Eine randomisierte kontrollierte Therapiestudie gilt in der Medizin als Goldstandard zur Überprüfung von einem Therapieeffekt. Denn durch die randomisierte Zuweisung der Patienten zu einer Behandlungsgruppe ist eine gleichmäßige Verteilung der Patientenmerkmale auf die Behandlungsgruppen möglich. Nur wenn die Gruppen hinsichtlich der Patienten vergleichbar sind, sind auch kausale Aussagen über den Therapieeffekt möglich. Nun ist eine Randomisierung aber nicht in jedem Fall geeignet, notwendig oder durchführbar. Eine Randomisierung kann beispielsweise bei seltenen Krankheiten, kleinen Stichproben oder aus ethischen Gründen nicht möglich sein. Allerdings bietet hier das Propensity Score Matching eine Möglichkeit, nicht-randomisierte Therapiestudien auszuwerten. Denn durch dieses Verfahren kann man gleiche Voraussetzungen der zu vergleichenden Therapiegruppen sicherzustellen. Durch Propensity Score Matching erfolgt dabei eine Adjustierung der Auswertungen hinsichtlich gemessener Störgrößen. Im Folgenden geben wir eine kurze Propensity Score Matching Einführung und erläutern das Propensity Score Matching Vorgehen Schritt für Schritt.
Führen Sie selbst eine nicht randomisierte Studie zur Überprüfung von einem Therapieeffekt durch und haben Fragen zu dieser Thematik? Unsere Statistiker helfen Ihnen gerne weiter. Gerne schauen wir uns unverbindlich Ihren Datensatz an und beraten Sie anschließend individuell, welche Methoden angewendet werden können. Wir freuen uns auf Ihre Anfrage. Nehmen Sie Kontakt auf, wir freuen uns auf neue Herausforderungen!
Folgende Fragen werden in diesem Artikel beantwortet
- Was ist ein Propensity Score?
- Was versteht man unter Propensity Score Matching?
- Wie funktioniert das Propensity Score Matching Vorgehen Schritt für Schritt?
- Welche Vor- und Nachteile besitzt Propensity Score Matching?
- Wie wird Propensity Score Matching durchgeführt?
Was ist ein Propensity Score?
Unter einem Propensity Score versteht man in der Biostatistik die Wahrscheinlichkeit, mit der ein Patient die Zieltherapie erhält. In einer 1:1 randomisierten Studie mit zwei Behandlungsgruppen beträgt der Propensity Score also 0,5 für jeden einzelnen Studienteilnehmer: Jeder Patient hat die Wahrscheinlichkeit 0,5 der Therapiegruppe zugewiesen zu werden.
In nicht-randomisierten Studien ist der Propensity Score jedes Patienten allerdings meist unbekannt. Der Score muss daher zunächst anhand der Studiendaten geschätzt werden. Das Propensity Score Matching kann somit erst nach vollständiger Datenerhebung vor der eigentlichen Auswertung erfolgen.
Zur Schätzung des Propensity Scores wird bei zwei Therapie- oder Behandlungsgruppen ein logistisches Regressionsmodell verwendet. Dabei stellt die Therapiegruppe die Zielvariable dar. Als Einflussvariablen können prinzipiell alle zu Studienbeginn gemessenen Patientenmerkmale (Risikofaktoren, Confounder) berücksichtigt werden, sofern die Größe der Studie (Stichprobenumfang) dies zulässt. Insbesondere Variablen, die den Therapieerfolg beeinflussen könnten, sollten hierbei unbedingt eingeschlossen werden. Werden mehr als zwei Therapiegruppen miteinander verglichen, muss allerdings ein anderes Regressionsmodell verwendet werden.
Der Propensity Score kann dann anhand des Regressionsmodells aus den geschätzten Wahrscheinlichkeiten für die Gruppenzugehörigkeit angegeben werden.
Was versteht man unter Propensity Score Matching?
Sind die Propensity Scores jedes Patienten mit geeigneten Modellen geschätzt, so erfolgt anschließend die Analyse in Hinblick auf den Therapieeffekt.
