Beherrschung statistischer und epidemiologischer Instrumente zur besseren Entschlüsselung wissenschaftlicher Artikel

Die Wissenschaft der Daten verstehen

• Kompetenzzentrum für Methodik und Statistik

Dieser Artikel wurde in MedinLux veröffentlicht und ist Teil einer gemeinsamen Anstrengung, statistische und epidemiologische Konzepte den Angehörigen der Gesundheitsberufe in Luxemburg zugänglich zu machen.

Der Kliniker ist das Bindeglied zwischen dem Forscher, der durch seine Forschung Informationen generiert, und den Patienten, die eine möglichst wirksame Behandlung wünschen. Informationen aus von Experten begutachteten wissenschaftlichen Zeitschriftenartikeln haben einen erheblichen Einfluss auf die klinische Praxis, insbesondere im Zeitalter der „evidenzbasierten Medizin“, da sie die Grundlage für die von Fachgesellschaften herausgegebenen Empfehlungen bilden. Informationen aus der medizinischen Fachliteratur ermöglichen es den Klinikern, sich über die neuesten medizinischen Entdeckungen und folglich über die wirksamsten und/oder am besten verträglichen Behandlungen in ihrem Fachgebiet auf dem Laufenden zu halten. Angesichts dieser Überlegungen erscheint die Fähigkeit, diese Artikel kritisch zu lesen, von grundlegender Bedeutung, um die Gültigkeit der veröffentlichten Ergebnisse (d. h. die Bedingungen, unter denen sie zutreffend sind) und ihre Relevanz für die Praxis zu beurteilen. In diesem Artikel wird eine Reihe von Texten vorgestellt, die mehrere wesentliche Instrumente für die kritische Interpretation wissenschaftlicher Artikel und ihrer Schlussfolgerungen liefern sollen.

DIE MERKMALE DER MEDIZINISCHEN INFORMATIONEN

Ein langer und komplexer Prozess

Im Zeitalter digitaler Inhalte und sofort verfügbarer Nachrichten ist die Information schnell, kurz und unmittelbar. Im Gegensatz dazu ist die Erstellung eines wissenschaftlichen Artikels der Höhepunkt eines langen Forschungsprozesses, der sich in der Regel über mehrere Jahre hinzieht. In der Praxis lässt sich eine typische Studie in folgende Phasen unterteilen: Formulierung der Fragestellung, Konzeption der Methode zur Beantwortung der Frage, Rekrutierung von Teilnehmern, Erfassung der Daten dieser Teilnehmer in einem Data Warehouse, Analyse dieser Daten und Interpretation der Ergebnisse in Bezug auf den Kontext (Abbildung 1). Darüber hinaus nimmt die Menge der in der Forschung gesammelten Daten erheblich zu. Die Verwaltung dieser Daten hat sich zu einem eigenen Beruf entwickelt: dem des klinischen Datenmanagers. Datenmanager haben die Aufgabe, die Daten zu strukturieren, ihre Konsistenz und Zuverlässigkeit zu überprüfen und sie für statistische Analysen vorzubereiten. Je höher die Qualität der Datenbank ist, desto relevanter und präziser wird die Analyse sein.

Ein fruchtbares Feld

Jüngste bibliometrische Studien zeigen, dass die Zahl der veröffentlichten wissenschaftlichen Artikel in den letzten Jahrzehnten um 8 bis 9 % pro Jahr gestiegen ist (1). So zählte die Datenbank PubMed, die wissenschaftliche Artikel im Bereich Medizin und Biowissenschaften enthält, im Jahr 2022 fast 1,4 Millionen Artikel, auch wenn diese Zahl immer noch unterschätzt wird. Da die „graue Literatur“ aus anderen Quellen (insbesondere Regierungsberichte, Arbeitspapiere usw.) und natürlich unveröffentlichte Studien (wenn sich eine Behandlung als unwirksam erweist oder keine ausreichenden statistischen Beweise vorliegen) darin nicht enthalten sind, wäre die Informationsmenge noch größer, was den Zugang erschwert.

Rasche Veralterung

Eine derartig hohe Zahl von Veröffentlichungen führt zu einer Informationsinflation und zu einer raschen Veralterung des medizinischen Wissens.

