Liebe/r mango,
vielen Dank für Deine Antwort.
Du musst aber im Hinterkopf behalten, dass es sich dabei um eine kontrafaktische Vereinfachung des Settings handelt. Das ist wiederum bei der Interpretation der Testergebnisse wichtig.
Könntest Du mir evtl. ein Beispiel geben, wie Du das konkret interpretieren würdest? Mir geht es nicht darum wie ich p zu interpretieren habe, das ist mir alles klar, sondern darum, wie ich die Einschränkung durch den gewählten Vergleich konkret in die Interpretation einfließen lasse.
Ich habe z.B. A+ vs. B+ p<0.001, B+ vs. C+ p=0.123 und A+ vs C+ p=0.07
Ich habe mir diese 4-Felder Tafeln wie im ersten Post im Beispiel "gebaut" und diese mittels Chi2- bzw. Exaktem Test nach Fisher untersucht. Mir ist klar, dass dies aber eigentlich nur für voneinander unabhängige Stichproben geht, durch die Gruppenüberschneidungen habe ich da aber Zweifel.
So oder so halte ich so ein Vorgehen aber methodisch nicht für optimal
Dessen bin ich mir durchaus bewusst, deshalb gründet sich die Auswertung auch nicht darauf. Es soll eine Aussage sein, aber eben nicht die Hauptaussage. Ich wollte mit diesen absichtlich reduzierten Informationen eine unverfälschte Antwort
Ich würde eine Ereignisanalyse vorschlagen
Ich habe zusätzlich Kaplan-Meier-Analysen durchgeführt und die Statistik mittels log-rank-Test berechnet:
1. Für jeden Laborwert einzeln: Dann bekomme ich 3 Diagramme. Für jeden Laborwert ist bei Positiven das kumulative Überleben signifikant erniedrigt, allerdings bei A niedriger als bei B niedriger als bei C. Aber das geht nur visuell, wieviel niedriger das Survival bei A als bei B usw. ist kann ich so nicht in Zahlen fassen und miteinander vergleichen bzw. statistisch testen.
2. Ich habe 2 Laborwerte über entsprechende Kodierung und damit Subgruppenbildung (A+/B+, A+/B-, A-/B+ , A-/B-) in ein Diagramm gebracht und erhalte 4 Kurven, welche ich untereinander auch schön vergleichen kann. Allerdings kann ich auch so nicht dezidiert A+ vs. B+ vergleichen. Und wenn man jetzt noch Subgruppen zusätzlich mit C bildet, wird es sehr unübersichtlich und die Subgruppengröße wird sehr klein.
Messzeitpunkt der Überlebenswahrscheinlichkeit willkürlich gewählt
Die Wahl ist in diesem Sinne nicht willkürlich, sondern orientiert sich an der Leitlinie für die entsprechende Erkrankung. Ganz konkret teilt sie die Patienten anhand ihres kurzfristigen (=30d) Letalitätsrisikos in Gruppen ein, die sich in Therapie etc. unterscheiden. Der ganz überwiegende Anteil der Patienten wird, so er denn nicht überleben sollte, innerhalb dieser 30d sterben.
Das gleiche gilt für den Schwellenwert der drei gemessenen Laborwerte. Dabei handelt es sich immerhin um intervallskalierte Variablen, die hervorragend als Prädiktoren für ein Regressionsmodell geeignet sind.
Ich habe eine bivariate logistische Regressionsanalyse (uni- und multivariat) mit einigen möglichen Einflussfaktoren durchgeführt, u.a. A, B und C. In der multivariaten Analyse wurden letztlich A und B, aber nicht C als unabhängige Prädiktoren ausgewählt.
1. A ist von vornherein dichotimisiert, da es ein Vor-Ort-Schnelltest ist. A lässt sich also niemals als intervallskalierte Kovariate in die Regressionsanalyse einbringen
2. B und C habe ich
- in einem Modell intervallskaliert als Kovariate eingeschlossen. Hier habe ich allerdings ein kleines Interpretationsproblem: Wenn bspw für B die OR 5 (95%KI 2-20) beträgt, heißt das doch im Fall einer intervallskalierten Kovariate, dass sich das Chancenverhältnis je Anstieg von B um 1 Intervall 5fach erhöht, oder?. Nur, wie kann dieses "Intervall" in eine Zahl fassen und mit einer Maßeinheit versehen (SPSS)?
Und ist es sinnvoll, einen Laborwert als dichotomisiert und zwei als intervallskaliert einzuschließen? Daher habe ich B und C
- in einem zweiten Model dichotomisiert eingeschlossen. Für die Schwellenwerte von B und C habe ich vorher jeweils ROC-Analysen mit Bezug auf das Zielkriterium durchgeführt und die Schwellenwerte anhand der Wertetabellen für Sensitivität und Spezifität ermittelt.
