Veröffentlicht | Letzte Aktualisierung:
Kurz gesagt: Eine Metaanalyse fasst die Effektstärken mehrerer Studien zu einem gewichteten Ergebnis zusammen. Der zwölfstufige Prozess beginnt mit einer PICO-Frage und umfasst eine systematische Suche, das Screening durch zwei Gutachter anhand eines PRISMA-Flussdiagramms, die standardisierte Datenextraktion, die Bewertung des Verzerrungsrisikos (RoB 2 oder ROBINS-I), die Auswahl der Effektstärke, ein Random-Effects- oder Fixed-Effects-Modell, die Zusammenfassung der Daten im Forest-Plot, die Prüfung auf Heterogenität (I²) und Publikationsbias (Egger-Test), die GRADE-Bewertung und die Berichterstattung gemäß PRISMA 2020. Kostenlose Rechner für jeden Schritt sind verlinkt.
Eine Metaanalyse fasst zahlreiche Einzelstudien zu einer einzigen, nachvollziehbaren Zahl zusammen. Diese Zahl ist jedoch nur so vertrauenswürdig wie die zwölf Schritte, die ihr zugrunde liegen. Ob es sich nun um eine erste quantitative Synthese für ein Kapitel einer Dissertation oder um die Verfeinerung eines bestehenden Protokolls handelt – die folgende Vorgehensweise führt von der Fragestellung bis zum publikationsreifen Bericht und beinhaltet die exakten statistischen Schwellenwerte, Methoden und Berichtsstandards, die von Gutachtern als erstes geprüft werden.
Was ist eine Metaanalyse?
Eine Metaanalyse ist ein statistisches Verfahren, das quantitative Ergebnisse aus mehreren unabhängigen Studien zu einer einzigen zusammengefassten Effektstärke kombiniert. Da sie die statistische Aussagekraft aller einbezogenen Studien gleichzeitig nutzt, liefert eine gut durchgeführte Metaanalyse engere Konfidenzintervalle als jede Einzelstudie, kann Effekte aufdecken, die für Einzelstudien zu gering sind, um zuverlässig nachgewiesen zu werden, und ermöglicht es Forschern, den Grad der Diskrepanz zwischen den Studien formal zu quantifizieren, anstatt lediglich deren Diskrepanz zu behaupten.
Die Metaanalyse ist eine statistische Methode, keine Review-Art. Sie wird fast immer im Rahmen eines systematischen Reviews durchgeführt , welches den transparenten und reproduzierbaren Such- und Auswahlprozess gewährleistet, der die Zusammenführung von Daten überhaupt erst recht rechtfertigt. Die beiden Begriffe synonym zu verwenden, ist einer der schnellsten Wege, den Widerspruch der Gutachter hervorzurufen.
Vereinfacht ausgedrückt: Stellen Sie sich fünf kleine Studien vor, die jeweils untersuchen, ob ein Medikament den Blutdruck senkt. Einzeln betrachtet hat keine dieser Studien genügend Patienten, um ein wirklich überzeugendes Ergebnis zu liefern. Eine Metaanalyse mittelt die Ergebnisse und gewichtet dabei die größeren und präziseren Studien stärker. Das Gesamtergebnis ist daher zuverlässiger als jede einzelne Studie.
Der Meta-Analyse-Leitfaden
Das untenstehende Flussdiagramm fasst den gesamten Prozess in zehn Kontrollpunkte zusammen. Jeder einzelne wird in den folgenden Abschnitten Schritt für Schritt erläutert.
Schritt 1: Definieren Sie Ihre Forschungsfrage
Jede sinnvolle Metaanalyse beginnt mit einem engeren Fokus als von den Forschenden erwartet. Das PICO-Schema erzwingt diese Fokussierung. Die Population definiert die untersuchte Gruppe, die Intervention bzw. Exposition die untersuchte Behandlung oder den Faktor, der Vergleichsfaktor die Kontrollgruppe und das Ergebnis genau das zu messende Merkmal. Ein praktikables Beispiel: „Senkt Metformin im Vergleich zu Placebo bei Erwachsenen mit Typ-2-Diabetes den HbA1c-Wert?“ Eine so präzise Fragestellung ermöglicht die spätere sinnvolle Zusammenführung von Studien; eine vage Fragestellung führt zu einer heterogenen und nicht interpretierbaren Datenbasis.
