Grafiken für klinische Studien: 10 Diagramme für Studien, diagnostische Tests und Metaanalysen

Gutachter lesen Ihre Abbildungen, bevor sie sich mit den Methoden befassen. Die klinischen Forschungsgrafiken , die das Peer-Review-Verfahren bestehen, haben eines gemeinsam: Jede beantwortet eine einzelne Frage, und die Antwort ist in weniger als zehn Sekunden erfassbar. Dieser Leitfaden behandelt die zehn häufigsten Diagramme in der klinischen Forschung, vom CONSORT-Flussdiagramm bis zur Heatmap. Zu jedem Diagramm erhalten Sie eine publizierte Abbildung (Open Access, Wiederverwendung mit Quellenangabe erlaubt), unsere eigene animierte Illustration, eine Erläuterung zum Verständnis und den häufigsten Fehler, der zur Rücksendung von Manuskripten führt.

Wählen Sie Grafiken zur klinischen Forschung anhand der Frage aus.

Der Begleitleitfaden „ 10 essentielle Diagrammtypen, die jeder Forscher kennen sollte “ behandelt allgemeine Diagrammtypen wie Balken-, Linien-, Streu- und Histogramme. Dieser Beitrag hingegen behandelt ausschließlich Diagramme, die speziell für Studien, diagnostische Tests und Evidenzsynthesen entwickelt wurden.

1. CONSORT-Flussdiagramm: Alle Patienten anzeigen

Das Flussdiagramm ist die erste Abbildung, die ein Prüfer einer Studie überprüft. Es beantwortet die Fragen, wer gescreent, wer ausgeschlossen und warum, wer randomisiert und wer schließlich in die Analyse einbezogen wurde. Die CONSORT-2010-Leitlinie schreibt es als obligatorisches Element für randomisierte Studien vor.^¹

^{In dieser randomisierten Vergleichsstudie des Trastuzumab-Biosimilar-Kandidaten HD201 mit dem} Referenz-Trastuzumab bei neoadjuvanter ERBB2-positiver Brustkrebs wurden 625 Patientinnen gescreent, von denen 503 in die vollständige Analyse eingeschlossen wurden: 251 mit HD201 und 252 mit dem Referenzprodukt.² Die Berechnungen sind leicht nachvollziehbar, und genau darum geht es.

Häufiger Fehler: Kästchen mit Zählungen, aber ohne Begründung. „Ausgeschlossen (n = 122)“ wirft Fragen auf. Geben Sie an, wie viele jedes Kriterium nicht erfüllt haben. Sie können das Diagramm kostenlos mit dem Flowchart Pro Generator erstellen.

2. Kaplan-Meier-Kurve: Zeit bis zum Ereignis, ehrlich gezeichnet

Der Kaplan-Meier-Schätzer wandelt die Nachbeobachtungszeiten, einschließlich derjenigen von Patienten, bei denen das Ereignis noch nicht eingetreten ist, in eine gestufte Überlebenskurve um.^³ Die Abstände an den einzelnen Stufen werden als Ereignisse interpretiert, die kleinen Markierungen hingegen als Patienten, die die Nachbeobachtung ereignisfrei beendet haben (zensiert).

Lesen Sie das Beispiel aus der Perspektive eines Gutachters. ^{Bei 12} Patienten, bei denen innerhalb von zwei Jahren ein Rezidiv auftrat (rot), sinkt die Überlebensrate bis zum 58. Monat auf etwa 32 %, während sie bei den rezidivfreien Patienten (blau) über 90 % bleibt. Die darunterliegende Tabelle ist der entscheidende Punkt: Die rote Gruppe beginnt mit 38 Patienten und hat nach 60 Monaten nur noch 3. Der rechte Rand dieser Kurve basiert also auf sehr wenigen Patienten. Erstellen Sie diese Tabelle immer so und betrachten Sie die Werte in einem dünn besetzten Randbereich als weniger aussagekräftig.

So gestalten Sie die Analyse prüfersicher: Drucken Sie eine Tabelle mit der Anzahl der gefährdeten Patienten unter die x-Achse, geben Sie die mediane Nachbeobachtungszeit an, nennen Sie die Hazard Ratio mit ihrem 95%-Konfidenzintervall neben dem Log-Rank-p-Wert und beenden Sie die Interpretation der Kurve, sobald nur noch sehr wenige Patienten gefährdet sind. Wenn Patienten vor dem Ereignis an einer anderen Ursache versterben können, überschätzt die einfache Kurve das Risiko; siehe konkurrierende Risiken in Registerstudien . Um dies mit Ihren eigenen Daten zu testen, verwenden Sie den kostenlosen Kaplan-Meier-Rechner.

