Medizinische Psychologie. Bewertung wissenschaftlicher Ergebnisse, Evidenzbasierte Medizin, Anwendung statistischer Information

Transkript

1 Medizinische Psychologie Bewertung wissenschaftlicher Ergebnisse, Evidenzbasierte Medizin, Anwendung statistischer Information

2 Bewertung wissenschaftlicher Ergebnisse Replizierbarkeit (Wiederholbarkeit) als grundsätzliches Postulat wissenschaftlicher Arbeit. Erfolgreiche Replikationen festigen das Vertrauen in eine Theorie Generalisierbarkeit: Verallgemeinerungsfähigkeit hängt ab von der Datenqualität, Stichproben (Probanden, Patientenselektion) Kreuzvalididierung: Replikation an einer anderen Stichprobe (z.b. andere Altersgruppe)

3 Evidenzbasierte Medizin (EBM) Das medizinische Wissen verdoppelt sich alle 5 Jahre. Überangebot Konfusion Festhalten an veraltetem Wissen und Verhalten Evidenz-basierte Medizin soll Ärzten, Patienten und Kostenträgern wissenschaftlich abgesicherte praxisbezogene Erkenntnisse und Leitlinien bieten ( Essenz der wissenschaftlichen Literatur)

4 Evidenzbasierte Medizin EBM ist der gewissenhafte, ausdrückliche und vernünftige Gebrauch der gegenwärtig besten externen, wissenschaftlichen Evidenz für Entscheidungen in der medizinischen Versorgung individueller Patienten. Die Praxis der EBM bedeutet die Integration individueller klinischer Expertise mit der bestmöglichen externen Evidenz aus systematischer Forschung. Sackett et al. (1997), Münchener Medizinische Wochenschrift.

5 Evidenzbasierte Medizin (EBM) EBM evaluiert systematisch die publizierte medizinischen Literatur und fasst sie in Form von Meta-Analysen und Leitlinien zusammen EBM ist für alle Bereiche ärztlichen Handelns relevant: - Diagnose - Therapie - Prävention - Prognose - Screening - Nebenwirkungen

6 Meta-Analyse Traditionell: Zusammenfassung des Wissens in Übersichtsarbeiten und Lehrbüchern Nachteil: stark beeinflusst von subjektiver Meinung und Gewichtung des Autors Meta-Analyse: Quantitative Zusammenfassung aller verfügbaren wissenschaftlichen Evidenz Voraussetzung: mehrere Arbeiten zu einem Thema mit vergleichbaren abhängigen Variablen/Endpunkten ständig aktualisierte Sammlung von medizinischen Meta- Analysen: Cochrane-Library, auch über die Uni- Bibliothek online recherchierbar

7 Meta-Analyse: Studienqualität Randomisierte kontrollierte Studien (randomized controlled trials, RCT) sind Goldstandard. Als Studienendpunkte (Zielparameter) sollten klinisch wichtige Ergebnisse definiert werden: Lebensqualität, Rehospitalisierung, Schmerzen, Funktionalität, Mortalität. Studien, die nur Surrogatparameter (z.b. Laborwerte) betrachten, sind aus der Sicht der Evidenzbasierten Medizin zweitrangig. Studien mit großen Fallzahlen werden höher gewichtet.

8 Meta-Analyse: wesentliche Schritte 1. Problemformulierung 2. Systematische Erfassung und Sammlung der Primärstudien - Einschluss-/Ausschlusskriterien - Suche nach veröffentlichten und unveröffentlichten Studien (Publikationsbias!) - Expertenbefragung zu Studien 3. Informationsextraktion und Codierung der Primärstudien - Bewertung der Studienqualität (interne und externe Validität) - Aggregation (Zusammenfassung) der Effektstärken Effektstärkenmaße (sind ineinander transformierbar): (a) standardisierter Mittelwertsunterschied (b) Korrelation (c) eingängige Maßzahlen wie Odds Ratio (OR) und Number needed to treat (NNT): z.b. 60 % der Behandelten, 40% der Unbehandelten überleben, Odds-Ratio: 1.5, NNT (Anzahl der Behandlungsfälle, um ein Leben zu retten): 5 4. Bestimmung von Vertrauensintervallen und Fehlerquellen

9 Evidenz-Hierarchie Level Ia Mehrere randomisierte, kontrollierte Studien beziehungsweise deren Metaanalyse Level Ib Einzelne randomisierte, kontrollierte Studie Level IIa Gut geplante nichtrandomisierte, kontrollierte Studie Level IIb Gut geplante experimentelle Studie Level III Gut geplante nichtexperimentelle Studie, Vergleichsstudie, Korrelations- oder Fall-Kontroll-Studie Level IV Nicht evidenzbasierte Expertenmeinung

