Arbeitsgruppe GePaRD & Target Trials for Causal Inference (GeTTCausal)

Arbeitsgruppe GePaRD & Target Trials for Causal Inference (GeTTCausal)

In der Epidemiologie können viele Forschungsfragen nur anhand von Beobachtungsdaten beantwortet werden, da randomisiert kontrollierte Studien (RCTs) praktisch oder ethisch nicht durchführbar wären, wie beispielsweise die Untersuchung von Langzeiteffekten oder Untersuchungen in vulnerablen Gruppen. Allerdings kann die Analyse von Beobachtungsdaten in die Irre führen, wenn bei der Konzipierung gewisse Grundprinzipen verletzt werden, die bei RCTs selbstverständlich wären. Die sogenannte „HRT Story“ hat dies eindrücklich gezeigt (Hernán et al 2008 Epidemiology 19:766).

Um diesen Problemen zu begegnen und für diese vermeidbaren Verzerrungen zu sensibilisieren, wurde das allgemeine Prinzip der „Target Trial Emulation (TTE)“ entwickelt (Hernán & Robins 2016 Am J Epidemiol 183:758). Es gewährleistet die praktische Interpretierbarkeit und Aussagekraft von Analysen und bietet einen hohen Schutz vor vermeidbaren Verzerrungen. Der TTE-Ansatz findet zunehmend Verbreitung im Bereich der Analyse von elektronischen Patientenakten, Abrechnungsdaten gesetzlicher Krankenkassen oder anderen Beobachtungsdaten (Caniglia et al 2020 Neurology 95:e1322).

Das übergeordnete Ziel der GeTTCausal-Arbeitsgruppe ist die Anwendung und Weiterentwicklung des TTE-Ansatzes, um das Wissen zu Effekten und Nebenwirkungen medizinischer Behandlungen oder Screening-Maßnahmen zu erweitern. Darüber hinaus werden wir Methoden für maßgeschneiderte Sensitivitätsanalysen untersuchen und entwickeln, um nicht vermeidbare Verzerrungen zu adressieren, z. B. durch Verwendung von Negativkontrollen, sequentieller Restriktion der Studienpopulation oder quantitativer Bias-Modellierung.

Die Arbeitsgruppe GeTTCausal nutzt und bündelt die Expertise des BIPS in den Bereichen der kausalen Inferenz, der klinischen Epidemiologie und der Analyse von Krankenkassendaten. Mit dem Zugriff des BIPS auf die pharmakoepidemiologische Forschungsdatenbank GePaRD sind wir in der einzigartigen Position, innovative und robuste Analysen durchzuführen, die von direkter Relevanz für Patienteninnen und Patienten, Ärztinnen und Ärzte und Entscheidungsträgerinnen und Entscheidungsträger  im öffentlichen Gesundheitswesen sind.

Die Nutzung von GePaRD für TTE bietet die folgenden Möglichkeiten:

  • Die Datenbank deckt ca. 20% der deutschen Bevölkerung ab (~16 Mio. pro Jahr, insgesamt 25 Mio. Personen in der Datenbank); alle Altersgruppen und Regionen in Deutschland sind vertreten
  • Es wird eine Zeitspanne von über 15 Jahre abgedeckt (Daten ab 2004)
  • Die Daten sind weder durch Volunteer-Bias noch Recall-Bias beeinträchtigt
  • Vulnerable Gruppen wie zum Beispiel Schwangere sind zahlreich vertreten und identifizierbar.
  • Alle Versorgungsformen (ambulant und stationär, inklusive Facharztversorgung) werden abgedeckt

 

Abgeschlossene, laufende und geplante Projekte adressieren zum Beispiel:

  • die Wirksamkeit des deutschen Mammographiescreening-Programms zur Senkung der Brustkrebsmortalität
  • die Wirksamkeit des Koloskopie-Screenings zur Senkung der Darmkrebsinzidenz im distalen vs. proximalen Darm
  • den Effekt von Antidiabetika auf das Risiko eines Pankreaskarzinoms (Börnhorst et al. 2021 Clin Epi 13:1027)
  • den direkten Vergleich verschiedener direkter oraler Antikoagulanzien bei Vorhofflimmern (Wirksamkeit und Sicherheit)
  • den Effekt des gleichzeitigen Gebrauchs von Tamoxifen und Antidepressiva auf das Wiederauftreten von Brustkrebs