3. Waldplot: Viele Studien, ein Urteil

Ein Forest-Plot stellt jede Studie als Quadrat (ihren Effekt) mit einer Linie (ihrem Konfidenzintervall) und anschließend als Raute für das zusammengefasste Ergebnis dar. Die Quadrate skalieren mit der Gewichtung, sodass große Studien die Raute stärker beeinflussen.

Diese Studie berichtet über eine gepoolte adjustierte Odds Ratio von 3.28 (95 %-KI 2.61 bis 4.12) mit I² = 95.4 %.⁴ ^Die wichtigste Erkenntnis liegt in dieser zweiten Zahl. I² beschreibt den Anteil der Varianz, der auf tatsächliche Unterschiede zwischen den Studien und nicht auf Zufall zurückzuführen ist.⁵ ^Bei 95.4 % verschleiert die einzelne gepoolte Zahl viele Details. Geben Sie ein Vorhersageintervall an, untersuchen Sie die Gründe (Subgruppen, Meta-Regression) und formulieren Sie die Schlussfolgerung als „in den meisten Fällen mit höheren Chancen verbunden“, anstatt sie als eine feste Zahl darzustellen.

Planen Sie eine Metaanalyse? Lesen Sie, wie viele Studien für eine Metaanalyse benötigt werden und welche Fehler häufig vorkommen . Der Rechner für logistische Regression erstellt außerdem ein Odds-Ratio-Forest-Plot.

4. Trichterdiagramm: Wo sind die kleinen Studien?

Ein Funnel-Plot stellt den Effekt jeder Studie ihrer Präzision gegenüber. Ohne Verzerrung streuen die Studien symmetrisch um den gepoolten Effekt, mit einem breiten unteren Bereich (kleine Studien) und einem schmalen oberen Bereich. Fehlt eine Ecke im unteren Bereich, deutet dies darauf hin, dass kleine Studien mit negativem Ergebnis nie veröffentlicht wurden.

Faustregel: Führen Sie den Egger-Test ( ⁶ ) nur bei mindestens zehn Studien durch und interpretieren Sie Asymmetrie niemals als Beweis für Verzerrung. Heterogenität führt zur gleichen Form.

5. ROC-Kurve: Kann der Test Kranke von Gesunden unterscheiden?

Die ROC-Kurve stellt die Sensitivität gegen 1 minus Spezifität für jeden möglichen Schwellenwert dar. Die Fläche unter der Kurve (AUC) gibt die Wahrscheinlichkeit an, dass ein zufällig ausgewählter Patient mit der Erkrankung einen höheren Wert erzielt als ein zufällig ausgewählter Patient ohne die Erkrankung. 0.5 entspricht einem Münzwurf, 1.0 einem perfekten Ergebnis. ⁷

Die AUC-Werte betragen hier 0.785 für MMP-2, 0.815 für VEGF-D und 0.884 für die Kombination.^⁸ Eine detaillierte Interpretation: Die Kombination der beiden Marker verbessert die Diskriminierung um etwa 0.07 bis 0.10 AUC-Werte gegenüber jedem Marker allein. Dies ist ein signifikanter Gewinn, jedoch nur, wenn sich die Konfidenzintervalle nicht stark überschneiden und das Modell an neuen Patienten überprüft wird.

Häufiger Fehler: Nur die AUC angeben. Geben Sie zusätzlich den gewählten Grenzwert, dessen Sensitivität und Spezifität mit Konfidenzintervallen an und erläutern Sie, wie Sie ihn gewählt haben (Youden-Index oder Kosten-Nutzen-Analyse). Die AUC sagt nichts darüber aus, ob ein Test in der klinischen Praxis nützlich ist.

