6 Fragen zu Metaanalyse

Das REML-Verfahren (Restricted Maximum Likelihood) wird bei Metaanalysen vor allem dann verwendet, wenn ein Random-Effects-Modell (Zufallseffekte-Modell) zum Einsatz kommt. REML dient dabei zur Schätzung der Varianz der wahren Effekte zwischen den Studien (also der sogenannten Heterogenität, meist als τ² bezeichnet). **Wann REML verwenden?** - Wenn du davon ausgehst, dass die wahren Effekte in den einzelnen Studien unterschiedlich sind (also nicht alle Studien denselben wahren Effekt schätzen). - Wenn du ein Random-Effects-Modell anwendest, um diese Unterschiede zu berücksichtigen. - REML ist besonders nützlich bei einer moderaten bis großen Anzahl von Studien, da es im Vergleich zu anderen Schätzmethoden (wie DerSimonian-Laird) oft weniger verzerrte Schätzungen der Heterogenität liefert. **Nicht verwenden solltest du REML:** - Bei Fixed-Effect-Modellen (hier wird keine Heterogenität geschätzt). - Bei sehr wenigen Studien (z.B. <5), da alle Schätzmethoden dann unzuverlässig werden können. **Zusammengefasst:** REML wird bei Metaanalysen mit Random-Effects-Modellen zur Schätzung der Heterogenität zwischen den Studien eingesetzt, insbesondere wenn eine möglichst unverzerrte Schätzung dieser Varianz gewünscht ist.

Signifikante Heterogenität in einer Metaanalyse bedeutet, dass die Ergebnisse der einzelnen eingeschlossenen Studien stärker voneinander abweichen, als es durch Zufall zu erwarten wäre. Das heißt, die Studien sind nicht „homogen“, sondern unterscheiden sich in ihren Ergebnissen in einem Ausmaß, das statistisch auffällig ist. Heterogenität wird in Metaanalysen meist mit statistischen Tests wie dem **Cochran’s Q-Test** oder dem **I²-Statistik** gemessen. Ist die Heterogenität signifikant (z. B. p-Wert < 0,05 beim Q-Test oder ein hoher I²-Wert), deutet das darauf hin, dass Unterschiede zwischen den Studien bestehen, die auf Faktoren wie unterschiedliche Populationen, Interventionen, Studiendesigns oder Messmethoden zurückzuführen sein können. Signifikante Heterogenität ist wichtig, weil sie die Interpretation der zusammengefassten Ergebnisse erschwert. In solchen Fällen sollte man die Ursachen der Heterogenität untersuchen (z. B. durch Subgruppenanalysen oder Metaregressionen) und die Ergebnisse mit Vorsicht interpretieren.

In einer Metaanalyse steht „SMD“ für „Standardized Mean Difference“ (standardisierte Mittelwertdifferenz). Das ist ein statistisches Maß, das verwendet wird, um die Effektstärke zwischen zwei Gruppen (z. B. Behandlungs- und Kontrollgruppe) zu vergleichen, wenn verschiedene Studien unterschiedliche Skalen oder Messinstrumente verwenden. „Signifikant“ bedeutet in diesem Zusammenhang, dass der berechnete Effekt (also die SMD) statistisch bedeutsam ist – das heißt, das Ergebnis ist mit hoher Wahrscheinlichkeit nicht durch Zufall entstanden. Dies wird meist durch einen p-Wert (z. B. p < 0,05) oder ein Konfidenzintervall angegeben, das den Wert 0 nicht einschließt. Zusammengefasst: Ein „signifikantes SMD“ in einer Metaanalyse bedeutet, dass die standardisierte Mittelwertdifferenz zwischen den verglichenen Gruppen statistisch bedeutsam ist und somit ein echter Unterschied zwischen den Gruppen besteht. Weitere Infos findest du z. B. hier: https://www.cochrane.de/de/glossar/standardisierte-mittelwertdifferenz-smd