Beim Propensity Score Matching Vorgehen wird jedem Patienten der Behandlungsgruppe jeweils ein Patient aus der oder den Vergleichsgruppen zur Seite gestellt (1:1 Matching). Wie in Fall-Kontroll-Studien gibt es dabei auch die Möglichkeit von 1:n Matching, wobei ein behandelter Patient n Partner in jeder Vergleichsgruppe erhält. Die Zuweisung eines Matchingpartners erfolgt anhand des Propensity Scores: Als Matchingpartner gelten dabei Studienteilnehmer verschiedener Behandlungsgruppen, mit identischen oder mit nur minimal abweichenden Propensity Score.
Die über den Propensity Score gepaarte Studienteilnehmer ergeben schließlich das Kollektiv, das für die weiteren Analysen zur Beurteilung von dem Therapieeffekt verwendet wird. Die Auswertung erfolgt dann in Analogie zu Fall-Kontroll-Studien.
Patienten ohne Matchingpartner werden von der weiteren Auswertung ausgeschlossen.
Propensity Score Matching Vorgehen Schritt für Schritt
Die Auswertung nicht randomisierter Studien mit Propensity Score Matching erfolgt in mehreren Schritten. Dabei werden folgende Schritte nacheinander ausgeführt:
- Sammeln und Aufbereiten der Daten
- Schätzung des Propensity Scores
- Propensity Score Matching: Matching der Studienteilnehmer verschiedener Behandlungsgruppen anhand des Propensitiy Scores
- Auswertung der Kovariablen und Sicherstellung balancierter Gruppen
- Auswertung des Therapieeffekts mit Verfahren von Fall-Kontroll-Studien
Vorteile von Propensity Score Matching
- Die deskriptive Beschreibung aller Kollektive ist möglich: Alle Studienteilnehmer, gematchte und ungematchte Studienteilnehmer, behandelte und unbehandelte
- Das Propensity Score Matching Vorgehen eignet sich am besten, um Unausgewogenheit zwischen Behandlungsgruppen auszugleichen.
- Das Verfahren ist robust gegenüber extremen Beobachtungen.
- Der Propensity Score geht nicht in die Analyse zur Beurteilung des Therapieeffekts ein.
- Deutlich bessere Performance bei Vorliegen seltener Ereignisse.
- Es werden auch nicht-gematche Patienten analysiert. Somit kann klar spezifiziert werden, für welche Gruppe die Aussagen bezüglich dem Therapieeffekt gelten.
Nachteile von Propensity Score Matching
- Der wahre Propensity Score ist in Beobachtungsstudien immer unbekannt. Es kann nicht überprüft werden, ob der berechnete Propensity Score korrekt ist.
- Durch den Ausschluss nicht gematchter Patienten geht ein Verlust statistischer Power (Teststärke) einher.
- Patienten mit gleichen Propensity Score haben nicht unbedingt gleiche Merkmale.
- Unbekannte oder nicht erhobene Confounder können nicht berücksichtigt werden.
Beispiel: Das Propensity Score Matching in der Praxis
Fragestellung
Als Anwendung soll das Propensity Score Matching Verfahren an einem einfachen Beispiel vorgeführt werden. In einer kleinen nicht randomisierten Studie wurden 28 Patienten mit einem neu entwickelten Präparat behandelt. 22 Patienten erhielten hierzu ein Placebo. Primäre Zielgröße war die Senkung des systolischen Blutdrucks. Blutdruckmessungen wurden vor Studienbeginn und nach Abschluss der Behandlungsphase erhoben. Als Populationskenngrößen wurden Alter und Geschlecht erhoben.
