Bias & Confounding in klinischen Studien erkennen und vermeiden

Eine Beobachtungsstudie zeigt: Menschen, die täglich mehrere Tassen Kaffee trinken, haben ein höheres Risiko für einen Herzinfarkt. Bedeutet das, Kaffee ist gefährlich für das Herz? Nicht unbedingt – denn Kaffeetrinker:innen rauchen in vielen Studienpopulationen häufiger, bewegen sich weniger oder ernähren sich anders. Wird dieser Effekt nicht berücksichtigt, entsteht eine verzerrte, möglicherweise falsche Schlussfolgerung. Genau das Erkennen solcher Verzerrungen – Bias und Confounding – ist eine der wichtigsten Fähigkeiten, um Studien im Examen und im klinischen Alltag richtig zu bewerten.

Was sind Bias und Confounding? Warum ist das Thema prüfungsrelevant?

Bias (Verzerrung) bezeichnet einen systematischen Fehler bei Planung, Durchführung oder Auswertung einer Studie, der zu einer falschen Schätzung des wahren Effekts führt. Confounding (Konfundierung) ist ein Spezialfall, bei dem eine dritte Variable sowohl mit der Exposition als auch mit dem Outcome zusammenhängt und dadurch einen Scheinzusammenhang erzeugt oder einen echten Zusammenhang verdeckt. Beide Konzepte gehören zum IMPP-Gegenstandskatalog Biometrie/Epidemiologie und werden regelmäßig anhand von Fallbeispielen abgefragt, bei denen die richtige Bias-Art identifiziert werden muss.

Definitionsbox: Die wichtigsten Bias-Arten

Wie erkennt man einen Confounder?

Eine Variable gilt als Confounder, wenn drei Kriterien gleichzeitig erfüllt sind:

• Sie ist mit der Exposition assoziiert.
• Sie ist unabhängig von der Exposition mit dem Outcome assoziiert.
• Sie liegt nicht auf dem kausalen Pfad zwischen Exposition und Outcome (ist also kein Zwischenschritt der Wirkkette).

Ist das dritte Kriterium nicht erfüllt, handelt es sich nicht um Confounding, sondern um Mediation – eine im Examen häufig verwechselte Unterscheidung.

Rechenbeispiel: Confounding und das Simpson-Paradoxon

Wie stark Confounding das Ergebnis verfälschen kann, zeigt folgendes (fiktives) Beispiel zweier Therapien bei unterschiedlichem Schweregrad der Erkrankung:

In beiden Schweregrad-Strata ist Therapie A der Therapie B überlegen – in der zusammengefassten Gesamtauswertung erscheint jedoch Therapie B überlegen. Ursache ist die ungleiche Verteilung des Schweregrads (Confounder) auf die beiden Therapiegruppen. Dieses Phänomen wird als Simpson-Paradoxon bezeichnet und verdeutlicht, warum eine Stratifizierung nach relevanten Confoundern für die korrekte Interpretation von Studiendaten unverzichtbar ist.

Methoden zur Kontrolle von Confounding

Bias vs. Confounding: Der entscheidende Unterschied

Ein häufiger Prüfungsfehler ist, Bias und Confounding gleichzusetzen. Bias entsteht durch einen systematischen Fehler in Methodik oder Durchführung der Studie (z. B. fehlerhafte Auswahl oder Messung) und kann durch besseres Studiendesign von vornherein vermieden werden. Confounding hingegen ist ein strukturelles Problem der Datenstruktur selbst – es entsteht auch bei methodisch korrekter Durchführung, wenn Exposition und Outcome eine gemeinsame Drittursache haben, und kann nachträglich statistisch kontrolliert werden.

Key Takeaways

• Bias ist ein systematischer Fehler in Studienplanung, -durchführung oder -auswertung.
• Confounding entsteht durch eine Drittvariable, die mit Exposition und Outcome assoziiert ist.
• Ein echter Confounder liegt nicht auf dem kausalen Pfad zwischen Exposition und Outcome.
• Randomisierung ist die wirksamste Methode, um sowohl bekannte als auch unbekannte Confounder zu kontrollieren.
• Das Simpson-Paradoxon zeigt eindrucksvoll, wie fehlende Stratifizierung Ergebnisse verfälschen kann.

Häufige Fragen zu Bias und Confounding

1. Was ist der Unterschied zwischen Bias und Confounding?

Bias ist ein systematischer Fehler in der Studienmethodik, Confounding ein strukturelles Problem durch eine Drittvariable, die mit Exposition und Outcome zusammenhängt.

2. Was ist ein Recall Bias?

Ein Informationsbias, bei dem sich Erkrankte anders (meist genauer) an vergangene Expositionen erinnern als Gesunde.

3. Welche drei Kriterien muss ein Confounder erfüllen?

Assoziation mit der Exposition, unabhängige Assoziation mit dem Outcome, und keine Position auf dem kausalen Pfad zwischen beiden.

4. Was ist die beste Methode zur Kontrolle von Confounding?

Die Randomisierung, da sie sowohl bekannte als auch unbekannte Confounder gleichmäßig auf die Studienarme verteilt.

5. Was ist das Simpson-Paradoxon?

Ein Phänomen, bei dem sich der Zusammenhang zwischen zwei Variablen umkehrt, je nachdem ob die Daten stratifiziert oder zusammengefasst betrachtet werden – verursacht durch einen unberücksichtigten Confounder.

6. Was ist Publikationsbias?

Die Tendenz, dass Studien mit signifikanten oder positiven Ergebnissen häufiger publiziert werden als Studien mit negativen Ergebnissen.

7. Kann Confounding auch bei methodisch korrekten Studien auftreten?

Ja, Confounding ist ein Strukturproblem der Daten und kann auch bei sauberer Durchführung auftreten, wenn relevante Drittvariablen nicht kontrolliert werden.

8. Was ist der Unterschied zwischen Confounding und Mediation?

Bei Mediation liegt die Drittvariable auf dem kausalen Pfad zwischen Exposition und Outcome, bei Confounding nicht.

9. Warum ist die Wahl des Studiendesigns für Bias und Confounding relevant?

Manche Studiendesigns sind anfälliger für bestimmte Bias-Arten als andere, etwa Fall-Kontroll-Studien für Recall Bias. Mehr dazu im Artikel Studiendesigns im Vergleich.

Bias und Confounding im Kontext der evidenzbasierten Medizin

Die kritische Bewertung von Bias und Confounding ist ein Kernbestandteil dessen, was David Sackett als evidenzbasierte Medizin beschrieb: die bewusste, systematische Einordnung wissenschaftlicher Evidenz statt unreflektierter Übernahme von Studienergebnissen. Der IMPP-Gegenstandskatalog für den klinischen Abschnitt verlangt explizit die Fähigkeit, systematische Fehlerquellen in Studien zu identifizieren – eine Anforderung, die sich auch in der Ärztlichen Approbationsordnung (ÄApprO) widerspiegelt. Die Cochrane Collaboration hat mit ihrem Risk-of-Bias-Tool ein etabliertes Instrument geschaffen, um Bias in randomisierten Studien systematisch zu bewerten – ein Verfahren, das auch bei der Erstellung systematischer Übersichtsarbeiten zum Einsatz kommt, wie du im Artikel Systematische Übersichtsarbeiten & Metaanalysen nachlesen kannst.