 

Umgekehrt ergibt die Anwendung der TTE auf GePaRD folgende Möglichkeiten:

  • die Analyse wird durch eine expliziten Forschungsfrage gelenkt, um Entscheidungsträger zu informieren (Didelez 2016 IJE 45:2049)
  • verschiedene selbstverursachte (meist zeitbezogene) Biasquellen werden vermieden, bspw. Immortal-Time-Bias oder Verzerrungen durch den Einschluss von prävalenten Nutzerinnnen und Nutzern
  • potentielle andere Biasquellen wie z.B. Protopathic-Bias sind leichter erkennbar und können in Sensitivitätsanalysen explizit adressiert werden
  • TTE bietet einen Rahmen, der mit einer Vielzahl statistischer Methoden kombiniert werden kann

 

Hinsichtlich statistischer Ansätze strebt die Arbeitsgruppe die Entwicklung eines systematischen Vorgehens zur Auswahl geeigneter Methoden an, z.B. zur Adjustierung von Confounding und für Sensitivitäts-/Bias-Analysen. Daher werden wir bestehende Methoden verglichen und neue Methoden für die TTE mit GePaRD entwickeln, wie z. B. double-machine learning zur Adjustierung für hochdimensionales Confounding oder „separable effects“-Ansätze in Situationen mit konkurrierenden Risiken (Didelez 2019 LIDA 25:593; Stensrud et al 2020 JASA 117:175). Darüber hinaus werden wir die Überlegenheit von TTE gegenüber gängigen, aber verzerrten Ansätzen, empirisch veranschaulichen, und so zu einer verbesserten Forschung mit Beobachtungsdaten beitragen (Pigeot et al 2021 Gesundheitswesen 2021 83:S69).

Ausgewählte Veröffentlichungen

    Zeitschriftenartikel mit peer-review

  • Braitmaier M, Didelez V. Emulierung von Target Trials mit Real World Daten - Ein allgemeines Prinzip, um den Herausforderungen von Beobachtungsdaten zu begegnen. Prävention und Gesundheitsförderung. 2022; (Epub 2022 Jul 29).
    https://doi.org/10.1007/s11553-022-00967-9
  • Stensrud MJ, Young JG, Didelez V, Robins JM, Hernán MA. Separable effects for causal inference in the presence of competing events. Journal of the American Statistical Association. 2022;117(537):175-183.
    https://doi.org/10.1080/01621459.2020.1765783
  • Braitmaier M, Schwarz S, Kollhorst B, Senore C, Didelez V, Haug U. Screening colonoscopy similarly prevented distal and proximal colorectal cancer; A prospective study among 55-69-year-olds. Journal of Clinical Epidemiology. 2022;149:118-126.
    https://doi.org/10.1016/j.jclinepi.2022.05.024
  • Börnhorst C, Reinders T, Rathmann W, Bongaerts B, Haug U, Didelez V, Kollhorst B. Avoiding time-related biases: A feasibility study on antidiabetic drugs and pancreatic cancer applying the parametric g-formula to a large German healthcare database. Clinical Epidemiology. 2021;(13):1027-1038.
    https://doi.org/10.2147/CLEP.S328342
  • Brydges CR, Carlson MC, Andrews R, Rebok GW, Bielak AAM. Using cognitive intraindividual variability to measure intervention effectiveness: Results from the Baltimore experience corps trial. The Journals of Gerontology. Series B, Psychological Sciences and Social Sciences. 2021;76(4):661-670.
    https://doi.org/10.1093/geronb/gbaa009
  • Pigeot I, Kollhorst B, Didelez V. Nutzung von Sekundärdaten für die pharmakoepidemiologische Forschung - Machen wir das Beste draus! Das Gesundheitswesen. 2021;83(S 02):S69-S76.
    https://dx.doi.org/10.1055/a-1633-3827
  • Andrews R, Didelez V. Insights into the cross-world independence assumption of causal mediation analysis. Epidemiology. 2021;32(2):209-219.
    https://doi.org/10.1097/EDE.0000000000001313
    https://repository.publisso.de/resource/frl%3A6425953
  • Foraita R, Friemel J, Günther K, Behrens T, Bullerdiek J, Nimzyk R, Ahrens W, Didelez V. Causal discovery of gene regulation with incomplete data. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2020;183(4):1747-1775.
    https://doi.org/10.1111/rssa.12565
  • Witte J, Henckel L, Maathuis MH, Didelez V. On efficient adjustment in causal graphs. Journal of Machine Learning Research. 2020;21(246):1-45.
    http://jmlr.org/papers/v21/20-175.html
  • Andrews R, Shpitser I, Lopez O, Longstreth WT, Chaves PH, Kuller L, Carlson MC. Examining the causal mediating role of brain pathology on the relationship between diabetes and cognitive impairment: The Cardiovascular Health Study. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2020;183(4):1705-1726.
    https://doi.org/10.1111/rssa.12570
  • Beiträge zu Büchern und Proceedings

