Hintergrund
In verschiedenen medizinischen Gebieten gibt es eine große Zahl von Studien, die
ein und derselben oder zumindest sehr ähnlichen Fragestellungen zu einer spezifischen
Therapie nachgehen. Doch wie kann der klinisch tätige Arzt der immer schneller
wachsenden Flut von Publikationen Herr werden? So sind allein im vergangenen Jahr
mehr als 10 000 Einträge unter dem Schlagwort „randomized clinical trial” in
Medline [16] zu finden.
Darüber hinaus sind die Ergebnisse kontrollierter klinischer Studien häufig durch
inkonsistente Ergebnisse geprägt. Das bedeutet, dass einige Studien den Nutzen
einer Therapie zeigen können, während in anderen deren Unwirksamkeit oder gar
eine schädliche Wirkung berichtet wird. Alternativ könnte es sein, dass die Fallzahlen
der einzelnen Studien zu gering sind, um einen Effekt, der vielleicht gering ist,
auch nachweisen zu können.
In den oben beschriebenen Fällen kann die Entscheidungsfindung über den Einsatz
bzw. Nicht-Einsatz einer Therapie nur durch die gemeinsame Betrachtung und Analyse
der gesamten Evidenz zu einer Fragestellung sowie deren qualifizierte Bewertung
unterstützt werden. Diese Aufgabe übernehmen dabei systematische Übersichten (engl.:
systematic reviews) und Meta-Analysen. Dieses Thema hat in den vergangenen Jahren
erheblich an Bedeutung gewonnen, auch wenn die Idee schon 100 Jahre alt ist
[21]. Die erste Meta-Analyse zur Untersuchung einer Intervention wurde bereits 1955
durchgeführt [2]; der Begriff selbst wurde allerdings erst im Jahr 1976 von Glass erstmalig
verwendet [15]. Einen sehr schönen historischen Abriss zu diesem Themenkreis findet der interessierte
Leser bei Egger und Smith [12]. Besondere Aspekte bei der Bewertung von Meta-Analysen aus Beobachtungsstudien
beschreiben Blettner und Sauerbrei [4]. Richtlinien für das Berichten von Meta-Analysen wurden von einer Reihe von
Autoren und Zeitschriften gegeben [19]
[23]
[25]. Empfehlenswert für einen tieferen Einstieg ist das Buch von Egger und Kollegen
[13].
In systematischen Übersichten wird versucht, die Nachteile des klassischen Reviews
zu vermeiden, indem methodische Standards sowohl auf die Identifikation und Selektion
der in die Übersicht einzuschließenden Originalstudien als auch auf die Synthese
deren Ergebnisse angewendet werden. Der Ablauf einer solchen Studie ähnelt dabei
sehr dem üblichen Vorgehen bei einer klinischen Studie. So ist auch bei systematischen
Übersichten das Erstellen eines Studienprotokolls erforderlich (s. z. B. Cochrane
Reviewer Handbuch auf http://www.cochrane.org/resources/handbook/). Der gesamte
Ablauf der Studie von der Formulierung der Fragestellung bis hin zur Interpretation
bzw. Publikation des Endergebnisses wird als systematische Übersicht bezeichnet.
Die statistische Zusammenfassung der Resultate der Einzelstudien wird Meta-Analyse
genannt. Allerdings verwenden manche Autoren den Begriff Meta-Analyse und systematische
Übersicht synonym (so z. B. in Ref. [9]).
Der Ablauf einer systematischen Übersicht
Im Folgenden werden die wesentlichen Komponenten einer systematischen Übersicht
ausführlicher beschrieben. Zunächst sind, wie in kontrollierten klinischen Studien
auch, die Ziele der Studie, die Hypothesen und eventuelle Subgruppenanalysen zu
formulieren. Zur Sammlung und Auswertung von Daten im Rahmen einer systematischen
Übersicht kann Software, wie z. B. der Review-Manager verwendet werden. Letzterer
wird von der Cochrane Collaboration kostenlos im Internet zur Verfügung gestellt
(http://www.cc-ims.net/RevMan).
