Zum Inhalt springen
Zurück zu den Suchergebnissen

Fall-Kontroll-Studie mit Matching

Eingeführt von
Brian MacMahon and others; systematised by Schlesselman (1982)
Jahr
1950s–1970s
Typ
Observational analytic design
Familie
Clinical / epidemiology

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Eine Fall-Kontroll-Studie mit Matching ist ein beobachtendes epidemiologisches Design, bei dem jeder Fall (eine Person mit der Krankheit oder dem interessierenden Ergebnis) mit einem oder mehreren Kontrollen (Personen ohne das Ergebnis) gepaart wird, die eine oder mehrere Merkmale – wie Alter, Geschlecht oder klinisches Setting – teilen, um Störfaktoren zu kontrollieren.

Die Expositionsanamnese wird dann zwischen Fällen und ihren gematchten Kontrollen verglichen, um das Odds Ratio für den Zusammenhang zwischen Exposition und Krankheit abzuschätzen.

Die Intuition hinter der Methode

Stellen Sie es sich wie einen Detektiv vor, der Verdächtige mit Doppelgängern vergleicht. Wenn Sie wissen möchten, ob eine bestimmte Exposition eine Krankheit verursacht hat, finden Sie einen Patienten mit der Krankheit und suchen dann eine oder mehrere ähnliche Personen – gleiches Alter, gleiches Geschlecht, gleiches Krankenhaus –, die die Krankheit nicht bekommen haben. Indem diese Hintergrundmerkmale identisch gehalten werden, ist es weitaus wahrscheinlicher, dass ein Unterschied in der Expositionsanamnese zwischen dem Paar einen echten Zusammenhang widerspiegelt und nicht einen Störfaktor. Matching strafft den Vergleich, sodass das Signal klarer ist, allerdings auf Kosten einer gewissen Flexibilität in der Analyse.

Geschichte

Das Fall-Kontroll-Design wurde in der Epidemiologie in den 1950er Jahren formalisiert, mit wegweisenden Studien von Doll und Hill (1950) über Rauchen und Lungenkrebs unter Verwendung krankenhausbasierter Kontrollen. Das Prinzip des Matchings zur Verbesserung der Vergleichbarkeit wurde früh angewendet und von Brian MacMahon und Kollegen kodifiziert. James Schlesselmans Lehrbuch Case-Control Studies von 1982 etablierte den analytischen Rahmen für gematchte Designs, einschließlich des gematchten Odds Ratios und der bedingten logistischen Regression. Nathan Mantels und William Haenszels Arbeit von 1959 lieferte grundlegende stratifizierte Methoden, die der gematchten Analyse zugrunde liegen, und der Ansatz der bedingten logistischen Regression wurde in den 1970er und 1980er Jahren entwickelt und wurde zum Standard-Analysewerkzeug für individuell gematchte Fall-Kontroll-Daten.

Wann wird sie eingesetzt?

Verwenden Sie eine Fall-Kontroll-Studie mit Matching, wenn Sie eine seltene Krankheit oder ein seltenes Ergebnis untersuchen, bei der eine vollständige Kohortenstudie unpraktisch große Stichproben oder eine sehr lange Nachbeobachtung erfordern würde; wenn spezifische Störfaktoren (wie Alter, Geschlecht oder klinisches Zentrum) eng kontrolliert werden müssen; und wenn die Ressourcen ein sorgfältiges individuelles Matching und eine bedingte Analyse zulassen. Sie ist besonders wertvoll in krankenhausbasierten Settings und bei Ausbruchsuntersuchungen. Verwenden Sie kein Matching, wenn die Matching-Variablen potenzielle Zwischenprodukte auf dem kausalen Pfad sind (Über-Matching), wenn die Anzahl der Fälle sehr gering ist und keine Matching-Partner gefunden werden können oder wenn zeitvariable Expositionen ein statisches Matching ungeeignet machen – in diesen Situationen kann ein Fall-Crossover- oder Kohortendesign vorzuziehen sein. Matching eliminiert keine ungemessenen Störfaktoren.

Grenzen und Hinweise

  • Kann die Prävalenz oder Inzidenz des Ergebnisses nicht schätzen – nur das Odds Ratio für den Zusammenhang zwischen Exposition und Ergebnis.
  • Matching-Variablen können selbst nicht als Expositionen untersucht werden, es sei denn, es werden komplexe Analysemethoden verwendet.
  • Über-Matching (Matching auf eine Variable, die mit der Exposition, aber nicht mit der Krankheit assoziiert ist) erhöht die erforderliche Stichprobengröße und verzerrt das Odds Ratio in Richtung des Nullwerts.
  • Das Finden ausreichender gematchter Kontrollen kann schwierig sein, insbesondere für seltene Kombinationen von Matching-Kriterien, was zu ungematchten Fällen führt, die ausgeschlossen werden müssen.
  • Die gematchte Struktur muss in der Analyse beibehalten werden; die Nichtbeachtung (Verwendung unbedingter logistischer Regression) führt zu verzerrten Schätzungen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Kontrolliert Störfaktoren (Alter, Geschlecht, klinisches Zentrum) durch das Design effizient, anstatt nur durch statistische Anpassung.
  • Gut geeignet für seltene Ergebnisse, bei denen eine vollständige Kohorte nicht machbar ist; ein Bruchteil der ungematchten Stichprobe kann vergleichbare Präzision erreichen.
  • Reduziert die Variabilität innerhalb gematchter Sätze, was oft die statistische Effizienz bei gegebener Stichprobengröße erhöht.
  • Weithin akzeptiert und gut verstanden in klinischen und epidemiologischen Fachzeitschriften; die bedingte logistische Regression ist Standard und in allen wichtigen Statistikpaketen implementiert.