6. Bland-Altman-Diagramm: Übereinstimmung ist nicht gleich Korrelation

Vergleicht man zwei Messmethoden, bedeutet eine hohe Korrelation lediglich, dass die Messwerte im Verlauf der Messungen übereinstimmen. Sie besagt nicht, dass die Messwerte übereinstimmen. Das Bland-Altman-Diagramm stellt die Differenz zwischen den Methoden ihrem Mittelwert gegenüber, wobei die durchschnittliche Differenz (Bias) und die Übereinstimmungsgrenzen bei einem Bias von ± 1.96 SD dargestellt werden.^⁹

Diese Abbildung aus einer Machbarkeitsstudie zu Unterschenkelödemen verdeutlicht zwei Dinge.^¹⁰ Die mittlere Differenz beträgt 1.11, und die dargestellten Grenzen reichen von etwa -0.54 bis 2.77. Die Differenzen nehmen mit steigendem Mittelwert zu – eine proportionale Verzerrung. Die linke Abbildung deutet auf eine gute Übereinstimmung hin, da die Punkte auf einer Geraden liegen. Die rechte Abbildung zeigt jedoch, dass die Methoden voneinander abweichen, und zwar umso stärker bei höheren Werten. Genau diese Diskrepanz ist der Grund, warum Gutachter diese Abbildung anfordern.

Ein häufiges Muster bei der Bearbeitung von Manuskripten zum Methodenvergleich: Ein Korrelationskoeffizient wird als Beleg für die Übereinstimmung präsentiert, jedoch ohne Bland-Altman-Diagramm. Fügen Sie das Diagramm hinzu, geben Sie die systematische Abweichung und die Grenzen in den Maßeinheiten an und erläutern Sie in einem Satz, ob diese Grenzen klinisch akzeptabel sind. Die klinische Beurteilung, nicht die Statistik, entscheidet darüber.

7. Wasserfalldiagramm: Tumorantwort jedes Patienten

Ein Wasserfalldiagramm stellt jedem Patienten einen Balken dar: die beste prozentuale Veränderung der Tumorgröße gegenüber dem Ausgangswert, sortiert vom schlechtesten zum besten Wert. Gemäß RECIST 1.1 gilt eine Abnahme um 30 % als partielles Ansprechen und eine Zunahme um 20 % als Progression; daher gehören diese beiden Referenzlinien in das Diagramm.^¹¹

Häufiger Fehler: Verwendung zur Darstellung der Dauer. Ein Wasserfalldiagramm zeigt die beste Reaktion, nicht deren Dauer. Kombinieren Sie es mit einem Schwimmerdiagramm oder einer Zeit-bis-Progression-Kurve und geben Sie an, wie viele Patienten keine Nachuntersuchung nach der Baseline hatten, da diese nicht als Balken dargestellt werden können.

8. Vulkanplot: Das Signal unter Tausenden finden

Ein Vulkanplot stellt die Effektstärke auf der x-Achse (log2-fache Änderung) und die Signifikanz auf der y-Achse (minus log10 des p-Werts) dar. Gene mit starker und signifikanter Effektstärke befinden sich in den oberen Ecken. So wird eine Tabelle mit Tausenden von Zeilen zu einem einzigen Bild.

Häufiger Fehler: Punkte nach dem unbereinigten p-Wert einfärben, nachdem Tausende von Genen getestet wurden. Verwenden Sie stattdessen den korrigierten Wert (Falsch-Entdeckungsrate), geben Sie beide Schwellenwerte in der Bildunterschrift an und nennen Sie im Text nur die wenigen Gene, die Sie besprechen.

9. Violin- und Boxplots: Darstellung der gesamten Verteilung

Ein Balkendiagramm verbirgt alles, was für einen Kliniker relevant ist: Streuung, Schiefe, Ausreißer und Überschneidungen von Gruppen. Ein Boxplot zeigt Median und Quartile. Ein Violinendiagramm visualisiert zusätzlich die Form der Verteilung, was insbesondere bei schiefen oder bimodalen Werten wichtig ist.

Regel: Legen Sie die Rohdatenpunkte übereinander, wenn jede Gruppe weniger als etwa 30 Patienten umfasst. Bei kleinen Stichproben sind Violinendiagramme unzuverlässig, und einzelne Punkte ermöglichen dem Betrachter eine eigene Beurteilung. Unsere allgemeine Diagrammanleitung behandelt Boxplots und Histogramme ausführlicher.

10. Heatmap: Muster über viele Variablen hinweg

Eine Heatmap färbt ein Raster ein. In klinischen Studien wird sie für Korrelationsmatrizen, Genexpressionscluster und Parameterstudien verwendet. Bei ausreichend kleiner Rastergröße wird der Wert in jeder Zelle ausgegeben.

In diesem Durchlauf erreicht r bei einem Kalibrierungsfaktor von 1.5 einen Spitzenwert von 0.69, während einige Zellen auf null oder darunter abfallen.^¹⁰ Dies ist ein gutes Lehrbeispiel: Die beste Zelle wurde aus denselben Daten ausgewählt, auf denen ihre Bewertung basiert. Daher ist der Wert von 0.69 zunächst optimistisch, bis er an neuen Patienten überprüft wird. Eine Heatmap zur Parameteroptimierung sollte dies stets berücksichtigen.

