Regression zur Mitte - ein Thema in der Krebsforschung?

Zusammenfassung

Regression-zur-Mitte (regression-to-the-mean) ist ein rein statistisches Phänomen, das bei Wiederholungsmessungen auftritt, die an selektierten Populationen vorgenommen werden. In diesen Fällen werden Verschiebungen von Mittelwerten oder Varianzreduktionen beobachtet, die fälschlicherweise als Therapieeffekte missgedeutet werden könnten. Hierbei sind sowohl Effekte im konventionellen Sinn als auch Normalisierungseffekte im naturheilkundlichen Sinn eingeschlossen. Unter bestimmten Bedingungen wird so mit fast 100%iger Fehlerwahrscheinlichkeit auf Therapieeffekte geschlossen, obwohl solche nicht vorliegen. Das Problem spielt sowohl in der onkologischen Forschung als auch für den praktisch tätigen Arzt eine Rolle, vor allem bei der Beurteilung von Ergebnissen aus Screening-Untersuchungen.

Summary

Regression-to-the-mean is a statistical phenomenon, which occurs in cases of repeated measurements in selected populations. In these cases a shift of means or a reduction of variance is observed, which misleadingly might be interpreted as therapeutic effects. This includes both conventional improvements and effects of a normalization in the sense of naturopathic medicine. Under certain conditions the error probability to infer to a nonexisting treatment effect is almost 100 %. Hence, the problem of regression-to-the-mean plays a decisive role both for oncological researchers and practical oncologists, especially in interpreting the results of screening studies.

Schlüsselwörter

Regressionseffekte - Screening-Untersuchungen - Selektion - Outcome

Keywords

Regression-to-the-mean - screening - selection - outcome

Literatur

• 01 Bankhead C, Brett J, Bukach C, Webster P, Stewart-Brown S, Munafo M, Austoker J. The impact of screening on future health-promoting behaviours and health beliefs: a systematic review.  Health Technol Assess.. 2003;  7 (42) 1-92
• 02 Barnett A, van der Pols J, Dobson A. Regression to the mean: what it is and how to deal with it.  Int J Epidemiol.. 2005;  34 215-220
• 03 Beer T, Myrthue A. Calcitriol in cancer treatment: from the lab to the clinic.  Mol Cancer Ther.. 2004;  3 (3) 373-381
• 04 Catalona W, Richie J, Ahmann F, Hudson M, Scardino P, Flanigan R, deKernion J, Ratliff T, Kavoussi L, Dalkin B. Comparison of digital rectal examination and serum prostate specific antigen in the early detection of prostate cancer: results of a multicenter clinical trial of 6,630 men.  J Urol.. 1994;  151 (5) 1283-1290
• 05 Cysarz D, Heckmann C, Bettermann H, Kümmell H. Effects of an anthroposophical remedy on cardiorespiratory regulation.  Altern Ther Health Med.. 2002;  8 (6) 78-83
• 06 Dannehl K. Experimental study versus non-experimental study - The non-experimental (non-randomized) study as a methodological compromise. In: Abel U, Koch A (eds.): Nonrandomized Clinical Studies. Düsseldorf; Symposion Publishing 1998: 41-52
• 07 Gutenbrunner C, Ruppel K. Zur Frage der adaptiven Blutdrucknormalisierung im Verlauf von komplexen Bäderkuren unter besonderer Berücksichtigung von Homogenisierungseffekten und Lebensalter.  Phys Rehab Kur Med.. 1992;  2 58-64
• 08 Hildebrand G. Physiologische Grundlagen der Rehabilitation.  Z Phys Med.. 1976;  5 215-228
• 09 Hoff F. Wirkprinzipien der Therapie.  Arch Phys Ther.. 1969;  21 205-215
• 10 Jacobs A, Gold P, Weiden P, Aboulafia D, Rudolph R, Picozzi V, Thompson J. Interferon alpha-2a and 13-cis-retinoic acid in patients with metastatic renal cell cancer.  Cancer Invest.. 2000;  18 (5) 417-21
• 11 Johnson A. Placebo Effects in Clinical Trials: Just Regression to the Mean?.  Epilepsia. 1995;  36 (S 3) S58
• 12 Keren G, Teigen K H. The probability-outcome correspondence principle: A dispositional view of the interpretation of probability statements.  Memory & Cognition. 2001;  29 1010-1021
• 13 Klein E, Thompson I. Update on chemoprevention of prostate cancer.  Curr Opin Urol.. 2004;  14 (3) 143-149
• 14 Knoke J, Gray G, Garland F. Testicular cancer and Persian Gulf War service.  Epidemiology. 1998;  9 (6) 648-653
• 15 Lasserre V, Guihenneuc-Jouyaux C, Richardson S. Biases in ecological studies: utility of including within-area distribution of confounders.  Stat Med.. 2000;  19 (1) 45-59
• 16 Lindgren A, Pukkala E, Nissinen A, Tuomilehto J. Blood Pressure, Smoking, and the Incidence of Lung Cancer in Hypertensive Men in North Karelia, Finland.  Am J Epidemiol.. 2003;  158 442-447
• 17 Matthiessen P F. Die Diagnose - eine prognoseorientierte individuelle Therapieentscheidung.  System Familie. 1998;  11 60-69
• 18 Matthiessen P F. Der diagnostisch-therapeutische Prozess als Problem der Einzelfallforschung. In: Ostermann T, Matthiessen PF (eds.): Einzelfallforschung in der Medizin-Bedeutung, Möglichkeiten und Grenzen. Frankfurt; VAS-Verlag 2003: 31-59
• 19 McDonald C, Mazzuca S. How much of the placebo ‚effect’ is really statistical regression?.  Stat Med.. 1983;  2 417-427
• 20 Mee R, Chua T. Regression Toward the Mean and the Paired Sample t Test.  Am Statistician.. 1991;  45 (1) 39-42
• 21 Roush G, Pero R, Powell J, Halper M, Baraldi C, Webb L, Miller D. Modulation of the cancer susceptibility measure, adenosine diphosphate ribosyl transferase (ADPRT), by differences in low-dose n-3 and n-6 fatty acids.  Nutr Cancer.. 1991;  16 (3-4) 197-207
• 22 Schröder F. Prostate Cancer. In: Kramer BS GJ, Prorok PC (eds.): Cancer screening, theory and practice. New York; Marcel Dekker Inc 1999: 461-514
• 23 Senn S. Regression to the mean.  Stat Meth Med Res. 1997;  6 (2) 99-183
• 24 Stadler W. Renal cancer immunotherapy: a ray of hope or regression to the mean?.  Cancer Invest. 2000;  18 (5) 490-491
• 25 Stigler S. Regression towards the mean, historically considered.  Stat Meth Med Res. 1997;  6 (2) 103-114
• 26 Teigen K H, Brun W. Verbal expressions of probability and uncertainty. In: Hardman D, Macchi L (eds.): Thinking: Psychological perspectives on reasoning, judgment, and decision making. Chichester; Wiley 2003: 125-145