Bevor man sich für eine vollständige Synthese entscheidet, empfiehlt es sich, eine kurze Poweranalyse der voraussichtlichen Anzahl geeigneter Studien und ihrer typischen Stichprobengrößen durchzuführen. Eine Metaanalyse von drei Studien mit zu geringer statistischer Aussagekraft wird in der Regel immer noch zu wenig aussagekräftig sein.
Schritt 2: Führen Sie eine systematische Suche durch
Eine Metaanalyse ist nur so vollständig wie die ihr zugrunde liegende Recherche. Eine umfassende Identifizierung erstreckt sich typischerweise auf MEDLINE/PubMed und Embase für biomedizinische Studien, Cochrane CENTRAL für klinische Studien sowie gegebenenfalls auf fachspezifische Datenbanken wie PsycINFO oder CINAHL. Graue Literatur (Dissertationen, Konferenzbeiträge), Studienregister wie ClinicalTrials.gov, die Referenzlisten der eingeschlossenen Studien und der direkte Kontakt mit den Studienautoren vervollständigen die Recherche und erfassen Aspekte, die die Datenbankindexierung allein nicht abdeckt.
Schritt 3: Studien sichten und auswählen
Die bei der Protokollregistrierung festgelegten Einschlusskriterien werden hier angewendet, idealerweise von zwei unabhängig voneinander arbeitenden Gutachtern. Diese sichten zunächst Titel und Abstracts und anschließend die Volltexte aller potenziell geeigneten Dokumente. Die Gründe für jeden Ausschluss werden dokumentiert, anstatt die Dokumente zu verwerfen. Das Ergebnis ist ein PRISMA-2020-Flussdiagramm, das genau darstellt, wie viele Datensätze identifiziert, gesichtet, ausgeschlossen und schließlich eingeschlossen wurden. Dies ist nun ein obligatorischer Bestandteil der Berichterstattung und keine optionale Ergänzung mehr. Metaanalysen, die auf Beobachtungsdaten anstatt auf randomisierten Daten basieren, folgen stattdessen der Konvention des parallelen MOOSE-Flussdiagramms.
Schritt 4: Daten extrahieren
Ein standardisiertes Datenerfassungsformular erfasst Studienmerkmale (Autor, Jahr, Land, Studiendesign, Stichprobengröße, Nachbeobachtungszeitraum), Teilnehmercharakteristika (Alter, Geschlechtsverteilung, Schweregrad der Erkrankung, Ausgangswerte), Interventionsdetails (Dosis, Häufigkeit, Dauer, Begleitinterventionen) sowie die Ergebnisdaten selbst, sei es die Anzahl der Ereignisse und Gesamtzahlen bei dichotomen Ergebnissen oder Mittelwerte, Standardabweichungen und Stichprobengrößen bei kontinuierlichen Ergebnissen. Zwei Gutachter extrahieren die Daten unabhängig voneinander, wobei Unstimmigkeiten durch Diskussion und nicht durch die einseitige Beurteilung einer Person geklärt werden. Dadurch werden Übertragungsfehler aufgedeckt, die die gepoolten Schätzwerte unbemerkt verfälschen.
