Wie wertet man eine klinische Studie statistisch aus?

Grundprinzipien der statistischen Auswertung klinischer Studien

Die statistische Auswertung einer klinischen Studie beginnt nicht mit dem Öffnen des Datensatzes – sie beginnt mit der Planung. Analyseentscheidungen müssen vorab festgelegt, dokumentiert und mit den Studienzielen verknüpft sein, bevor auch nur ein einziger Datenpunkt betrachtet wird. Dieses Prinzip ist kein Formalismus, sondern schützt vor einer der häufigsten Fehlerquellen in der klinischen Forschung: dem selektiven Berichten von Ergebnissen.

Für den regulatorischen Rahmen ist die internationale Leitlinie ICH E9 zu statistischen Prinzipien für klinische Studien maßgeblich. Sie legt fest, dass Studienplan und alle späteren Änderungen durch den verantwortlichen Studienstatistiker freigegeben werden müssen – und dass alle statistischen Punkte im Protokoll klar und technisch korrekt beschrieben sein sollen.

Für Promovierende, die eine statistische Doktorarbeit in der Medizin verfassen, oder Forschende in der klinischen Praxis gilt dasselbe Grundprinzip: Planung vor Analyse. Die wichtigsten Grundsätze auf einen Blick:

• Vorab-Festlegung: Analyseentscheidungen (Verfahren, Endpunkte, Populationen) werden vor dem Datenzugang getroffen.
• Bias-Minimierung: Randomisierung, Verblindung und klare Ein-/Ausschlusskriterien reduzieren systematische Verzerrungen.
• Transparente Dokumentation: Jede Abweichung vom ursprünglichen Plan wird nachvollziehbar begründet und protokolliert.
• Reproduzierbarkeit: Die Auswertung soll von unabhängigen Statistikern nachvollziehbar und wiederholbar sein.

Der statistische Auswertungsplan (SAP) – Fundament jeder Analyse

Der Statistical Analysis Plan (SAP) ist das zentrale Dokument der statistischen Auswertung. Er übersetzt das Studienprotokoll in konkrete, operationalisierbare Analyseschritte – und wird finalisiert, bevor der Datensatz geöffnet wird (sogenannte Blind Review).

Was gehört in einen SAP?

Eine peer-reviewte internationale Leitlinie benennt 55 Mindestelemente für einen vollständigen statistischen Analyseplan klinischer Studien. Die wichtigsten Inhalte lassen sich in acht Kategorien gliedern:

Der SAP ist damit mehr als eine Checkliste – er schützt vor dem sogenannten p-Hacking, also dem nachträglichen Ausprobieren verschiedener Analysewege, bis ein signifikantes Ergebnis erscheint. Wer die Analyse exakt nach SAP durchführt und Abweichungen dokumentiert, liefert wissenschaftlich belastbare Ergebnisse.

Analysepopulationen: ITT, PP und FAS

Eine der folgenreichsten Entscheidungen in der klinischen Auswertung ist die Wahl der Analysepopulation. Sie bestimmt, welche Teilnehmenden in die Hauptanalyse eingehen – und damit maßgeblich, wie konservativ oder liberal der Behandlungseffekt geschätzt wird.

Die drei zentralen Populationen

• Intention-to-treat (ITT): Alle randomisierten Teilnehmenden werden so analysiert, wie sie zugeteilt wurden – unabhängig davon, ob sie die Behandlung tatsächlich erhalten oder abgeschlossen haben. Die ITT-Analyse ist der Goldstandard für konfirmatorische Wirksamkeitsanalysen, da sie die realen Bedingungen widerspiegelt.
• Per-Protocol (PP): Nur Teilnehmende, die das Protokoll vollständig eingehalten haben, werden berücksichtigt. Die PP-Analyse überschätzt tendenziell den Behandlungseffekt unter Idealbedingungen, ist aber für die Bewertung biologischer Wirksamkeit nützlich.
• Full Analysis Set (FAS): Eine pragmatische Annäherung an ITT – schließt alle randomisierten Teilnehmenden ein, die mindestens eine Behandlung erhalten und mindestens einen Post-Baseline-Messwert aufweisen.

Primäre und sekundäre Endpunkte analysieren

Jede klinische Studie hat einen primären Endpunkt – die eine Variable, an der Wirksamkeit oder Überlegenheit entschieden wird. Die Auswertung dieses Endpunkts ist konfirmatorisch: Sie testet eine vorab formulierte Hypothese auf einem festgelegten Signifikanzniveau (meist α = 0,05).

