Kapitel 4 von 35 · Verhütung und Gewicht

Wissenschaftliche Beurteilung von Gewichtseffekten

Warum eine Vergleichsgruppe so wichtig ist. Was randomisiert, signifikant und Störfaktor bedeuten. Und warum die größte Studie nicht immer die beste ist.

34Warum eine gute Vergleichsgruppe unverzichtbar ist

Stellen Sie sich vor: 100 Frauen nutzen ein Jahr lang eine Hormonspirale. Sie nehmen im Mittel ein Kilogramm zu. Hat die Spirale diese Zunahme verursacht? Das lässt sich erst beurteilen, wenn bekannt ist, wie sich ähnlich zusammengesetzte Frauen ohne diese Spirale entwickelt hätten. Alter, Lebensumstände und Ernährungsgewohnheiten können einen Teil der Veränderung erklären. Deshalb ist der Unterschied zwischen Gruppen häufig wichtiger als die Veränderung innerhalb einer Gruppe.

35Randomisierte Studien

Bei einer randomisierten Studie wird die Zuordnung zu den untersuchten Methoden durch ein Zufallsverfahren bestimmt. Dadurch verteilen sich bekannte und unbekannte Unterschiede zwischen den Gruppen in der Regel besser. Diese Methode macht kausale Aussagen glaubwürdiger. Die ECHO-Studie teilte 7.829 Frauen zufällig drei Gruppen zu. In der Gewichtsauswertung standen Daten von 7.014 Frauen zur Verfügung; der Unterschied zwischen DMPA und Kupferspirale betrug 2,02 Kilogramm mit 95%-Konfidenzintervall 1,68 bis 2,36 Kilogramm [S03]. Die präzise Angabe des Intervalls ist aussagekräftiger als die bloße Formulierung „deutlich mehr“.

36Kohortenstudien, Confounding und Bias

In Beobachtungsstudien wählen Frauen häufig ihre Verhütung selbst. Wer sich für ein Implantat entscheidet, kann sich bereits vor der Anwendung hinsichtlich Alter, BMI, Gesundheitszustand oder Lebensstil von Frauen mit Kupferspirale unterscheiden. Solche Unterschiede heißen Störfaktoren oder Confounder. Forschende können statistisch für einige Variablen korrigieren. Nicht gemessene Faktoren bleiben trotzdem möglich. Beim Contraceptive CHOICE Project mit 427 Frauen sahen manche Methoden zunächst gewichtserhöhend aus; nach statistischer Anpassung waren die Gruppenunterschiede nicht mehr signifikant [S04].

37Was bedeutet „signifikant“?

Statistische Signifikanz bedeutet vereinfacht, dass die Daten unter einem bestimmten Modell schlecht mit der Nullhypothese vereinbar sind. Sie sagt nicht automatisch, wie wichtig ein Effekt medizinisch ist. Eine Differenz von wenigen hundert Gramm kann in einer sehr großen Studie statistisch signifikant, für viele Frauen aber kaum spürbar sein. Umgekehrt kann eine kleine Studie einen klinisch wichtigen Unterschied wegen zu geringer Fallzahl übersehen. Deshalb sollten absolute Effekte, Konfidenzintervalle, Studiendauer und das Risiko von Verzerrungen immer gemeinsam betrachtet werden.

38Das Problem mehrfach publizierter Daten

Ein Cochrane-Review, eine Metaanalyse und eine Leitlinie können dieselbe Originalstudie verwenden. Man darf ihre Teilnehmerzahlen nicht addieren, als wären es unabhängige Personen. Ebenso wenig dürfen Mittelwerte aus zwölf und achtzehn Monaten ohne Weiteres zusammengerechnet werden. Lesen Sie in mehreren Übersichten von vielen tausend Frauen, kann es sich um dieselben Frauen handeln.

39Randomisierung beantwortet eine engere Frage, als viele glauben

Wenn Teilnehmerinnen per Zufall einer Methode zugeteilt werden, sind bekannte und unbekannte Einflussfaktoren zu Beginn tendenziell besser verteilt. Randomisierung ist deshalb besonders geeignet, kausale Unterschiede zu prüfen. Dennoch hängt das Ergebnis davon ab, wie die Studie durchgeführt wird. Wussten die Frauen und das Behandlungsteam, welche Methode verwendet wurde? Wurden alle ursprünglich zugeteilten Frauen ausgewertet? Wie viele wechselten die Methode? Hatten die Gruppen unterschiedlich viele Schwangerschaften oder Studienabbrüche? Eine randomisierte Studie kann diese Probleme verringern, aber nicht automatisch beseitigen.

