Verwendung und Einschränkungen der statistischen Berücksichtigung von Korrelationen zufälliger Fehler bei der Validierung von Ernährungserhebungen

ZIEL: Untersuchung statistischer Modelle, die die Korrelation zwischen zufälligen Fehlern verschiedener Methoden zur Ernährungserhebung in Ernährungsvalidierungsstudien berücksichtigen. SETTING: In der Ernährungs-Epidemiologie werden in Substudien zur Genauigkeit der Messungen von Ernährungserhebungen Verzerrungen in den relativen Risikoeinschätzungen, die durch Fehler in der Ernährungserhebung verursacht werden, korrigiert. Im Allgemeinen basieren solche Validierungsstudien auf dem Vergleich von Fragebogenmessungen (Q) mit Nahrungsmittelkonsumprotokollen oder 24-Stunden-Ernährungsrückrufen (R). In den letzten Jahren wurde die statistische Analyse solcher Studien formalisiert, um statistische Modelle zu verwenden. Dies machte die Notwendigkeit entscheidender Modellannahmen deutlicher. Eine zentrale Annahme ist, dass zufällige Fehler zwischen den Messungen Q und R sowie zwischen den Wiederholungsmessungen R1 und R2 innerhalb derselben Person unkorreliert sein müssen. Diese Annahmen könnten in der Praxis jedoch nicht zutreffen. Daher wurden komplexere statistische Modelle vorgeschlagen, um die Messungen Q durch gleichzeitige Vergleiche mit den Messungen R sowie einem Biomarker M zu validieren, wobei die Korrelationen zwischen den zufälligen Fehlern von Q und R berücksichtigt werden. FÜLLSCHLUSS: Die komplexeren Modelle, die Korrelationen zufälliger Fehler berücksichtigen, funktionieren möglicherweise nur für Validierungsstudien, die Marker der Ernährung basierend auf physiologischen Kenntnissen über die quantitative Rückverfolgbarkeit, z.B. im Urin, spezifischer Elemente wie Stickstoff oder Kalium oder stabilen Isotopen, die den Studienteilnehmern verabreicht werden (z.B. die doppelt markierte Wasser Methode zur Bewertung des Energieverbrauchs) einbeziehen. Dieser Typ von Marker hingegen beseitigt das Problem der Korrelation zufälliger Fehler zwischen Q und R, indem er einfach die Rolle von R übernimmt, wodurch komplexe statistische Modelle überflüssig werden.