Podcasts about prognosemodelle

Gudrun hat sich mit Oliver Beige unterhalten. Im Gespräch geht es um die theoretische Seite von Modellen für Wahlprognosen. Dabei beziehen sie sich in vielen Beispielen auf den Wahlkampf in den USA und insbesondere auf die Besonderheiten der Kampagne von Donald Trump. Die Gelegenheit bot sich vor einem gemeinsamen Konzertbesuch in Berlin-Neukölln in der Alten Welt Siralti. In der Theorie sind Wahlprognosemodell traditionell in der Politologie verankert, wurden aber immer mehr durch ökonomische Modelle verbessert. Die größte Veränderung der letzten Jahre ist, dass es immer mehr empirische Daten gibt, die auch zum Teil der Öffentlichkeit zur Verfügung stehen. Solche Daten und Diskussionen zur Wertung finden sich z.B. auf der Webseite FiveThirtyEight. Große Berühmtheit erreichte schließlich Nate Silver dadurch, dass er 2008 in 49 von 50 US-Bundeststaaten das Ergebnis der US-Präsidentschaftswahlen korrekt vorhergesagt hatte. Im Wahljahr 2012 stimmte seine Vorhersage sogar in allen 50 Staaten. Seine Ergebnisse erzielte er dabei lediglich durch Aggregation von veröffentlichten Umfrageergebnissen. Im Wahljahr 2016 hat aber Donald Trump die Wahl gewonnen obwohl Nate Silvers Modelle (und die Modelle ähnlich arbeitender Wahlforscher) die Wahrscheinlichkeit dafür, dass Hillary Clinton die Präsidentschaftswahl für sich entschieden wird, auf 70% - 99% beziffert hatten. Es stellt sich die Frage, wo der Fehler dieser Prognosemodelle lag. Wenn man im Jahr 2016 genau zuhörte, gab es auch Stimmen, die Donald Trump schon im Frühjahr als wahrscheinlichen Gewinner der Wahlen sahen - z.B. die Zeitung Los Angeles Times. Sie wurden in den Medien zwar lieber als Ausreißer dargestellt, behielten aber schließlich recht. Wieso? Sie hatten den Demographiewandel in den USA in ihre Modellbildung einbezogen. Um zu verstehen, was damit gemeint ist, muss man zunächst einmal klarer beschreiben, wie US-Wahlen traditionell bisher abliefen, und welche Modelle daraus abgeleitet wurden. Es gibt ein schönes Denkmodell, das veranschaulicht, wie das sogenannte Hotelling Gesetz (1929) wirkt. Man stelle sich zwei Eisverkäufer am Strand vor. Wie sollten sie jeweils ihren Stand so positionieren, dass sie möglichst viele Kunden anziehen? Die stille Annahme dabei ist, dass die Badenden gleichmäßig über den Strand verteilt sind und alle irgendwann Lust auf ein (genau ein) Eis bekommen. Das verblüffende Ergebnis ist: Ein Equilibrium der Einflussbereiche der beiden Verkäufer stellt sich ein, wenn beide in der Mitte des Strandes nebeneinander stehen. Im Wahlkampf in den USA folgt man dieser Strategie, indem beide endgültigen Präsidentschaftskandidaten wenig ideologisch unterscheidbar aufgebaut werden. Begünstigt wird das auch durch das mehrstufige Wahlsystem, denn die Vorwahlen (Primaries) kann man dazu nutzen, dass die extremeren Kandidaten herausgefiltert werden. Dann entscheidet über den Sieg schließlich vor allem die erfolgreiche Mobilisierung der Wechselwähler. Eine (stillschweigende) Voraussetzungen dafür, dass von der Ähnlichkeit der Positionen der eigene Kandidat profitiert ist, dass die Wahlbeteiligung hoch ist. Das ist in den USA leider immer weniger der Fall. Dass die Wahlen 2016 anders verliefen als gewohnt, zeigte sich, als bei den Republikanern die Establishmentkandidaten keine Chance gegen den idologisch extremen Trump hatten. Bei den Demokraten konnte jedoch die moderatere Hillary Clinton den ideologisch positionierten Bernie Sanders ruhig stellen. Das bricht mit den bisher gültigen Annahmen der Wahlvorhersagemodelle: Hotellings Model funktioniert nicht mehr. Aber nur weniger der Modelle erkennen die veränderte Situation und reagieren mit neuen Prognosemodellen. Trump hatte dann schließlich auch Erfolg mit seiner Strategie, die Clinton-Wählerschaft zu entmutigen überhaupt zur Wahl zu gehen und die eigene - eigentlich kleine - Clientel