Schritt 5: Risiko von Verzerrungen einschätzen
Das Instrument muss zum Studiendesign passen. Für randomisierte kontrollierte Studien ist der aktuelle Standard das Cochrane RoB 2-Tool, das 2019 von Sterne et al. im BMJ vorgestellt wurde . Es strukturiert die Bewertung anhand von fünf spezifischen Domänen: Randomisierungsprozess, Abweichungen von den geplanten Interventionen, fehlende Ergebnisdaten, Messung des Ergebnisses und Auswahl des berichteten Ergebnisses. Für nicht-randomisierte Interventionsstudien erweitert ROBINS-I (Sterne et al., BMJ , 2016) diese Logik auf sieben Domänen und ergänzt die Liste um Störfaktoren und Selektionsbias, da diese durch die Randomisierung nicht kontrolliert werden. Ergebnisse sollten idealerweise als Ampeldiagramm oder Übersichtstabelle dargestellt werden, anstatt im Text versteckt zu sein, da Gutachter und Leser gleichermaßen zuerst danach suchen.
Schritt 6: Wählen Sie Ihr Effektmaß.
Die Art des Ergebnisses bestimmt das Messverfahren. Dichotome Ergebnisse erfordern ein Risikoverhältnis, wenn das Basisrisiko in den Studien signifikant variiert, eine Odds Ratio bei Fall-Kontroll-Studien oder logistischen Analysen oder eine Risikodifferenz, wenn ein absoluter, klinisch interpretierbarer Wert wichtiger ist als ein relativer. Kontinuierliche Ergebnisse verwenden eine mittlere Differenz, wenn alle eingeschlossenen Studien das Ergebnis auf derselben Skala gemessen haben, oder eine standardisierte mittlere Differenz (Cohens d, Hedges' g), wenn die Skalen in den Studien unterschiedlich sind; ein kostenloser Effektstärkenrechner ermöglicht die Umrechnung zwischen diesen Formaten. Zeit-bis-Ereignis-Daten verwenden die Hazard Ratio aus der Überlebenszeitanalyse. Metaanalysen zur diagnostischen Genauigkeit stellen einen Sonderfall dar und erfordern bivariate oder HSROC-Modelle anstelle einer einzelnen gepoolten Rate; ein spezieller Rechner für diagnostische Metaanalysen deckt diesen Fall ab. Wenn der richtige Test oder das richtige Modell unklar ist, grenzt ein statistischer Testselektor die Optionen schnell ein.
Schritt 7: Wählen Sie das Analysemodell aus
Ein Fixed-Effects-Modell geht davon aus, dass jede eingeschlossene Studie denselben wahren Effekt schätzt und ist nur dann angemessen, wenn die Studien hinsichtlich Population, Intervention und Setting funktional identisch sind. Es liefert engere Konfidenzintervalle, da es jegliche tatsächliche Variabilität zwischen den Studien ausklammert. Ein Random-Effects-Modell hingegen geht davon aus, dass die wahren Effekte aus legitimen klinischen oder methodischen Gründen von Studie zu Studie variieren, liefert entsprechend breitere und konservativere Intervalle und ist in der medizinischen Forschung die Standardwahl, gerade weil klinische Heterogenität zwischen den Studienpopulationen die Regel und nicht die Ausnahme ist.
Schritt 8: Effekte zusammenführen und das Waldgrundstück erstellen
Die Wahl der Software ist weniger wichtig als die korrekte Modellierung. RevMan bleibt der kostenlose Cochrane-Standard, Comprehensive Meta-Analysis (CMA) bietet eine benutzerfreundlichere kommerzielle Schnittstelle, R hingegen… meta und metafor Die Pakete bieten volle Flexibilität kostenlos, und Stata-Nutzer greifen typischerweise darauf zurück. metan or metaanUnabhängig vom verwendeten Tool bleibt die zugrundeliegende Berechnung dieselbe. Für jede Studie wird eine Effektstärke berechnet, jede wird entsprechend ihrer Präzision gewichtet, der gewichtete Mittelwert ermittelt und Konfidenzintervalle darum herum generiert. Metaanalyse-Rechner reproduziert diese Poolbildung und rendert die Waldplot-Darstellung direkt.
Das korrekte Lesen des Diagramms ist genauso wichtig wie dessen Erstellung. Das Quadrat jeder Studie markiert ihren Schätzwert, dessen Größe proportional zu ihrem Gewicht in der Gesamtanalyse ist; die horizontale Linie durch das Quadrat umfasst das 95%-Konfidenzintervall; und die Raute unten kennzeichnet den Gesamteffekt und sein eigenes Konfidenzintervall, unabhängig vom gewählten Modell.
