug aller 50.000 Vorbehandlungs-Kovariaten aus der Datenbank mittels L1-regularisierter Regression (Lasso).
21:21 Validierungsdiagnostika: Drei essenzielle Diagnostika zur Studienvalidierung: Äquilibrierung (Equipoise) zur Prüfung der Propensity-Score-Überlappung, Kovariatenbalance (standardisierte mittlere Differenz < 0,1) und Negativkontrollen / E-Score zur Identifikation von Residualbias.
30:43 Fallstudie zu Semaglutid: Multizentrische Analyse (14 Datenbanken, 37 Millionen Typ-2-Diabetes-Patienten) vergleicht Semaglutid mit Komparatoren bezüglich des Risikos einer ischämischen Optikusneuropathie (NAION); lediglich 5 Datenbanken bestanden alle Validierungsdiagnostika für die finale Metaanalyse.
Glossar
EHR (Electronic Health Records): Elektronische Gesundheitsakten, die medizinische Patientendaten digital und im Rahmen der Routineversorgung erfassen.
OMOP (Observational Medical Outcomes Partnership) Common Data Model: Ein standardisiertes Datenformat und Vokabular, das disparate medizinische Datenbanken für interoperable Analysen harmonisiert.
Average Treatment Effect (ATE): Ein kausales Schätzmaß (Estimand), das den durchschnittlichen Unterschied im Ergebnis beschreibt, wenn eine gesamte Zielpopulation behandelt versus unbehandelt wäre.
Confounder (Konfunder / Störvariable): Eine Variable, die sowohl die Behandlungszuweisung als auch das klinische Endergebnis kausal beeinflusst und ohne Adjustierung zu Scheinkorrelationen führt.
Propensity Score (Neigungswert): Die bedingte Wahrscheinlichkeit einer Behandlungszuweisung unter Berücksichtigung bekannter patientenbezogener Ausgangsvariablen (Kovariaten).
L1-Regularisierung (Lasso): Ein statistisches Regularisierungsverfahren in Regressionen, das zur Variablenselektion und zur Reduktion von Überanpassung (Overfitting) in hochdimensionalen Datensätzen dient.
Equipoise (Äquilibrierung / Überlappung): Ein Diagnosekriterium, das überprüft, ob sich die Behandlungs- und Kontrollgruppen hinsichtlich ihrer Propensity-Score-Verteilung hinreichend überlappen, um valide Vergleiche zu ermöglichen.
Kovariatenbalance: Ein statistisches Maß zur Überprüfung, ob sich die Mittelwerte von Störvariablen zwischen den Gruppen nach einer Adjustierung hinreichend angenähert haben (Standardized Mean Difference < 0,1).
Negativkontrollen (Negative Controls): Behandlungen oder Ergebnisse, bei denen nach medizinischem Wissensstand kein kausaler Zusammenhang existiert; sie dienen der systematischen Aufdeckung von verbleibenden Bias (Residualbias).
NAION (Non-Arteritic Anterior Ischemic Optic Neuropathy): Nicht-arteriitische anteriore ischämische Optikusneuropathie, ein plötzlicher, oft schmerzerfreier Infarkt des Sehnervenkopfes, der zu Sehverlust führt.