Variable Qualität

Die Qualität der Veröffentlichungen wird in der Regel durch das Peer-Review-Verfahren sichergestellt, das im Zuge der Veröffentlichung durchgeführt wird. Die Fähigkeit, die Qualität der Forschung unabhängig zu bewerten, ist jedoch eine wertvolle Fähigkeit für den Leser, da ein falscher Gebrauch dieser Artikel zu falschen Ergebnissen oder Interpretationen führen kann (siehe nachstehendes Beispiel), was nachteilige Folgen für die klinische Praxis haben kann. Außerdem können die Absichten der Autoren missverstanden und letztlich falsch interpretiert werden. Glücklicherweise gibt es zahlreiche Leitlinien, die einen Rahmen für die Forschung und ihre Qualität bieten (2). Aus diesem Grund ist eine kritische Lektüre der wissenschaftlichen Literatur von grundlegender Bedeutung, wobei die Informationen zu relativieren sind.

Die Bedeutung der Wahrung der Privatsphäre

Die Bewertung von Informationen erfordert auch die Erfassung und Verwaltung ihrer Quelle. Dies gilt im Allgemeinen, aber noch mehr für medizinische Informationen, die besonders sensibel sind. Daher ist die Verwaltung privater Daten, die durch die Allgemeine Datenschutzverordnung (DSGVO) geregelt wird, ein grundlegender Schritt in jeder Studie. Die durchdachte Erfassung, Speicherung und Sicherung von Daten ist ein wichtiger Faktor für die Wahrung der Datenintegrität und den Schutz der Privatsphäre der Teilnehmer. Geeignete IT-Tools sind für den Schutz und die Nutzung der Daten unerlässlich.

Fehlinterpretierte oder missbrauchte Informationen

Die COVID-19-Krise hat gezeigt, dass in der Öffentlichkeit ein gewisses Interesse an Epidemiologie (3) und Statistik besteht, obwohl es an den notwendigen Kenntnissen zum Verständnis dieser Konzepte fehlt. Obwohl diese Aufmerksamkeit letztendlich nützlich ist, wurden unvollständige oder falsche Botschaften verbreitet (4), manchmal sogar absichtlich. Jeder erinnert sich an das giftige Klima des Ultrakrepidarismus und der Verschwörungstheorien. In diesem Zusammenhang wurde der Begriff „Infodemie“ (oder „Infodemiologie“) von verschiedenen Organisationen, darunter die Weltgesundheitsorganisation (5), geprägt, um die Bedeutung der Aufdeckung falscher oder irreführender Informationen zu unterstreichen.

ZWEI BEISPIELE

Anhand der obigen Ausführungen können wir uns vorstellen, wie umfangreich und komplex die medizinischen Informationen sind. Zu den möglichen Fallstricken gehören die falsche Interpretation der Ergebnisse (erstes Beispiel) und die Forschung, die entweder absichtlich (zweites Beispiel) oder unabsichtlich durch bestimmte Vorurteile beeinflusst wird.

1. Beispiel

Die Anwendung von Statistiken kann zu Ergebnissen führen, die völlig kontraintuitiv sind, auch wenn sie streng bewiesen wurden. Diese werden als Paradoxe bezeichnet – Ergebnisse, die zwar nicht falsch, aber mit unserer Intuition unvereinbar sind. Eines der auffälligsten statistischen Paradoxa wurde 1951 von Edward Simpson beschrieben, das besagt, dass es möglich ist, dass dasselbe Phänomen innerhalb verschiedener Gruppen auftritt, sich dieses Phänomen aber umkehrt, wenn die Gruppen kombiniert werden (6).

2. Beispiel

Ein weiteres bemerkenswertes Beispiel ist der MMR-Impfstoff (Masern, Mumps, Röteln). Im Jahr 1998 veröffentlichte die Zeitschrift „The Lancet“ einen Artikel, in dem der kombinierte MMR-Impfstoff mit Autismus in Verbindung gebracht wurde. Dr. Andrew Wakefield und 12 weitere Co-Autoren stellten einen Zusammenhang zwischen dem Verlust erworbener Fähigkeiten (einschließlich Sprache) und der Verabreichung dieses Impfstoffs fest. Es vergingen mehrere Jahre, bis sich herausstellte, dass diese Informationen falsch waren, und der Artikel wurde zurückgezogen (8). In der Zwischenzeit waren die Ergebnisse der Studie weithin bekannt geworden, was zu Misstrauen gegenüber diesem Impfstoff (9) und Impfungen im Allgemeinen führte. Die britische Gesundheitsbehörde Health Protection Agency führte einen signifikanten Masernausbruch, der das Land 2008-2009 heimsuchte, auf einen vorhergehenden Rückgang der Zahl der Kinder zurück, die den MMR-Impfstoff erhielten (8). In der zurückgezogenen Veröffentlichung wurden mehrere Unregelmäßigkeiten festgestellt. Erstens wurde Wakefields Forschung teilweise von den Anwälten finanziert, die Eltern vertreten, die in Klagen gegen Impfstoffhersteller verwickelt sind. Zweitens gehörten die Studienfälle nicht, wie behauptet, zu einer fortlaufenden Serie, sondern waren selektiv ausgewählt worden (Selektionsverzerrung). Außerdem war die Zahl der Beobachtungen sehr gering (eine Gesamtstichprobe von 12 Kindern) und reichte nicht aus, um einen echten Zusammenhang nachzuweisen (Problem der Teststärke). Andrew Wakefield wurde übrigens 2010 aus dem Arztregister gestrichen und ist zu einer prominenten Figur der internationalen Antiimpfungsbewegung geworden.