Literaturrecherche
Ein wesentlicher Teil der Arbeit bei einem systematischen Review besteht darin,
alle vorhandene Evidenz zusammenzutragen - unabhängig davon, ob die Ergebnisse
der einzelnen Studien publiziert wurden oder nicht. Denn die Resultate nicht veröffentlichter
Studien können systematisch von denen publizierter abweichen. Dieses wird sehr
schön in der Arbeit von Egger und Smith illustriert [11]. Das dahinter stehende Problem besteht darin, dass Arbeiten mit einem Ergebnis,
die die positive Wirkung einer Therapieform statistisch signifikant nachweisen,
leichter und eher publiziert werden, als solche mit nicht signifikanten Resultaten
[11]. Auf diese Weise kommt es sehr einfach zu einer systematischen Verzerrung in
Richtung des positiven Effekts, der sog. „Publikationsverzerrung” (engl.: publication
bias) (für eine detaillierte Darstellung siehe z. B. Ref. [11]).
Eine wesentliche Quelle für die Literaturrecherche ist die Literaturdatenbank
Medline [16]. Doch reicht diese Datenbank bei weitem nicht aus, da sie einen nicht vernachlässigbaren
Anteil von Studien, primär aus dem europäischen Sprachraum, nicht enthält.
Zur Identifikation von wichtigen Arbeiten, die nicht in Medline gelistet sind,
kann die Suche mit der Excerpta Medica DataBASE, kurz: EMBASE, erforderlich sein
[26]. Für Therapiestudien empfiehlt sich die Datenbank der Cochrane Collaboration,
das Cochrane Controlled Trial Register (CCTR), die die vermutlich vollständigste
Sammlung kontrollierter klinischer Studien enthält [24].
Neben der Suche nach Studien in Literaturdatenbanken ist es häufig erforderlich,
die Referenzen bereits gefundener Publikationen oder von Übersichtsarbeiten nach
weiteren Studien zu untersuchen, eine Handsuche in relevanten Journalen und Kongressbänden
vorzunehmen und auch auf dem jeweiligen Gebiet forschende Wissenschaftler und
Institutionen nach nicht veröffentlichten Studien und deren Ergebnissen zu befragen.
Wesentliches Qualitätskriterium einer systematischen Übersicht ist die transparente
Darstellung sowohl der Literaturrecherche, z. B. anhand von klar vorgegebenen
Schlagwörtern (engl. key words) in den Datenbanken, als auch der in die Meta-Analyse
einfließenden Einzelstudien anhand von vorab definierten Ein- und Ausschlusskriterien.
Datenextraktion und Beurteilung der Qualität der Studien
Bevor die Qualität der Studien beurteilt werden kann, müssen zunächst die relevanten
Informationen aus den Artikeln extrahiert werden. Dieser Arbeit kommt später eine
große Bedeutung zu, da die Ergebnisse durch die ausgewählten Informationen und
den später zur Meta-Analyse verwendeten Studien beeinflusst werden können [12]. Auch aus diesem Grund sollte ein standardisierter Dokumentationsbogen zur Extrahierung
der Daten verwendet werden. Empfehlenswert ist darüber hinaus zur Reduktion von
Fehlern, dass zwei Personen unabhängig voneinander die Daten extrahieren [14]. Diese Arbeit wird durch das einheitliche Berichten über die Ergebnisse randomisierter
(Therapie-) Studien bzw. diagnostischer Studien ganz erheblich vereinfacht (s.
z. B. Empfehlungen in Ref. [1]
[5]).
Trotz dieser Bemühungen zur Standardisierung lässt sich die Auswahl der Arbeiten
vermutlich nicht vollständig objektivieren, da die in den Publikationen dargestellten
Informationen häufig nicht alle Aspekte hinreichend abbilden. Daher empfehlen
manche Autoren, die Einschlusskriterien für Studien so elementar wie möglich zu
gestalten [14], um anschließend Sensitivitätsanalysen (siehe Abschnitt 4) durchzuführen. Dennoch
erscheint es u. E. korrekter, dass bei systematischen Übersichten grundsätzlich
nur solche Studien berücksichtigt werden sollten, die hohe Qualitätskriterien
erfüllen, wie sie z. B. in den Anforderungen an eine patientenorientierte klinische
Forschung beschrieben wurden [22].