extrem zu mobilisieren. Den Trend zur Radikalisierung der Republikaner beobachtet man tatsächlich schon eine Weile. Er setzte etwa mit der Wahl von Reagan ein. Es gab die inzwischen sprichwörtlichen "27%" -- Wähler, die auch einen völlig unqualifizierten rechtsgerichteten Kandidaten wählen. Der sprichwörtliche Name wurde erfunden, nachdem bei der Senatswahl in Illinois ein erkennbar aussichtsloser Kandidat gegen den damals unbekannten Obama 27% der Stimmen erhielt. Diese Zahl ist seitdem eher gestiegen. Für Wahlprognosen braucht es also Modelle, die dieses bekannte menschliche Verhalten besser berücksichtigen. Keith T. Poole und Howard Rosenthal sammeln alle Stimmen im amerikanischen Kongress - das sind ja einfache Ja/Nein Entscheidungen - und analysieren sie fortlaufend. Ihre Methoden lieferten Politikwissenschaftlern erstmals rigorose quantitative Methodiken für Ideologiehörigkeit von Entscheidern über die Zeit der Existenz der USA hinweg. Man nennt dies die Nominal Three-Step Estimation. Literatur und weiterführende Informationen Eisverkäufer Modell K.T. Poole, H. Rosenthal: A Spatial Model for Legislative Roll Call Analysis GSIA Working Paper No. 5–83–84, 1983. K.T. Poole, H. Rosenthal: Congress: A Political-Economic History of Roll Call Voting. New York: Oxford University Press, 1997. K.T. Poole, H. Rosenthal: Congress: Ideology and Congress New Brunswick, Transaction Publishers, 2007. NOMINATE and American Political History: A Primer. W-NOMINATE in R: Software and Examples H. Hotelling: Stability in Competition Economic Journal 39: 41–57, 1929. Voteview, the online voting data repository started by Poole & Rosenthal. Poll-Aggregatoren erklären, warum sie danebenlagen.

Die Prognose beim Lungenkarzinom ist trotz großer Fortschritte in Diagnostik und Therapie weiterhin, auch in frühen, potentiell kurablen Stadien, sehr schlecht. Auf der Suche nach Variablen, die eine Abschätzung der Prognose erlauben, wurden viele Parameter untersucht, unter denen das UICC-Stadium auf Grund seiner großen Aussagekraft einen hohen Stellenwert besitzt. Neben den klinischen Faktoren, wie UICC-Stadium, Alter, Geschlecht, Histologie oder Grading, wurden in den letzten Jahren zunehmend auch onkologische Biomarker in Bezug auf ihre prognostische Aussagekraft untersucht. Die in der Literatur beschriebenen Ergebnisse solcher Prognoseauswertungen sind für die einzelnen Parameter sehr heterogen. Die Zahl der Studien, insbesondere mit multivariater Analyse, die sich mit onkologischen Biomarkern im Vergleich zu etablierten Prognosefaktoren und anderen laborchemischen Routineparameter beschäftigt haben, ist sehr gering. In der vorliegenden Arbeit wurden neben den etablierten klinischen Prognosefaktoren (Alter, Geschlecht, Histologie, pT-Status, pN-Status, UICC-Stadium) die onkologischen Biomarker CEA und CYFRA 21-1 bei Patienten mit operiertem, nicht-kleinzelligen Lungenkarzinom analysiert. Diese beiden Parameter sind bei Patienten mit nicht-kleinzelligem Lungenkarzinom sowohl für die Prognoseabschätzung als auch für das Therapieansprechen und im Rahmen der Nachsorge am Bedeutendsten. Darüber hinaus wurden gängige laborchemische Variablen in die Betrachtung mit einbezogen (Natrium, Kalium, Kalzium, Hämoglobin, Erythrozytenzahl, Leukozytenzahl, Thrombozytenzahl, GOT, y-GT, LDH, aP, CHE, Kreatinin, CRP, Glukose), wobei schon früh versucht wurde, aus Veränderungen dieser laborchemischen Parameter prognostische Daten abzuleiten. Die Betrachtung der klassischen Variablen wurde allerdings mittlerweile durch immer „neue“ Biomarker nahezu vollständig verdrängt. Daher wurden in der vorliegenden Arbeit sowohl Parameter der klassischen Labordiagnostik als auch „neue“ onkologische Biomarker evaluiert. Zunächst wurde eine Beeinflussung der Wertlagen der klinisch-chemischen Parameter durch die klinischen Faktoren und eine mögliche Korrelation der klinisch-chemischen