In diesem Artikel geht es um das heikle Thema systematischer Fehler und Störgrößen in der medizinischen Statistik. Als Fachbegriff hierfür wird Bias (Statistik) bzw. Verzerrung verwendet. Bias (Statistik) kann in vielen Teilbereichen auftreten. Zudem ist der Bias meist gut versteckt. Die Bias Definition wird anhand des folgenden Beispiels aus dem medizinischen Bereich erkennbar.
Die Zufriedenheit von Patienten gewinnt im medizinischen Bereich immer größere Bedeutung, insbesondere bei privat-ärztlichen Leistungen. Angenommen, eine große Zahnklinik möchte die Zufriedenheit ihrer Patienten nach einer Implantation evaluieren. Dazu sollen alle Patienten per E-Mail angeschrieben werden, die in der Klinik ein innerhalb der letzten 24 Monate einen derartigen Eingriff erhalten haben. Des Weiteren müssen die Patienten vor dem Eingriff einer Kontaktaufnahme zugestimmt haben. Diese Patienten werden per E-Mail dazu eingeladen, innerhalb einer bestimmten Zeitspanne fünf Fragen zum Follow-Up sowie zur Lebensqualität und Zufriedenheit mit dem Implantat zu beantworten. Anhand der so gewonnenen Ergebnisse kann in Zukunft die Patientenversorgung weiter optimiert werden.
Verzerrungen sind auch in nicht-medizinischen Anwendungsbereichen relevant. Nutzen Sie daher unsere Expertise – unsere Experten unterstützen Sie ganz individuell.
Bekanntschaft mit dem Bias
In dem vorherigen Beispiel steckte der Bias Statistik in der Auswahl der Stichprobe. Die Testpersonen sollen alle Patienten gut repräsentieren, die in der Zahnklinik ein Implantat erhalten haben. Im Fachjargon nennt man dies die Grundgesamtheit.
Aufgrund der elektronischen Kontaktaufnahme per E-Mail ist Patientengruppen ohne Internetanschluss oder E-Mail Konto eine Studienteilnahme gar nicht möglich. Jüngere und fittere Patienten werden deshalb eher zur Studienteilnahme bereit sein. Die Auswertung zeigt daher wesentlich bessere Ergebnisse und zufriedenere Patienten als in Wirklichkeit (Verzerrung).
Diese Art von Bias nennt man Selektionsbias.
Das Tückische am Bias Statistik ist, dass sich die Verzerrung sehr gut tarnen und verstecken kann. Aus diesem Grund sind die ärgsten Feinde des Bias Statistik Erfahrung, Expertise, ein unabhängiger Blickwinkel und statistisches Know-how. Dies bieten wir Ihnen vollumfänglich in unseren Leistungen an. Nehmen Sie Kontakt mit uns auf und nutzen Sie unser kostenfreies Erstgespräch!
Das Bias lauert überall
Ein systematischer Fehler oder eine Verzerrung der Ergebnisse kann hinter jeder Ecke lauern. Anhand der Bias Definition generieren wir ein Fahndungsfoto. Anschließend stellen wir die Auswirkung und Taten eines nicht entdeckten Bias vor und zeigen beliebte Verstecke und Erscheinungen des Bias (Statistik). Am Schluss führen wir Strategien und Konzepte auf, um das Bias in den Griff zu bekommen und zu hochwertigen und validen Ergebnissen zu kommen.
Für unsere Kunden identifizieren wir regelmäßig potentielle Quellen. So stellen wir sicher, dass unsere Kunden zuverlässige Datenauswertungen ohne Verzerrungen erhalten. Gerne stehen wir Ihnen mit Rat und Tat zur Verfügung: Von einer Statistik-Beratung bis hin zur kompletten Planung, Datenauswertung und Berichterstellung. Nehmen Sie Kontakt mit uns auf.
Folgende Fragen werden in diesem Artikel beantwortet
- Wie lautet die Bias Definition?
- Bias Statistik: Welche Folgen hat ein systematischer Fehler?
- Welche Arten von Bias oder Verzerrung gibt es?
- Wie kann ein systematischer Fehler verhindert oder vermindert werden?
Bias Definition: das Fahndungsfoto
Unter einem Bias (Statistik) versteht man einen systematischen Fehler. Ein Bias ist vermeidbar und wird systematisch begangen. In der Regel ist ein Bias gut getarnt und nicht offensichtlich. Er versteckt sich meist vom Anwender unbeabsichtigt und unentdeckt in statistischen Studien.
Das Bias ist nicht zu verwechseln mit einem zufälligen Fehler. Ein zufälliger Fehler ist unvermeidbar und darauf zurückzuführen, dass die Beobachtungen individuell unterschiedlich sind. Oft können auch Messinstrumente Werte nur mit einer bestimmten Genauigkeit messen. Diese messen mal geringfügig mehr, mal geringfügig weniger als den tatsächlichen Wert. Die Genauigkeit kann mit Messwiederholungen beispielsweise mit einem Streuungsmaß angegeben werden. Ein zufälliger Fehler ist harmlos und wird in der Statistik berücksichtigt. Mit einem zufälligen Fehler können valide Ergebnisse erzielt werden.