Zielkriterium und statistische Analyse
Wie in kontrollierten klinischen Studien müssen auch bei Meta-Analysen das Zielkriterium
sowie das statistische Verfahren zur zusammenfassenden Analyse vorab ausgewählt
und im Studienprotokoll niedergelegt werden. Üblicherweise wählt man für stetige
Zielkriterien, wie z. B. Körpergewicht oder Blutdruck, den Mittelwertsunterschied
zwischen Prüf- und Kontrollgruppe. Dabei wird der tatsächliche Unterschied zwischen
den Gruppen durch den Grad der Erkrankung der eingeschlossenen Patienten beeinflusst.
So könnte der Effekt einer Therapieform zur Gewichtsreduktion bei Personen mit
extremer Adipositas zu einer größeren durchschnittlichen Gewichtsabnahme führen
als bei Personen mit einer leichten Adipositas.
Bei binären Zielkriterien ohne Zensierung, wie z. B. Adipositas ja/nein oder Therapieerfolg
ja/nein, können das Odds Ratio [3] aufgrund seiner guten statistischen Eigenschaften [7] [14] oder das relative Risiko gewählt werden: Mit beiden lassen sich die Ergebnisse
der einzelnen Studien miteinander zu einem Gesamtergebnis kombinieren. Absolute
Maße wie die absolute Risikoreduktion [3] oder das Effektmaß „number needed to treat” (NNT) [3] haben den Vorteil der unmittelbaren klinischen Relevanz [14] und werden daher häufig bevorzugt. Allerdings sollte die Wahl des Effektmaßes
von den grundsätzlichen Annahmen über den Therapieeffekt in Abhängigkeit von unterschiedlichen
Baseline-Risiken geleitet werden [8].
Der nächste Schritt besteht in der statistischen Zusammenfassung der Ergebnisse
der einzelnen Studien zu einem einzigen Resultat. Die einfache Mittelung der Effekte
über die Studien wird dabei in der Regel nicht zu dem Ergebnis führen, das der
Wahrheit am nächsten ist. Daher werden üblicherweise gewichtete Effektschätzer
verwendet, um größeren Studien oder solchen mit einer geringeren Variabilität
einen stärkeren Einfluss als kleineren Studien oder Studien mit größerer Variabilität
zu geben. Die Analysetechniken selbst können im Wesentlichen in zwei Kategorien
eingeordnet werden, den so genannten Modellen mit festen Effekten und den Modellen
mit zufälligen Effekten [20]. Beim Modell mit festen Effekten geht man davon aus, dass sämtlichen Studien
ein und dieselben Ergebnisse liefern, wenn sie denn nur unendlich groß wären.
Diese Annahme ist sicherlich in der Regel unrealistisch, da schon kleine Unterschiede
im Studiendesign, z. B. bei den Ein- und Ausschlusskriterien, zu verschiedenen
Ergebnissen in dem Grad des Wirksamkeitsunterschieds zwischen zwei Therapieverfahren
führen können. Bei Studien mit zufälligen Effekten wird hingegen diese zusätzliche
Variabilität berücksichtigt, so dass hier die Konfidenzintervalle in der Regel
etwas breiter sind als bei Modellen mit festen Effekten. Aufgrund der restriktiven
Annahmen der Modelle mit festen Effekten wird häufig die Verwendung von Modellen
mit zufälligen Effekten empfohlen (siehe dazu auch Ref. 6, 20). Innerhalb der
Modellklasse mit zufälligen Effekten gibt es wiederum verschiedene Ansätze, die
zu einer unterschiedlichen Gewichtung der Einzelstudien führen. Bekannte Methoden
sind der Ansatz nach DerSimonian und Laird (DSL), die so genannte restricted maximum
likelihood (REML) und Bayesianische Ansätze [6]
[20]. Es ist hierbei zu berücksichtigen, dass sich für dieselben Daten in Abhängigkeit
vom gewählten statistischen Modell unterschiedliche (zusammengefasste) Effektschätzer
ergeben können.