Diese Beispiele verdeutlichen das Manipulationspotenzial, das sich in einer Studie verbergen kann: Falsche Informationen können „echt“ werden.

EIN WERKZEUGKASTEN FÜR DIE AUFDECKUNG VON DATEN

Statistik kann als eine Reihe von Instrumenten zur „Enthüllung“ der Bedeutung von Daten betrachtet werden. Ein Statistiker (oder Datenwissenschaftler) bestimmt das am besten geeignete Werkzeug für jedes Problem oder jede Frage. Ein schlecht geeignetes Werkzeug liefert zwar Ergebnisse, doch sind diese möglicherweise nicht die genauesten und können im schlimmsten Fall verzerrt oder sogar falsch sein. Zur Veranschaulichung: Stellen Sie sich vor, Sie müssen eine Schraube an einer Maschine anziehen. Das benötigte Werkzeug ist ein Schraubenzieher, aber Sie könnten sich bei der Wahl der Form oder Größe des Schraubenziehers irren oder sogar einen Hammer nehmen. In diesem Sinne kann in der deskriptiven Statistik kein Durchschnitt für kategoriale Merkmale wie den Raucherstatus oder das Geschlecht berechnet werden.

Man muss auch in der Lage sein, wissenschaftliche Artikel zu lesen und zu verstehen und ihre spezifischen Merkmale, Stärken und Schwächen zu erkennen. Die Reihe „Epidemiologie und Statistik“, die mit diesem ersten Artikel eingeleitet wird, zielt genau darauf ab, das notwendige Handwerkszeug zu liefern.

In den kommenden Ausgaben werden verschiedene Themen behandelt, um Ihre Kenntnisse der Statistik zu erweitern und zu verfeinern: Interpretation des p-Wertes (oder „p“) auf der Grundlage der Theorie der Tests, Studientypen (mit ihren Vor- und Nachteilen), epidemiologische und klinische Studien, Stichprobengröße und Power-Berechnungen, Verzerrungen, Assoziations- und Kausalitätsmaße, Diagnoseinstrumente sowie systematische Übersichten und Meta-Analysen… Jedes Mal werden wir uns auf Beispiele aus der aktuellen Literatur stützen.

Am Ende werden Sie statistische Signifikanz und klinische Relevanz, relative Risiken und absolute Risiken nicht mehr verwechseln, Sie werden sich der Grenzen von retrospektiven oder Nicht-Unterlegenheitsstudien bewusst sein, Sie werden lernen, Verzerrungen in einem Studienprotokoll zu erkennen, Sie werden die Vorteile multivariater Analysen verstehen, ROC-Kurven werden (meistens) keine Geheimnisse mehr für Sie bergen, und vieles mehr… Natürlich haben Sie dafür einen Preis zu zahlen, oder besser gesagt, eine Gewohnheit: Sie müssen sich den Abschnitt „Materialien und Methoden“ ansehen… und uns lesen.

Sie können uns gerne Ihre Fragen zu bestimmten Themen schicken. Wir werden sie in künftigen Artikeln behandeln.

Referenzen

1. Landhuis E. Scientific literature: Information overload. Nature 2016;535:457-8.
2. https://www.equator-network.org/
3. https://www.sciencepresse.qc.ca/actualite/2021/06/15/covidepidemiologie-projecteurs
4. https://www.pasteur.fr/fr/journal-recherche/actualites/coronavirusattention-aux-fausses-informations-covid-19-circulant-reseauxsociaux
5. https://www.who.int/fr/news-room/spotlight/let-s-flatten-theinfodemic-curve
6. Berger Q, Caravenna F. Le paradoxe de Simpson illustré par des données de vaccination contre le Covid-19. www. theconversation.com
7. Appleton DR, French JM, Vanderpump MPJ. Ignoring a covariate: An example of Simpson’s paradox. The American Statistician
   1996;50(4):340-1.
8. https://www.cmaj.ca/content/182/4/E199
9. https://www.bbc.com/afrique/monde-59868419

The epidemiostatistical series published in MEDINLUX.