Studiendesign, Bias, Metaanalyse und GRADE

Jede Studienbewertung beginnt mit der Frage, die eine Studie beantworten will, und erst danach mit dem Design. Ein Design ist weder gut noch schlecht; es passt zu einer Frage oder es passt nicht. Diese Einheit führt vom klinischen Problem über die Designs und ihre typischen Verzerrungen zur Metaanalyse und zur Bewertung eines ganzen Evidenzkörpers mit GRADE. Wie eine Studie praktisch geplant, genehmigt und publiziert wird, behandelt die Einheit Forschung und Translation; wie im Dienst schnell eine Antwort gefunden wird, Up-to-date-Medizin.

Die Frage nach PICO

Eine präzise Frage nennt die Population, die Intervention oder Exposition, den Vergleich und den patientenrelevanten Endpunkt (englisch outcome), kurz PICO. Die Core-GRADE-Reihe von 2025 stellt diese Struktur an den Anfang jeder Evidenzbewertung und betont, dass Behandlungseffekte zwischen Patientengruppen variieren können; wer die Population unscharf formuliert, kann später nicht beurteilen, ob ein Ergebnis übertragbar ist.¹ Für die Anästhesie heißt das konkret: Nicht „Ist die Spinalanästhesie besser?“, sondern „Senkt bei Patienten ab 50 Jahren mit hüftgelenksnaher Fraktur die Spinalanästhesie im Vergleich zur Allgemeinanästhesie die Kombination aus Tod und fehlender Gehfähigkeit nach 60 Tagen?“ Genau diese Frage stellte die REGAIN-Studie.²

Designs und was sie leisten

Ein randomisierter kontrollierter Versuch (RCT) weist eine Intervention zufällig zu und kann deshalb kausale Aussagen über die Wirkung dieser Zuweisung machen. Ein Cluster-RCT randomisiert nicht einzelne Patienten, sondern Einheiten wie Stationen, Kliniken oder Zeitabschnitte; das ist sinnvoll, wenn eine Maßnahme nur für eine ganze Einheit umgesetzt werden kann oder wenn sich Behandelte und Unbehandelte sonst gegenseitig beeinflussen würden. Die Analyse muss dann berücksichtigen, dass Patienten desselben Clusters sich ähnlicher sind als Patienten verschiedener Cluster. Pragmatische Studien prüfen eine Strategie unter Alltagsbedingungen mit breiten Einschlusskriterien und patientenrelevanten Endpunkten; sie beantworten die Frage „Wirkt es in der Versorgung?“ statt „Kann es unter idealen Bedingungen wirken?“. Ein Beispiel für beides ist PILOT: eine pragmatische, clusterrandomisierte Cluster-Crossover-Studie in einer Notaufnahme und einer internistischen Intensivstation, die drei Zielbereiche der Sauerstoffsättigung bei beatmeten Patienten verglich; die Zahl der beatmungsfreien Tage unterschied sich nicht (Median 20, 21 und 21 Tage).³

Beobachtungsstudien weisen nichts zu, sondern beobachten. Eine Kohortenstudie verfolgt Exponierte und Nichtexponierte über die Zeit und kann Risiken, Inzidenzen und zeitliche Abfolgen beschreiben, bleibt aber anfällig für Confounding. Eine Fall-Kontroll-Studie geht vom Ereignis aus und vergleicht die frühere Exposition von Fällen und Kontrollen; sie eignet sich für seltene Ereignisse und liefert Odds Ratios, ist aber für Auswahl- und Erinnerungsfehler anfällig. Eine Querschnittsstudie misst Exposition und Zustand zum selben Zeitpunkt und beschreibt Prävalenzen, ohne die zeitliche Richtung klären zu können. Eine diagnostische Genauigkeitsstudie vergleicht einen Indextest mit einem Referenzstandard in einer möglichst repräsentativen Patientenserie. Ein Prognosemodell kombiniert mehrere Merkmale zu einer Risikovorhersage und muss nach der Entwicklung an unabhängigen Daten extern validiert werden.