Sensitivitätsanalysen
Welches statistische Verfahren zur Durchführung einer spezifischen Meta-Analyse
am ehesten geeignet ist, wird kontrovers diskutiert. Daher ist die Durchführung
von Sensitivitätsanalysen zur Überprüfung der Robustheit der Ergebnisse bei Verwendung
verschiedener statistischer Verfahren dringend angeraten.
Die Ergebnisse der Meta-Analyse können sich auch bei Verwendung verschiedener
sinnvoller Ein- bzw. Ausschlusskriterien der Studien (z. B. nur Einschluss von
qualitativ hochwertigen Studien) voneinander unterscheiden, d. h., auch hierbei
ist zu prüfen, ob die Ergebnisse robust gegenüber der Wahl der Studien sind. Dieses
gilt insbesondere für Therapiestudien, die aufgrund signifikanter Ergebnisse vor
Erreichen der ursprünglich geplanten Fallzahl abgebrochen werden, sowie für solche,
bei denen keine Aussicht mehr existiert, noch einen Unterschied zu entdecken,
und deshalb vorzeitig beendet werden.
Auch das Problem der Publikationsverzerrung lässt sich mit Sensitivitätsanalysen
untersuchen. So können die Studien nach Studiengröße geschichtet werden. Wenn
tatsächlich eine Publikationsverzerrung vorliegt, werden sich die Ergebnisse kleiner
und großer Studien voneinander unterscheiden. Eine graphische Möglichkeit,
eine eventuelle Publikationsverzerrung zu entdecken, bietet der so genannte „funnel
plot”, bei dem die in den Einzelstudien beobachteten Effektschätzer (auf der x-Achse)
gegen die jeweilige Fallzahl bzw. die in den Studien beobachtete Variabilität
(auf der y-Achse) aufgetragen werden [10]. Liegt keine Publikationsverzerrung vor, werden sich die Einzelergebnisse aufgrund
der zufälligen Variabilität zwischen den Studien symmetrisch und trichterförmig
(„funnel”) um den zusammengefassten Effektschätzer aus der Meta-Analyse verteilen.
Heterogenität zwischen Studienergebnissen
Wenn die Resultate verschiedener Studien stark variieren, kann es sinnvoll sein,
diese nicht zu einem einzelnen Ergebnis zusammenzufassen. Allerdings gibt es keine
klaren Richtlinien, wann es noch sinnvoll ist bzw. wann nicht, die Studien zu
kombinieren. Ein Ansatz ist, den Grad der Heterogenität der Studien zu untersuchen.
So kann man z. B. testen, ob signifikante Unterschiede zwischen den Studien existieren.
Der Nachteil dieser statistischen Tests ist, dass sie in der Regel nur eine geringe
Macht besitzen, tatsächlich vorhandene Unterschiede zu entdecken. Daher ist eher
die Anwendung von Heterogenitätsmaßen empfehlenswert, um den Grad der Heterogenität
quantitativ zu beschreiben. Methoden hierzu wurden von Higgins und Thompson [17] entwickelt. Möglicherweise lassen sich Unterschiede auch schon mit einem forest
plot (Abb. [1]) erkennen und inhaltlich erklären. In der Mitte sind die Punktschätzer der einzelnen
Studien dargestellt, wobei die Fläche der Rechtecke das Gewicht der Einzelstudien
symbolisiert. Für den zusammenfassenden Schätzer der Meta-Analyse wird ein Diamant
benutzt. Die Schnurrbärte geben die Konfidenzintervalle an.
Abb. 1 Wirksamkeit von Lidocain zur Reduktion von Mortalität im akuten Myokardinfarkt:
x-Achse stellt die einzelnen Studien sowie die Meta-Analysen dar; y-Achse absolute
Risikoreduktion (ARR). Für jede einzelne Studie und die Meta-Analysen sind
das geschätzte ARR (Punkt) mit dem dazugehörigen 95 % Konfidenzintervall (Schnurrbärte)
dargestellt.
