zur Navigation zum Inhalt
 
Zahnheilkunde 6. Dezember 2005

Ein letzter Spaziergang durch den Begriffe-Wald (Teil 6)

In der sechsten und letzten Folge der Serie „Vademekum Literaturstudium“ werden wichtige Begriffe, die bisher noch nicht behandelt wurden, kurz erklärt. Unter anderem geht es um Meta-Analysen – retrospektive Studien, die keine Patienten, sondern Studien analysieren.

Meta-Analysen spielen in der modernen Medizin eine wesentliche Rolle. „Sie sollten daher nicht in die Schublade der Verfahrensweisen, die Sie nie verstehen werden, verbannt werden“, formuliert Dr. Trisha Greenhalgh, London Medical School, in ihrem Buch „How to read a paper/Einführung in die Evidence-based Medicine“. Die Definition ist relativ simpel: Eine Meta-Analyse fasst mittels bestimmter statistischer Verfahren die Ergebnisse mehrerer Studien, welche die gleiche Frage bearbeiten, quantitativ zu einem Gesamtergebnis zusammen.
Durch das Zusammenfassen der Daten (Pooling) entstehen wesentlich höhere Fallzahlen und damit vertrauenswürdigere Ergebnisse. „Eine Zusammenfassung kann möglicherweise zur Klärung beitragen, ob z.B. ein neues Medikament besser wirkt als ein Placebo“, so Dr. Horst Christian Vollmar, Arzt und wissenschaftlicher Mitarbeiter des Wissensnetzwerkes evidence.de der Universität Witten/Herdecke. In vielen Meta-Analysen tragen Studien, in denen kein signifikanter Unterschied zwischen Therapie- und Kontrollgruppe gefunden wurde, zu einem gepoolten Ergebnis bei, das statistisch signifikant ist.
Ein berühmtes Beispiel ist jenes, das die Cochrane Collaboration (die systematische Übersichtsarbeiten publiziert) in ihr Logo aufgenommen hat (siehe Grafik). Es handelt sich dabei um die Meta-Analyse von sieben Studien, in denen bei Schwangeren mit Frühgeburtsrisiko die Wirkung einer Steroidtherapie untersucht wurde.

Klarheit gewinnen

Nur zwei der Studien ergaben einen statistisch signifikanten Vorteil für die Behandlung (Endpunkt war das Überleben der Neugeborenen). Dies ist daran zu erkennen, dass die horizontalen „Ergebnislinien“ – die das 95-Prozent-Konfidenzintervall darstellen – auch die vertikale Nulleffektlinie (kein Unterschied zwischen Therapie- und Kontrollgruppe) nicht berühren bzw. schneiden. Das gepoolte Ergebnis hingegen ist statistisch signifikant – die Raute (Konfidenzintervall) befindet sich links von der Nulleffektlinie. Ein statistisches Verfahren, um den Einfluss eventueller Fehlerquellen auf das Ergebnis einer Meta-Analyse zu überprüfen, stellt die Sensitivitätsanalyse dar. Für gewöhnlich kennt man den Begriff „Sensitivität“ eher aus Veröffentlichungen über diagnostische Untersuchungen oder Screeningtests.
Unter Sensitivität versteht man dabei den Anteil der in einem Test positiven Personen unter allen Erkrankten einer Stichprobe, d.h. die Wahrscheinlichkeit, mit einem diagnostischen Test die Kranken auch als krank zu identifizieren. Hingegen bedeutet Spezifität den Anteil der Test-negativen Personen unter allen Nicht-Erkrankten einer Stichprobe, d.h. die Wahrscheinlichkeit, mit einem Test Nicht-Erkrankte korrekt zu erkennen. Greenhalgh: „Als Faustregel gilt: Sensitivität und Spezifität sagen etwas über den Test allgemein aus, wohingegen der Vorhersagewert eine Aussage über ein Testergebnis eines individuellen Patienten trifft.“ Der positive Vorhersagewert (prädiktiver Wert) gibt somit Antwort auf die Frage: Wenn jemand positiv getestet wird – wie hoch ist die Wahrscheinlichkeit, dass er die Krankheit hat?
Umgekehrt ist es beim negativen prädiktiven Wert. Er beantwortet die Frage: Wenn bei jemandem ein negatives Testergebnis vorliegt – wie hoch ist die Wahrscheinlichkeit, dass er die Krankheit tatsächlich nicht hat?
Bei der Likelihood Ratio (Wahrscheinlichkeitsverhältnis) wiederum handelt es sich um das Verhältnis der Wahrscheinlichkeit, dass sich ein positives (oder negatives) Testergebnis bei einer Person mit der Erkrankung findet, zur Wahrscheinlichkeit, dass dieses positive (oder negative) Testergebnis bei einer Person ohne diese Erkrankung auftritt.
Wenn Ergebnisse von Studien angezweifelt werden, ist nicht selten von „Bias“ und „Confounding“ die Rede. Unter einem Bias versteht man einen systematischen Fehler, u. a. kennt man den Publikations-Bias (negative Ergebnisse werden seltener publiziert), den Selection-Bias (z.B. durch nicht zufällige Auswahl der Patienten) und den Informations-Bias (z.B. Fehlklassifikation von Studienteilnehmern).
Confounding bedeutet Verzerrung durch mangelhafte Berücksichtigung von Störgrößen. Ein klassischer Störfaktor (Confounder) ist das Rauchen, da es bei Aussagen über die Beziehung zwischen Exposition (etwa gegenüber Luftschadstoffen) und Zielgröße (z.B. Lungenkrebs) Verwirrung stiften kann. Confounding lässt sich durch ein entsprechendes Studiendesign oder die Anwendung bestimmter statistischer Verfahren bei der Auswertung (multivariate Analyse) kontrollieren.
Abschließend seien noch zwei Abkürzungen erwähnt, die sich häufig in gesundheitsökonomischen Studien finden: QUALY und DALY. QUALY steht für „Quality Adjusted Life Year“, DALY für „Disability Adjusted Life Year“, und die dahinterstehenden Konzepte sind nicht unumstritten. QUALYs werden häufig bei Kosten-Nutzen-Analysen angegeben (z.B. Kosten einer Maßnahme pro QUALY), Verluste an DALYs sollen etwa die Auswirkungen von Lärm auf die Gesundheit der Bevölkerung darstellen.

Zu diesem Thema wurden noch keine Kommentare abgegeben.

Medizin heute

Aktuelle Printausgaben