Statistische Methoden für gemeindebezogene Studien - Darstellung und Vergleich von Lösungsmöglichkeiten unter besonderer Berücksichtigung statistischer Verfahren der Metaanalyse

Zusammenfassung

Ziel der Studie: Die statistische Auswertung gemeindebezogener Studien bedarf ebenso wie die anderer Cluster-randomisierter Studien spezieller statistischer Methoden. An Daten aus der Deutschen Herz-Kreislauf-Präventionsstudie (DHP) verdeutlichen wir die Konsequenzen des Einsatzes unterschiedlicher statistischer Verfahren für die Studienergebnisse. Methodik: Es wurden Angaben von 30 285 Personen, die zu Studienbeginn und zu Studienende erhoben wurden, herangezogen. Die Daten stammten aus den 7 Interventionsregionen sowie aus dem jeweiligen Nationalen Untersuchungssurvey (NUS); die Daten aus dem NUS wurden von uns zu 7 Kontrollclustern gruppiert, um ein für Cluster-randomisierte Studien übliches Design nachzubilden. Am Beispiel des Gesamtcholesterinspiegels und des systolischen Blutdrucks wurden unterschiedliche statistische Modelle hinsichtlich des resultierenden Schätzers für den Interventionseffekt und dessen Konfidenzintervall verglichen: ein lineares Modell, ein gemischtes Modell sowie Fixed- und Random-effects-Metaanalysen. Ergebnisse: Während das gemischte Modell und die Metaanalyse mit zufälligen Effekten vergleichbare Schätzer und Konfidenzintervalle für den Interventionseffekt lieferten, waren Ergebnisse der Modelle mit ausschließlich festen Effekten antikonservativ. Insbesondere bezüglich des Interventionseffekts auf den systolischen Blutdruck, bei dem eine sehr starke Heterogenität zwischen den Clustern vorlag, wurde die Varianz in Modellen mit festen Effekten stark unterschätzt. Trotz scheinbar geringer Intracluster-Korrelation von 0,0019 für Gesamtcholesterin und 0,0166 für systolischen Blutdruck unterschied sich die Varianz des Interventionseffekts im gemischten Modell um das 2,8- bzw. 17,1fache von der Varianz im linearen Modell. Durch diese enorme Varianzinflation verlor der Interventionseffekt auf systolischen Blutdruck seine statistische Signifikanz. Schlussfolgerungen: Unsere Ergebnisse unterstreichen die Notwendigkeit, bei der Analyse gemeindebezogener Studien Korrelationen zu berücksichtigen. Neben dem gemischten Modell kann hierfür die Metaanalyse mit zufälligen Effekten als alternative Methode eingesetzt werden.

Abstract

Purpose: The statistical analysis of community-based trials and of other cluster-randomised trials, requires specific statistical methods. We show the consequences of the application of these models for study results, using data of the German Cardiovascular Prevention Study (GCP) as an example. Methods: Data of 30,285 subjects were analysed, which were collected at the beginning and at the end of the study period. These data had been collected in 7 intervention regions and by national surveys. We grouped data of the national surveys in 7 control clusters to mimick a design typical for cluster-randomised trials. We applied the following statistical models to estimate the effect of the intervention on total cholesterol as well as on systolic blood pressure and the respective confidence intervals: a linear model, a mixed model, and fixed and random effects meta-analyses. Results: While the estimates and confidence intervals for the intervention effect were similar in mixed model analysis and random effects meta-analysis, results from models incorporating fixed effects only were anti-conservative. The underestimation of variance in models incorporating fixed effects only was especially large in the analysis of systolic blood pressure data, where great heterogeneity between intervention communities was observed. Despite seemingly low intraclass correlation coefficients of 0.0019 for total cholesterol and 0.0166 for systolic blood pressure, respectively, the variance of the intervention effect was increased in the mixed model 2.8fold or 17.1fold, respectively, in comparison to the variance estimated in the linear model. Due to this variance inflation the intervention effect on systolic blood pressure lost statistical significance. Conclusion: Our results emphasise the importance to account for correlations in community-based trials. Besides the mixed model random effects meta-analysis can be applied as an alternative method.