Schritt 9: Heterogenität beurteilen
Heterogenität ist der Fachbegriff für die Diskrepanz zwischen Studien. Higgins, Thompson, Deeks und Altman führten 2003 in einem Artikel im BMJ den Standardmaßstab für Heterogenität ein , indem sie die I²-Statistik vorstellten. Diese gibt den prozentualen Anteil der Gesamtvarianz zwischen den Studien an, der auf tatsächliche Heterogenität und nicht auf Zufall zurückzuführen ist. Üblicherweise gelten Werte von 0 bis 25 Prozent als geringe, 25 bis 50 Prozent als moderate, 50 bis 75 Prozent als substanzielle und Werte über 75 Prozent als beträchtliche Heterogenität. Die Q-Statistik (ein Chi-Quadrat-Test) und Tau² (die geschätzte Varianz zwischen den Studien) vervollständigen die Standarddarstellung. Ein spezieller Heterogenitätsrechner berechnet alle drei Kennzahlen anhand der extrahierten Studiendaten. Eine hohe Heterogenität ist ein Anlass für weitere Untersuchungen, sei es durch Subgruppenanalysen, stratifiziert nach klinischen oder methodischen Faktoren, durch Meta-Regressionsmodelle, die potenzielle Effektmodifikatoren direkt einbeziehen, oder durch eine Leave-One-Out-Sensitivitätsanalyse, bei der jede Studie einzeln ausgeschlossen wird, um zu prüfen, ob ein Ausreißer das Gesamtergebnis verfälscht.
Schritt 10: Test auf Publikationsbias
Publikationsbias entsteht, weil statistisch signifikante, positive Ergebnisse systematisch häufiger veröffentlicht werden als negative oder Nullbefunde. Dies verfälscht jede gepoolte Schätzung, die ausschließlich auf den publizierten Daten basiert. Egger, Davey Smith, Schneider und Minder formalisierten die Standardmethode zur Erkennung von Publikationsbias in einem BMJ- Artikel von 1997. Dieser regressionsbasierte Test prüft die durch Publikationsbias verursachte Asymmetrie im Funnel-Plot. Der Rangkorrelationstest nach Begg bietet eine ergänzende Überprüfung. Wird Asymmetrie festgestellt, werden die fehlenden Studien mittels Trim-and-Fill-Verfahren imputiert, um den korrigierten gepoolten Effekt zu schätzen. Ein kostenloser Rechner für Publikationsbias berechnet den Funnel-Plot und führt Eggers Test gemeinsam durch. Es ist wichtig, Mitautoren und Gutachter darauf hinzuweisen, dass diese Tests bei weniger als zehn eingeschlossenen Studien eine geringe statistische Aussagekraft besitzen. Daher ist ein Nullbefund aus einer kleinen Metaanalyse keine sichere Bestätigung.
Schritt 11: Bewerten Sie die Beweissicherheit
Eine zusammengefasste Punktschätzung gibt keine Auskunft über deren Aussagekraft. Genau hier setzt der GRADE-Ansatz an, der 2008 von Guyatt und Kollegen im BMJ eingeführt wurde . GRADE bewertet die Gesamtsicherheit anhand von fünf Kriterien: Verzerrungsrisiko der beteiligten Studien, Inkonsistenz (unerklärte Heterogenität), Indirektheit (Übertragbarkeit der Evidenz auf die Zielpopulation und Fragestellung), Ungenauigkeit (Konfidenzintervalle, die klinisch unterschiedliche Schlussfolgerungen umfassen) und Hinweise auf Publikationsbias. Die resultierende Bewertung (hoch, mittel, niedrig oder sehr niedrig) zeigt dem Leser klar an, ob weitere Forschung die Schätzung voraussichtlich verändern wird.