Bis vor wenigen Jahren wurden anstelle der forest plots Blobbogramme verwendet
(s. z. B. Referenz 9). Der Name Blobbogramm ist darauf zurückzuführen, dass dort
ein Klümpchen in dieser Abbildung in der Mitte zu sehen ist (Abb. [2]), wobei diese für alle Stichproben gleich groß sind, also auf die Darstellung
der Gewichtsinformation verzichtet wird.
Abb. 2 Betreuung von Schlaganfallpatienten durch Team von Spezialisten mehrerer Disziplinen
im Vergleich zum Routinemanagement: x-Achse stellt die einzelnen Studien sowie
die Meta-Analysen dar; y-Achse Dauer des Krankenhausaufenthalts in Tagen (LOS).
Für jede einzelne Studie und die Meta-Analysen sind die geschätzte LOS
(Punkt) mit dem dazugehörigen 95 % Konfidenzintervall (Schnurrbärte) dargestellt.
Beispiele
Zum Abschluss der Arbeit werden die unterschiedlichen Ergebnisse, die Meta-Analysen
ergeben können, anhand zweier Beispiele aus der Literatur illustriert ([18], siehe auch [20], [24]).
Beispiel 1: Lidocain und Myokardinfarkt
Im ersten Beispiel wird untersucht, ob die Mortalität durch die Gabe von Lidocain
beim akuten Myokardinfarkt gesenkt werden kann. Die Ergebnisse der Einzelstudien
sind in Tab. [1] dargestellt. Der forest plot (Abbildung 1; mit Gewichten entsprechend dem Modell
mit festen Effekten) zeigt die Risikounterschiede der sechs verschiedenen Studien.
Das Rechteck in der Mitte gibt die beobachtete absolute Risikoreduktion (ARR)
an. Die Schnurrbärte stehen für 95 % Konfidenzintervalle.
Tab. 1 Untersuchung der Mortalität durch Prophylaxe mit Lidocain im akuten Myokardinfarkt
(Quelle: Referenz [18], siehe auch [20]).
<TD VALIGN="TOP" COLSPAN="2">
Quelle
</TD><TD VALIGN="TOP" COLSPAN="2">
Anzahl randomisierter Patienten
</TD><TD VALIGN="TOP" COLSPAN="2">
Anzahl verstorbener Patienten
</TD>
<TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
Lidocain
</TD><TD VALIGN="TOP">
Kontrolle
</TD><TD VALIGN="TOP">
Lidocain
</TD><TD VALIGN="TOP">
Kontrolle
</TD>
<TD VALIGN="TOP">
1
</TD><TD VALIGN="TOP">
Chopra et al.
</TD><TD VALIGN="TOP">
39
</TD><TD VALIGN="TOP">
43
</TD><TD VALIGN="TOP">
2
</TD><TD VALIGN="TOP">
1
</TD>
<TD VALIGN="TOP">
2
</TD><TD VALIGN="TOP">
Mogensen
</TD><TD VALIGN="TOP">
44
</TD><TD VALIGN="TOP">
44
</TD><TD VALIGN="TOP">
4
</TD><TD VALIGN="TOP">
4
</TD>
<TD VALIGN="TOP">
3
</TD><TD VALIGN="TOP">
Pitt et al.
</TD><TD VALIGN="TOP">
107
</TD><TD VALIGN="TOP">
110
</TD><TD VALIGN="TOP">
6
</TD><TD VALIGN="TOP">
4
</TD>
<TD VALIGN="TOP">
4
</TD><TD VALIGN="TOP">
Darby et al.
</TD><TD VALIGN="TOP">
103
</TD><TD VALIGN="TOP">
100
</TD><TD VALIGN="TOP">
7
</TD><TD VALIGN="TOP">
5
</TD>
<TD VALIGN="TOP">
5
</TD><TD VALIGN="TOP">
Bennett et al.
</TD><TD VALIGN="TOP">
110
</TD><TD VALIGN="TOP">
106
</TD><TD VALIGN="TOP">
7
</TD><TD VALIGN="TOP">
3
</TD>
<TD VALIGN="TOP">
6
</TD><TD VALIGN="TOP">
O’Brian et al.