Sekundäre Endpunkte haben explorativen Charakter. Ihre Ergebnisse liefern ergänzende Erkenntnisse, sind aber nicht für konfirmatorische Schlussfolgerungen geeignet – es sei denn, Multiplizitäts-Adjustierungen wurden vorab festgelegt.

Formulierung von Hypothesen

Für konfirmatorische Tests wird die Analyse entweder als Überlegenheits-, Äquivalenz- oder Non-Inferiority-Test konzipiert. Die Wahl beeinflusst Stichprobengröße, Teststatistik und Interpretation grundlegend. Ein Überlegenheitstest fragt: „Ist Behandlung A besser als B?“ – während ein Non-Inferiority-Test fragt: „Ist A nicht wesentlich schlechter als B?“

Detaillierte Hinweise zur Bestimmung der passenden Stichprobengröße für medizinische Studien finden Sie in einem gesonderten Beitrag – die Stichprobenplanung ist eng mit der Endpunktdefinition verknüpft und sollte nicht isoliert betrachtet werden.

Welche statistischen Verfahren kommen zum Einsatz?

Die Wahl des statistischen Verfahrens hängt vom Skalenniveau des primären Endpunkts, der Studienstruktur und den Annahmen der Daten ab. Ein Überblick über die wichtigsten Methoden:

Für metrische Endpunkte

• t-Test (unabhängig/verbunden): Vergleich zweier Gruppen bei normalverteiltem Endpunkt, z. B. Blutdrucksenkung in Interventions- vs. Kontrollgruppe.
• ANCOVA: Varianzanalyse mit Kovariaten – Standardverfahren bei kontrollierten Studien, wenn Baseline-Werte als Kovariate in die Analyse eingehen.
• Gemischte Modelle (MMRM): Repeated-Measures-Analysen bei mehreren Messzeitpunkten, robust gegenüber fehlenden Daten unter der MAR-Annahme.

Für kategoriale Endpunkte

• Chi-Quadrat-Test / Fisher-Test: Vergleich von Häufigkeiten oder Anteilswerten zwischen Gruppen.
• Logistische Regression: Modellierung binärer Endpunkte (z. B. Ansprechen / kein Ansprechen) unter Einbezug von Kovariaten.
• Odds Ratio: Standardmaß für den Behandlungseffekt bei binären Endpunkten. Wie das Odds Ratio korrekt interpretiert wird, ist für die Ergebnisdarstellung entscheidend.

Für Zeit-bis-Ereignis-Endpunkte

• Kaplan-Meier-Analyse: Deskriptive Darstellung von Überlebensfunktionen.
• Log-Rank-Test: Vergleich von Überlebenskurven zweier oder mehrerer Gruppen.
• Cox-Regressionsmodell: Schätzung der Hazard Ratio unter Berücksichtigung von Kovariaten. Die Berechnung einer Überlebensanalyse wird in einem eigenen Beitrag ausführlich erläutert.

Einen breiteren Überblick über statistische Verfahren in der medizinischen Forschung bietet ein eigener Beitrag mit Fokus auf die in der Praxis am häufigsten eingesetzten Methoden.

Dabei ist der Behandlungseffekt der Gruppe i, der Regressionskoeffizient des Baseline-Werts und der Fehlerterm. Durch die Adjustierung auf den Baseline-Wert steigt die statistische Power erheblich.

Fehlende Daten: Umgang mit Missing Data

Fehlende Werte sind in klinischen Studien praktisch unvermeidbar. Wie damit umgegangen wird, beeinflusst die Validität der gesamten Analyse – und wird von Ethikkommissionen und Zulassungsbehörden kritisch bewertet.

Mechanismen fehlender Daten

• MCAR (Missing Completely At Random): Fehlende Werte entstehen zufällig, unabhängig von beobachteten oder unbeobachteten Variablen. Selten in der klinischen Realität.
• MAR (Missing At Random): Fehlende Werte hängen von beobachteten, aber nicht von unbeobachteten Variablen ab. Viele moderne Methoden bauen auf dieser Annahme auf.
• MNAR (Missing Not At Random): Fehlende Werte hängen vom Wert selbst ab – z. B. wenn Teilnehmende mit schlechterem Ansprechen häufiger abbrechen. Kritischste Situation, erfordert besondere Sensitivitätsanalysen.

