Dreistufige Verfahren zur Modellierung von Ernährungsdaten

Ernährung ist für viele chronische Krankheiten ein veränderbarer Risikofaktor und spielt somit bei deren Prävention eine wichtige Rolle. Allerdings stellt die Analyse dieser Assoziationen in epidemiologischen Studien aus zwei Gründen eine methodische Herausforderung dar: Erstens ist die Ernährung nur schwer akkurat zu erfassen, weswegen Ernährungsdaten häufig fehlerbehaftet sind, und zweitens ist die Ernährung ein komplexes Verhalten, das aufgrund der Multidimensionalität nur schwer zu operationalisieren ist. Diese Probleme führen dazu, dass der Einfluss der Ernährung auf die Entstehung von Krankheiten häufig verzerrt geschätzt wird. Sie treten selbst bei Ernährungsdaten auf, die mit einem modernen Instrument wie dem webbasierten 24-Stunden-Erinnerungsprotokoll erfasst werden. Mit diesem Instrument wurden in der IDEFICS/I.Family-Kohorte u.a. Ernährungsdaten von ca. 8.000 europäischen Kindern und ihren Eltern erfasst. Zudem wurden weitere Gesundheitsdaten erhoben. Diese Daten dienen in dieser Arbeit als Ausgangspunkt für die Entwicklung eines dreistufigen Verfahrens, das Messfehler und die Multidimensionalität der Ernährungsdaten berücksichtigt und mit dem die Verzerrung bei der Schätzung des Zusammenhangs zwischen Ernährungsmustern und gesundheitlichen Endpunkten reduziert werden kann. Dazu werden Messfehlerkorrektur- und Clusteranalysemethoden zu unterschiedlichen Korrekturalgorithmen kombiniert. Diese Algorithmen basieren auf Regressionskalibrierung, Simulationsextrapolation (SIMEX) und multipler Imputation. Der SIMEX-Ansatz baut auf dem in dieser Arbeit entwickelten SIMEX-Algorithmus für Box-Cox-transformierte Daten auf, der sich insbesondere zur Fehlerkorrektur bei univariaten stetigen Ernährungsexpositionen eignet. Es konnte in einer Simulationsstudie gezeigt werden, dass der Korrekturansatz basierend auf multipler Imputation gegenüber den anderen Ansätzen zu weniger verzerrten Effektschätzungen führte, weswegen dieser Ansatz für die Anwendung empfohlen wird.