</TD><TD VALIGN="TOP">
154
</TD><TD VALIGN="TOP">
146
</TD><TD VALIGN="TOP">
11
</TD><TD VALIGN="TOP">
4
</TD>
<TD VALIGN="TOP" COLSPAN="2">
Gesamt
</TD><TD VALIGN="TOP">
557
</TD><TD VALIGN="TOP">
549
</TD><TD VALIGN="TOP">
37
</TD><TD VALIGN="TOP">
21
</TD>
Da alle Konfidenzintervalle die Nulllinie schneiden, ist keine einzelne der Studien
in der Lage, einen positiven Behandlungseffekt von Lidocain statistisch signifikant
nachzuweisen. Die Ergebnisse der sechs Studien sind insgesamt sehr homogen. Bis
auf die zweite Studie, die keinen Unterschied zwischen Lidocain und der Kontrollbehandlung
zeigt, deuten die fünf anderen Studien auf einen positiven Effekt von Lidocain.
Mit der Meta-Analyse gelingt es jetzt, einen Vorteil von Lidocain gegenüber der
Kontrollbehandlung nachzuweisen. Die absolute Reduktion der Mortalitätsrate
liegt in der der Größenordnung von 3 % (95 % Konfidenzintervall: 0,4 % - 5,5
%). Abbildung 1 zeigt, dass das verwendete statistische Modell mit festen Effekten
und das Zufallseffektmodell zu identischen Ergebnissen und Schlussfolgerungen
führen. In der Tat, die Ergebnisse und damit die Schlussfolgerungen sind auch
für verschiedene spezifische Zufallseffektmodelle (DSL und REML) identisch.
Beispiel 2: Betreuung von Patienten und Schlaganfall
In diesem Beispiel wird der Effekt einer Betreuung von Schlaganfallpatienten durch
ein Behandlungsteam aus verschiedenen Disziplinen im Vergleich mit dem Routinemanagement
von Schlaganfallpatienten untersucht [24]. Fallzahlen, Mittelwerte und Standardabweichungen der einzelnen Studiengruppen
aus den neun betrachteten Studien sind in Tab. [2] zusammengefasst. Abbildung 2 zeigt die Unterschiede der durchschnittlichen Liegedauer,
d. h. Aufenthaltsdauer im Krankenhaus plus 95 % Konfidenzintervall der verschiedenen
Studien. Die zentrale Frage ist, ob durch den Einsatz eines multidisziplinären
Behandlungsteams im Vergleich zum Routinemanagement die Aufenthaltsdauer reduziert
werden kann. Vier Studien (1, 3, 4 und 8) zeigen einen Vorteil für die Spezialbetreuung.
Anders als im ersten Beispiel sind hier die Ergebnisse der einzelnen Studien sehr
heterogen (Abbildung 2). Dieses Ergebnis wird auch durch einen statistischen Test
auf Homogenität deutlich (p < 0,001). Das Heterogenitätsmaß I2 [17] beträgt für diese Studien 96,65 %. Das bedeutet, dass knapp 97 % der Variabilität
der Schätzer für den Behandlungseffekt auf die Heterogenität zwischen den Studien
zurückzuführen ist. Daher haben wir bewusst in diesem Beispiel das Blobbogramm
verwendet, um keine optische Verzerrung bei der Illustration der verschiedenen
zusammenfassenden statistischen Verfahren zu erzeugen.
Tab. 2 Vergleich der Betreuungsmodi von Schlaganfallpatienten in neun Studien: Team bestehend
aus Spezialisten verschiedener Disziplinen im Vergleich mit Routinemanagement
(Quelle: Referenz [18], siehe auch [20]).