Farbtipp: Verwenden Sie eine wahrnehmungsgleichmäßige, farbenblindensichere Farbskala (in der Regel Viridis, wie in dieser Abbildung) und niemals eine Rot-Grün-Skala.

Die 60-Sekunden-Checkliste für Abbildungen in klinischen Manuskripten

• Eine Grafik, eine Frage. Formulieren Sie die Frage in der Bildunterschrift.
• Einheiten, Stichprobengröße und der statistische Test werden auf oder unter jeder Abbildung angegeben.
• Unsicherheit (Konfidenzintervall, IQR oder SD) ist immer sichtbar.
• Der Text ist bei einer einspaltigen Breite von etwa 8.5 cm in den meisten Zeitschriften gut lesbar.
• Farben bleiben auch bei Graustufendruck und farbenblinden Lesern erhalten.
• Wiederverwendete Figuren werden mit Lizenz und vollständiger Quellenangabe versehen.

Professionelle statistische und grafische Unterstützung für Ihr klinisches Manuskript

Die Wahl des richtigen Diagramms ist die halbe Miete. Die andere Hälfte besteht darin, die zugrundeliegende Analyse korrekt durchzuführen und das Diagramm gemäß den Vorgaben einer Fachzeitschrift zu erstellen. Wenn Sie Doktorand, Kliniker oder vielbeschäftigter Forscher sind, Daten vorliegen haben und eine Abgabefrist einhalten müssen, decken diese drei Dienstleistungen den Weg vom Datensatz zur einreichungsfertigen Grafik ab.

Sie möchten stattdessen eine vollständige Evidenzsynthese durchführen? Dann nutzen Sie unseren Service für Metaanalysen und systematische Reviews . Für eine schnelle Plausibilitätsprüfung der Ergebnisse bieten wir außerdem die statistische Ergebnisinterpretation an.

Grafiken aus der klinischen Forschung: Häufig gestellte Fragen

Welches Diagramm zeigt Überlebensdaten?

Eine Kaplan-Meier-Kurve mit Zensierungsmarkierungen und einer darunter stehenden Tabelle der Risikofälle. Geben Sie die Hazard Ratio mit ihrem 95%-Konfidenzintervall und dem Log-Rank-p-Wert an.

Reicht eine hohe Korrelation aus, um zu zeigen, dass zwei Methoden übereinstimmen?

Nein. Die Korrelation zeigt lediglich, dass zwei Methoden ähnliche Schwankungen aufweisen, nicht aber, dass sie denselben Wert liefern. Ein Bland-Altman-Diagramm veranschaulicht die systematische Abweichung und die Übereinstimmungsgrenzen in den von Ihnen gemessenen Einheiten.

Was bedeutet ein AUC-Wert von 0.8 auf einer ROC-Kurve?

Das bedeutet, dass ein zufällig ausgewählter Patient mit der Erkrankung in etwa 80 % der Fälle im Test besser abschneidet als ein zufällig ausgewählter Patient ohne diese Erkrankung. Es sagt jedoch nichts darüber aus, ob der Test in der klinischen Praxis nützlich ist. Daher sollten auch der Grenzwert sowie Sensitivität und Spezifität angegeben werden.

Wann sollte ich ein Trichterdiagramm zeichnen?

In einer Metaanalyse mit etwa zehn oder mehr Studien. Bei weniger Studien sind die Ergebnisse des Diagramms und des Egger-Tests unzuverlässig. Asymmetrien können sowohl durch Heterogenität als auch durch Publikationsbias bedingt sein.

Darf ich eine Abbildung aus einer veröffentlichten Arbeit in meinem Manuskript wiederverwenden?

Nur wenn die Lizenz dies erlaubt. Abbildungen unter CC BY dürfen unter vollständiger Quellenangabe wiederverwendet werden. Andernfalls fragen Sie den Herausgeber um Erlaubnis oder erstellen Sie die Grafik anhand der angegebenen Zahlen neu und zitieren Sie die Quelle.

