Biometrie

Das KKS Düsseldorf bietet umfassende Dienstleistungen auf dem Gebiet der statistischen Beratung im Rahmen klinischer Studien an. Wir verfügen über eine hohe Kompetenz im Umgang mit modernen statistischen Methoden für die medizinische Forschung und dem Einsatz professioneller Statistik-Software (R www.R-project.org und OpenBUGS www.openbugs.net ).

Unser Leistungsspektrum:

  • Studienplanung (Fallzahlkalkulation und Studiendesign)
  • Zwischenauswertungen
  • Datenanalyse in klinischen Studien (univariate und multivariate Analyseverfahren)
  • Statistische Modellierung komplexer Zielvariablen (Longitudinal-Studien, Zeitreihen, "Survival" und "Event history" Modellierung)
  • Moderne Bayes'sches Verfahren in Klinischen Studien (Modellierung von "Prior Information", Meta-Analyse, Hierarchische Modelle, MCMC)
  • Statistische Berichterstellung nach dem Standard der Reproduzierbaren Forschung
  • Softwareentwicklung für die statistische Analyse klinischer Studien

Methodologische Forschung

Wir führen methodische Forschung im Bereich der Meta-Analyse durch. Diese beinhaltet zum Beispiel diagnostische Testdaten, Kombination von Ergebnissen aus verschiedenen Studientypen (z.B. Beobachtungsstudien, Kontrollierte Randomisierte Studien, etc.) und verschiedene Datentypen (z.B. aggregierte Ergebnisse, individuelle Teilnehmerdaten, etc.).

Ein Ergebnis unserer Forschungsarbeit war die Entwicklung von statistischer Software unter Verwendung der Public Domain und Open Source Software R. Wir haben zwei R-Pakete entwickelt: 1) "bamdit" (Bayes'sche Meta-Analyse für diagnostische Testdaten) (Verde 2018) und 2) "jarbes" ("Just a rather Bayesian Evidence Synthesis"). Unsere Forschung wurde durch folgende Forschungsförderungen finanziert: DFG OH 39/11-1 und DFG VE 896/1-1-1.

Forschungsförderung

  • Investigation of generalizability of clinical trial results to routine care using generalized evidence-synthesis applied to two clinical scenarios with comorbidity. DFG OH 39/11-1. From 2012-2014.
  • Hierarchical meta-regression: a unified approach to model multiplicity of bias in combining randomized and non-randomized evidence in meta-analysis.  DFG VE 896/1-1.  From 2015-2017.

Ausgewählte Publikationen

  • Verde, P.E (2018) bamdit: An R Package for Bayesian Meta-Analysis of Diagnostic Test Data. Journal of Statistical Software. Volume 86, Issue 1, pages 1—32, DOI:  10.18637/jss.v086.i10
  • Verde, P. E. (2018) Learning from Clinical Evidence: the Hierarchical Meta-Regression Approach. Biometrical Journal (in press).
  • Verde, P.E, Ohmann, C., Icks, A. and  Morbach, S. (2016) Bayesian evidence synthesis and combining randomized and nonrandomized results: a case study in diabetes. Statistics in Medicine. Volume 35, Issue 10, 10 May 2016, pages: 1654–1675. doi: 10.1002/sim.6809. https://onlinelibrary.wiley.com/doi/abs/10.1002/sim.6809
  • Verde, P. E. and Ohmann, C. (2015), Combining randomized and non‐randomized evidence in clinical research: a review of methods and applications. Res. Syn. Meth., 6: 45–62. doi: 10.1002/jrsm.1122. onlinelibrary.wiley.com/doi/abs/10.1002/jrsm.1122


MediathekInformation und Wissen
LageplanSo finden Sie uns