Da die schnelle und richtige Diagnose einer Erkrankung eine der wichtigsten Voraussetzungen für eine effektive Therapie bilden, sind Diagnosestudien neben Therapiestudien ein wichtiges Standbein der klinischen Forschung. Hierbei soll die Evaluation neuer diagnostischer Verfahren  „nach denselben wissenschaftlichen und regulatorischen Richtlinien erfolgen, wie auch bei der Entwicklung von Arzneimitteln und anderen medizinischen Produkten“ (EMEA, 2009).  Für verschiedenen diagnostischen Gütemaße (wie Sensitivität, Spezifität, AUC, pAUC, prädiktive Werte) und unterschiedliche Studiendesigns (mehrfaktorielle Versuchsanlage, Messwiederholen etc) werden im Rahmen dieser Forschungstätigkeit daher vor allem nichtparametrische statistische Methoden entwickelt um die Daten aus Diagnosestudien möglichst effizient auswerten zu können.

(Prof. Dr. Sarah Friedrich, Dr. Katharina Kramer)

Methoden der kausalen Inferenz gewinnen zunehmend an Bedeutung für die Schätzung von Behandlungseffekten in Beobachtungsstudien, bei denen Störfaktoren nicht gleichmäßig auf die Behandlungsgruppen verteilt sind. Die Genauigkeit der ermittelten Schätzer lässt sich mit Hilfe von Konfidenzintervallen und zeit-simultanen Konfidenzbändern einordnen. In Studien mit Ereigniszeit-Endpunkten, wie sie z.B. in der Onkologie und Kardiologie üblich sind, dient oftmals der nicht-parametrische Bootstrap als Grundlage zur Bestimmung solcher Konfidenzregionen. Die Einschränkungen des klassischen Bootstraps im Zusammenhang mit Methoden der kausalen Inferenz (z.B. Matching) sind jedoch bekannt und Martingal-basierte Ansätze stellen eine vielversprechende Alternative dar.

Ziel des Forschungsprojektes ist es, die Performance verschiedener Resampling-Verfahren im Hinblick auf die Bestimmung von Konfidenzintervallen und -bändern für kausale Effektschätzer in Ereigniszeitstudien zu vergleichen. Außerdem sollen die Untersuchungen auf Situationen mit erschwerten Bedingungen, wie z.B. den Fall von Linkstrunkierung, Typ-II-Zensierung oder zeitabhängigen Störfaktoren, ausgeweitet werden.

(Prof. Dr. Sarah Friedrich, Jasmin Rühl)

Methoden zur Klassifizierung multivariater Daten werden z.B. in der Biomedizin, Psychologie oder bei der Auswertung klinischer Studien angewandt. Traditionelle statistische Methoden basieren meist auf Verteilungsannahmen, die von realen Daten nur selten erfüllt werden. Auch benötigen sie ausreichend große Stichproben. Alternativen sind robuste und nichtparametrische Methoden. Der Schwerpunkt liegt besonders auf der Erforschung von Klassifizierungsmethoden für multivariate longitudinale Daten. Diese sollten die Korrelation der wiederholten Messungen innerhalb der Individuen miteinbeziehen. Auch Methoden, mit denen die Wichtigkeit der einzelnen Variablen für die Unterscheidung der Gruppen bestimmt werden kann, werden betrachtet.

(Prof. Dr. Sarah Friedrich, Ricarda Graf)