Anwendungen

  • Untersuchung von Risikofaktoren für seltene Krebsarten durch Matching von Krankenhauspatienten mit Krebs auf Kontrollen aus demselben Krankenhaus nach Alter, Geschlecht und Aufnahmestation.
  • Ausbruchsuntersuchungen, bei denen Fälle von lebensmittelbedingten Krankheiten mit Nachbarschaftskontrollen nach geografischem Standort und Anlass der Mahlzeit gematcht werden.
  • Pharmakoepidemiologische Studien zur Untersuchung von Nebenwirkungen von Medikamenten, bei denen Fälle mit medikamentenexponierten Kontrollen nach Indikation, Alter und Komorbidität gematcht werden.
  • Arbeitsmedizinische epidemiologische Studien zu seltenen Expositionen (z. B. spezifische chemische Agenzien) mit branchengematchten Kontrollen, um berufliche Störfaktoren zu eliminieren.
  • Genetische Epidemiologie, bei der Fälle und Kontrollen nach Ethnizität gematcht werden, um die Populationsschichtung vor der Genotypisierung zu minimieren.
  • Notfall- und chirurgische Studien, bei denen die Krankenhausaufnahme einen natürlichen Matching-Rahmen für akute Expositions-Ergebnis-Fragen bietet.

So funktioniert es

So funktioniert es

1

Formulieren Sie eine präzise Falldefinition, die die Krankheit oder das Ergebnis, ihre Diagnosekriterien, die berechtigte Population (Quellpopulation) und das Zeitfenster spezifiziert. Identifizieren Sie die interessierende Exposition und die Störfaktoren, die Sie durch Matching kontrollieren möchten. Legen Sie das Matching-Verhältnis (1:1, 1:2 usw.) und die Matching-Variablen im Voraus fest.

2

Rekrutieren Sie inzidente oder prävalente Fälle aus einer definierten Quelle wie Krankenhausakten, Krankheitsregistern oder einem Überwachungssystem. Bestätigen Sie, dass jeder Fall die Falldefinition erfüllt. Wählen Sie Kontrollen aus derselben Quellpopulation – Personen, die berechtigt gewesen wären, ein Fall zu werden – unter Verwendung von krankenhausbasierten, populationsbasierten oder Dichteschätzungs-Sampling-Strategien.

3

Wählen Sie für jeden Fall eine oder mehrere Kontrollen aus, die die Werte der Matching-Variablen teilen (z. B. dieselbe Fünfjahres-Altersgruppe und dasselbe Geschlecht). Individuelles (Eins-zu-eins oder Eins-zu-viele) Matching bindet jede Kontrolle an einen bestimmten Fall; Frequenz-Matching gleicht die Verteilungen über die gesamte Studie hinweg aus. Dokumentieren Sie das Matching-Verhältnis und alle verwendeten Kaliberbreiten.

4

Ermitteln Sie den Expositionsstatus sowohl für Fälle als auch für ihre gematchten Kontrollen unter Verwendung derselben Messmethode für beide Gruppen, um eine differenzielle Fehlklassifizierung zu vermeiden. Häufige Quellen sind Interviews, Krankenakten, Biobankdaten oder Verwaltungsdatenbanken. Das Verblinden der Ergebnisbeurteiler gegenüber dem Fall-/Kontrollstatus reduziert Informationsverzerrungen.

5

Analysieren Sie gematchte Daten mit bedingter logistischer Regression (oder McNemar-Test für 1:1 gematchte Paare), um die gematchte Struktur zu erhalten. Für ein einfaches 1:1-Matching-Design wird das gematchte Odds Ratio als OR = b/c geschätzt, wobei b = diskordante Paare mit exponiertem Fall und unexponierter Kontrolle und c = diskordante Paare mit unexponiertem Fall und exponierter Kontrolle sind. Passen Sie zusätzliche Kovariaten innerhalb des bedingten Modells an.

Formel
OR = (b / c)
6

Drücken Sie die Ergebnisse als gematchte Odds Ratios mit 95%-Konfidenzintervallen aus. Bewerten Sie, ob die Matching-Variablen angemessen waren, prüfen Sie auf Über-Matching (Matching auf eine Exposition, die ein Zwischenprodukt ist) und beurteilen Sie verbleibende Störfaktoren. Diskutieren Sie die externe Validität in Bezug auf die Quellpopulation.

