Statistische Begriffe: ITT, d-Wert, Effektstärke und mehr

Intent-to-Treat-Analyse (ITT): Wissenschaftler, die eine klinische Studie durchführen, haben zu Beginn der Untersuchung eine bestimmte Anzahl von Patienten. Über die Dauer der Studie fallen jedoch immer wieder Patienten aus, deren Daten dann am Ende fehlen. Ein Studienergebnis ist sehr genau, wenn ich am Schluss nur die Patienten untersuche, die von Anfang bis Ende der Studie dabei waren. Bei der Intent-to-treat-Analyse allerdings wird das Ergebnis auf alle Studienteilnehmer bezogen, also auch auf diejenigen, die ausgefallen sind.

Diese Art der Analyse kann dann sinnvoll sein, wenn Wissenschaftler die Realität widerspiegeln möchten. Beispielsweise landen im Alltag viele Medikamente im Müll. So könnte man beispielsweise sagen, dass ein Medikament, das 100-mal verschrieben wurde, durchschnittlich 30 Patienten hilft. Das bedeutet nicht unbedingt, dass das Medikament nur wenig Wirkung zeigt. Sondern es kann auch heißen, dass immer wieder einige Patienten aus der Therapie „aussteigen“.

Michael P. LaValley (2003):
Intent-to-treat Analysis of Randomized Clinical Trials
people.bu.edu/mlava/

Cohen’s D

Der „d-Wert“ wird auch „Cohens d“ genannt. Wenn Studien mit zwei Gruppen durchgeführt werden, dann vergleicht man unter anderem die Mittelwerte der Ergebnisse von Gruppe 1 und Gruppe 2. Ob die Mittelwertunterschiede bedeutsam sind, zeigt sich im „d-Wert“.
d = 0,2: kleiner Effekt
d = 0,5: mittlerer Effekt
d = 0,8: starker Effekt

Absolutes Risiko

Wenn in Studienergebnissen das „absolute Risiko“ präsentiert wird, dann sollten wir als Leser etwas über „absolute Zahlen“ erfahren (leider werden in Artikeln nicht immer alle Zahlen genannt). Beispiel: An der Krankheit X versterben normalerweise 20 von 1000 Menschen. Unter dem Einfluss des schlechten Medikamentes Y versterben 26 von 1000 Menschen an der Krankheit X. Das absolute Risiko beträgt dann „6 von 1000 mehr“, also 6 Promille. Siehe: Wegwarth, Odette und Gigerenzer, Gerd: Risikokommunikation: Nutzen und Risiken richtig verstehen. Dtsch Arztebl 2011; 108(11): A-568 / B-461 / C-461

t-Test

Der „t-Test“ vergleicht die Mittelwerte zweier Gruppen.

Effektstärke

Die Effektstärke ist ein Maß, mit dem der Erfolg einer Therapie beurteilt werden kann. In Studien zur Psychotherapie misst man damit, in welchem Ausmaß sich therapierte Patienten besser fühlen als solche, die keine Therapie erhalten haben, weil sie beispielsweise noch auf der Warteliste standen (Kontrollgruppe). Effektstärken werden unterschiedlich bewertet und sind sehr umstritten. Der Psychologe Jacob Cohen bewertet die Effektstärken beispielsweise so:
ES > 0,2 = geringe Wirksamkeit der Therapie
ES > 0,5 = mittlere und ab
ES = 0,8 bis 1,0 = hohe Wirksamkeit.
Die Formel zur Berechnung der Effektstärke lautet: d = (Mt – Mc) / s, was bedeutet: Mittelwert der Therapiegruppe minus Mittelwert der Kontrollgruppe geteilt durch die Standardabweichung.

Standardisierte Mittelwertdifferenz, SMD

Die Standardisierte Mittelwertdifferenz (Standardized Mean Difference, SMD) wird als Effektmaß verwendet, wenn man viele Studien zu einer Frage untersucht, also eine Meta-Analyse durchführt. Beispiel: Ich möchte wissen, ob ein Antidepressivum bei Fibromyalgie wirkt. Dann kann ich verschiedene Studien unter die Lupe nehmen, die dieser Frage bereits nachgegangen sind. Angenommen, in den verschiedenen Studien wurden verschiedene Messmethoden vorgenommen, z. B. verschiedene Fragebögen zu Schmerzen oder Lebensqualität benutzt. Dann ist es schwierig, die verschiedenen Studienergebnisse als ein Ergebnis zusammenzufassen. Wenn ich trotzdem auf ein Ergebnis kommen möchte, kann ich dazu die Standardisierte Mittelwertdifferenz benutzen. Hieraus kann ich dann ablesen, wie sehr ein Antidepressivum im Mittel die Fibromyalgiesymptome verändert hat.