10 Maßzahlen der diagnostischen Leistung eines Tests (1) Frage: inwieweit stimmt die Aussage eines Tests mit dem wahren Sachverhalt beim Patienten überein? Krankheit vorhanden nicht vorhanden Summen Test positiv negativ a richtig positiv c falsch negativ b falsch positiv d richtig negativ a + b Testpositive c + d Testnegative Summen a + c Kranke b + d Gesunde a + b + c + d Alle

11 Maßzahlen der diagnostischen Leistung eines Tests (2) Sensitivität ( Richtig-Positiv-Rate ) Anzahl der richtig Positiven / Anzahl der Kranken Falsch-Negativ-Rate Anzahl der falsch Negativen / Anzahl der Kranken Spezifität ( Richtig-Negativ-Rate ) Anzahl der richtig Negativen / Anzahl der Gesunden a /(a+c) c / (a+c) d / (b+d) Falsch-Positiv-Rate (Falsch-Alarm Rate) Anzahl der falsch Positiven / Anzahl der Gesunden b / (b+d) Positive Korrektheit (positive predictive value PPV) Anzahl der richtig Positiven / Anzahl der Testpositiven Negative Korrektheit (negative predictive value NPV) Anzahl der richtig Negativen / Anzahl der Testnegativen a / (a+b) d / (c+d)

12 Nutzung von wissenschaftlicher Evidenz für den Einzelfall: Beispiel Mammographie-Screening Die Wahrscheinlichkeit, dass eine Frau im Alter zwischen 40 und 50 Jahren, ohne Symptome, Brustkrebs hat, beträgt 1% (=Prävalenz) Wenn eine dieser Frauen Brustkrebs hat, dann beträgt die Wahrscheinlichkeit, dass sie einen positiven Mammographie-Befund erhält, 80% (=Sensitivität) Wenn eine dieser Frauen jedoch keinen Brustkrebs hat, dann beträgt die Wahrscheinlichkeit, dass sie dennoch einen positiven Mammographie- Befund erhält, 10% (=Falsch-Alarm Rate) Wie groß ist die Wahrscheinlichkeit, dass eine Frau mit einem positiven Mammographie-Befund tatsächlich Brustkrebs hat? %

13 Antworten von Ärzten 7,5% Hoffrage und Gigerenzer (1998) Academic Medicine

14 Wissensrepräsentation: Statistische Wahrscheinlichkeit versus natürliche Häufigkeit

15 Transformation statistischer Wahrscheinlichkeit in natürliche Häufigkeit 1. Bestimme die Grundrate einer Erkrankung (z.b. 1/100) in einer Population (z.b. unerkannter Brustkrebs bei Frauen im Alter von 40-60). 2. Bestimme anhand der Grundrate und aufgrund der Testsensitivität (z.b. 0.8) wieviele erkrankte Personen einen positiven Test haben (z.b. von 1000 Frauen haben 10 unerkannt Brustkrebs, davon werden 8 richtigerweise positiv getestet) 3. Bestimme aufgrund der bekannten Rate an falsch-positiven Befunden (z.b. 0.1), wieviele Personen trotz positivem Resultat gesund sind (z.b. 99 der 990 gesunden Frauen) 4. Vergleiche die Zahl in 2. mit der Summe der Personen in 2. und 3. und bestimme dadurch, wieviele mit positivem Testresultat tatsächlich erkrankt sind (z.b. 8/99, d.h. nur ca. 8% der positiv getesteten haben tatsächlich Brustkrebs, die anderen 92% werden fälschlich weiter untersucht, behandelt, beunruhigt)

16 Nutzung von wissenschaftlicher Evidenz für den Einzelfall: Beispiel Darmkrebs-Screening Die Wahrscheinlichkeit, dass jemand im Alter über 50 einen unentdeckten Darmkrebs hat, beträgt 0,3% (=Prävalenz) Wenn einer dieser Menschen Darmkrebs hat, dann beträgt die Wahrscheinlichkeit, dass er/sie einen positiven Hämoccult-Befund erhält, 50% (=Sensitivität) Wenn einer dieser Menschen keinen Darmkrebs hat, dann beträgt die Wahrscheinlichkeit, dass er/sie dennoch einen positiven Hämoccult -Befund erhält, 3 % (=Falsch-Alarm Rate) Wie groß ist die Wahrscheinlichkeit, dass jemand mit einem positiven Hämoccult-Befund tatsächlich Darmkrebs hat? %

17 Anzahl richtiger Antworten von Ärzten in Abhängigkeit von der Darstellung der gleichen Information