Wie erstellt man einen statistischen Auswertungsplan für eine Dissertation in der Medizin?

Was ist ein statistischer Auswertungsplan?

Ein statistischer Auswertungsplan – im Englischen Statistical Analysis Plan, kurz SAP – ist ein schriftliches Dokument, das vor der eigentlichen Datenauswertung festlegt, wie die erhobenen Daten analysiert werden sollen. Er beschreibt nicht nur die einzusetzenden Methoden, sondern definiert auch Analysepopulationen, Endpunkte, den Umgang mit fehlenden Werten und die geplanten Tabellen und Abbildungen.

In der regulierten klinischen Forschung ist der SAP seit Jahrzehnten ein unverzichtbarer Bestandteil jedes Studienprotokolls. Doch auch für medizinische Dissertationen – ob retrospektive Registeranalyse, prospektive Kohortenstudie oder diagnostische Studie – gilt: eine statistisch fundierte Doktorarbeit in der Medizin braucht einen klar definierten Analyseplan, der vor der Auswertung steht.

Der SAP ist dabei kein isoliertes Dokument, sondern Teil eines Dreiklangs aus Forschungsprotokoll, Datenmanagementplan und statistischer Methodik. Er enthält deutlich detailliertere Informationen, als sie üblicherweise im Studienprotokoll stehen – und genau das macht ihn so wertvoll.

Warum braucht eine medizinische Dissertation einen SAP?

Das klingt zunächst nach bürokratischem Mehraufwand. In der Praxis zeigt sich aber, dass ein gut ausgearbeiteter Auswertungsplan einen der häufigsten methodischen Schwächen medizinischer Abschlussarbeiten vorbeugt: dem nachträglichen Anpassen der Analysestrategie an die Ergebnisse.

Objektivität und Reproduzierbarkeit sichern

Wer erst nach dem Blick in die Daten entscheidet, welche Tests er verwendet oder welche Subgruppen er analysiert, betreibt – bewusst oder unbewusst – sogenanntes p-Hacking. Ein vorab festgelegter SAP schützt davor, weil er Analyseentscheidungen zeitlich von der Ergebniskenntnis trennt. Klinische Leitlinien betonen ausdrücklich, dass ein SAP vor der finalen Analyse festgelegt werden soll, um ergebnisgetriebene Entscheidungen zu vermeiden.

Anforderungen von Betreuenden und Ethikkommissionen erfüllen

Viele Betreuerinnen und Betreuer sowie Ethikkommissionen erwarten heutzutage, dass der statistische Ansatz bereits im Studienprotokoll oder Ethikantrag skizziert ist. Ein ausgearbeiteter SAP erleichtert diesen Prozess erheblich und zeigt, dass die methodische Planung ernsthaft betrieben wurde.

Effizienz beim Schreiben steigern

Ein SAP spart Zeit. Wer weiß, welche Tabellen er produzieren will, welche Modelle er rechnen muss und wie er mit fehlenden Werten umgeht, kann die Auswertung strukturiert und zügig durchführen – statt sich im Datendschungel zu verlieren.

Die Bestandteile eines statistischen Auswertungsplans

Ein vollständiger SAP für eine medizinische Dissertation enthält typischerweise die folgenden Abschnitte. Je nach Studiendesign können einzelne Punkte entfallen oder ergänzt werden.

1. Studiendesign und Fragestellung

Der SAP beginnt mit einer knappen Beschreibung des Studiendesigns (z. B. randomisiert-kontrollierte Studie, prospektive Kohortenstudie, Fall-Kontroll-Studie, diagnostische Studie) und der zentralen Forschungsfrage. Primäre und sekundäre Hypothesen werden hier explizit formuliert.

2. Studienpopulation und Analysepopulationen

Hier wird festgelegt, welche Patientengruppen in welche Analyse eingehen. Typische Analysepopulationen in klinischen Dissertationen sind:

• Intent-to-Treat (ITT): alle randomisierten Personen, unabhängig vom tatsächlich erhaltenen Treatment
• Per-Protocol (PP): nur Personen, die das Protokoll vollständig eingehalten haben
• Complete-Case-Analyse: nur Fälle ohne fehlende Werte für die Zielvariablen

Die Entscheidung für eine Analysepopulation sollte begründet sein und zur Forschungsfrage passen.

3. Primäre und sekundäre Endpunkte

Der SAP benennt den primären Endpunkt (das zentrale Zielkriterium) sowie alle sekundären Endpunkte. Für jeden Endpunkt wird die genaue Operationalisierung angegeben: Wie wird die Variable gemessen? In welcher Einheit? Zu welchem Zeitpunkt?

