Validierung von Vorhersagemodellen für Zahnverlust in einer Langzeitkohorte von Parodontitispatienten : Einfluss von Entwicklungs- und Validierungsstrategien.

Ziel: Ziel dieser Dissertationsarbeit war es, drei unterschiedlich komplexe Vorhersagemodelle für Zahnverlust bei Parodontitispatienten unter Berücksichtigung bekannter methodischer Mängel zu validieren. Um die Problematik der Klassenunausgeglichenheit des Zahnerhaltes versus -verlustes in klinischen Stichproben zu adressieren, wurde dabei erstmals eine Oversampling Technik auf die Daten zum Zahnverlust angewandt. Material und Methode: Eine Langzeitkohorte (390 Patienten, 7518 Zähne) erhielt über 18,2 ± 5,6 Jahre unterstützende parodontale Therapie an einer Universitätszahnklinik. Zahnverlust sowie drei patienten- und fünf zahnbezogene Prädiktoren wurden dokumentiert. Die Modelle wurden intern mittels einer Kreuzvalidierung und extern anhand eines separaten Trainingsdatensatzes validiert, um den Einfluss der Modellkomplexität (logistische Regression, Random Forest, Gradient Boosting Machine) und der Synthetic Minority Oversampling Technique (SMOTE, Technik zur Vervielfachung der Minoritätsklasse) auf die Ergebnisse zu bestimmen und die Modelle und Validierungsstrategien zu vergleichen. Ergebnisse: Alle Modelle zeigten niedrige Sensitivität bei hoher Spezifität. Komplexere Modelle (Random Forest, Gradient Boosting Machine) hatten in der internen und externen Validierung keine signifikant höheren „Area under the curve“(AUC)-Werte als die logistische Regression (logR). Unter SMOTE wurde die Diskriminationsstärke der komplexeren Modelle in der internen Validierung überschätzt, während die AUC in der externen Validierung signifikant niedriger war, da die Sensitivität auf Kosten der Spezifität stieg. Bei der logR trat kein signifikanter Unterschied auf, sie reagierte robust. Konklusion: Zusammenfassend erscheint keines der Modelle klinisch sinnvoll anwendbar und SMOTE für die Daten ungeeignet zu sein. Weiterführende Untersuchungen im Sinne einer rigorosen Entwicklung bezüglich der Klassenunausgeglichenheit und weiterer Prädiktoren müssen folgen.