Forest Plot
In diesem Beitrag
Was versteht man unter einem Forest Plot?
Ein Forest Plot ist eine grafische Darstellung, die in der Meta-Analyse eingesetzt wird, um die Ergebnisse mehrerer Einzelstudien gleichzeitig abzubilden und zu einem gepoolten Gesamteffekt zusammenzufassen. Jede Einzelstudie wird durch ein Symbol – meist ein Quadrat oder einen Punkt – auf einer horizontalen Achse dargestellt. Die Größe dieses Symbols entspricht dem Gewicht der Studie in der Analyse (typischerweise abhängig von der Stichprobengröße und der Präzision der Schätzung). Durch das Symbol hindurch erstreckt sich ein horizontaler Balken, der das Konfidenzintervall des jeweiligen Effektschätzers darstellt. Am unteren Ende des Plots befindet sich eine Rautenform, die den gepoolten Gesamteffekt aller einbezogenen Studien visualisiert – ihre Breite repräsentiert das Konfidenzintervall des Gesamteffekts.
Die vertikale Linie in der Mitte des Diagramms markiert den Nulleffekt (z. B. Odds Ratio = 1 oder Mittelwertdifferenz = 0). Liegt das Konfidenzintervall einer Studie vollständig auf einer Seite dieser Linie, gilt ihr Effekt als statistisch signifikant.
Warum ist der Forest Plot für statistische Analysen wichtig?
Forest Plots sind das zentrale Werkzeug in der Berichterstattung von Meta-Analysen und systematischen Übersichtsarbeiten. Sie erfüllen dabei mehrere wichtige Funktionen:
- Transparenz: Jede Einzelstudie bleibt sichtbar und nachvollziehbar, anstatt in einem einzigen Gesamtwert zu verschwinden.
- Heterogenitätserkennung: Wenn die Konfidenzintervalle der Studien sich kaum überschneiden oder die Effekte in unterschiedliche Richtungen zeigen, ist das ein deutliches Zeichen für Heterogenität – also dafür, dass die Studien möglicherweise nicht dasselbe Phänomen messen.
- Gewichtung: Durch die unterschiedliche Symbolgrößen wird sofort ersichtlich, welche Studien den Gesamteffekt stärker beeinflussen.
- Gesamteffekt: Die Raute am Ende fasst alle Einzelergebnisse zu einem gepoolten Schätzer zusammen und zeigt dessen Konfidenzintervall.
Praxisbeispiel zu Forest Plot
Angenommen, du führst eine Meta-Analyse durch, um zu untersuchen, ob regelmäßiger Sport den systolischen Blutdruck senkt. Du findest vier Studien, die alle dieselbe Fragestellung mit unterschiedlichen Stichprobengrößen untersucht haben. Die Ergebnisse als mittlere Blutdruckdifferenz (in mmHg, negativ = Senkung) könnten sich wie folgt darstellen:
| Studie | Stichprobengröße (n) | Mittlere Differenz (mmHg) | 95%-Konfidenzintervall | Gewicht |
|---|---|---|---|---|
| Müller et al. | 80 | −4,2 | [−7,1; −1,3] | 18 % |
| Schmidt et al. | 210 | −5,8 | [−7,9; −3,7] | 35 % |
| Fischer et al. | 55 | −2,1 | [−5,8; 1,6] | 12 % |
| Weber et al. | 190 | −6,3 | [−8,5; −4,1] | 35 % |
| Gesamt (gepoolter Effekt) | 535 | −5,1 | [−6,6; −3,6] | 100 % |
Im Forest Plot wäre direkt erkennbar: Drei der vier Studien zeigen signifikante Blutdrucksenkungen (ihre Konfidenzintervalle liegen vollständig links von der Nulllinie). Fischer et al. hingegen schließt die Null im Konfidenzintervall ein – dieser Effekt ist statistisch nicht signifikant, was vermutlich an der kleinen Stichprobe liegt. Die Raute des gepoolten Gesamteffekts liegt bei −5,1 mmHg und überschneidet die Nulllinie nicht, was für einen signifikanten Gesamteffekt spricht. Da die Einzelergebnisse alle in dieselbe Richtung zeigen und sich die Konfidenzintervalle weitgehend überschneiden, ist die Heterogenität hier gering.