<TD VALIGN="TOP" COLSPAN="2">
Quelle
</TD><TD VALIGN="TOP" COLSPAN="3">
Betreuung durch Spezialisten
</TD><TD VALIGN="TOP" COLSPAN="3">
Routinemanagement
</TD>
<TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
N
</TD><TD VALIGN="TOP">
Mittelwert LOS
</TD><TD VALIGN="TOP">
StdAbw
</TD><TD VALIGN="TOP">
N
</TD><TD VALIGN="TOP">
Mittelwert LOS
</TD><TD VALIGN="TOP">
StdAbw
</TD>
<TD VALIGN="TOP">
1
</TD><TD VALIGN="TOP">
Edinburgh
</TD><TD VALIGN="TOP">
155
</TD><TD VALIGN="TOP">
55,0
</TD><TD VALIGN="TOP">
47,0
</TD><TD VALIGN="TOP">
156
</TD><TD VALIGN="TOP">
75,0
</TD><TD VALIGN="TOP">
64,0
</TD>
<TD VALIGN="TOP">
2
</TD><TD VALIGN="TOP">
Orpingtom-Mild
</TD><TD VALIGN="TOP">
31
</TD><TD VALIGN="TOP">
27,0
</TD><TD VALIGN="TOP">
7,0
</TD><TD VALIGN="TOP">
32
</TD><TD VALIGN="TOP">
29,0
</TD><TD VALIGN="TOP">
4,0
</TD>
<TD VALIGN="TOP">
3
</TD><TD VALIGN="TOP">
Orpington-Moderate
</TD><TD VALIGN="TOP">
75
</TD><TD VALIGN="TOP">
64,0
</TD><TD VALIGN="TOP">
17,0
</TD><TD VALIGN="TOP">
71
</TD><TD VALIGN="TOP">
119,0
</TD><TD VALIGN="TOP">
29,0
</TD>
<TD VALIGN="TOP">
4
</TD><TD VALIGN="TOP">
Orpington-Severe
</TD><TD VALIGN="TOP">
18
</TD><TD VALIGN="TOP">
66.0
</TD><TD VALIGN="TOP">
20,0
</TD><TD VALIGN="TOP">
18
</TD><TD VALIGN="TOP">
137,0
</TD><TD VALIGN="TOP">
48,0
</TD>
<TD VALIGN="TOP">
5
</TD><TD VALIGN="TOP">
Montreal-Home
</TD><TD VALIGN="TOP">
8
</TD><TD VALIGN="TOP">
14.0
</TD><TD VALIGN="TOP">
8,0
</TD><TD VALIGN="TOP">
13
</TD><TD VALIGN="TOP">
18,0
</TD><TD VALIGN="TOP">
11,0
</TD>
<TD VALIGN="TOP">
6
</TD><TD VALIGN="TOP">
Montreal-Transfer
</TD><TD VALIGN="TOP">
57
</TD><TD VALIGN="TOP">
19.0
</TD><TD VALIGN="TOP">
7,0
</TD><TD VALIGN="TOP">
52
</TD><TD VALIGN="TOP">
18,0
</TD><TD VALIGN="TOP">
4,0
</TD>
<TD VALIGN="TOP">
7
</TD><TD VALIGN="TOP">
Newcastle 1993
</TD><TD VALIGN="TOP">
34
</TD><TD VALIGN="TOP">
52.0
</TD><TD VALIGN="TOP">
45,0
</TD><TD VALIGN="TOP">
33
</TD><TD VALIGN="TOP">
41,0
</TD><TD VALIGN="TOP">
34,0
</TD>
<TD VALIGN="TOP">
8
</TD><TD VALIGN="TOP">
Umea 1985
</TD><TD VALIGN="TOP">
110
</TD><TD VALIGN="TOP">
21.0
</TD><TD VALIGN="TOP">
16,0
</TD><TD VALIGN="TOP">
183
</TD><TD VALIGN="TOP">
31,0
</TD><TD VALIGN="TOP">
27,0
</TD>
<TD VALIGN="TOP">
9
</TD><TD VALIGN="TOP">
Uppsala 1982
</TD><TD VALIGN="TOP">
60
</TD><TD VALIGN="TOP">
30.0
</TD><TD VALIGN="TOP">
27,0
</TD><TD VALIGN="TOP">
52
</TD><TD VALIGN="TOP">
23,0
</TD><TD VALIGN="TOP">
20,0
</TD>
<TD VALIGN="TOP" COLSPAN="2">
Gesamt
</TD><TD VALIGN="TOP">
548
</TD><TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
610
</TD><TD VALIGN="TOP">
</TD><TD VALIGN="TOP">
</TD>
<TD VALIGN="TOP" COLSPAN="8">
LOS: Dauer des Krankenhausaufenthalts (in Tagen)
StdAbw: Standardabweichung
</TD>
Der Leser möge beachten, dass durch die Verwendung einer stetigen Größe, d. h.