  • Haug U, Schink T. German Pharmacoepidemiological Research Database (GePaRD). In: Sturkenboom MCJM, Schink T, Herausgeber. Databases for pharmacoepidemiological research. Cham: Springer. 2021. S. 119-124.
    https://doi.org/10.1007/978-3-030-51455-6_8
  • Vorträge bei wissenschaftlichen Tagungen

  • Braitmaier M, Schwarz S, Kollhorst B, Didelez V, Haug U. Effectiveness of screening colonoscopy in reducing colorectal cancer incidence - Emulated target trials from German claims data. 42nd Conference of the International Society for Clinical Biostatistics (ISCB), 18-22 July 2021, online presentation.
  • Vorträge bei wissenschaftlichen Tagungen (eingeladen)

  • Braitmaier M. Emulating target trials from health claims data to evaluate cancer screening programs. Fortbildungsveranstaltung des Instituts für Medizinische Informatik, Biometrie und Epidemiologie (IMIBE) am Universitätsklinikum Essen, 8. Februar 2022, Online-Vortrag.
  • Braitmaier M. Emulating target trials from health claims data to evaluate cancer screening programs. 16. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi), 20.-22. September 2021, Online-Vortrag.
  • Poster bei wissenschaftlichen Tagungen

  • Foraita R, Witte J, Börnhorst C, Pigeot I, Didelez V, on behalf of the I.Family and GrowH! consortia. A longitudinal causal graph analysis investigating modifiable risk factors and obesity in a European cohort of children and adolescents. 6th Conference of the Deutsche Arbeitsgemeinschaft Statistik (DAGStat), 28 March-1 April 2022, Hamburg.
  • Software

  • Witte J. tPC - Causal discovery with temporal background knowledge. (Version 1.0.0); 2021.
    https://github.com/bips-hb/tpc
  • Foraita R, Witte J. Multiple imputation in causal graph discovery. (R Package version 1.0-1); 2020.
    https://github.com/bips-hb/micd