Schritt 12: Bericht über Ihre Ergebnisse gemäß PRISMA 2020
Page und Kollegen veröffentlichten den aktuellen Berichtsstandard PRISMA 2020 im BMJ im Jahr 2021 als Aktualisierung der ursprünglichen Erklärung von 2009. Die 27-Punkte-Checkliste dient Zeitschriftenredakteuren und Gutachtern als Grundlage für die Prüfung eingereichter Manuskripte. Ein konformer Bericht enthält das Flussdiagramm aus Schritt 3, eine vollständige Tabelle mit den Merkmalen der eingeschlossenen Studien, die Risikobewertung für Verzerrungen aus Schritt 5, Forest-Plots für jeden primären Endpunkt, Funnel-Plots zur Beurteilung von Publikationsbias sowie eine Tabelle mit den GRADE-Bewertungen aus Schritt 11. Neben der Checkliste selbst müssen Effektstärken mit ihren 95%-Konfidenzintervallen klar angegeben, Heterogenitätsstatistiken berichtet und nicht – wenn unpassend – weggelassen, Limitationen offen diskutiert und die klinische Interpretation von der statistischen Interpretation getrennt dargestellt werden. Manuskripte, die dieses Stadium erreichen, aber noch Formatierung, Anpassung an die jeweilige Zeitschrift oder eine vollständige Überarbeitung vor der Einreichung benötigen, profitieren genau von unseren Dienstleistungen zur Manuskripterstellung .
Häufige Fehler bei der Manuskriptprüfung
In den Manuskripten, die Editverse zur Unterstützung bei Metaanalysen einreicht, treten immer wieder dieselben wenigen Fehler auf, die es wert sind, explizit genannt zu werden. Am häufigsten werden klinisch oder methodisch inkompatible Studien zu einem einzigen gepoolten Wert zusammengefasst, dicht gefolgt von der Angabe von Heterogenitätsstatistiken ohne Untersuchung der zugrundeliegenden Ursachen. Nicht übereinstimmende Effektmaße (z. B. die Verwendung einer Odds Ratio, wo eine Risikorate besser interpretierbar wäre) kommen so häufig vor, dass die Wahl eher durch eine Softwarevorgabe als durch den Ergebnistyp bestimmt wird. Ergebnisse von Subgruppenanalysen werden routinemäßig als bestätigend anstatt als hypothesengenerierende Signale dargestellt, und eine GRADE-Bewertung wird häufiger ausgelassen, als es die Richtlinien der Zeitschrift zulassen. Jeder dieser Fehler ist ein plausibler Grund für eine umfassende Überarbeitung; mehrere Fehler zusammen führen häufig zur Ablehnung des Manuskripts.
Häufig gestellte Fragen
Wie viele Studien benötige ich für eine Metaanalyse?
Es gibt kein festes Minimum, und zwei Studien können technisch gesehen zusammengefasst werden, aber Heterogenitäts- und Publikationsbias-Tests verlieren beide ihre statistische Aussagekraft bei weniger als zehn Studien, daher sollten Ergebnisse aus sehr kleinen Pools vorsichtig interpretiert und als solche berichtet werden.
Worin besteht der Unterschied zwischen einer systematischen Übersichtsarbeit und einer Metaanalyse?
Eine systematische Übersichtsarbeit ist der reproduzierbare Prozess der Identifizierung, Sichtung und Bewertung aller relevanten Studien zu einer Fragestellung. Eine Metaanalyse ist die statistische Methode, die innerhalb dieses Prozesses angewendet wird und die quantitativen Ergebnisse der Studien zu einer Gesamtschätzung zusammenfasst. Nicht jede systematische Übersichtsarbeit enthält eine Metaanalyse; eine Metaanalyse außerhalb eines systematischen Suchprozesses ist nicht vertretbar.
Soll ich ein Fixed-Effects- oder ein Random-Effects-Modell verwenden?