Parameter untereinander analysiert. Hierbei zeigte sich ein sehr heterogenes Bild. Es fiel jedoch auf, dass die Mehrzahl der Parameter in ihrer Wertlage durch die Tumorinfiltrationstiefe oder das UICC-Stadium beeinflusst wurden. Parameter, die keine Beeinflussung durch eine dieser beiden Größen zeigten, waren LDH, Kalzium, Kreatinin, GOT und Glukose. Daneben waren zwei weitere Punkte sehr auffällig: Zum Einen wurde keiner der Laborparameter in seiner Ausprägung signifikant durch den pN-Status beeinflusst. Zum Anderen zeigte Kalzium, als einziger Wert, keine Abhängigkeit seiner Wertlage von einer der klinischen Kenngrößen. In der univariaten Analyse der klinischen Parameter zeigte sich eine negative prognostische Aussagekraft für männliches Geschlecht, Alter größer 65 Jahre sowie zunehmendes pT-, pN- und UICC-Stadium. Bei der univariaten Betrachtung der klinisch-chemischen Variablen lag eine negative prognostische Relevanz vor für CEA größer 8 ng/ml, CYFRA 21-1 größer 2 ng/ml, Natrium kleiner 135 mmol/l, Kalzium kleiner 2,25 mmol/l, CRP größer 0,5 mg/dl, Kreatinin bei Frauen größer 1,0 mg/dl, LDH größer 210 U/l, CHE kleiner 10500 U/l, Hämoglobin bei Männern kleiner 13 g/dl sowie Erythrozytenzahl bei Männern kleiner 4,5 T/l. Für die multivariate Analyse dieser Arbeit wurde zunächst ein Modell, das ausschließlich aus klinischen Variablen bestand, erstellt. Dabei erwies es sich als optimal, Geschlecht, Alter mit einem Grenzwert von 65 Jahren, pT-Status und pN-Status getrennt zu berücksichtigen. Im Anschluss erfolgte eine Signifikanzprüfung für alle Laborparameter (stetig logarithmiert zur Basis 2). In dieser Prüfung zeigten sich CEA, CYFRA 21-1, Hämoglobin und Erythrozytenzahl als signifikante Parameter. Im nächsten Schritt erfolgte eine Prüfung derjenigen Parameter auf Signifikanz, für die in der univariaten Betrachtung ein möglicher Grenzwert ermittelt werden konnte. Hierbei verblieb als einziger signifikanter Parameter die Laktatdehydrogenase (LDH) mit einem Grenzwert von 210 U/l. Abschließend wurden alle im Modell verbliebenen Variablen auf Wechselwirkungen sowie auf Zeitabhängigkeit getestet, wobei sich einzig für die LDH eine Zeitabhängigkeit zeigte. Es wurden zwei mögliche Prognosemodelle aus den untersuchten klinischen und laborchemischen Parametern erstellt. Modell I umfasste Alter, Geschlecht, pT- und pN-Status sowie die onkologischen Biomarker CEA und CYFRA 21-1, wobei die beiden onkologischen Biomarker jeweils in logarithmierter Form zur Basis 2 integriert wurden. In Modell II gingen neben Alter, Geschlecht, pT- und pN-Status CEA, LDH und Hämoglobinwert ein. CEA und LDH wurden wiederum in logarithmierter Form zur Basis 2 eingeschlossen. LDH wurde einerseits Grenzwert bezogen (Cut-off 210 U/l) und andererseits zeitabhängig in das Modell eingeschlossen. Aus beiden Modellen wurden mit Hilfe der zugehörigen ß-Koeffizienten Scores erstellt und die Patienten in Tertile gruppiert, wobei der Score aus Modell II auf Grund der größeren Zahl eingeschlossener Parameter in verschiedenen klinischen Subgruppen (Trennung nach Geschlecht, Alter, Histologie oder UICC-Stadium) getestet wurde. Mit Hilfe des Scores war es möglich, sowohl im Gesamtkollektiv als auch in den einzelnen Subgruppen signifikant zwischen günstigen und ungünstigen Prognosegruppen zu trennen. Somit lässt sich, vor allem in Hinblick auf die Heterogenität der in der Literatur dargestellten Ergebnisse zu möglichen Prognosefaktoren, feststellen, dass eine Prognoseabschätzung eher durch multifaktorielle Modelle als durch die Betrachtung von Einzelfaktoren erfolgen sollte. Des Weiteren sollten in solchen Modellen neben neuen, vielversprechenden laborchemischen Parametern auch etablierte Laborvariablen sowie klinische Faktoren berücksichtigt werden.

Im Studio ist Thomas Volk, Geschäftsführer von ProPlant. Das Unternehmen erarbeitet Prognosemodelle für Pilz- und Schädlingsbefall.