Wer eine Überlebensanalyse plant, legt hier bereits fest, ob das Ereignis Tod, Rezidiv oder Hospitalisierung ist – und wie Zensierungen behandelt werden. Eine ausführliche Einführung in dieses Thema bietet unser Beitrag zur Überlebensanalyse.

4. Statistische Methoden für primäre Analysen

Dies ist das Herzstück des SAP. Für jede Forschungsfrage wird das einzusetzende statistische Verfahren benannt und begründet. Typische Methoden in medizinischen Dissertationen sind:

Die Wahl des richtigen Verfahrens hängt vom Skalenniveau der Variablen, der Stichprobengröße und der Verteilungsform der Daten ab. Ein Überblick über die in der medizinischen Forschung häufig eingesetzten statistischen Verfahren hilft bei der Orientierung.

5. Umgang mit fehlenden Daten

Fehlende Werte sind in medizinischen Datensätzen die Regel, nicht die Ausnahme. Der SAP legt vorab fest, wie damit umgegangen wird – etwa durch:

• Complete-Case-Analyse (nur vollständige Fälle werden analysiert)
• Einfache Imputation (z. B. Ersatz durch Mittelwert oder Median)
• Multiple Imputation (statistisch robustestes Standardverfahren)

Die Entscheidung sollte zur Missingness-Annahme passen: Sind die Daten missing completely at random (MCAR), missing at random (MAR) oder missing not at random (MNAR)?

6. Sensitivitäts- und Subgruppenanalysen

Sensitivitätsanalysen prüfen, ob die Ergebnisse stabil bleiben, wenn Annahmen verändert oder Datenlimitationen berücksichtigt werden. International anerkannte Standards betonen, dass Sensitivitätsanalysen die Robustheit der Ergebnisse gegenüber Annahmen und Datenlimitationen prüfen sollen.

Subgruppenanalysen (z. B. nach Alter, Geschlecht, Komorbiditäten) müssen im SAP explizit geplant und als explorativ gekennzeichnet sein. Nachträglich definierte Subgruppen gelten als methodisch problematisch.

7. Signifikanzniveau, Teststrategie und Multiplizitätskorrektur

Der SAP legt das Signifikanzniveau α fest (in der Medizin meist 0,05) und beschreibt, ob und wie bei multiplen Tests korrigiert wird (z. B. Bonferroni, Benjamini-Hochberg). Bei konfirmatorischen Analysen mit primärem Endpunkt ist die Multiplizitätsfrage besonders relevant.

8. Stichprobengröße und Poweranalyse

Viele medizinische Dissertationen versäumen es, die Stichprobengröße methodisch zu begründen. Im SAP wird angegeben, auf welcher Basis die Fallzahlplanung erfolgte: erwartete Effektgröße, gewünschte Power (üblicherweise 0,80 oder 0,90), Signifikanzniveau und eingesetztes Berechnungstool. Die nötigen Stichprobengrößen für medizinische Studien variieren je nach Verfahren und Effektgröße erheblich.

9. Geplante Tabellen und Abbildungen

Ein professioneller SAP enthält sogenannte shell tables – Tabellenskelette, die bereits die Struktur der späteren Ergebnistabellen zeigen, aber noch ohne Werte. Das zwingt zur Präzision: Was genau wird berichtet? Mittelwert und Standardabweichung? Median und IQR? Odds Ratios mit Konfidenzintervall?

10. Softwareumgebung und Versionskontrolle

Der SAP benennt die eingesetzte Analysesoftware (SPSS, R, Stata, SAS) sowie die verwendete Version. Bei R empfiehlt sich zusätzlich die Dokumentation der eingesetzten Pakete – idealerweise über eine sessionInfo()-Ausgabe oder eine renv.lock-Datei für Reproduzierbarkeit.

Schritt-für-Schritt: Den SAP erstellen

Die folgende Reihenfolge hat sich in der Praxis bewährt. Sie orientiert sich an der Logik, die auch in internationalen Leitlinien für statistische Analysepläne empfohlen wird.

Wann wird der SAP erstellt?

Der richtige Zeitpunkt ist vor dem ersten Blick in die Daten. Idealerweise entsteht der SAP parallel zum Ethikantrag oder unmittelbar nach der Datenerhebungsphase, aber definitiv vor der Auswertung. Ein nachträglich erstellter SAP hat methodisch kaum Mehrwert – er wäre dann nur eine rückwirkende Dokumentation bereits getroffener Entscheidungen.

Wie detailliert muss der SAP sein?

Das hängt vom Umfang der Dissertation ab. Für eine experimentelle Studie mit primärem Endpunkt und mehreren Sekundäranalysen kann ein SAP 5–15 Seiten umfassen. Für eine deskriptive Registeranalyse kann ein strukturiertes 2–3-seitiges Dokument ausreichend sein. Entscheidend ist nicht die Länge, sondern die Präzision der Festlegungen.

