Beobachtungsstudien-Designs in den Gesundheitsdiensten

Beobachtungsstudien-Designs in der Versorgungsforschungsbeschreibung und -vergleich von Leistungserbringung, Inanspruchnahme und Ergebnissen, ohne dass der Prüfarzt Expositionen oder Interventionen zuweist. Sie stützen sich stark auf routinemäßig erhobene Daten – Abrechnungsdaten, Register, elektronische Gesundheitsakten und administrative Datensätze – und wenden Kohorten-, Fall-Kontroll-, Querschnitts- und quasi-experimentelle Logik auf Fragen an, wie Systeme unter realen Bedingungen funktionieren.

Definition

Beobachtungsstudien-Designs in den Gesundheitsdiensten sind nicht-experimentelle Ansätze, bei denen der Prüfarzt Versorgung, Expositionen und Ergebnisse beobachtet, wie sie in der Routinepraxis auftreten, wobei Kohorten-, Fall-Kontroll-, Querschnitts- und quasi-experimentelle Strukturen verwendet werden, um Assoziationen und, mit sorgfältiger Anpassung, kausale Effekte abzuschätzen.

Scope

Der Eintrag behandelt die wichtigsten Beobachtungsstudien-Designs, wie sie in der Gesundheits- und Politikforschung verwendet werden, die Datenquellen, die sie speisen, die zentrale Bedrohung durch Verfälschung durch Indikation (confounding by indication) sowie die Methoden und Berichtsstandards, die zur Stärkung der kausalen Interpretation eingesetzt werden. Er ist methodisch ausgerichtet und gibt keine klinischen oder politischen Empfehlungen.

Core questions

• Wann können routinemäßig erhobene Daten eine glaubwürdige kausale Aussage über die Leistungserbringung stützen?
• Wie unterscheidet sich Verfälschung durch Indikation von einem echten Effekt?
• Welches Beobachtungsstudien-Design passt zu einer Frage über Inanspruchnahme, Zugang oder Ergebnisse?
• Welche Anpassungsmethoden reduzieren Verzerrungen, wenn eine Randomisierung unmöglich ist?

Key concepts

• Kohorten-, Fall-Kontroll- und Querschnittsdesigns
• Administrative und Abrechnungsdaten
• Elektronische Gesundheitsakten und Registerdaten
• Verfälschung durch Indikation (Confounding by indication)
• Selektions- und Informationsbias
• Propensity Scores und multivariate Anpassung
• Doppelt robuste Schätzung
• Quasi-experimentelle Designs (Differenz-in-Differenzen, unterbrochene Zeitreihen)
• STROBE-Berichterstattung

Mechanisms

Da Expositionen und Interventionen nicht vom Prüfarzt zugewiesen werden, sind Beobachtungsstudien-Designs anfällig für Störfaktoren (confounding) – insbesondere für Verfälschung durch Indikation (confounding by indication), bei der der Grund, warum ein Patient eine Behandlung oder Dienstleistung erhält, selbst mit dem Ergebnis zusammenhängt. Analysten begegnen diesem Problem durch Design (Restriktion, Matching, New-User- und Active-Comparator-Designs) und Analyse (multivariable Regression, Propensity-Score-Methoden, Instrumentalvariablen und doppelt robuste Schätzer, die Ergebnis- und Expositionsmodellierung kombinieren, sodass die Verzerrung reduziert wird, wenn eines der Modelle korrekt ist). Quasi-experimentelle Designs nutzen natürliche Variationen in Politik oder Timing, um die Randomisierung zu approximieren. Die STROBE-Erklärung standardisiert die Berichterstattung dieser Studien, damit Leser ihre Validität beurteilen können (von Elm et al., 2007; Funk et al., 2011; Rothman et al., 2008).

Clinical relevance

Beobachtungsstudien generieren einen Großteil der realen Evidenz darüber, wie Dienstleistungen und Behandlungen außerhalb von Studien funktionieren, auch in Gruppen, die oft von Experimenten ausgeschlossen sind. Eine kritische Bewertung unterstützt die Beurteilung der Stärke der Evidenz auf Versorgungsebene. Dieser Eintrag beschreibt, wie solche Evidenz erzeugt wird, und ist keine Grundlage für individuelle Diagnose- oder Behandlungsentscheidungen.

Epidemiology

Beobachtungsstudien-Designs sind die Standardoption, wenn eine Randomisierung unethisch, unpraktisch oder zu langsam ist, was bei Fragen auf System- und Politikebene häufig der Fall ist. Große verknüpfte Datensätze ermöglichen die Untersuchung seltener Ergebnisse und langfristiger Effekte in großem Maßstab, erhöhen jedoch den analytischen Aufwand zur Kontrolle von Störfaktoren (Rothman et al., 2008).

Evidence & guidelines

Die STROBE-Erklärung (von Elm et al., 2007) liefert den wichtigsten Berichtsstandard für Kohorten-, Fall-Kontroll- und Querschnittsstudien. Die Methodenliteratur zu Propensity Scores und doppelt robuster Schätzung (Funk et al., 2011) sowie epidemiologische Referenztexte (Rothman et al., 2008) beschreiben, wie Störfaktoren behandelt werden. Diese Quellen sind methodischer Natur und empfehlen keine Behandlungen.

History

Die Beobachtungsepidemiologie geht der Versorgungsforschung lange voraus, aber das Wachstum administrativer Abrechnungsdaten und elektronischer Gesundheitsakten ab dem späten 20. Jahrhundert machte groß angelegte Beobachtungsstudien zur Leistungserbringung zur Routine. Die STROBE-Erklärung von 2007 konsolidierte die Berichtspraxis, und der anschließende Aufstieg von Propensity-Score- und doppelt robusten Methoden spiegelte die anhaltenden Bemühungen wider, glaubwürdigere kausale Schlussfolgerungen aus nicht-randomisierten Daten zu ziehen.

Debates

Können Beobachtungsdaten kausale Aussagen über Behandlungseffekte stützen?

Selbst bei ausgeklügelter Anpassung können ungemessene Störfaktoren bestehen bleiben; Analysten sind sich uneinig darüber, wann Beobachtungsschätzungen vertrauenswürdig sind und wann nur eine Randomisierung ausreicht, und Designentscheidungen wie Studien mit aktiven Komparatoren und neuen Nutzern werden befürwortet, um die Lücke zu schließen.

Key figures

• Kenneth Rothman
• Sander Greenland
• Erik von Elm

Seminal works

• vonelm-2007-strobe
• funk-2011

Frequently asked questions

Warum sind Beobachtungsstudien-Designs in der Versorgungsforschung so verbreitet?

Viele Fragen zur Organisation, Finanzierung und Erbringung von Leistungen können aus ethischen oder praktischen Gründen nicht randomisiert werden, und routinemäßig erhobene Daten ermöglichen die Untersuchung großer, realer Populationen.

Was ist Verfälschung durch Indikation (Confounding by indication)?

Es ist die Verzerrung, die entsteht, wenn der klinische Grund, warum ein Patient eine Behandlung oder Dienstleistung erhält, selbst mit dem Ergebnis zusammenhängt, wodurch die behandelten und unbehandelten Gruppen nicht vergleichbar sind, es sei denn, es wird sorgfältig angepasst.