Randomisierung ist das stärkste Werkzeug gegen Confounding, aber sie wirkt nur, wenn mehrere Schutzmechanismen zusammenkommen. Diese Mechanismen schützen vor verschiedenen Verzerrungen und sind nicht gegeneinander austauschbar.

Zufallsfolge, verdeckte Zuteilung und Verblindung

Die Randomisierung erzeugt eine unvorhersehbare Zuteilungsfolge. Sie verteilt bekannte und unbekannte Einflussgrößen im Erwartungswert gleich auf die Gruppen, garantiert aber nicht in jeder kleinen Studie eine perfekte Balance; Unterschiede in einer Basistabelle sind deshalb nicht automatisch ein Zeichen fehlerhafter Randomisierung. Die verdeckte Zuteilung (allocation concealment) sorgt dafür, dass niemand, der über den Einschluss entscheidet, die nächste Zuteilung kennt. Fehlt sie, kann ein Untersucher etwa einen besonders kranken Patienten zurückstellen, bis die „richtige“ Gruppe an der Reihe ist; der Vorteil der Randomisierung geht dann vor dem ersten Studientag verloren. Die Verblindung wirkt nach der Zuteilung: Sie verhindert, dass Patienten, Behandelnde oder Endpunktbewerter das Ergebnis durch ihr Wissen beeinflussen. Viele anästhesiologische Interventionen, etwa ein Narkoseverfahren, lassen sich nicht verblinden; die Bewertung des Endpunkts kann aber dennoch verblindet erfolgen, und objektive Endpunkte wie Tod sind weniger anfällig als subjektive wie Schmerz oder Zufriedenheit.

Das Werkzeug RoB 2 der Cochrane Collaboration fasst diese Überlegungen in fünf Domänen zusammen: Randomisierungsprozess, Abweichungen von der geplanten Intervention, fehlende Endpunktdaten, Messung des Endpunkts und Auswahl des berichteten Ergebnisses.⁴ Die letzte Domäne erinnert daran, dass auch eine gut durchgeführte Studie verzerrt berichtet werden kann, wenn aus mehreren Endpunkten oder Analysen der günstigste ausgewählt wird. Dagegen schützen vorab veröffentlichte Protokolle und Analysepläne. SPIRIT 2025 beschreibt in 34 Mindestpunkten, was ein Studienprotokoll enthalten soll, darunter einen neuen Abschnitt zu Open Science, eine stärkere Betonung der Erfassung von Schäden und der Beschreibung von Intervention und Vergleich sowie Angaben dazu, wie Patienten und Öffentlichkeit einbezogen werden.⁵ CONSORT 2025 ist das Gegenstück für den Ergebnisbericht: 30 Punkte, davon sieben neu, ebenfalls mit eigenem Abschnitt zu Open Science.⁶

Intention to treat und Per-Protocol

Die Intention-to-treat-Analyse (ITT) wertet alle Patienten in der Gruppe aus, in die sie randomisiert wurden, unabhängig davon, was sie tatsächlich erhielten. Sie erhält die Vergleichbarkeit, die die Randomisierung geschaffen hat, und beantwortet die pragmatische Frage, was die Entscheidung für eine Strategie bewirkt. Die Per-Protocol-Analyse wertet nur Patienten aus, die die zugeteilte Behandlung wie geplant erhielten; sie kommt der Frage nach der Wirkung der Behandlung selbst näher, verliert aber den Schutz der Randomisierung, weil die Gründe für Abweichungen mit der Prognose zusammenhängen können. In REGAIN erhielten 666 von 795 Patienten (83,8 %) der Spinalgruppe tatsächlich eine Spinalanästhesie, aber 769 von 805 (95,5 %) der Allgemeinanästhesiegruppe die zugeteilte Allgemeinanästhesie. Der primäre Endpunkt, Tod oder Unfähigkeit, ohne Hilfe einer anderen Person etwa drei Meter zu gehen, nach 60 Tagen, trat bei 18,5 % gegenüber 18,0 % auf (RR 1,03; 95-%-KI 0,84 bis 1,27).² Ein Wechsel von jedem sechsten Patienten der Spinalgruppe kann einen echten Unterschied in der ITT-Analyse abschwächen; deshalb werden in solchen Studien ITT und Per-Protocol-Analyse gemeinsam betrachtet, wobei die ITT für Überlegenheitsfragen führend bleibt. Bei Nichtunterlegenheitsstudien wirkt die Verdünnung dagegen in Richtung des gewünschten Ergebnisses, weshalb dort beide Analysen übereinstimmen sollten.