der Aufenthaltsdauer in Tagen, die Studie mit der größten Fallzahl nicht automatisch
die kleinsten Konfidenzintervalle aufweist. So liefern die Studien 2 und 6 die
präzisesten Einzelergebnisse, obwohl die Studien 1 und 8 deutlich höhere Fallzahlen
aufweisen. Diese unterschiedliche Variabilität der Ergebnisse zwischen den Studien
ist in der Regel ein Zeichen für Heterogenität in der Patientenzusammensetzung
der einzelnen Studien.
Sowohl das Blobbogramm (Abb. [2]) als auch das Heterogenitätsmaß I² und der statistische Test zeigen deutlich
die Heterogenität der Studienergebnisse. Entsprechend ist die Anwendung eines
Modells mit festen Effekten inadäquat. Diese Methode führt auch zu einem marginalen
Effekt zugunsten der multidisziplinären Behandlung der Schlaganfallpatienten.
Dabei ist zu beachten, dass dieses Ergebnis primär dadurch beeinflusst wird, dass
die Studien 2 und 6, die beide keinen Effekt zugunsten der zu testenden Betreuung
zeigen, einen großen Einfluss auf die Studienergebnisse erhalten: Ihnen wird in
der Meta-Analyse mit festen Effekten das größte Gewicht beigemessen.
Anders fallen die Ergebnisse der Meta-Analysen mit zufälligen Effekten aus. Hier
erhalten alle Studien tendenziell ähnliche Gewichte bei der Schätzung des gemeinsamen
Behandlungseffekts. Entsprechend werden die Ergebnisse der Studien 1, 3 und 4
stärker berücksichtigt, was sich auch in dem Effekt über alle Studien hinweg zeigt.
Die beiden dargestellten Meta-Analysen, die auf Modellen mit zufälligen Effekten
basieren, gewichten die Studien selbst noch einmal unterschiedlich, so dass sich
dadurch auch der Unterschied der Ergebnisse erklären lässt: Bei der sog. DSL-Methode
werden hier die Studien weniger gleich gewichtet als bei dem REML-Verfahren. Das
hat hier zur Folge, dass die DSL-Methode Signifikanz bei einer durchschnittlichen
Verkürzung der Aufenthaltsdauer um 14 Tage (95 % Konfidenzintervall -24 Tage bis
-4 Tage) zeigt. Hingegen führt das REML-Verfahren zu einer durchschnittlichen
Verkürzung der Aufenthaltsdauer um ca. 18 Tage (95 % Konfidenzintervall -32 Tage
bis + 3 Tage), allerdings ohne statistische Signifikanz.
Insgesamt lässt sich für dieses Beispiel festhalten, dass die Betreuung von Schlaganfallpatienten
im Durchschnitt zu einer verkürzten Aufenthaltsdauer im Krankenhaus führt. Jedoch
sollte die Frage diskutiert werden, inwieweit eine Zusammenfassung der Studien
bei den großen Unterschieden im Ergebnis in Abhängigkeit vom gewählten Modell
sinnvoll ist. Weitere Untersuchungen wären notwendig, um herauszufinden, welche
Aspekte der Spezialbetreuung zu der verkürzten Aufenthaltsdauer führen und sich
auf andere Krankenhäuser übertragen lassen.
|
kurzgefasst: Systematische Reviews vermeiden die Nachteile des klassischen Reviews, methodische
Standards, wie sie für kontrollierte klinische Studien existieren, sowohl auf
die Identifikation und Selektion der in die Übersicht einzuschließenden
Originalstudien als auch auf die Synthese deren Ergebnisse angewendet werden.
|