Selected publication

    Articles with peer-review

  • Braitmaier M, Didelez V. Emulierung von Target Trials mit Real World Daten - Ein allgemeines Prinzip, um den Herausforderungen von Beobachtungsdaten zu begegnen. Prävention und Gesundheitsförderung. 2022; (Epub 2022 Jul 29).
    https://doi.org/10.1007/s11553-022-00967-9
  • Stensrud MJ, Young JG, Didelez V, Robins JM, Hernán MA. Separable effects for causal inference in the presence of competing events. Journal of the American Statistical Association. 2022;117(537):175-183.
    https://doi.org/10.1080/01621459.2020.1765783
  • Braitmaier M, Schwarz S, Kollhorst B, Senore C, Didelez V, Haug U. Screening colonoscopy similarly prevented distal and proximal colorectal cancer; A prospective study among 55-69-year-olds. Journal of Clinical Epidemiology. 2022;149:118-126.
    https://doi.org/10.1016/j.jclinepi.2022.05.024
  • Börnhorst C, Reinders T, Rathmann W, Bongaerts B, Haug U, Didelez V, Kollhorst B. Avoiding time-related biases: A feasibility study on antidiabetic drugs and pancreatic cancer applying the parametric g-formula to a large German healthcare database. Clinical Epidemiology. 2021;(13):1027-1038.
    https://doi.org/10.2147/CLEP.S328342
  • Brydges CR, Carlson MC, Andrews R, Rebok GW, Bielak AAM. Using cognitive intraindividual variability to measure intervention effectiveness: Results from the Baltimore experience corps trial. The Journals of Gerontology. Series B, Psychological Sciences and Social Sciences. 2021;76(4):661-670.
    https://doi.org/10.1093/geronb/gbaa009
  • Pigeot I, Kollhorst B, Didelez V. Nutzung von Sekundärdaten für die pharmakoepidemiologische Forschung - Machen wir das Beste draus! Das Gesundheitswesen. 2021;83(S 02):S69-S76.
    https://dx.doi.org/10.1055/a-1633-3827
  • Andrews R, Didelez V. Insights into the cross-world independence assumption of causal mediation analysis. Epidemiology. 2021;32(2):209-219.
    https://doi.org/10.1097/EDE.0000000000001313
    https://repository.publisso.de/resource/frl%3A6425953
  • Foraita R, Friemel J, Günther K, Behrens T, Bullerdiek J, Nimzyk R, Ahrens W, Didelez V. Causal discovery of gene regulation with incomplete data. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2020;183(4):1747-1775.
    https://doi.org/10.1111/rssa.12565
  • Witte J, Henckel L, Maathuis MH, Didelez V. On efficient adjustment in causal graphs. Journal of Machine Learning Research. 2020;21(246):1-45.
    http://jmlr.org/papers/v21/20-175.html
  • Andrews R, Shpitser I, Lopez O, Longstreth WT, Chaves PH, Kuller L, Carlson MC. Examining the causal mediating role of brain pathology on the relationship between diabetes and cognitive impairment: The Cardiovascular Health Study. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2020;183(4):1705-1726.
    https://doi.org/10.1111/rssa.12570
  • Contributions to books and proceedings

  • Haug U, Schink T. German Pharmacoepidemiological Research Database (GePaRD). In: Sturkenboom MCJM, Schink T, editors. Databases for pharmacoepidemiological research. Cham: Springer. 2021. S. 119-124.
    https://doi.org/10.1007/978-3-030-51455-6_8
  • Presentations at scientific meetings/conferences

  • Braitmaier M, Schwarz S, Kollhorst B, Didelez V, Haug U. Effectiveness of screening colonoscopy in reducing colorectal cancer incidence - Emulated target trials from German claims data. 42nd Conference of the International Society for Clinical Biostatistics (ISCB), 18-22 July 2021, online presentation.
  • Presentations at scientific meetings/conferences (invited)

  • Braitmaier M. Emulating target trials from health claims data to evaluate cancer screening programs. Fortbildungsveranstaltung des Instituts für Medizinische Informatik, Biometrie und Epidemiologie (IMIBE) am Universitätsklinikum Essen, 8. Februar 2022, Online-Vortrag.
  • Braitmaier M. Emulating target trials from health claims data to evaluate cancer screening programs. 16. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi), 20.-22. September 2021, Online-Vortrag.
  • Posters at scientific meetings/conferences

  • Foraita R, Witte J, Börnhorst C, Pigeot I, Didelez V, on behalf of the I.Family and GrowH! consortia. A longitudinal causal graph analysis investigating modifiable risk factors and obesity in a European cohort of children and adolescents. 6th Conference of the Deutsche Arbeitsgemeinschaft Statistik (DAGStat), 28 March-1 April 2022, Hamburg.
  • Software

  • Witte J. tPC - Causal discovery with temporal background knowledge. (Version 1.0.0); 2021.
    https://github.com/bips-hb/tpc
  • Foraita R, Witte J. Multiple imputation in causal graph discovery. (R Package version 1.0-1); 2020.
    https://github.com/bips-hb/micd

Mitarbeiter und Mitarbeiterinnen

Staff