Beobachtungsstudien sind unverzichtbar: für seltene Schäden, für Langzeitverläufe, für Fragen, die sich nicht randomisieren lassen, und für Hypothesen, die später randomisiert geprüft werden. Ihre Schwäche ist, dass die Behandlung nicht zufällig, sondern aus Gründen gewählt wird, und diese Gründe hängen oft mit der Prognose zusammen.

Confounding by indication

Confounding liegt vor, wenn ein dritter Faktor sowohl die Exposition als auch den Endpunkt beeinflusst. Die klinisch wichtigste Form ist das Confounding by indication: Kränkere Patienten erhalten häufiger eine bestimmte Behandlung und haben unabhängig davon eine schlechtere Prognose. So erscheinen Transfusionen, invasive Katheter oder Intensivaufnahmen in Registerdaten regelmäßig mit höherer Sterblichkeit verbunden, ohne dass sie ursächlich schaden müssen. Umgekehrt kann eine Behandlung nützlich erscheinen, wenn sie bevorzugt Gesünderen gegeben wird. Adjustierung in Regressionsmodellen oder Propensity-Score-Verfahren kann nur Einflussgrößen ausgleichen, die gemessen, korrekt erfasst und richtig modelliert wurden; ungemessene Einflussgrößen, etwa der klinische Gesamteindruck, bleiben bestehen.

Selektionsbias und Informationsbias

Selektionsbias entsteht, wenn die Auswahl der untersuchten Patienten oder ihr Verbleib in der Studie sowohl mit Exposition als auch mit Endpunkt zusammenhängt, etwa wenn nur unkomplizierte Verläufe vollständig nachuntersucht werden. Informationsbias betrifft systematische Unterschiede in Messung oder Klassifikation: Komplikationen werden bei Patienten mit auffälligem Verlauf gründlicher gesucht, oder die Dokumentation einer Diagnose hängt von der abrechnungsrelevanten Kodierung ab. Beide Verzerrungen lassen sich durch größere Fallzahlen nicht beheben; eine große verzerrte Studie liefert ein präzises falsches Ergebnis.

Immortal-time-Bias und Zeitpunkt null

Eine besonders tückische Verzerrung in Routinedaten ist der Immortal-time-Bias. Er entsteht, wenn Patienten als „behandelt“ gelten, sobald sie irgendwann während der Beobachtung eine Behandlung erhalten, die Beobachtung aber für alle ab demselben früheren Zeitpunkt beginnt. Wer die Behandlung am fünften Tag erhält, muss die ersten vier Tage überlebt haben; diese Zeit ist in der Behandlungsgruppe „unsterblich“ und lässt die Behandlung schützend erscheinen. Die Lösung ist, Einschluss, Zuteilung zur Behandlungsstrategie und Beginn der Nachbeobachtung auf denselben Zeitpunkt null zu legen, wie es ein randomisierter Versuch automatisch tut. Das Konzept der Target Trial Emulation beschreibt zuerst den idealen randomisierten Versuch und bildet ihn dann mit Beobachtungsdaten so genau wie möglich nach; Einschlusskriterien und Zuteilung werden am Zeitpunkt null synchronisiert, ohne spätere Information zur Einteilung zu verwenden. Die Autoren betonen zugleich die Grenze: Die Emulation beseitigt Verzerrungen durch Fehler im Design, nicht aber das Confounding durch nicht vergleichbare Gruppen; dafür braucht es gute Daten zu den Einflussgrößen.⁷

Diagnostische Tests und Vorhersagemodelle folgen eigenen Regeln. Die Rechenmaße der diagnostischen Genauigkeit sind Gegenstand der Einheit Diagnostische Tests; hier geht es um das Design und die Verzerrungen, die die Ergebnisse solcher Studien unbrauchbar machen können.

