25gmds010 10.3205/25gmds010 urn:nbn:de:0183-25gmds0103 Meeting Abstract Kästner Kästner Anika A

Universitätsmedizin Greifswald, Institut für Community Medicine, Abteilung Versorgungsepidemiologie und Community Health, Greifswald, Germany

author Hoffmann Hoffmann Wolfgang W

Universitätsmedizin Greifswald, Institut für Community Medicine, Abteilung Versorgungsepidemiologie und Community Health, Greifswald, Germany

author Stang Stang Andreas A

Universitätsmedizin Essen, Institut für Medizinische Informatik, Biometrie und Epidemiologie, Essen, Germany Landeskrebsregister Nordrhein-Westfalen, Bochum, Germany

author Hüsing Hüsing Anika A

Universitätsmedizin Essen, Institut für Medizinische Informatik, Biometrie und Epidemiologie, Essen, Germany

author German Medical Science GMS Publishing House

Düsseldorf

610 multiple Imputation Krebsregister Überlebenszeitanalyse Simulationsstudie 20251103 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0631 010 Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie 70. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS) V: Cancer epidemiology Jena 20250907 20250911 Abstr. 101 TextEinleitung: Epidemiologische Studien auf Basis von Krebsregisterdaten sind oftmals durch einen hohen Anteil fehlender Werte limitiert . Besonders betroffen sind ordinalskalierte Variablen wie das Tumorstadium, Tumorgrading oder der allgemeine Gesundheitszustand (Eastern Cooperative Oncology Group Performance Status, ECOG-PS). Diese Variablen sind mögliche Confounder in Überlebenszeitanalysen, da diese die Wahl der Therapie und das Überleben unmittelbar beeinflussen . Dadurch können Verzerrungen (Bias) resultieren, welche die Aussagekraft der Analysen erheblich einschränken, insbesondere wenn die fehlenden Werte mit anderen Kovariaten wie dem Alter oder dem fehlenden Wert selbst zusammenhängen . Die multiple Imputation mittels verketteter Gleichungen (MICE) ist ein etabliertes Verfahren zur Ersetzung fehlender Werte. Dennoch gibt es nur wenige Studien zur Untersuchung der geeignetsten MI-Methode für den Umgang mit fehlenden Werten in ordinalskalierten Krebsregistervariablen , . Im Rahmen dieser Simulationsstudie wurden verschiedene MI-Methoden zur Ersetzung fehlender Werte in der ordinalskalierten Variable ECOG-PS unter verschiedenen Szenarien bei der Durchführung von Cox Proportional Hazards Regressionen untersucht.Methoden: Die Simulationsstudie basiert auf Lungenkrebsfällen mit Erstdiagnose im Zeitraum von 2019 bis 2022, die im Landeskrebsregister Nordrhein-Westfalen erfasst wurden und keine fehlenden Werte in den relevanten Variablen aufwiesen. In der ordinalen Variable ECOG-PS wurden fehlende Werte unter 45 verschiedenen Szenarien erzeugt. Dabei wurden unterschiedliche Mechanismen fehlender Werte (MCAR: Missing Completely at Random; MAR: Missing at Random; MNAR: Missing Not at Random), verschiedene Anteile fehlender Werte (10%, 20%, 30%, 40%, 50%) sowie unterschiedliche Fallzahlen (N=500, N=1.000, N=5.000) berücksichtigt. Anschließend wurden die fehlenden Werte für jedes Szenario durch verschiedene MI-Verfahren ersetzt: MICE mit ordinal logistischer Regression (POLR), multinomial logistischer Regression (POLYREG), Predictive Mean Matching (PMM), Random Forests (RF) und das Joint Model mit latenten normalverteilten Variablen (JM). Zur Bewertung der MI-Methoden wurden der Bias, die mittlere quadratische Abweichung (MSE), die Breite des 95%-Konfidenzintervalls und die Coverage der logarithmierten Hazard Ratios des ECOG-PS analysiert. Die Simulationen wurden mit dem Statistikprogramm R (Version 4.4.1) durchgeführt.Ergebnisse: In Szenarien mit kleineren Fallzahlen (N=500 und N=1.000) waren wenige Fälle mit stark eingeschränktem Allgemeinzustand vorhanden. Für ECOG-PS=4 zeigte sich in diesen Szenarien für alle MI-Verfahren ab einem Anteil von 30% fehlender Werte ein starker Bias, eine hohe MSE, breite 95%-Konfidenzintervalle sowie eine niedrige Coverage.In den Szenarien mit der größeren Fallzahl (N=5.000) erzielte MICE mit POLYREG für alle Szenarien einen akzeptablen Bias (<10%). Auch MICE mit RF und PMM wiesen bei bis zu 40% fehlender Werte unter MAR und MNAR akzeptable Bias-Werte auf, wobei MICE mit RF