Die klassische „Intention-to-treat“-Analyse untersucht Menschen nach ihrer ursprünglichen Zuordnung. Das bewahrt viele Vorteile der Randomisierung, selbst wenn ein Teil die Behandlung abbricht. Eine „Per-protocol“-Analyse betrachtet eher die Personen, die ihre zugewiesene Methode tatsächlich wie vorgesehen anwendeten. Sie kann näher am biologischen Effekt der fortgesetzten Anwendung liegen, ist aber durch selektive Abbrüche verzerrbar. Beide Analysen beantworten verschiedene Fragen. Bei Zahlen zum Gewicht ist es deshalb wichtig zu wissen, welche Analyse dahintersteht.

40Studienabbrüche sind besonders bei Gewichtseffekten gefährlich

Stellen wir uns vor, gerade Frauen mit deutlicher Gewichtszunahme brechen eine Studie frühzeitig ab. Wenn nur die verbliebenen Teilnehmerinnen am Studienende gewogen werden, unterschätzt das Ergebnis möglicherweise die tatsächliche Belastung. Das Gegenteil ist ebenso denkbar: Frauen, die sich wegen ausbleibender Zunahme nicht mehr für die Studie interessieren, kommen seltener zur Kontrolle. Eine wichtige Qualitätsfrage lautet deshalb nicht allein „Wie viele Frauen wurden eingeschlossen?“, sondern „Von wie vielen liegen zu jedem Messzeitpunkt vollständige Daten vor?“ Fehlende Werte können nicht ohne Begründung als zufällig behandelt werden.

41Der Vergleich muss fair sein

Bei Kohortenstudien wählen Frauen häufig die Methode selbst oder bekommen sie aufgrund ärztlicher Empfehlungen. Wenn besonders junge Frauen eine Methode bevorzugen und besonders ältere eine andere, unterscheiden sich die Gruppen möglicherweise schon vor Beginn. Ähnliches gilt für BMI, Geburtenzahl, soziale Lebenslage, Rauchen und gesundheitliche Belastungen. Statistische Modelle können bekannte Unterschiede anpassen. Unbekannte oder ungenau gemessene Störfaktoren bleiben bestehen. Eine größere Stichprobe kann eine systematische Verzerrung nicht wegmitteln. Deshalb ist eine riesige Beobachtungsstudie nicht in jeder Frage aussagekräftiger als eine gut durchgeführte kleinere randomisierte Untersuchung.

Ein weiteres Problem ist die zeitabhängige Selektion. Wer in einer Zehnjahresstudie ständig die Methode wechselt, wird oft ausgeschlossen. Übrig bleiben besonders zufriedene Langzeitanwenderinnen, deren Gesundheit und Gewicht möglicherweise schon von Anfang an anders waren. Eine seriöse Auswertung sollte solche Wechsel dokumentieren, Sensitivitätsanalysen anbieten und erklären, auf welche tatsächliche Nutzungsgruppe das Ergebnis übertragen werden darf.

42Statistische Bedeutung ist nicht dasselbe wie klinische Bedeutung

Ein Unterschied von 0,2 Kilogramm kann in einer sehr großen Studie statistisch auffallen, aber für die alltägliche Verhütungsentscheidung kaum spürbar sein. Umgekehrt kann ein durchschnittlicher Unterschied von einem Kilogramm klinisch wichtig werden, wenn ein kleiner Teil der Anwenderinnen sehr stark zunimmt. Ein Konfidenzintervall zeigt, welche Größenordnungen mit den Daten vereinbar sind, sofern die Modellannahmen stimmen. Es beweist keine individuelle Prognose und ist keine Wahrscheinlichkeit, mit der ein konkreter Wirkstoff bei einer konkreten Frau wirkt. Fragen Sie deshalb bei jeder Zahl: Ist das Gemessene für mich überhaupt wichtig?

43Ein Plan gegen scheinbar widersprüchliche Studien

Widersprüche sollten nicht durch Mehrheitsabstimmung aufgelöst werden. Zunächst ist zu prüfen, ob dieselbe Verhütungsmethode, dieselbe Dosis, dieselbe Altersgruppe und derselbe Messzeitpunkt untersucht wurden. Danach folgen Studiendesign, Kontrollgruppe, Messmethode, Ausfälle und statistische Unsicherheit. Erst wenn diese Punkte ähnlich sind, lohnt sich eine gemeinsame quantitative Zusammenfassung. Reviews wie Cochrane reduzieren das Risiko, eine auffällige Einzelstudie zu überbewerten, können aber die Schwächen ihrer eingeschlossenen Studien nicht vollständig beseitigen [S01, S02].