Typische Fehler beim Auswertungsplan

Aus der methodischen Begleitung medizinischer Dissertationen lassen sich einige Fehler identifizieren, die immer wieder auftreten:

• Fehlende Operationalisierung: Variablen werden genannt, aber nicht definiert (z. B. „Blutdruck“ ohne Angabe, ob systolisch/diastolisch, welcher Messzeitpunkt).
• Fehlende Begründung der Testauswahl: Es steht nur „t-Test“ ohne Angabe, warum kein nichtparametrisches Verfahren gewählt wurde.
• Ignoriertes Multiplizitätsproblem: Viele sekundäre Endpunkte werden analysiert, ohne auf das gestiegene Risiko falsch-positiver Befunde hinzuweisen.
• Fehlende Behandlung von Confoundern: Adjustierungsvariablen in Regressionsmodellen sind nicht vorab benannt.
• Kein Plan für Ausreißer: Wie werden extreme Werte behandelt? Gar nicht, Winsorisierung, Ausschluss?

Software und Hilfsmittel für den SAP

Statistiksoftware

Die Wahl der Software sollte bereits im SAP fixiert sein. In der medizinischen Forschung sind SPSS, R, Stata und SAS am weitesten verbreitet. R bietet durch Pakete wie tableone, survival und gtsummary besondere Stärken für reproduzierbare medizinische Auswertungen.

# Beispiel: Basischarakteristika-Tabelle (Table 1) mit gtsummary
library(gtsummary)
library(dplyr)

# Datensatz einlesen (Beispiel)
daten <- read.csv("patientendaten.csv")

# Tabelle 1: Gruppenvergleich nach Behandlungsarm
tabelle1 <- daten %>%
  tbl_summary(
    by = behandlungsgruppe,
    include = c(alter, geschlecht, bmi, hba1c_baseline),
    statistic = list(
      all_continuous() ~ "{mean} ({sd})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    missing = "ifany"
  ) %>%
  add_p() %>%
  add_overall()

tabelle1

Leitlinien und Vorlagen

Für die inhaltliche Orientierung empfiehlt sich ein Blick auf die Checkliste der EQUATOR-Leitlinie, die strukturierte Mindestinhalte für statistische Analysepläne in klinischen Studien definiert. Viele dieser Punkte lassen sich direkt auf Dissertationen übertragen.

Darüber hinaus gibt es für spezifische Studientypen eigene Reporting-Leitlinien, die als Grundlage für den SAP dienen können: CONSORT (RCTs), STROBE (Beobachtungsstudien), STARD (diagnostische Studien) und TRIPOD (Prognosemodelle).

Poweranalyse-Tools

Für die Fallzahlplanung haben sich folgende Tools etabliert:

• G*Power (kostenlos, für die meisten gängigen Tests geeignet)
• R-Pakete: pwr, pwrss, WebPower
• Stata: Befehl power mit breitem Funktionsumfang

Wann lohnt sich fachliche Unterstützung?

Die Erstellung eines soliden SAP setzt voraus, dass Sie die statistischen Verfahren, die Sie einsetzen wollen, auch wirklich beherrschen – oder zumindest einschätzen können, ob das gewählte Verfahren zur Fragestellung passt. Das ist gerade dann eine Herausforderung, wenn das Studium kaum Statistikinhalte umfasst hat.

Ein medizinischer Statistiker kann in solchen Situationen wertvolle Unterstützung leisten: nicht nur bei der Methodenwahl, sondern auch bei der Begründung der Testentscheidungen gegenüber dem Betreuer oder dem Gutachtergremium. Viele Fehler in der späteren Auswertung lassen sich durch eine frühzeitige methodische Beratung vermeiden – das gilt besonders dann, wenn komplexe Verfahren wie Überlebensanalysen, Mehrebenenmodelle oder logistische Regressionen geplant sind.

Wer professionelle Statistikberatung für medizinische Dissertationen in Anspruch nehmen möchte, findet bei QuantExpert spezialisierte Unterstützung – von der Planung des Auswertungskonzepts bis zur Interpretation der Ergebnisse. Gerade bei der SAP-Erstellung lohnt sich eine frühe Beratung, da nachträgliche Korrekturen am Analyseplan methodisch problematisch sind.

Eine vertiefende Einführung in die statistischen Grundlagen, die für die Planung eines SAP unverzichtbar sind, bietet unser Beitrag zu den Grundlagen der medizinischen Statistik. Wer sich außerdem fragt, welche Verfahren für welche Fragestellungen eingesetzt werden, findet in unserem Überblick zu den Anwendungsgebieten der medizinischen Statistik eine nützliche Orientierung.