Diagnostische Genauigkeitsstudien

Eine diagnostische Genauigkeitsstudie braucht einen begründeten Referenzstandard und eine Patientenserie, die dem späteren Einsatz entspricht. Wird ein Test nur an eindeutig Kranken und eindeutig Gesunden geprüft, erscheint er besser, als er in der Praxis mit ihren Grenzfällen ist (Spektrumbias). Wird der Referenzstandard nur bei positivem Indextest durchgeführt, fehlen die falsch negativen Befunde, und die Sensitivität wird überschätzt (Verifikationsbias). Für den Bericht gilt: Die Vierfeldertafel oder zumindest Zähler und Nenner jedes Maßes sollen angegeben werden, Sensitivität und Spezifität gehören als Paar zusammen, jedes Maß braucht ein 95-%-Konfidenzintervall, und das verwendete Intervallverfahren soll genannt werden.⁸ Prädiktive Werte hängen zusätzlich von der Prävalenz ab und lassen sich deshalb nicht ohne Weiteres von einer Studienpopulation auf eine andere übertragen.⁹

Vorhersagemodelle: Entwicklung und Validierung

Ein Vorhersagemodell kombiniert Merkmale zu einer individuellen Risikoschätzung, sei es als Regressionsgleichung oder als Verfahren des maschinellen Lernens. Seine Güte hat drei Dimensionen. Die Diskrimination beschreibt, wie gut das Modell Patienten mit und ohne Ereignis unterscheidet, gemessen etwa als Fläche unter der ROC-Kurve. Die Kalibrierung beschreibt, ob vorhergesagte Risiken den beobachteten Häufigkeiten entsprechen: Ein Modell kann Patienten perfekt ordnen und trotzdem alle Risiken um das Doppelte überschätzen. Der klinische Nutzen fragt, ob Entscheidungen auf Basis des Modells Patienten tatsächlich helfen. Eine hohe AUC ersetzt weder Kalibrierung noch Nutzen. Jedes Modell passt sich an die Daten an, an denen es entwickelt wurde; deshalb braucht es eine interne Validierung (etwa mit Kreuzvalidierung oder Bootstrap) und vor dem klinischen Einsatz eine externe Validierung an unabhängigen Patienten aus anderer Zeit, anderem Ort oder anderer Versorgung.

TRIPOD+AI hat 2024 die Berichtsleitlinie für Vorhersagemodelle erneuert: Sie gilt gleichermaßen für Regression und maschinelles Lernen, umfasst eine erweiterte Checkliste mit 27 Punkten und ersetzt die Fassung von 2015, die nicht mehr verwendet werden soll.¹⁰

Datenleckage und Auswahl der Beispiele

Beim maschinellen Lernen ist Datenleckage eine häufige Ursache zu optimistischer Ergebnisse: Information aus den Testdaten gelangt unbemerkt in das Training. Eine Übersicht fand Leckage in 17 Fachgebieten mit zusammen 294 betroffenen Publikationen und beschrieb acht Typen, von Lehrbuchfehlern bis zu offenen Forschungsproblemen.¹¹ Für intraoperative Daten ist ein Typ besonders relevant: Werden Messzeitpunkte desselben Patienten zufällig auf Trainings- und Testdaten verteilt, sieht das Modell im Test Patienten, die es schon kennt. Die Trennung muss deshalb nach Patienten erfolgen, besser noch nach Zeitraum oder Klinik.

