Latent class growth analysis als succesvolle methode om subgroepen te identificeren binnen een gewichtsreductie interventie. Bastiaan C. de Vos¹, MD,

Presentatie over: "Latent class growth analysis als succesvolle methode om subgroepen te identificeren binnen een gewichtsreductie interventie. Bastiaan C. de Vos¹, MD,"— Transcript van de presentatie:

1

2 Latent class growth analysis als succesvolle methode om subgroepen te identificeren binnen een gewichtsreductie interventie. Bastiaan C. de Vos¹, MD, Jos Runhaar¹, MSc., Saskia P.J. Verkleij¹, PhD., Marienke van Middelkoop¹, PhD. and Prof. Sita M.A Bierma-Zeinstra¹ ², PhD. ¹ Department of General Practice, Erasmus MC, University Medical Centre Rotterdam, The Netherlands; ² Department of Orthopaedic Surgery, Erasmus MC, University Medical Centre Rotterdam, The Netherlands.

3 Inhoudsopgave Originele studie: PROOF Dient als voorbeeld om LCGA te schetsen Probleemschets data gewichtsverandering LCGA Methode Resultaten en conclusies Aanbevelingen

4 PROOF studie PRevention of knee Osteoarthritis in Overweight Females (PROOF) RCT, 2x2 design, n=407 Gewichtsreductie interventie Intention to treat analyse Op maat gemaakte interventie

5 PROOF studie PRevention of knee Osteoarthritis in Overweight Females (PROOF) RCT, 2x2 design, n=407 Gewichtsreductie interventie Intention to treat analyse Op maat gemaakte interventie

6 Probleem data gewichtsverandering Probleem: gemiddelde gewichtsverandering vrijwel altijd klein Grote groepen: afvallers worden ‘uitgevlakt’ door aankomers Gebruikelijke oplossing literatuur: Proportie weergeven die 5% van baseline gewicht is afgevallen Afvallers geïdentificeerd Geen onderscheid stabielen en aankomers Geen onderscheid 5%-20% of meer afgevallen Analyse alleen mogelijk: succes vs. geen succes Oplossing: zelf groepen maken?  arbitraire grenzen!

7 Probleem data gewichtsverandering

8 Latent class growth analysis Groepen op basis van variabiliteit in traject over tijd Variabiliteit binnen groep kleiner dan tussen groepen In deze studie: verschillende trajecten van gewichtsverandering Subgroep analyse: Baseline karakteristieken Interventie karakteristieken

9 Latent class growth analysis Heterogeniteit hoog Geteste modellen: 2-6 groepen Lineaire, kubische en kwadratische modellen Variantie en covariantie 0, of vrije variantie en covariantie ‘Indices of fit’: BIC, (B)LRT en entropy 2 groepen met beste ‘fit’: 5-groeps kwadratisch model (5Q) 3-groeps lineair model (3L)

10 5Q-model versus 3L-model Indices of fit beter bij 5Q-model: BIC: 10260.052 vs. 10550.628) LRT: p=0.003 vs. p=0.09, BLRT: p=0.000 vs. p=0.000 Entropy: 0.897 vs. 0.875 Echter: 3L model: ‘gainers’, ‘steadies’ en ‘losers’. 5Q model: steadies en gainers komen > 90% overeen, alleen groep losers is in 3 groepen opgedeeld, waarvan 2 groepen van slechts 10 deelnemers. ANOVA voor gewichtsverandering is in 3L groep op elk meetmoment significant, evenals Bonferroni en LSD post hoc tests. In het 5Q model zijn de 2 kleinste groepen niet te onderscheiden van de grote groep losers. 2 kleine groepen in 5Q model voegen weinig toe  3L model meest optimale model

11 3L model

12

13

14 Multinomiale regressie analyse Interventie effect: OR van 3.15 voor deelnemer in de controle groep om gainer te worden tov steady Echter: geen moderators/mediators gevonden  geen succes factoren

15 Interventiegroep: dose response relatie:

16 Conclusies en aanbevelingen LCGA leverde drie significant verschillende groepen op Geschikt om subgroup analyse in gewichtsverandering data uit te voeren Geen mediators/moderators Dus geen succes factoren gevonden die kans op succes van interventie verhogen Wel predictoren van succes gevonden, onafhankelijk van de interventie Hoog baseline gewicht Gewichtstoename in jaar voorafgaand aan studie Laag gewicht 10-20 jaar voor studie  interpretatie?