Häufige Fallstricke

  • Über-Matching: Die Auswahl von Matching-Variablen, die auf dem kausalen Pfad zwischen Exposition und Krankheit liegen (Zwischenprodukte), entfernt die zur Erkennung des Zusammenhangs benötigte Variation und verzerrt das OR in Richtung 1,0.
  • Das Brechen des Matches in der Analyse: Die Analyse von gematchten Daten mit Standard- (unbedingter) logistischer Regression verwirft die Effizienzgewinne des Matchings und kann zu Verzerrungen führen – immer bedingte logistische Regression oder McNemar-Test verwenden.
  • Erinnerungsverzerrung (Recall Bias): Wenn Fälle Expositionen lebhafter erinnern als Kontrollen (differenzielle Erinnerung), wird das Odds Ratio überschätzt; verwenden Sie nach Möglichkeit objektive Aufzeichnungen oder Biomarker.
  • Ignorieren von ungematchten Fällen: Das Ausschließen von Fällen, für die kein gematchter Kontrollfall gefunden wurde, kann zu Selektionsverzerrungen führen, wenn die Ausschließbarkeit mit der Exposition zusammenhängt.
  • Unzureichende Kontrolle für verbleibende Störfaktoren: Matching auf breite Kategorien (z. B. zehnjährige Altersbänder) lässt Störfaktoren innerhalb der Kategorie unberücksichtigt; verfeinern Sie die Kategorien oder passen Sie das Alter kontinuierlich im Modell an.

Häufig gestellte Fragen

Warum muss ich bedingte logistische Regression anstelle von gewöhnlicher logistischer Regression verwenden?

Bei einer individuell gematchten Studie bilden der Fall und seine gematchten Kontrollen eine Schicht. Die unbedingte logistische Regression behandelt alle Schichten als eine einzige gepoolte Stichprobe, was zu verzerrten Schätzungen führt, da die schichtspezifischen Achsenabschnitte als feste Parameter behandelt werden – was zum Problem der inzidenten Parameter führt. Die bedingte logistische Regression konditioniert auf die hinreichende Statistik für jeden gematchten Satz, eliminiert die schichtspezifischen Achsenabschnitte und liefert ein unverzerrtes gematchtes Odds Ratio.

Was ist Über-Matching und warum ist es schädlich?

Über-Matching tritt auf, wenn Sie auf einer Variablen matchen, die mit der Exposition, aber nicht unabhängig mit der Krankheit assoziiert ist (oder ein Zwischenprodukt auf dem kausalen Pfad ist). Da Fälle und Kontrollen dadurch von vornherein ähnliche Expositionsanamnesen haben, wird der Kontrast zwischen den Gruppen reduziert, das Odds Ratio wird in Richtung 1 verzerrt und es wird eine größere Stichprobe benötigt, um die gleiche Aussagekraft zu erzielen. Vermeiden Sie das Matching auf Variablen, die nachgelagerte Folgen der Exposition sein könnten.

Wie wähle ich das Matching-Verhältnis?

Ein Verhältnis von 1:1 ist am gebräuchlichsten und am einfachsten zu handhaben. Eine Erhöhung auf 1:2 oder 1:3 Kontrollen pro Fall verbessert die Präzision, wenn Fälle selten, aber Kontrollen reichlich vorhanden sind; der Effizienzgewinn nimmt über 1:4 hinaus ab und rechtfertigt selten die zusätzliche Komplexität. Wenn Fälle sehr selten und Kontrollen reichlich vorhanden sind, wird ein Verhältnis von 1:4 oft als praktische Obergrenze angesehen.

Kann ich mehrere Expositionen in derselben gematchten Fall-Kontroll-Studie untersuchen?

Ja. Das Modell der bedingten logistischen Regression kann mehrere Expositionsvariablen gleichzeitig enthalten, was die Bewertung mehrerer Risikofaktoren unter Beibehaltung der gematchten Struktur ermöglicht. Jede zusätzliche Exposition fügt jedoch Parameter hinzu und erfordert eine ausreichend große Stichprobe; vermeiden Sie Data Dredging, indem Sie primäre und sekundäre Expositionen in einem Studienprotokoll im Voraus festlegen.

Was ist der Unterschied zwischen individuellem Matching und Frequenz-Matching?

Individuelles (Paar-)Matching bindet jeden spezifischen Fall an eine oder mehrere spezifische Kontrollen anhand von Matching-Variablen und erfordert eine bedingte Analyse. Frequenz-Matching stellt sicher, dass die Gesamtverteilung der Matching-Variablen zwischen Fällen und Kontrollen ausgeglichen ist, schafft aber keine fallspezifischen Paare; es kann mit unbedingter logistischer Regression unter Berücksichtigung der Matching-Variablen analysiert werden. Individuelles Matching bietet eine engere Kontrolle, ist aber logistisch anspruchsvoller und schränkt die Analyse ein.

Verwandte Methoden

Quellen

  1. Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755474
    Kopiert.
  2. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN: 978-0195029338
    Kopiert.