Kennwerte ohne Matching
| Kontrollgruppe n=22 | Behandlungsgruppe n=28 | |
| Alter in Jahren | 62,09 +/- 6,57 | 61,00 +/- 6,54 |
| Syst. Blutdruck in mmHg zu Studienbeginn | 97,13 +/- 3,56 | 99,22 +/- 6,05 |
| Anzahl Frauen | 11 | 15 |
Propensity Score Matching Vorgehen
Um die Gruppen hinsichtlich der Ausgangswerte zu balancieren wurde ein Propensity Score Matching durchgeführt. Dazu wurde im ersten Schritt für jeden Studienteilnehmer der Propensity Score mit einer logistischen Regression berechnet. Als Einflussvariable wurde dabei Alter, Geschlecht und systolischer Blutdruck zu Studienbeginn berücksichtigt. Anhand der so berechneten vorhergesagten Wahrscheinlichkeiten wurden anschließend die Studienteilnehmer gematched. Hierzu wurde ein Bereich von +/- 0,05 als Matchingintervall berücksichtigt.
Nach dem Matching konnten 21 Paare gebildet werden. Ein Studienteilnehmer aus der Kontrollgruppe und 7 Patienten aus der Behandlungsgruppe hatten keinen geeigneten Matchingpartner. Für die 21 Paare ergeben sich folgende Kennwerte:
Kennwerte gematchter Patienten
| Kontrollgruppe n=21 | Behandlungsgruppe n=21 | |
| Alter in Jahren | 61,48 +/- 6,05 | 61,90 +/- 5,25 |
| Syst. Blutdruck in mmHg zu Studienbeginn | 97,48 +/- 3,24 | 96,83 +/- 3,92 |
| Anzahl Frauen | 11 | 12 |
Die ausgeschlossenen Patienten der Behandlungsgruppe haben sehr hohe Propensity Scores über 0,67. Die Kennwerte der ausgeschlossenen Patienten sind nachstehender Tabelle zu entnehmen.
Kennwerte ausgeschlossener Patienten
| Kontrollgruppe n=1 | Behandlungsgruppe n=7 | |
| Alter in Jahren | 75 | 58,28 +/- 9,43 |
| Syst. Blutdruck in mmHg zu Studienbeginn | 89,8 | 106,39 +/- 5,81 |
| Anzahl Frauen | 0 | 3 |
Die ausgeschlossenen Patienten der Behandlungsgruppe unterscheiden sich vor allen in Bezug auf den systolischen Blutdruck zu Studienbeginn. Der Mittelwert der ausgeschlossenen Patienten ist deutlich höher als der Mittelwert der gematchten Patienten.
Beurteilung Therapieeffekt
Der Therapieeffekt wird anhand der Veränderung (Differenz) des systolischen Blutdrucks vor und nach der Studie beurteilt.
Therapieeffekt mit und ohne Matching
| Kontrollgruppe | Behandlungsgruppe | T | df | p-Wert | |
| Ohne Matching | -4,95 +/- 2,25 | -13,44 +/- 5,73 | 7,17 | 36,8 | <0,001 |
| Mit Propensity Score Matching | -5,16 +/- 2,07 | -11,67 +/- 4,26 | 6,26 | 20 | <0,001 |
Zusammenfassung
Mit Propensity Score Matching steht ein mächtiges Instrument zur Auswertung nicht-randomisierter Studien zur Verfügung. Durch das Propensity Score Matching Vorgehen können Behandlungsgruppen hinsichtlich bekannter und gemessener Patientenmerkmale adjustiert werden. Einem Selektionsbias kann dabei in vielen Fällen entgegengewirkt werden. Gerne zeigen wir Ihnen individuell und maßgeschneidert, welche Verfahren bei Ihren Daten sinnvoll eingesetzt werden können. Wir unterstützen Sie mit unserer Statistik-Beratung gerne in allen Phasen Ihrer Studie: Von der Fallzahlplanung bis zur Berichterstellung. Wir freuen uns auf Ihre Fragestellung. Nehmen Sie Kontakt mit uns auf! Wir freuen uns!
Weiterführende Quellen:
Diamond, A. & Sekhon, J. (2013). Genetic Matching for Estimating Causal Effects: A General Multivariate Matching Method for Achieving Balance in Observational Studies.
Propensity Score – eine alternative Methode zur Analyse von Therapieeffekten