Anhang

Algorithmus für MS-Excel zur Visualisierung des „regression-to-the-mean” Effekts

1. Lege zwei Spalten A und B mit Zufallszahlen zwischen 0 und 1000 an. Dazu den Befehl = RUNDEN(ZUFALLSZAHL( )*(1000);0) in die beiden Zellen A1 und B1 schreiben und anschließend auf 200 Zellen „herunterziehen”. Spalte A wird als Baseline-Messung, Spalte B als Wiederholungsmessung interpretiert.

2. Wähle das Selektionskriterium

   Hier wird bestimmt, welche Werte in der Baseline-Messung (Spalte A) ausgewählt werden. Als Beispiel werden hier alle Werte aus Spalte A > 700 in die Gruppe „1” und alle Werte < 300 in die Gruppe 2 sortiert.

   Dazu den Befehl = WENN(A1>700;1;WENN(A1<300;2;0)) in die Zelle C1 schreiben und anschließend auf 200 Zellen „herunterziehen”.

3. Bestimme die Mittelwerte in den Gruppen

   Die folgende etwas komplizierten Befehle berechnen die Gruppenmittelwerte und sollten in die folgenden Zellen eintragen werden:

   D1: = SUMMEWENN(C1:C200;”=1”;A1:A200)/ZÄHLENWENN(C1:C200;”= 1”)

   E1: = SUMMEWENN(C1:C200;”=1”;B1:B200)/ZÄHLENWENN(C1:C200;”= 1”)

   D2: = SUMMEWENN(C1:C200;”=2”;A1:A200)/ZÄHLENWENN(C1:C200;”= 2”)

   E2: = SUMMEWENN(C1:C200;”=2”;B1:B200)/ZÄHLENWENN(C1:C200;”= 2”)

   D3: = MITTELWERT(A1:A200)

   E3:= MITTELWERT(B1:B200)

4. Grafische Darstellung der Mittelwerte

   Den Bereich D1 bis E3 markieren und ein Liniendiagramm mit dem Diagrammassistenten erzeugen. In Schritt 2 von 4 den Menüpunkt „Reihe in Zeilen” wählen. Es sollte dann eine Abbildung der folgenden Form entstehen:

Reihe 1 zeigt die Regression zur Mitte für die Baseline-Werte > 700, Reihe 2 zeigt die Regression zur Mitte für die Baseline-Werte < 300, Reihe 3 gibt die mittleren Werte des Gesamtdatensatzes wieder.

Korrespondenzadresse