Ein zweites Problem ist die Auswahl der Beispiele. Für den Hypotension Prediction Index wurde gezeigt, dass die Art, wie Zeitabschnitte mit und ohne nachfolgende Hypotonie für die Validierung ausgewählt wurden, eine systematische Verzerrung erzeugte: Schon der aktuelle mittlere arterielle Druck sagte unter diesen Bedingungen eine Hypotonie scheinbar hervorragend voraus. Da der Druck selbst in den Index eingeht, dürfte die Leistung des Index ebenfalls überschätzt sein; die Autoren fordern eine weitere Validierung.¹² Die Lehre gilt allgemein: Wer die Leistung eines Modells beurteilt, prüft zuerst, ob die Testsituation der klinischen Anwendung entspricht, und vergleicht das Modell mit einer einfachen Alternative.

Eine systematische Übersichtsarbeit sucht nach einem vorab festgelegten Protokoll alle Studien zu einer Frage, bewertet sie und fasst sie zusammen; die Metaanalyse ist der statistische Teil dieser Zusammenfassung. Den Bericht regelt PRISMA 2020 mit einer Checkliste und einem Flussdiagramm, das nachvollziehbar macht, wie viele Treffer gefunden, ausgeschlossen und eingeschlossen wurden.¹³ Eine Metaanalyse ist nicht automatisch hochwertig: Sie kann nur so gut sein wie die eingeschlossenen Studien.

Feste und zufällige Effekte

Beide Modelle gewichten Studien nach ihrer Präzision, die Gewichte beruhen auf der inversen Varianz. Das Modell fester Effekte nimmt an, dass alle Studien denselben wahren Effekt schätzen und Unterschiede nur zufällig sind. Das Modell zufälliger Effekte nimmt an, dass die wahren Effekte zwischen Studien streuen, etwa wegen unterschiedlicher Populationen, Dosierungen oder Begleittherapien, und schätzt den Mittelwert dieser Verteilung. Dafür wird die Varianz zwischen den Studien, tau², geschätzt und zu jeder Studienvarianz addiert; die Gewichte werden dadurch ausgeglichener, kleine Studien erhalten relativ mehr Gewicht, und das Konfidenzintervall wird breiter. Das Cochrane Handbook gibt keine allgemeine Empfehlung für eines der beiden Modelle, hält die Annahme identischer Effekte aber meist für unplausibel. Seit der Version 6.5 ist REML der Standard zur Schätzung von tau², nicht mehr das Verfahren nach DerSimonian und Laird, und für das Konfidenzintervall wird die Methode nach Hartung, Knapp, Sidik und Jonkman nahegelegt, wenn mehr als zwei Studien vorliegen und tau² größer als null ist.¹⁴

Heterogenität lesen

Ob die Ergebnisse der Studien zusammenpassen, zeigt zuerst der Blick auf den Forest Plot: Liegen die Punktschätzer auf derselben Seite der Nulllinie, überlappen die Intervalle? Statistisch prüft Cochrans Q, ob die Streuung größer ist als durch Zufall erwartet; bei wenigen Studien hat dieser Test wenig Power. I² beschreibt den Anteil der Gesamtvariabilität, der auf echte Unterschiede zwischen den Studien statt auf Zufall zurückgeht: I² = (Q minus Freiheitsgrade)/Q. Das Handbuch nennt grobe Bereiche: 0 bis 40 % möglicherweise unbedeutend, 30 bis 60 % möglicherweise moderat, 50 bis 90 % möglicherweise erheblich, 75 bis 100 % beträchtlich; die Bereiche überlappen absichtlich, weil die Bedeutung von der Größe der Effekte und der Stärke des Heterogenitätsbefunds abhängt.¹⁴ I² ist ein relatives Maß: Bei sehr präzisen Studien kann es hoch sein, obwohl alle Effekte klinisch gleichbedeutend sind. Das Vorhersageintervall gibt dagegen an, in welchem Bereich der wahre Effekt einer neuen, vergleichbaren Studie oder Klinik wahrscheinlich liegt; es ist nach dem Handbuch ab etwa fünf Studien sinnvoll und für die klinische Übertragung oft aussagekräftiger als I².¹⁴

