Studies in the interactions between disease development and interventions

Ph.d.-afhandlingen udgår fra Biostatistisk Afdeling, Institut for Folkesundhedsvidenskab, Københavns Universitet.

Et kronisk sygdomsforløb er et sammenspil mellem sygdommens udvikling og behandlingsindsatsen. Da der ofte er forskellige måder at intervenere på og mange faktorer, der definerer eller påvirker sygdomsprocessen, er data vedrørende behandlingsforløb som regel observationelle, f.eks. rutineregistreringer af konsultationer i almen praksis. I denne afhandling udvikles metoder til analyse af longitudinale observationelle data m.h.p. at optimere behandlingen: På hvilket tidspunkt skal hvilken behandling gives for at opnå den bedste effekt? Metoderne er anvendt på data fra projektet Diabetesomsorg i almen praksis (DIAP), der studerer en kohorte nydiagnosticerede type 2-diabetes-patienter i almen praksis.

Et grundtema i arbejdet er udforskningen af sammenhæng mellem variabler. Dette gøres i grafiske modeller, dvs. en kodning af konditionelle uafhængighedsrelationer mellem et antal variabler i en matematisk graf, hvorfra forskellige egenskaber ved fællesfordelingen kan afledes. En større del af afhandlingen udvikler metoder til analyse vha. grafiske modeller.

Effektiv terapi retter sig mod de faktorer, der er mest relateret til sygdomsforløbet. Derfor er det vigtigt at vide, i hvilken grad observationer afspejler den underliggende udvikling, og hvordan denne relation ændrer sig igennem sygdomsforløbet.

Selvvurderet helbred og symptombyrden er begge relateret til diabetesvarighed. For at studere en strukturel ændring i faktorens rolle i forhold til sygdommens udvikling sammenlignes grafiske modeller imellem tidsmålepunkter under diabetesudviklingen. Sammenlignelighed er ikke en selvfølge og er opnået ved nyudviklede metoder. Konklusionen er, at en typisk patient i DIAP i stigende grad relaterer sin sygdom til symptomerne, men at symptomerne ikke altid afspejler den glykæmiske kontrol.

Effektiv terapi ændrer sig med ændringer i forholdene, og dens formål er langsigtet sygdomskontrol. Risikofaktorer som f.eks. blodglukose og vægt kan tænkes styret med målsætning, hvor patienten er motiveret for at opnå bestemte kontrolniveauer for faktorerne til næste gang. Analyse af data fra sådanne forløb skal så finde frem til en måde, hvorved behandling kan anvises ved ethvert læge-patient-møde, således at f.eks. langsigtet vægtkontrol bliver så god som muligt. Her bruges grafiske modeller til at bestemme den væsentlige information m.h.p. at aflede effekten af behandlingen fra data, og den optimale målsætningsstrategi bliver så fundet med metoder inspireret af kunstig intelligens. I DIAP er konklusionen, at et overordnet behandlingsmål kan gavne diabeteskontrollen, men at aktiv vægtmålsætning ikke øger vægtkontrollen.