Muster stoffverteilungsplan

// 29 июля 2020 // Без рубрики

Wagner et al. (1) zeigen in ihrem Beispiel überzeugend, was verloren geht, wenn die Verwendung aller Stoffe zu einer einzigen Variable aggregiert wird. Die Aufschlüsselung der Stoffnutzungsdaten verbesserte die Ergebnisse auf zwei Arten. Erstens zeigte es signifikant unterschiedliche Prädiktoren, die mit den Verwendungsmustern der verschiedenen einzelnen missbrauchten Substanzen verbunden sind (zum Teil, weil die Verwendungsdaten für verschiedene Substanzen unterschiedlichen Verteilungen folgen [siehe unten]). Zweitens verbesserte es die Effektivität von “Sensitivitätsanalysen” (d. h. die Mehrfachanalyse desselben Datensatzes unter verschiedenen Annahmen über den Datensatz, um zu bewerten, wie stark die resultierenden Ergebnisse mit unterschiedlichen Annahmen variieren) bei der Bewertung der Gültigkeit statistischer Ergebnisse. Angesichts des Versprechens und der verstärkten Informationen, die sich aus der Disaggregation ergeben, empfehlen wir, sie nach Möglichkeit auch auf die Quantifizierung der Verwendung anzuwenden, d. h. durch die Analyse der Verwendung jedes Stoffes als quantitative und nicht als dichotome (verwendete/enthaltene) Variable, z.

B. “Anzahl der gerauchten Zigaretten” oder “Anzahl der konsumierten Getränke”. Eine solche Quantifizierung sollte die Genauigkeit und Genauigkeit der Behandlungseffektschätzung erheblich erhöhen. Wir loben die Autoren dieser vier Arbeiten dafür, dass sie sich mit der scheinbar banalen, technischen und oft übersehenen Frage der Analyse und Modellierung von Stoffnutzungsdaten befassen. Ihre nützlichen Empfehlungen erfordern keine umfangreichen neuen Ressourcen, die umgesetzt werden müssen, aber wenn sie verfeinert und weit verbreitet werden, würde dieinterpretation bestehender und künftiger klinischer und epidemiologischer Forschungsdaten erheblich verbessert werden, um Patienten mit Störungen des Drogenkonsums und der Gesellschaft insgesamt zu verbessern. Wagner et al. (1) zeigen in ihrem Beispiel erneut überzeugend, wie ihr 4-Schritt-Ansatz effizient die beste Ergebnisverteilung für die effektive Modellierung des Ergebnisses identifizierte und die Identifizierung signifikanter klinischer Assoziationen ermöglichte, die mit anderen Verteilungen verfehlt worden wären. Anders ausgedrückt: Die Gültigkeit der Studienergebnisse war sehr empfindlich gegenüber dem für die Analyse verwendeten Modell. Wir unterstützen ihre Empfehlung und haben einige eigene Vorschläge, um ihren Nutzen zu verbessern.

Die Modellauswahl wäre besser informiert, indem mehrere globale “Fit”-Indizes verwendet werden und nicht nur einen. Wir schlagen vor, dass die Verwendung zusätzlicher Kriterien die Entscheidungsfindung verbessern würde, z. B. das Bayesian Information Criterion (BIC) (8,9) und der Vuong (10,11) Test (verwendet, um festzustellen, ob die Steuerung einer hohen Frequenz von Nullwerten geeignet ist). Die meisten statistischen Softwarepakete (z. B. R, SAS® und Stata®) können solche Tests problemlos berechnen. Statas® “countfit”-Programm automatisiert den Prozess und erstellt Tabellen für einen schnellen Vergleich über mehrere Frequenzverteilungen hinweg (z. B.

Poisson, negatives Binomial und ihre nullaufgeblähten Gegenstücke) ihres Modells passen mithilfe mehrerer Anpassungsindizes (z. B. AIC und BIC) und helfen so, zu ermitteln, welches Modell für die statistische Analyse am besten geeignet ist (12). Wagner et al. (1) geben mehrere Empfehlungen für einen verbesserten Umgang mit Daten über die Verwendung von selbst gemeldeten Substanzen, um die maximale Information zu extrahieren. Sie veranschaulichen ihre Empfehlungen mit Daten, die mit der Timeline-Follow-back-Methode (TLFB) (5) gesammelt wurden, einem halbstrukturierten, kalenderbasierten Interview, das in klinischen Studien weit verbreitet ist. Ihre Empfehlungen befassen sich mit zwei gemeinsamen Problemen mit solchen Daten: die Behandlung des Substanzkonsums als eine einzige Variable, wobei ignoriert wird, welche spezifischen Stoffe verwendet wurden und welche mathematische Verteilung am besten den tatsächlichen Daten annähert, insbesondere wenn Daten fehlen oder nicht im gleichen Zeitintervall von allen Individuen gesammelt werden. Obwohl von den Autoren nicht diskutiert, glauben wir auch, dass es nützlich wäre, ihr 4-Schritte-Verfahren anzuwenden, wenn es um den Längsschnitt (d. h. wiederholte Messungen) Aspekt der meisten klinischen Datensätze durch verwendung von Längsmodellierungstechniken geht.

Обсуждение закрыто.