Bias Statistik: das Vorstrafenregister
Hat sich ein systematischer Fehler in eine Studie unbemerkt eingeschlichen und festgesetzt, so bedeutet dies meist das Scheitern der Studie. Die Ergebnisse, die aus einer Studie mit systematischem Fehler gewonnen werden, sind verzerrt. Viel Geld und oft auch Reputation bzw. Image sind erstmal verloren.
Verzerrte Messungen liegen immer falsch, entweder über oder unter dem tatsächlichen Wert. Die Höhe und die Richtung der Verzerrung kann im Nachhinein nicht mehr festgestellt werden.
Bias Statistik: der Verwandlungskünstler
Niemand möchte einen solchen Gesellen in seinen Daten beherbergen. Bias oder ein systematischer Fehler kann allerdings sehr vielfältig sein. Oft ist dieser erst auf den zweiten Blick zu erkennen.
Selektionsbias
In der vom Robert-Koch Institut durchgeführten TOKEN Studie wurde ein Zusammenhang zwischen einer 6-fach Impfung und dem plötzlichen Kindstod untersucht. Dazu schrieb das Institut Eltern an, deren Säuglinge im Alter von 2 bis 24 Monaten an plötzlichem Kindstod verstorben sind. Stimmten die Eltern der Studienteilnahme zu, so wurden über die Eltern und die Kinderärzte detaillierte Informationen zum Impfstatus erhoben. Aus diesen Daten wurde das Sterberisiko berechnet:
In den ersten zwei Wochen nach der Impfung registrierte man 1,93 Todesfälle pro Tag In den 168 Tagen des restlichen Halbjahres nach der Impfung wurden 0,61 Todesfälle pro Tag registriert. Damit ergibt sich ein 3,2-fach erhöhtes Risiko binnen zwei Wochen nach der Impfung zu versterben gegenüber dem restlichen Halbjahr.
Im Nachhinein stellte sich heraus, dass Eltern deren Kinder kurz nach einer Impfung verstarben eine deutlich erhöhte Bereitschaft zeigten, an der Studie teilzunehmen. Dadurch resultiert eine sehr hohe Zahl von Fällen innerhalb der ersten zwei Wochen nach der Impfung. Viele Eltern, dessen Kinder in einem längeren Zeitraum nach der Impfung verstarben, haben sich erst gar nicht zur Studienteilnahme bereit erklärt.
Bias Definition: Unter einem Selektionsbias versteht systematische Unterschiede der gezogenen Stichprobe im Vergleich zur Grundgesamtheit.
Performance Bias
In einer fiktiven Studie soll der Effekt von manueller Therapie gegenüber medikamentöser Therapie verglichen werden. 900 Studienteilnehmer werden zufällig einer der beiden Behandlungen zugewiesen. Die Zielvariable ist das subjektive Schmerzempfinden 3 bzw. 5 Tage nach Behandlungsbeginn.
Trotz Randomisierung ist hier mit einem sogenannten Performance Bias zu rechnen. Patienten, die mit manueller Therapie behandelt werden, erhalten eine wesentlich intensivere Zuwendung als Studienteilnehmer, die alleine Tabletten schlucken müssen.
Im Nachhinein ist in dieser Studie nicht festzustellen, ob der Behandlungseffekt der manuellen Therapie auf den persönlichen Kontakt oder auf die Behandlung zurückzuführen ist.
Bias Definition: Unter einem Performance Bias versteht man eine Verzerrung, die auf verschiedene Rahmenbedingungen in den Gruppen zurückzuführen ist.
Detection Bias
In einer klinischen Studie wird der Zusammenhang zwischen dem Gewicht von Patienten und Prostata Karzinom untersucht. Erstaunlicherweise mussten Rundle et al 2017 feststellen, das übergewichtige Männer ein verringertes Krebsrisiko zeigten. Erstaunt über ein solches Ergebnis begaben sie sich die Suche und mussten einen Bias entdecken. Prostata Karzinom wurde in der Studie anhand einer Biopsie der Prostata festgestellt. Größere Männer haben eine größere Prostata. Die Wahrscheinlichkeit, dass Krebszellen mit der Biopsie getroffen werden ist bei einer größeren Prostata geringer als bei einer kleineren.
Bias Definition: Hier spricht man von einem Detection bias, bei dem die Messung einer Exposition nicht bei allen Studienteilnehmern gleich ist, sondern noch von einem Outcome beeinflusst wird.