Tau-Quadrat (τ²) und Chi-Quadrat (χ²) sind beides Maße, die in der Metaanalyse zur Bewertung der Heterogenität zwischen den eingeschlossenen Studien verwendet werden, aber sie messen unterschiedliche Aspekte: **Chi-Quadrat (χ²):** - Das Chi-Quadrat-Teststatistik (Cochran’s Q) prüft, ob die beobachtete Variation der Studienergebnisse größer ist als die zufällig zu erwartende Variation. - Ein hoher χ²-Wert (bei kleinem p-Wert) deutet auf signifikante Heterogenität hin. - χ² ist abhängig von der Anzahl der Studien und deren Größe. **Tau-Quadrat (τ²):** - Tau-Quadrat ist eine Schätzung der Varianz der wahren Effekte zwischen den Studien, also der „zwischenstudien-Varianz“. - τ² ist ein zentrales Maß im Random-Effects-Modell und gibt an, wie stark sich die wahren Effekte der Studien unterscheiden. - Anders als χ² ist τ² eine absolute Maßzahl (Varianz) und nicht von der Anzahl der Studien abhängig. **Zusammenhang:** - χ² ist die Grundlage für die Schätzung von τ². Das Ergebnis des χ²-Tests (Cochran’s Q) wird in Formeln zur Schätzung von τ² verwendet (z.B. DerSimonian-Laird-Methode). - Während χ² nur anzeigt, ob Heterogenität vorliegt, quantifiziert τ² deren Ausmaß. - Beide Maße werden oft gemeinsam berichtet, um sowohl das Vorliegen als auch das Ausmaß der Heterogenität zu beschreiben. **Kurz gesagt:** χ² zeigt, ob Heterogenität besteht, τ² wie groß sie ist. τ² wird aus χ² berechnet und ist besonders wichtig für Random-Effects-Metaanalysen. Weitere Infos findest du z.B. bei [Cochrane](https://training.cochrane.org/handbook/current/chapter-10#section-10-10-2).

In der Metaanalyse ist die Regressionsanalyse ein sinnvolles Werkzeug, um Zusammenhänge zwischen Studienmerkmalen (Moderatorvariablen) und den Effektstärken zu untersuchen. Sie wird häufig als „Meta-Regression“ bezeichnet. Damit kannst du prüfen, ob bestimmte Variablen (z.B. Studiendesign, Stichprobengröße, Publikationsjahr) systematisch mit den berichteten Effekten zusammenhängen. Die Signifikanzprüfung in der Meta-Regression erfolgt ähnlich wie in klassischen Regressionsanalysen: Du prüfst, ob der geschätzte Regressionskoeffizient signifikant von null verschieden ist. Das geschieht meist über einen z-Test oder ein Konfidenzintervall. Wichtige Hinweise: - Die Power der Meta-Regression hängt stark von der Anzahl der eingeschlossenen Studien ab. Bei wenigen Studien (<10) sind die Ergebnisse oft wenig zuverlässig. - Meta-Regressionen sind anfällig für Scheinkorrelationen, da sie auf aggregierten Studiendaten beruhen. - Die Ergebnisse zeigen Assoziationen, keine Kausalität. Fazit: Die Regressionsanalyse ist in der Metaanalyse ein sinnvolles Verfahren, um signifikante Moderatoren zu identifizieren. Die Ergebnisse sollten aber immer vorsichtig interpretiert werden, insbesondere bei geringer Studienanzahl oder heterogenen Datensätzen. Weitere Informationen findest du z.B. bei [Cochrane](https://training.cochrane.org/handbook/current/chapter-10#section-10-11) oder im [Handbuch zur Metaanalyse](https://www.meta-analysis.com/pages/why_meta_analysis.php).

Die standardisierte Mittelwertdifferenz (SMD) selbst ist ein Maß für die Effektstärke und beschreibt die Größe des Unterschieds zwischen zwei Gruppen, unabhängig von der Maßeinheit der ursprünglichen Skala. Sie ist also zunächst ein deskriptives Maß. In einer Metaanalyse wird jedoch zu jeder SMD auch ein Konfidenzintervall (meist 95 %) berechnet. Dieses Intervall gibt an, in welchem Bereich der wahre Effekt mit einer bestimmten Wahrscheinlichkeit liegt. Zusätzlich wird häufig ein p-Wert angegeben, der die statistische Signifikanz des Effekts prüft. **Statistisch signifikant** ist die SMD in einer Metaanalyse dann, wenn das Konfidenzintervall die Null nicht umfasst (bei einem zweiseitigen Test). Das bedeutet, dass der Unterschied zwischen den Gruppen mit hoher Wahrscheinlichkeit nicht zufällig ist. **Zusammengefasst:** Ja, eine standardisierte Mittelwertdifferenz in einer Metaanalyse kann statistisch signifikant sein, wenn das zugehörige Konfidenzintervall die Null nicht einschließt bzw. der p-Wert unter dem gewählten Signifikanzniveau (z. B. 0,05) liegt.