Welche Stichprobengröße braucht man für eine medizinische Studie?

Warum es keine pauschale Stichprobengröße gibt

Eine der häufigsten Fragen in der medizinischen Forschung lautet: Wie viele Teilnehmende brauche ich für meine Studie? Die ehrliche Antwort ist: Es gibt keine universelle Zahl. Die benötigte Stichprobengröße hängt vom Studiendesign, der Forschungsfrage, dem gewählten Endpunkt und mehreren statistischen Parametern ab – und muss für jede Studie individuell berechnet werden.

Aus der methodischen Literatur geht klar hervor, dass die Stichprobengrößenplanung Zuverlässigkeit und Durchführbarkeit einer Studie gleichermaßen beeinflusst. Eine zu kleine Stichprobe führt dazu, dass real vorhandene Effekte unentdeckt bleiben. Eine zu große Stichprobe bindet unnötige Ressourcen und setzt Teilnehmende vermeidbar Belastungen aus – ein in der Medizin besonders gewichtiges ethisches Argument.

Für Promovierende und Forschende bedeutet das: Die Fallzahlplanung ist keine Formalie, die man am Ende des Methodenteils ergänzt. Sie ist eine zentrale Designentscheidung, die früh und transparent getroffen werden muss. Wer sich intensiver mit den methodischen Grundlagen beschäftigen möchte, findet dazu einen guten Einstieg in unserem Beitrag zu den Grundlagen der medizinischen Statistik.

Die fünf entscheidenden Einflussfaktoren

Für nahezu jeden Studientyp in der Medizin sind fünf Kernparameter relevant, aus denen sich die benötigte Stichprobengröße ableitet:

Alle fünf Parameter stehen in einem mathematischen Verhältnis zueinander: Wer eine kleinere Effektgröße erkennen möchte, braucht bei gleicher Power eine größere Stichprobe. Wer eine höhere Power anstrebt, braucht ebenfalls mehr Fälle. Die Formel für den einfachsten Fall – den Vergleich zweier unabhängiger Mittelwerte – verdeutlicht dieses Prinzip:

Dabei steht für die klinisch relevante Differenz zwischen den Gruppen, für die Standardabweichung und bzw. für die z-Quantile zu den gewählten Fehlerwahrscheinlichkeiten.

Die Poweranalyse: Kern der Fallzahlplanung

Das zentrale Werkzeug zur Bestimmung der benötigten Stichprobengröße ist die Poweranalyse – auch Fallzahlkalkulation oder Sample-Size-Calculation genannt. Sie berechnet, wie viele Teilnehmende benötigt werden, damit eine Studie bei gegebenem Signifikanzniveau und gegebener Effektgröße mit ausreichender Wahrscheinlichkeit ein signifikantes Ergebnis liefert.

A-priori vs. Post-hoc-Poweranalyse

Grundsätzlich unterscheidet man zwei Varianten:

• A-priori-Poweranalyse: Wird vor der Datenerhebung durchgeführt, um die nötige Fallzahl zu bestimmen. Dies ist die methodisch korrekte und in der Medizin geforderte Vorgehensweise.
• Post-hoc-Poweranalyse: Wird nach der Analyse durchgeführt und berechnet rückwirkend die erzielte Power. Sie ist in vielen Kontexten methodisch umstritten und ersetzt keine prospektive Planung.

Für medizinische Dissertationen und klinische Studien gilt: Die Stichprobengröße muss prospektiv geplant und im Methodenteil transparent begründet werden. Gängige Software für die Berechnung sind G*Power (kostenlos, weit verbreitet), R-Pakete wie pwr oder TrialSize sowie PASS.

Orientierungswerte für verschiedene Studientypen

Obwohl es keine universelle Mindeststichprobe gibt, existieren für verschiedene Studientypen methodische Konventionen, die als Orientierung dienen. Die folgende Tabelle fasst typische Größenordnungen zusammen – sie ersetzen keine eigene Berechnung, geben aber eine erste Einschätzung:

Wichtig: Bei der Überlebensanalyse ist nicht die Gesamtzahl der Teilnehmenden, sondern die Anzahl der beobachteten Ereignisse (z. B. Todesfälle, Rückfälle) der entscheidende Parameter für die statistische Power. Eine Studie mit 500 Teilnehmenden, aber nur 20 Ereignissen, hat deutlich weniger Power als eine mit 200 Teilnehmenden und 80 Ereignissen.

Klinische Relevanz: Welcher Effekt soll erkannt werden?

Eine der schwierigsten Fragen bei der Fallzahlplanung ist die Festlegung der Zieldifferenz – also des Effekts, der mit der Studie zuverlässig erkannt werden soll. Diese Entscheidung ist weit mehr als eine statistische Übung.

Methodische Leitlinien für randomisierte Studien betonen, dass die Wahl der Zieldifferenz klinisch, methodisch und praktisch begründet werden muss – etwa durch Vorstudien, Registerdaten, klinische Expertenmeinungen oder die Patientenperspektive. Die zentrale Frage lautet also nicht nur „Wie viele Fälle brauche ich?“, sondern: Welcher Unterschied zwischen den Gruppen wäre klinisch bedeutsam genug, um eine Behandlung zu ändern oder zu empfehlen?