Empfohlene Methoden

Reine Complete-Case-Analysen – also das schlichte Weglassen aller Fälle mit fehlenden Werten – sind als Primäranalyse in konfirmatorischen Studien grundsätzlich nicht zu empfehlen, da sie das ITT-Prinzip verletzen und bei MNAR zu substanziellen Verzerrungen führen können.

Anerkannte Alternativen sind:

• Multiple Imputation (MI): Ersetzt fehlende Werte mehrfach durch plausible Werte, berechnet die Analyse für jeden imputierten Datensatz und kombiniert die Ergebnisse nach Rubin’s Rules.
• Mixed Models for Repeated Measures (MMRM): Modellbasierte Schätzung, die alle verfügbaren Messungen einbezieht – robust unter MAR ohne explizite Imputation.
• LOCF (Last Observation Carried Forward): Historisch weit verbreitet, gilt heute aber als konservativ und methodisch problematisch. Nur noch selten als Primäranalyse akzeptiert.

Multiplizität und Subgruppenanalysen

Mit jedem zusätzlichen statistischen Test steigt die Wahrscheinlichkeit, allein durch Zufall ein signifikantes Ergebnis zu erhalten. Bei einem Signifikanzniveau von α = 0,05 und 20 unabhängigen Tests ist im Mittel ein falsch-positives Ergebnis zu erwarten – ohne dass ein echter Effekt vorliegt.

Strategien zur Alpha-Kontrolle

• Bonferroni-Korrektur: Teilt α durch die Anzahl der Tests. Konservativ, aber einfach anzuwenden.
• Holm-Verfahren: Schrittweise Adjustierung – weniger konservativ als Bonferroni, ebenfalls FWER-kontrollierend.
• Hierarchische Teststrategien: Sekundäre Endpunkte werden nur dann konfirmatorisch getestet, wenn der primäre Endpunkt signifikant war.
• False Discovery Rate (FDR): Vor allem bei explorativen Studien mit vielen Variablen – kontrolliert den Anteil falsch-positiver Befunde.

Subgruppenanalysen

Subgruppenanalysen sind eines der am häufigsten missbrauchten Werkzeuge in der klinischen Forschung. Nur vorab im SAP definierte Subgruppen sind für konfirmatorische Schlussfolgerungen geeignet. Post-hoc definierte Subgruppen sind grundsätzlich explorativ zu werten. Interaktionstests (Produkt-Term im Regressionsmodell) sollten immer als formaler Test auf Effektmodifikation berichtet werden.

Effektmaße und klinische Relevanz

Ein statistisch signifikantes Ergebnis ist kein Nachweis klinischer Relevanz. Bei großen Stichproben können auch minimale, klinisch bedeutungslose Unterschiede statistisch signifikant werden. Deshalb müssen neben dem p-Wert immer Effektmaße mit Konfidenzintervallen berichtet werden.

Gängige Effektmaße in klinischen Studien

Die Number Needed to Treat (NNT) ist dabei besonders kommunikationsfreundlich: Sie gibt an, wie viele Personen behandelt werden müssen, damit eine Person von der Intervention profitiert.

Zusätzlich zur statistischen Signifikanz sollte die klinische Relevanz immer anhand eines vorab definierten Minimal Clinically Important Difference (MCID) beurteilt werden. Dieser Schwellenwert gibt an, ab welcher Effektgröße eine Veränderung für Patientinnen und Patienten tatsächlich spürbar ist.

Einen umfassenden Überblick über die methodischen Grundlagen bietet der Beitrag zu den Grundlagen der medizinischen Statistik, der auch auf Skalenniveaus, Verteilungsannahmen und Testauswahl eingeht.

Zusammenfassung: Schritt für Schritt zur Auswertung

Die statistische Auswertung einer klinischen Studie folgt einer klaren Abfolge – von der Planung bis zur Berichterstattung. Die folgende Checkliste fasst die zentralen Schritte zusammen:

Wer diesen Ablauf konsequent einhält, erfüllt nicht nur regulatorische Anforderungen – er produziert auch Ergebnisse, die einer methodischen Überprüfung standhalten. Für Promovierende und Forschende, die bei der Planung oder Durchführung ihrer Auswertung Unterstützung suchen, bietet die statistische Beratung für Medizin bei QuantExpert methodische Begleitung von der Hypothesenformulierung bis zur Ergebnisinterpretation.

Einen weiterführenden Einblick in den strukturierten Aufbau eines Auswertungsplans für die medizinische Dissertation bietet ein eigener Beitrag – inklusive konkreter Hinweise zu Dokumentstruktur und Inhalten für verschiedene Studientypen.