Attrition Bias
In einer Studie sollen hoch und niedrig dosierte Schmerzmittel vergleichen werden. In der Gruppe mit niedriger Dosierung nehmen die Studienteilnehmer vermehrt zusätzliche Schmerzmittel ein, bzw. treten aus der Studie aus.
Definition Bias: Attrition Bias entsteht dadurch, dass in einer Gruppe mehr Studienteilnehmer aus der Studie ausscheiden als in der Vergleichsgruppe.
Confirmation Bias
In der medizinischen Statistik bezieht sich der Confirmation Bias (Bestätigungsfehler) auf die Tendenz von Forschern oder Ärzten, Informationen, die ihre bestehenden Hypothesen oder Erwartungen unterstützen, stärker zu gewichten oder bevorzugt wahrzunehmen. Gleichzeitig neigen sie dazu, Daten, die diesen Hypothesen widersprechen, weniger zu beachten oder sogar zu ignorieren. Dieser Bias kann unbewusst auftreten und das Ergebnis einer Studie verzerren, indem nur solche Daten selektiv beachtet oder interpretiert werden, die die gewünschten oder erwarteten Ergebnisse stützen.
Publikationsbias
Eine der ältesten überlieferten Verzerrung in der Berichterstattung ist bereits in der Antike dokumentiert. Der Philosoph Diagoras wurde in einem Tempel von einem Priester gefragt: „Siehst du die hunderten Danktafeln geretteter Seeleute. Ist das nicht beweis genug für die Existenz von Göttern?“ Darauf entgegnete der Philosoph: „Und wo sind die Tafeln der Ertrunkenen?“
In diesem Fall ist die einseitige Berichterstattung offensichtlich. Die Gedenktafeln sind vollkommen anders zu interpretieren, je nachdem ob insgesamt ein Seemann ertrunken ist oder tausende Seeleute gestorben sind.
Definition Bias: Unter einem Publikationsbias versteht man die selektive Auswahl meist positiver, signifikanter oder besonders reißerischer Ergebnisse für Publikationen. Dies muss auch immer bei der Literaturrecherche im Rahmen des Medical Writings beachtet werden.
Den Bias Statistik dingfest machen und verbannen
Der ärgste Feind des Bias ist ein unabhängiger kompetenter Blickwinkel auf eine statistische Erhebung. Mit kritischem, geschultem Auge lassen sich viele Versteckmöglichkeiten schon von vorne herein ausschließen. Je eher in der Planungsphase umso besser! Zu späteren Zeitpunkten ist oft nur mehr Schadensbegrenzung möglich.
In der wissenschaftlichen Praxis gelten etliche Verfahren als Goldstandard, die eine bestimmte Bias Definition von vorne herein ausschließt:
Randomisierung
In einer randomisierten Studie werden die Studienteilnehmer nach dem Zufallsprinzip (z. B. anhand von Listen) in zwei oder mehr Gruppen aufgeteilt (randomisiert). Dadurch kann meist ein Selektionsbias verhindert werden. Für eine erfolgreiche Randomisierung ist die Wahl einer geeigneten Randomisierungssequenz sowie die Unvorhersehbarkeit und Geheimhaltung der Gruppenzuteilung wichtig.
Verblindung
Ein weiteres Gütekriterium insbesondere klinischer Studien ist die Verblindung. Eine Verblindung sorgt dafür, dass die Gruppenzugehörigkeit während der Studienphase unbekannt bleibt. Kennen sowohl Studienteilnehmer und Studiendurchführende nicht die Behandlungsgruppe, so spricht man von einer doppelt blinden Studie. Verblindung beugt dem Performancebias oder Beurteilungsbias vor.
Unabhängige Beratung
Ein weiteres Gütekriterium ist die Auswertung der Daten durch unabhängige Fachleute. Viele Anstrengungen werden durchgeführt, um einen Publikationsbias entgegenzuwirken. Beispielsweise ist eine zentrale Datenbank für die Registrierung klinischer Studien initiiert. In zahlreichen Fachzeitschriften werden anhand von Richtlinien und Fragenkatalogen verschiedene Informationen bezüglich der Studie abgefragt und publiziert.
Zusammenfassung
Bias oder ein systematischer Fehler kann in allen Phasen von Studien sowie aller Anwendungsgebiete vorkommen und ist meist nicht sofort klar zu identifizieren. Dabei führt ein nicht entdeckter Bias zu verzerrten Schätzern und falschen Rückschlüssen, mitunter dadurch sogar mit schädigenden Folgen. Eine unabhängige, fachkundige Überprüfung oder Beratung ist auf jeden Fall eine wirksame Vorbeugung und erhöht die Qualität jeder Studie.
Wir helfen ihnen gerne. Nehmen Sie Kontakt mit uns auf!
Quellenangaben, weiterführende Informationen:
Owen R. Reader Bias. JAMA 1982; 247:2533-4.
Regeln zur Vermeidung von Publikationsbias
Bewertung des Biasrisikos in klinischen Studien