Woher kommen realistische Annahmen?

Für die Fallzahlplanung braucht man Vorannahmen zu Effektgröße und Variabilität. Typische Quellen dafür sind:

• Pilotstudien: Liefern erste Schätzungen zu Mittelwerten, Standardabweichungen und Ereignisraten.
• Literaturrecherche: Vergleichbare Studien mit ähnlichem Design und Endpunkt.
• Klinische Expertise: Was gilt in der Fachdisziplin als minimal klinisch relevante Differenz (MCID)?
• Konservative Schätzung: Bei Unsicherheit lieber einen kleineren Effekt annehmen – das führt zu einer größeren, aber sichereren Stichprobe.

Dokumentation und Berichterstattung der Fallzahlplanung

In der medizinischen Forschung reicht es nicht, die Stichprobengröße intern zu berechnen – die Annahmen und das Vorgehen müssen im Studienbericht transparent dokumentiert werden. Internationale Reporting-Standards wie die CONSORT-Leitlinie für randomisierte Studien verlangen eine nachvollziehbare Darstellung der Fallzahlkalkulation, einschließlich aller zugrunde liegenden Annahmen.

Was gehört in den Methodenteil?

Eine vollständige Dokumentation der Stichprobenplanung enthält mindestens folgende Angaben:

Diese Transparenz dient nicht nur der wissenschaftlichen Nachvollziehbarkeit. Sie ermöglicht es Gutachtenden – bei einer medizinischen Dissertation ebenso wie bei einem Zeitschriftenartikel – die Plausibilität der Planung kritisch zu prüfen. Wer eine statistische Auswertungsplanung für eine medizinische Dissertation erstellt, sollte die Fallzahlkalkulation bereits in dieser frühen Phase verankern.

Unterschied zwischen Planung und Reporting

Ein wichtiger konzeptueller Punkt: Die Poweranalyse bestimmt vor der Studie die benötigte Zahl. Das Reporting dokumentiert nach der Studie, wie diese Entscheidung getroffen wurde. Beide Schritte sind notwendig und voneinander unabhängig – eine nachträglich angepasste Fallzahlbegründung gilt in der Medizin als methodischer Mangel.

Häufige Fehler bei der Stichprobenplanung

In der Praxis begegnen Statistikberatenden immer wieder dieselben Planungsfehler – gerade in medizinischen Qualifikationsarbeiten. Folgende Punkte sollten Sie aktiv vermeiden:

• Keine explizite Poweranalyse: Die Stichprobengröße wird aus pragmatischen Gründen festgelegt (z. B. „Ich hatte Zugang zu 50 Patientenakten“), ohne statistische Begründung.
• Zu optimistische Effektannahmen: Der erwartete Effekt wird so hoch angesetzt, dass die Stichprobe kleiner und das Projekt realisierbar wirkt – auf Kosten der statistischen Aussagekraft.
• Fehlende Drop-out-Korrektur: Besonders in longitudinalen Studien und RCTs führt das zu einer effektiv unterpowerten Stichprobe.
• Verwechslung von Power und Signifikanz: Ein nicht-signifikantes Ergebnis bedeutet nicht, dass kein Effekt vorhanden ist – es kann auch bedeuten, dass die Studie zu wenig Power hatte, um ihn zu entdecken.
• Anpassung der Annahmen nach der Analyse: Wenn die Berechnungsannahmen retrospektiv an die tatsächlich erhobene Stichprobe angepasst werden, verliert die Poweranalyse ihre methodische Funktion.

Diese Fehlerquellen sind nicht nur ein akademisches Problem. Verzerrte oder unterpowerte Studien können zu falschen klinischen Schlussfolgerungen führen – mit potenziell direkten Konsequenzen für Patientenversorgung und Leitlinienentwicklung. Welche statistischen Verfahren in der medizinischen Forschung generell eine zentrale Rolle spielen, zeigt ein gesonderter Beitrag.

Fazit: Stichprobengröße als methodische Kernentscheidung

Die Frage nach der richtigen Stichprobengröße lässt sich nicht mit einer Zahl beantworten. Sie ist das Ergebnis einer sorgfältig begründeten Abwägung aus Signifikanzniveau, statistischer Power, klinisch relevanter Zieldifferenz, Variabilität und praktischen Studienrahmenbedingungen.

Für medizinische Studien gilt: Die Fallzahlplanung muss prospektiv, transparent und nachvollziehbar sein. Sie ist nicht nur eine Anforderung von Ethikkommissionen und Fachzeitschriften, sondern die Grundlage dafür, dass eine Studie überhaupt belastbare Aussagen treffen kann. Wer die Stichprobengröße nach Bauchgefühl oder Verfügbarkeit festlegt, riskiert, am Ende eine Arbeit vorzulegen, die statistisch keine Schlussfolgerungen erlaubt.

Wenn Sie Unterstützung bei der Fallzahlplanung, der Auswahl des richtigen Studiendesigns oder der statistischen Auswertung benötigen, finden Sie bei der statistischen Beratung für medizinische Forschung methodisch erfahrene Ansprechpersonen, die Sie durch den gesamten Prozess begleiten – von der ersten Forschungsfrage bis zur Interpretation der Ergebnisse.