44Der Denkfehler der Auswahl auf einen gemeinsamen Effekt

In der Statistik gibt es sogenannte Collider-Verzerrungen. Sie entstehen, wenn eine Analyse nur Menschen berücksichtigt, die wegen eines gemeinsamen Ereignisses in einer Stichprobe landen. Beispiel: Eine Frau bleibt bei ihrer Methode, weil sie gut verträglich ist; eine andere bleibt, weil es in ihrer Region keine gute Alternative gibt. Wird nur die Gruppe der Langzeitanwenderinnen betrachtet, können dadurch Beziehungen zwischen Beschwerden und Lebenslage entstehen, die in der Ausgangspopulation nicht bestanden. Die praktische Konsequenz ist einfach: Je stärker eine Studie ihre Teilnehmerinnen nach späterem Verhalten auswählt, desto vorsichtiger muss ein vermeintlicher Methodeneffekt interpretiert werden.

45Die Bedeutung eines vorher festgelegten Endpunkts

Wissenschaftler können sehr viele Ergebnisse messen: Gewicht, BMI, Taillenumfang, Fettmasse, Hunger, Insulin und vieles mehr. Wenn sie erst nach Sichtung der Daten entscheiden, welches Ergebnis sie hervorheben, steigt das Risiko zufälliger Auffälligkeiten. Eine gute Studie definiert ihren primären Endpunkt und ihre statistische Auswertung möglichst vor Beginn. Untergruppenanalysen können neue Hypothesen aufwerfen, sollten aber als solche erkennbar bleiben. Diese Unterscheidung ist besonders bei genetischen Studien und Vergleichen vieler Pillenformulierungen wichtig.

46Die Qualität einer Metaanalyse hängt von den Fragen ab

Eine Metaanalyse kann eine gewichtete Schätzung über mehrere Studien berechnen. Sie wird jedoch nicht automatisch sinnvoll, wenn alle Studien dasselbe Wort „Gewicht“ verwenden. Eine dreimonatige Pflasterstudie, eine dreijährige DMPA-Studie und eine zehnjährige retrospektive Spiralenkohorte haben andere Fragestellungen. Wer sie unkritisch zusammenrechnet, erzeugt womöglich eine numerische Antwort auf eine Frage, die keine der Studien einzeln beantwortet hat. Deshalb gehören statistische Heterogenität und klinische Vergleichbarkeit gleichberechtigt zur Evidenzbewertung.

47Ein Gedankenexperiment über Auswahlverzerrung

Stellen wir uns zwei Verhütungsgruppen vor, von denen die erste überwiegend aus jungen Frauen und die zweite überwiegend aus Frauen nach mehreren Schwangerschaften besteht. Selbst wenn das jeweilige Verhütungsmittel keinen Gewichtseffekt hätte, könnten die Gruppen langfristig unterschiedlich zunehmen. Alter, Ausgangsgewicht und Lebenssituation beeinflussen den Verlauf. Eine statistische Anpassung kann beobachtete Unterschiede verringern, aber eine Fehlmessung der Ausgangsfaktoren bleibt möglich. Darum sollte man Beobachtungsstudien nicht nur nach ihrer Größe beurteilen, sondern danach, wie gut sie ein faires Vergleichsszenario nachbilden. Randomisierung ist dabei keine Garantie gegen Fehlinterpretationen. Wenn zehn Prozent der Teilnehmerinnen abbrechen, werden ihre Gewichtsverläufe möglicherweise fehlen. Sind die Ausfälle zufällig, kann die Schlussfolgerung relativ stabil bleiben. Brechen dagegen überwiegend Frauen mit starken Nebenwirkungen ab, ist die Auswertung gefährdet. Das gilt besonders dann, wenn ausschließlich diejenigen analysiert werden, die am Ende noch ihre ursprüngliche Methode verwenden. Gute Übersichtsarbeiten zeigen deshalb auch, wie viele Frauen in jeder Gruppe bis zum Ende gemessen wurden.

48Wie verlässlich ist eine Aussage?

Nicht jede Studie ist gleich verlässlich. Am verlässlichsten sind randomisierte direkte Vergleiche mit geeigneter Kontrollgruppe und vollständigen Messungen. Danach kommen gute prospektive Kohortenstudien. Sie begleiten Frauen von Beginn an, halten die Methode genau fest und gleichen Unterschiede zwischen den Gruppen statistisch aus. Kleine, kurze oder retrospektive Studien (sie werten im Nachhinein aus) liefern eher Hinweise für neue Fragen. Berichte über subjektive Nebenwirkungen sind eine eigene Art von Hinweis. Diese Einteilung ersetzt keine vollständige GRADE-Bewertung (ein festes Verfahren, mit dem Fachleute die Qualität von Studien einstufen). Sie hilft Ihnen aber, sehr unterschiedliche Zahlen nicht gleich stark zu gewichten.

Merksatz

Die beste Studie ist nicht immer die größte. Entscheidend ist, ob sie genau die Frage untersucht, auf die wir eine Antwort suchen.

WhatsApp Anrufen