Schlüsselwörter

Gemeindebezogene Studien - Heterogenität - Metaanalyse

Key words

Community-based trials - heterogeneity - meta-analysis

Literatur

• 1 Campell M J. Cluster randomized trials in general (family) practice research.  Stat Methods Med Research. 2000;  9 81-94
• 2 Scholz M, Kaltenbach M. Förderung von Nichtraucherverhalten bei 13-jährigen Schülerinnen und Schülern von Realschule und Gymnasium.  Gesundheitswesen. 2000;  62 78-85
• 3 Hanewinkel R, Wiborg G. Primär- und Sekundärprävention des Rauchens im Jugendalter: Effekte der Kampagne „Be Smart - Don’t Start”.  Gesundheitswesen. 2002;  64 492-498
• 4 Puska P, Salonen J T, Nissinen A. et al . Change in risk factors for coronary heart disease during 10 years of a community intervention program (North Karelia project).  Br Med J. 1983;  287 1840-1844
• 5 Luepker R V, Murray D M, Jacobs D R. et al . Community education for cardiovascular disease prevention: risk factor changes in the Minnesota Heart Health Program.  Am J Public Health. 1994;  84 1383-1393
• 6 Winkleby M A, Taylor C B, Jatulis D. et al . The long-term effects of a cardiovascular disease prevention trial: the Stanford Five-City Project.  Am J Public Health. 1996;  86 1773-1779
• 7 Carleton R A, Lasater T M, Assaf A R. et al . The Pawtucket Heart Health Program: community changes in cardiovascular risk factors and projected disease risk.  Am J Public Health. 1995;  85 777-785
• 8 Forschungsverbund DHP (Hrsg) .Die Deutsche Herz-Kreislauf-Präventionsstudie. Bern; Verlag Hans Huber 1998
• 9 Donner A, Brown K S, Brasher P. A methodological review of non-therapeutic intervention trials employing cluster randomisation, 1979 - 1989.  Int J Epidemiol. 1990;  19 (4) 795-800
• 10 Hancock L, Sanson-Fisher R W, Redman S. et al . Community action for health promotion: A review of methods and outcomes 1990 - 1995.  Am J Prev Med. 1997;  13 (4) 229-239
• 11 Simpson J M, Klar N, Donner A. Accounting for cluster randomization: a review of primary prevention trials, 1990 through 1993.  Am J Public Health. 1998;  85 (10) 1378-1383
• 12 Cornfield J. Randomization by group: a formal analysis.  Am J Epidemiol. 1978;  108 (2) 100-102
• 13 Kish L. Survey sampling. 2. Ausg. New York; John Wiley & Sons, Inc 1967
• 14 COMMIT R esearch Group. Community Intervention Trial for Smoking Cessation (COMMIT): Summary of design and intervention.  J Natl Cancer Inst. 1991;  83 1620-1628
• 15 Koepsell T D, Martin D C, Diehr P H. et al . Data analysis and sample size issues in evaluations of community-based health promotion and disease prevention programs: a mixed-model analysis of variance approach.  J Clin Epidemiol. 1991;  44 (7) 701-713
• 16 Murray D M. Design and analysis of group-randomized trials. New York; Oxford University Press 1998
• 17 Thompson S G, Pyke S DM, Hardy R J. The design and analysis of paired cluster randomized trials: an application of meta-analysis techniques.  Stat Med. 1997;  16 2063-2079
• 18 Hoffmeister H, Hoeltz J, Schön D. et al . Nationaler Untersuchungs-Survey und regionale Untersuchungs-Surveys der DHP. Bedeutung, Stichproben, Meßgrößen, Fragenkatalog, Qualitätssicherung, Datenverarbeitung.  DHP-Forum April. 1988;  3 (1)
• 19 Kleinbaum D G, Kupper L L, Muller K E. Applied regression analysis and other multivariable methods. 2. Ausgabe. Belmont California; Duxbury Press 1988
• 20 SAS Institute Inc .Statistical Analysis Software, Release 8.2. Cary, NC; SAS Institute Inc 1999
• 21 Little R C, Milliken G A, Stroup W W. et al .SAS system for mixed models. Cary, NC; SAS Institute Inc 1996
• 22 Cooper H, Hedges L V (Hrsg). The handbook of research synthesis. New York; Russell Sage Foundation 1994
• 23 Wang M C, Bushman B J. Integrating results through meta-analytic review using SAS software. Cary, NC; SAS Institute Inc 1999
• 24 Stijnen T. Letters to the editor. Tutorial in biostatistics. Meta-analysis: formulating, evaluating, combining, and reporting.  Stat Med. 2000;  19 759-761
• 25 Hannan P J, Murray D M, Jacobs J r DR. et al . Parameters to aid in the design and analysis of community trials: intraclass correlations from the Minnesota Heart Health Program.  Epidemiology. 1994;  5 88-95
• 26 Gulliford M C, Ukoumunne O C, Chinn S. Components of variance and intraclass correlations for the design of community-based surveys and intervention studies.  Am J Epidemiol. 1999;  149 876-883
• 27 Ukoumunne O C, Thompson S G. Analysis of cluster randomized trials with repeated cross-sectional binary measurements.  Stat Med. 2001;  20 417-433
• 28 Mollison J, Simpson J A, Campbell M K. et al . Comparison of analytical methods for cluster randomised trials: an example from a primary care setting.  J Epidemiol Biostat. 2000;  5 339-348
• 29 Campell M J. Cluster randomized trials in general (family) practice research.  Stat Methods Med Research. 2000;  9 81-94
• 30 Berlin J A. Invited Commentary: Benefits of heterogeneity in meta-analysis of data from epidemiologic studies.  Am J Epidemiol. 1995;  142 383-387
• 31 Farquhar J W, Fortmann S P, Maccoby N. et al . The Stanford Five-City Project: design and methods.  Am J Epidemiol. 1985;  122 323-334
• 32 Donner A, Klar N. Statistical considerations in the design and analysis of community intervention trials.  J Clin Epidemiol. 1996;  49 435-439
• 33 Koeppsell T D. Epidemiologic issues in the design of community intervention trials. Brownson RC, Petitti DB Applied Epidemiology. Theory to practice New York; Oxford University Press 1998
• 34 Zucker D M. An analysis of variance pitfall: the fixed effects analysis in a nested design.  Educ Psychol Meas. 1990;  50 731-738
• 35 Donner A, Birkett N, Buck C. Randomization by cluster. Sample size requirements and analysis.  Am J Epidemiol. 1981;  114 906-914
• 36 Hoffmeister H, Mensink G BM, Stolzenberg H. et al . Reduction of coronary heart disease risk factors in the German Cardiovascular Prevention Study.  Prev Med. 1996;  25 135-145