Funnel Plot und Publikationsbias

Studien mit positivem Ergebnis werden häufiger, schneller und in bekannteren Zeitschriften veröffentlicht. Fehlen deshalb kleine Studien ohne Effekt, überschätzt eine Metaanalyse den Nutzen. Der Funnel Plot trägt den Effekt jeder Studie gegen ihre Präzision auf. Ohne Verzerrung streuen kleine Studien breit und symmetrisch um den gemeinsamen Effekt, große Studien eng: Es entsteht ein umgedrehter Trichter. Fehlt eine Ecke, etwa kleine Studien ohne Nutzen, wird der Trichter asymmetrisch. Asymmetrie ist aber kein Beweis für Publikationsbias; sie kann auch durch echte Unterschiede zwischen kleinen und großen Studien, methodische Schwächen kleiner Studien oder Zufall entstehen. Bei weniger als etwa zehn Studien ist die Beurteilung unzuverlässig. Ergänzend helfen die Suche in Studienregistern und der Vergleich von registrierten mit publizierten Endpunkten.

GRADE (Grading of Recommendations Assessment, Development and Evaluation) bewertet nicht einzelne Studien, sondern die Sicherheit der Evidenz für einen bestimmten Endpunkt, also das Vertrauen, dass der wahre Effekt nahe am geschätzten liegt. Es gibt vier Stufen: hoch, moderat, niedrig und sehr niedrig.¹⁵

Startstufe, Herabstufen, Heraufstufen

Evidenz aus randomisierten Studien beginnt bei „hoch“. Beobachtungsstudien beginnen traditionell bei „niedrig“; wird ihr Verzerrungsrisiko mit ROBINS-I bewertet, starten sie formal bei „hoch“ und werden meist wegen Confounding und Selektion um zwei Stufen herabgestuft.¹⁵ Herabgestuft wird um eine oder zwei Stufen wegen Verzerrungsrisiko, Inkonsistenz (unerklärte Unterschiede der Ergebnisse), Indirektheit (Population, Intervention, Vergleich oder Endpunkt weichen von der Frage ab), Unpräzision (weite Konfidenzintervalle, wenige Ereignisse) und Publikationsbias. Heraufgestuft wird, vor allem bei Beobachtungsstudien, bei einem großen Effekt (etwa RR über 2 oder unter 0,5 ohne plausible Störgrößen), bei einem Dosis-Wirkungs-Gradienten und wenn alle plausiblen Verzerrungen den beobachteten Effekt eher verkleinern würden.¹⁵

Was GRADE 36 und 38 präzisieren

GRADE guidance 36 stellt klar, dass Inkonsistenz die Variabilität der Ergebnisse meint, nicht die Unterschiede der Studienmerkmale. Bei binären Endpunkten sind relative und absolute Effekte zu betrachten, und dieselbe Evidenz kann je nach Bewertungsziel unterschiedlich eingestuft werden: Geht es nur darum, ob überhaupt ein Effekt besteht, stört Streuung weniger, als wenn ein Effekt oberhalb einer klinisch bedeutsamen Schwelle belegt werden soll. Die Leitlinie beschreibt außerdem, wie I² in diesem Zusammenhang einzuordnen ist und wie die Glaubwürdigkeit von Subgruppeneffekten schrittweise geprüft wird.¹⁶ GRADE guidance 38 regelt das Heraufstufen bei einem Dosis-Wirkungs-Gradienten: Zuerst wird dessen Glaubwürdigkeit anhand von fünf Kriterien geprüft (angemessene Analyse, Confounding, ökologische Verzerrung, Konsistenz zwischen Studien, stützende indirekte Evidenz), und nur ein glaubwürdiger Gradient rechtfertigt ein vorsichtiges Heraufstufen um höchstens eine Stufe.¹⁷

