Statistik und Recherche

Wegen ihres experimentellen Designs sind randomisierte Therapiestudie zum Nachweis von kausalen Zusammenhängen optimal geeignet. In dieser Hinsicht sind sie Beobachtungsstudien überlegen und haben deshalb die Evidenzklasse I in der EBM-Klassifizierung. Allerdings stößt das Prinzip der Randomisierung mitunter auf organisatorische Probleme oder ethische Grenzen.

In der Forschung tätige Ärzte betrauen meist einen Biomathematiker mit der Analyse ihrer Daten – in der Hoffnung, dass sie zu einem signifikanten Ergebnis führt. Diese Zusammenarbeit ist jedoch nur dann sinnvoll, wenn der Kliniker die statistischen Verfahren in ihren Grundzügen versteht. 

Die Graphik macht charakteristische Eigenschaften eines Merkmals offensichtlich, erhellt Zusammenhänge und ermöglicht einfache Vergleiche zwischen mehreren Gruppen. Wie Sie mit Graphiken überzeugen, erfahren Sie in diesem Beitrag.

Zahlen sind objektiv und nachvollziehbar. Sie bringen Dinge auf den Punkt, ohne große Worte. Sie sind international verständlich, wobei lediglich einfachstes statistisches Basiswissen vorausgesetzt wird. Zahlen lassen sich miteinander in Beziehung bringen – insofern scheinen statistische Kenngrößen prädestiniert zum Vergleich mehrerer Stichproben zu sein.

Statistische Tests und Konfidenzintervalle gehören zusammen: Während ein Konfidenzintervall die Güte einer Schätzung beschreibt, ermöglicht das Ergebnis eines statistischen Tests (der p-Wert) eine Aussage darüber, ob und vorbehaltlich welcher Irrtumswahrscheinlichkeit ein Unterschied oder ein Zusammenhang angenommen werden kann. Der p-Wert entscheidet darüber, ob ein Testergebnis als signifikant bezeichnet wird oder nicht.

Eine Gerade hat bekanntlich die Form y=a+bx. Es ist das Ziel der Regressionsanalyse, die beiden Parameter a und b so zu bestimmen, dass die Gerade die Punktewolke optimal repräsentiert. So weit, so gut. Welche Informationen lassen sich nun der Regressionsgleichung entnehmen?

Geht es darum, den Zusammenhang zwischen zwei quantitativen Merkmalen zu beschreiben, kommt man um die Themen Korrelation & Korrelationskoeffizienten nicht drumrum. Dabei gilt: Die Interpretation der Koeffizienten – ob nach Pearson, Kendall oder Spearman – ist nur scheinbar sehr einfach. Welche Punkte sollten unbedingt beachtet werden?

Als Anwendungsbeispiel eines logistische Regressionsmodells betrachten wir folgende Studie: An einer Klinik für Neonatologie wurden die Daten von 107 Neugeborenen erfasst, die mit einer Zwerchfellhernie zur Welt kamen. 41 dieser Kinder wurden mit der ECMO-Therapie behandelt, 16 Kinder (15 %, davon 9 mit ECMO) verstarben. Wir wollen nun der Frage nachgehen, von welchen Parametern das Überleben abhängig ist.

Die Sensitivität und die Spezifität stellen die wichtigsten Gütekriterien eines diagnostischen oder prognostischen Tests dar. Bei ihrer Abschätzung kommt die ROC (Receiver Operating Characteristic)-Analyse ins Spiel. 

Zur Erinnerung: Der Beitrag 8 dieser Serie behandelte lineare Regressionsanalysen. Im einfachsten Fall wird dabei die Art des Zusammenhangs zwischen zwei quantitativen Variablen durch eine lineare Gleichung beschrieben (wobei die Stärke dieses …