Fazit: Auswahl von Grafiken für die klinische Forschung

Zehn Grafiken decken die meisten Anforderungen einer klinischen Publikation ab: ein Flussdiagramm zur Erfassung der Patientendaten, eine Überlebenskurve für die Zeit bis zum Ereignis, Wald- und Trichterdiagramme zur Zusammenfassung und Überprüfung der Evidenz, ROC- und Bland-Altman-Diagramme zur Beurteilung von Tests und Messungen, ein Wasserfalldiagramm zur Tumorantwort, ein Vulkandiagramm für Omics-Daten, ein Violindiagramm für Verteilungen und eine Heatmap zur Mustererkennung. Wählen Sie die Grafiken passend zur Fragestellung aus, geben Sie die Unsicherheit an und fügen Sie die relevanten Kennzahlen in die Bildunterschrift ein. Wenn Sie Ihre Abbildungen vor der Einreichung von einem zweiten Team prüfen lassen möchten, unterstützt Sie dieses gerne.

Referenzen

1. Schulz KF, Altman DG, Moher D; CONSORT Group. CONSORT 2010 Statement: Aktualisierte Leitlinien für die Berichterstattung über randomisierte Parallelgruppenstudien. BMJ. 2010;340:c332. doi:10.1136/bmj.c332
2. Pivot X, Manikhas AG, Shamrai V, et al. Finale Analyse der randomisierten Phase-III-Studie zum Vergleich von HD201 mit Trastuzumab als Referenztherapie bei Patientinnen mit ERBB2-positivem Brustkrebs im neoadjuvanten Setting. BMC Cancer. 2023;23:112. doi:10.1186/s12885-023-10574-2
3. Kaplan EL, Meier P. Nichtparametrische Schätzung aus unvollständigen Beobachtungen. J Am Stat Assoc. 1958;53(282):457-81. doi: 10.1080 / 01621459.1958.10501452
4. Ayenew AA, Mol BW, Bradford B, Abeje G. Prävalenz der weiblichen Genitalverstümmelung und damit verbundene Faktoren bei Frauen und Mädchen in Afrika: eine systematische Übersichtsarbeit und Metaanalyse. Syst Rev. 2024;13:26. doi:10.1186/s13643-023-02428-6
5. Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Messung der Inkonsistenz in Metaanalysen. BMJ. 2003;327(7414):557-60. doi: 10.1136 / bmj.327.7414.557
6. Egger M, Davey Smith G, Schneider M, Minder C. Bias in meta-analysis detected by a simple, graphical test. BMJ. 1997;315(7109):629-34. doi: 10.1136 / bmj.315.7109.629
7. Hanley JA, McNeil BJ. Bedeutung und Anwendung der Fläche unter der Receiver-Operating-Characteristic-Kurve (ROC-Kurve). Radiology. 1982;143(1):29-36. doi:10.1148/radiology.143.1.7063747
8. Revilla-López E, Ruiz de Miguel V, López-Meseguer M, et al. Lymphangioleiomyomatose: Suche nach potenziellen Biomarkern. Front Med. 2023;10:1079317. doi:10.3389/fmed.2023.1079317
9. Bland JM, Altman DG. Statistische Methoden zur Beurteilung der Übereinstimmung zwischen zwei klinischen Messmethoden. Lancet. 1986;1(8476):307-10. doi:10.1016/S0140-6736(86)90837-8
10. Lippi L, et al. Dreidimensionale Laserscanning-Technologie zur präzisen Beurteilung von Unterschenkelödemen bei Patienten mit Herzinsuffizienz: eine Machbarkeitsstudie. Front Cardiovasc Med. 2026. doi:10.3389/fcvm.2026.1750128
11. Eisenhauer EA, et al. Neue Kriterien zur Beurteilung des Therapieansprechens bei soliden Tumoren: überarbeitete RECIST-Richtlinie (Version 1.1). Eur J Cancer. 2009;45(2):228-47. doi:10.1016/j.ejca.2008.10.026
12. Liu C, Zhou J, Lam W, Wang C, et al. Prognostischer Wert des initialen Rezidivmusters für das Überleben nach Rezidiv bei lokal fortgeschrittenem Rektumkarzinom nach neoadjuvanter Chemoradiotherapie und Operation. Front Oncol. 2026;16:1836607. doi:10.3389/fonc.2026.1836607
13. Kato Y, Mawatari K. Klinische Bedeutung von Genen, die durch ein saures extrazelluläres Mikromilieu moduliert werden. Front Oncol. 2024;14:1380679. doi:10.3389/fonc.2024.1380679

Abbildungen mit der Kennzeichnung CC BY 4.0 werden unter der Creative-Commons-Lizenz „Namensnennung“ reproduziert, wobei die ursprünglichen Autoren genannt werden. Animierte Illustrationen basieren auf simulierten Daten und sind ein Originalprodukt von Editverse.