Evidenzsicherheit ist nicht Empfehlungsstärke

Aus der Evidenzsicherheit folgt noch keine Empfehlung. Core GRADE 7 beschreibt den Weg von der Evidenz zur Entscheidung: Eine starke Empfehlung wird ausgesprochen, wenn die erwünschten Folgen die unerwünschten klar überwiegen und praktisch alle informierten Menschen dieselbe Wahl treffen würden; eine bedingte Empfehlung, wenn die Bilanz weniger klar ist oder eine nennenswerte Minderheit anders wählen würde. Stets zu berücksichtigen sind Nutzen, Schaden und Belastung, die Evidenzsicherheit sowie Werte und Präferenzen der Patienten; aus Sicht einer Bevölkerung kommen Ressourcen, Machbarkeit, Akzeptanz und gesundheitliche Gerechtigkeit hinzu. Eine starke Empfehlung trotz niedriger Evidenzsicherheit ist in besonderen Situationen gerechtfertigt, etwa wenn eine Maßnahme mit hoher Wahrscheinlichkeit ein katastrophales Ereignis verhindert oder wenn niedrig gesicherter Nutzen einem gut belegten erheblichen Schaden gegenübersteht.¹⁸ Umgekehrt führt hoch gesicherte Evidenz für einen kleinen Nutzen nicht automatisch zu einer starken Empfehlung. Wie deutsche Leitlinien diese Stärke sprachlich ausdrücken („soll“, „sollte“, „kann“), zeigt die Einheit Aktuelle Leitlinien.

Vier Prüffragen für jede Literaturaufgabe

Für Journal Club, Facharztprüfung und Visite lässt sich jede Studienbewertung auf vier Fragen zurückführen. Wie groß ist der Effekt? Absolut und relativ, für einen patientenrelevanten Endpunkt; die Rechenwege stehen in der Einheit Effektmaße. Wie präzise ist er? Das Konfidenzintervall zeigt, welche Effekte mit den Daten vereinbar sind. Wie glaubwürdig ist die kausale Aussage? Design, Schutzmechanismen und Verzerrungsrisiko entscheiden. Ist das Ergebnis übertragbar? Population, Vergleichsbehandlung, Versorgungsumfeld und Basisrisiko müssen zu den eigenen Patienten passen. Das Ansehen der Zeitschrift ersetzt keine dieser Prüfungen.

1. Größe: absolute und relative Differenz für den patientenrelevanten Endpunkt.
2. Präzision: Konfidenzintervall, Zahl der Ereignisse, Informationsgröße.
3. Glaubwürdigkeit: Design, Randomisierung, verdeckte Zuteilung, Verblindung, Vollständigkeit, selektives Berichten.
4. Übertragbarkeit: Population, Vergleich, Setting, Basisrisiko, Werte der Patienten.

Merksätze

• Erst PICO, dann Design: Population, Intervention, Vergleich und patientenrelevanter Endpunkt bestimmen, welche Studie passt.¹
• Randomisierung, verdeckte Zuteilung, Verblindung und ITT schützen vor verschiedenen Verzerrungen und ersetzen einander nicht.⁴
• Confounding by indication und Immortal-time-Bias lassen Behandlungen in Routinedaten schützend oder schädlich erscheinen; Zeitpunkt null synchronisieren.⁷
• Vorhersagemodelle brauchen Trennung nach Patienten, Kalibrierung und externe Validierung; eine hohe AUC allein reicht nicht.¹⁰
• Im Forest Plot zuerst schauen, dann rechnen: I² ist relativ, das Vorhersageintervall zeigt die Spanne für eine neue Einrichtung.¹⁴
• GRADE bewertet Endpunkte, nicht Studien: RCT starten hoch, fünf Gründe führen nach unten, drei nach oben.¹⁵
• Evidenzsicherheit ist nicht Empfehlungsstärke; starke Empfehlungen bei niedriger Evidenz sind in besonderen Situationen gerechtfertigt.¹⁸
• Größe, Präzision, Glaubwürdigkeit, Übertragbarkeit: Die Zeitschrift ersetzt keine dieser Prüfungen.

Aufgaben