Random-Effects-Modelle sind in der medizinischen und gesundheitswissenschaftlichen Forschung Standard, da klinische und methodische Unterschiede zwischen Studien zu erwarten sind. Fixed-Effects-Modelle sind nur dann gerechtfertigt, wenn die einbezogenen Studien funktional nahezu identisch sind.
Was bedeutet ein I²-Wert von 60 %?
Das bedeutet, dass 60 % der Gesamtvarianz der Effektschätzungen Ihrer zusammengefassten Studien auf eine echte Heterogenität zwischen den Studien und nicht auf Zufall zurückzuführen sind. Dieser Wert liegt im erheblichen Bereich und sollte Anlass für eine Subgruppen- oder Sensitivitätsanalyse geben, bevor die zusammengefasste Schätzung als Hauptergebnis veröffentlicht wird.
Welche Software sollte ich für die Durchführung einer Metaanalyse verwenden?
RevMan ist kostenlos und Cochranes eigener Standard; R's meta und metafor Die Softwarepakete sind kostenlos und sehr flexibel; Comprehensive Meta-Analysis (CMA) und Stata sind kostenpflichtige Optionen, die aufgrund ihrer benutzerfreundlichen Oberfläche bevorzugt werden. Alle vier Programme unterstützen Fixed-Effects- und Random-Effects-Pooling, Forest-Plots und Standardstatistiken zur Heterogenitätsanalyse.
Holen Sie sich Expertenunterstützung für Ihre Metaanalyse
Eine sorgfältige Metaanalyse erfordert in jedem der zwölf oben genannten Schritte statistische Expertise und methodische Disziplin. Gutachter hochrangiger Fachzeitschriften prüfen jeden einzelnen Schritt. Unser Team unterstützt Sie bei der Protokoll- und Studienplanung, der Entwicklung von Datenerfassungsformularen, der statistischen Analyse mit R, Stata oder RevMan, der Erstellung von Forest- und Funnel-Plots, GRADE-Bewertungen sowie beim Verfassen und Überarbeiten Ihres Manuskripts bis zur Einreichung. Informieren Sie sich über unseren Service für systematische Reviews und Metaanalysen oder kontaktieren Sie uns für eine kostenlose Beratung.
Referenzen
- Page MJ, McKenzie JE, Bossuyt PM, et al. Die PRISMA 2020-Leitlinie: ein aktualisierter Leitfaden für die Berichterstattung über systematische Reviews. BMJ. 2021;372:n71. https://doi.org/10.1136/bmj.n71
- Sterne JAC, Savović J, Page MJ, et al. RoB 2: ein überarbeitetes Instrument zur Beurteilung des Verzerrungsrisikos in randomisierten Studien. BMJ. 2019;366:l4898. https://doi.org/10.1136/bmj.l4898
- Sterne JA, Hernán MA, Reeves BC, et al. ROBINS-I: ein Instrument zur Beurteilung des Verzerrungsrisikos in nicht-randomisierten Interventionsstudien. BMJ. 2016;355:i4919. https://doi.org/10.1136/bmj.i4919
- Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Messung der Inkonsistenz in Metaanalysen. BMJ. 2003, 327: 557-560. https://doi.org/10.1136/bmj.327.7414.557
- Egger M, Davey Smith G, Schneider M, Minder C. Bias in meta-analysis detected by a simple, graphical test. BMJ. 1997, 315: 629-634. https://doi.org/10.1136/bmj.315.7109.629
- Guyatt GH, Oxman AD, Vist GE, et al. GRADE: ein sich abzeichnender Konsens zur Bewertung der Qualität von Evidenz und der Stärke von Empfehlungen. BMJ. 2008, 336: 924-926. https://doi.org/10.1136/bmj.39489.470347.AD
- Cochrane-Handbuch für systematische Übersichtsarbeiten zu Interventionen. https://training.cochrane.org/handbook
Geprüft vom Editverse-Forschungsteam, das über Erfahrung in der Unterstützung von systematischen Reviews und Metaanalysen in biomedizinischen und klinischen Disziplinen verfügt. Letzte Aktualisierung: Juli 2026.