auch bei 50% fehlenden Werten unter MNAR einen niedrigen Bias zeigte. Das JM sowie MICE mit POLR erzielten hingegen nur bis zu einem Anteil von maximal 20% fehlender Werte akzeptable Bias-Werte.Diskussion: Die Ergebnisse unterstreichen die Bedeutsamkeit der Fallzahl und Verteilung der Kategorien ordinaler Variablen beim Umgang mit fehlenden Werten in Krebsregisterdaten. Insbesondere die Kombination aus kleinen Fallzahlen und Kategorien mit niedrigen Prävalenzen führte in allen untersuchten MI-Verfahren ab 30% fehlenden Werten zu verzerrten Ergebnissen.Schlussfolgerung: MICE mit POLYREG erwies sich als geeignetste Methode zur Ersetzung fehlender ordinalskalierter ECOG-PS-Werte. Weiterführende Untersuchungen in Bezug auf Überlebenszeitanalysen und multivariate Muster fehlender Werte sind erforderlich, um konkrete Empfehlungen für den Umgang mit fehlenden Werten in ordinalskalierten Krebsregistervariablen abzuleiten.Die Autoren geben an, dass kein Interessenkonflikt besteht.Die Autoren geben an, dass ein positives Ethikvotum vorliegt.Der Beitrag wurde bereits publiziert: Hübner J Baltus H Eisemann N Rohr M Schumann L Augustin J Evaluation of Early Skin Cancer Detection in Germany with Cancer Registry Data - Challenges, Solutions and Current Trends 2023 J Dtsch Dermatol Ges 13-20 Hübner J, Baltus H, Eisemann N, Rohr M, Schumann L, Augustin J, et al. Evaluation of Early Skin Cancer Detection in Germany with Cancer Registry Data - Challenges, Solutions and Current Trends. J Dtsch Dermatol Ges. 2023;21 Suppl 5:13-20. DOI: 10.1111/ddg.15171 http://dx.doi.org/10.1111/ddg.15171 Alifano M Daffré E Brouchet L Falcoz PE Le Pimpec Barthes F Pages PB Prognostic Score and Sex-Specific Nomograms to Predict Survival in Resectable Lung Cancer: A French Nationwide Study from the Epithor Cohort Database 2023 The Lancet Regional Health – Europe 100566 Alifano M, Daffré E, Brouchet L, Falcoz PE, Le Pimpec Barthes F, Pages PB, et al. Prognostic Score and Sex-Specific Nomograms to Predict Survival in Resectable Lung Cancer: A French Nationwide Study from the Epithor Cohort Database. The Lancet Regional Health – Europe. 2023;26:100566. DOI: 10.1016/j.lanepe.2022.100566 http://dx.doi.org/10.1016/j.lanepe.2022.100566 Di Girolamo C Walters S Benitez Majano S Rachet B Coleman MP Njagi EN Characteristics of Patients with Missing Information on Stage: A Population-Based Study of Patients Diagnosed with Colon, Lung or Breast Cancer in England in 2013 2018 BMC Cancer 492 Di Girolamo C, Walters S, Benitez Majano S, Rachet B, Coleman MP, Njagi EN, et al. Characteristics of Patients with Missing Information on Stage: A Population-Based Study of Patients Diagnosed with Colon, Lung or Breast Cancer in England in 2013. BMC Cancer. 2018;18(1):492. DOI: 10.1186/s12885-018-4417-3 http://dx.doi.org/10.1186/s12885-018-4417-3 Eisemann N Waldmann A Katalinic A Imputation of Missing Values of Tumour Stage in Population-Based Cancer Registration 2011 BMC Medical Research Methodology 129 Eisemann N, Waldmann A, Katalinic A. Imputation of Missing Values of Tumour Stage in Population-Based Cancer Registration. BMC Medical Research Methodology. 2011;11(1):129. DOI: 10.1186/1471-2288-11-129 http://dx.doi.org/10.1186/1471-2288-11-129 Quartagno M Carpenter JR Multiple Imputation for Discrete Data: Evaluation of the Joint Latent Normal Model 2019 Biom J 1003-19 Quartagno M, Carpenter JR. Multiple Imputation for Discrete Data: Evaluation of the Joint Latent Normal Model. Biom J. 2019;61(4):1003-19. DOI: 10.1002/bimj.201800222 http://dx.doi.org/10.1002/bimj.201800222 Kästner A Hoffmann W Stang A Hüsing A Multiple Imputation for Missing Values of Ordinal Variables in Cancer Registry Data when Performing Cox Proportional Hazards Regression Statistics in Times of AI. DAGStat 2025. Statistics under one umbrella. 7th Joint Statistical Meeting; 2025 Mar 24-28; Berlin Kästner A, Hoffmann W, Stang A, Hüsing A. Multiple Imputation for Missing Values of Ordinal Variables in Cancer Registry Data when Performing Cox Proportional Hazards Regression. In: Statistics in Times of AI. DAGStat 2025. Statistics under one umbrella. 7th Joint Statistical Meeting; 2025 Mar 24-28; Berlin. Abstract-ID: 67. 0 0 0 0