Publikationsbias

Publikationsbias ist die Tendenz, dass Studien mit statistisch signifikanten oder positiven Ergebnissen eher und prominenter sowie schneller veröffentlicht werden als Studien mit Null- oder negativen Ergebnissen. Da systematische Übersichten und Metaanalysen auf veröffentlichten Daten basieren, kann diese selektive Verfügbarkeit die synthetisierte Schätzung hin zu einem stärkeren Effekt verzerren, als es der Realität entspricht.

Definition

Publikationsbias ist die systematische Differenz zwischen den Ergebnissen von Studien, die veröffentlicht und zugänglich sind, und den Ergebnissen aller durchgeführten Studien. Sie entsteht, weil die Wahrscheinlichkeit und Prominenz der Veröffentlichung von der Art und Richtung der Studienergebnisse abhängen.

Scope

Dieser Eintrag behandelt den Publikationsbias und die umfassendere Familie von Berichtsverzerrungen (Reporting Biases), die die Evidenzsynthese beeinflussen: ihre Ursachen, ihre Auswirkungen auf gepoolte Schätzungen sowie die grafischen und statistischen Methoden zu ihrer Detektion und Untersuchung, einschließlich des Funnel Plots, des Egger-Regressionstests, des Begg-Rangkorrelationstests und der Trim-and-Fill-Anpassung. Diese werden als methodologische Themen behandelt, nicht als klinische Leitlinien.

Core questions

• Sind die für die Synthese verfügbaren Studien eine verzerrte Stichprobe aller durchgeführten Studien?
• Wie kann das Vorhandensein eines solchen Bias anhand der gesammelten Studien festgestellt werden?
• Wie stark könnten unveröffentlichte oder selektiv berichtete Ergebnisse die Schlussfolgerung verändern?

Key concepts

• Berichts- und Disseminationsbias
• File-Drawer-Problem
• Small-Study-Effects
• Funnel Plot und seine Asymmetrie
• Egger-Regressionstest
• Begg-Rangkorrelationstest
• Trim-and-Fill-Anpassung
• Studien- und Protokollregistrierung

Mechanisms

Studien, die signifikante oder günstige Ergebnisse finden, werden mit höherer Wahrscheinlichkeit eingereicht, akzeptiert und zitiert als solche, die dies nicht tun, sodass die zugängliche Literatur positive Ergebnisse überrepräsentiert. Verwandte Berichtsverzerrungen (selektive Ergebnisberichterstattung, Zeitverzögerungs- und Sprachbias) wirken in die gleiche Richtung. Da eine Metaanalyse alles zusammenführt, was sie abrufen kann, kann diese Selektion den zusammenfassenden Effekt aufblähen. Der Funnel Plot zeigt den Effekt jeder Studie im Verhältnis zu ihrer Präzision; bei Abwesenheit von Bias streuen die Punkte symmetrisch, während eine Lücke bei kleinen, weniger präzisen Studien auf fehlende negative Ergebnisse hindeutet, ein Muster, das oft als Small-Study-Effects bezeichnet wird. Der Egger-Regressionstest und der Begg-Rangkorrelationstest quantifizieren die Asymmetrie des Funnel Plots, und die Trim-and-Fill-Methode imputiert die Studien, die aufgrund der Asymmetrie als fehlend angenommen werden, und berechnet eine angepasste Schätzung neu. Keines dieser Werkzeuge kann Publikationsbias mit Sicherheit von echter Heterogenität unterscheiden, daher ist die prospektive Registrierung von Studien und Protokollen die grundlegendere Schutzmaßnahme.

Clinical relevance

Publikationsbias kann eine Intervention effektiver oder sicherer erscheinen lassen, als es die vollständige Evidenz zeigen würde, was relevant ist, wenn Übersichten Leitlinien und Politik beeinflussen. Die Beurteilung, ob eine Metaanalyse dieses Risiko untersucht hat, ist Teil der Bewertung ihrer Zuverlässigkeit. Dieser Eintrag erklärt, wie der Bias entsteht und untersucht wird; es handelt sich um Referenzmaterial zur Evidenzbewertung, nicht um Ratschläge für einzelne Patienten.

Epidemiology

Empirische Studien, die Kohorten von registrierten Studien und durch Fördergelder finanzierte Studien verfolgen, haben wiederholt gezeigt, dass statistisch signifikante Ergebnisse häufiger und früher veröffentlicht werden. Die Untersuchung von Funnel Plots und Asymmetrietests wird routinemäßig in Metaanalysen berichtet, und die Studienregistrierung (zum Beispiel durch prospektive Register und Zeitschriftenregistrierungsrichtlinien) wurde teilweise eingeführt, um dem Problem entgegenzuwirken.

Evidence & guidelines

Empfehlungen zur Untersuchung und Interpretation der Funnel-Plot-Asymmetrie in Metaanalysen randomisierter Studien wurden von Sterne et al. (2011) dargelegt und werden weithin befolgt; Berichtsstandards wie PRISMA fordern Gutachter auf, das Risiko eines Bias aufgrund fehlender Ergebnisse zu bewerten. Dies sind methodologische Empfehlungen, keine Behandlungsleitlinien.

History

Die Unterveröffentlichung negativer Ergebnisse wurde in den 1950er und 1960er Jahren beschrieben und kristallisierte sich Ende der 1970er Jahre als „File-Drawer-Problem“ heraus. Methoden zu seiner Detektion reiften in den 1990er Jahren: Begg und Mazumdar (1994) schlugen einen Rangkorrelationstest für die Funnel-Plot-Asymmetrie vor, und Egger und Kollegen (1997) führten einen einfachen Regressionstest ein, der weithin verwendet wurde. Duval und Tweedie (2000) fügten die Trim-and-Fill-Anpassung hinzu, und Sterne et al. (2011) konsolidierten später die Leitlinien zur Interpretation von Funnel Plots. Die Studienregistrierung entwickelte sich parallel als strukturelles Heilmittel.

Debates

Was genau zeigt die Funnel-Plot-Asymmetrie an?

Asymmetrie kann Publikationsbias widerspiegeln, aber auch echte Heterogenität, Unterschiede in der Studienqualität oder Zufall. Daher sind Asymmetrietests empfindlich gegenüber anderen Ursachen als selektiver Veröffentlichung und können irreführend sein, wenn nur wenige Studien vorliegen.

Wie sehr sollte der Trim-and-Fill-Anpassung vertraut werden?

Trim-and-Fill imputiert hypothetisch fehlende Studien und berechnet die Schätzung neu, basiert aber auf starken Annahmen über die Form des Funnels und kann über- oder unterkorrigieren. Daher wird sie in der Regel eher als Sensitivitätsanalyse denn als definitive Anpassung behandelt.

Key figures

• Matthias Egger
• George Davey Smith
• Colin Begg
• Sue Duval
• Richard Tweedie
• Jonathan Sterne

Seminal works

• egger-1997
• duval-tweedie-2000
• begg-mazumdar-1994
• sterne-2011-funnel

Frequently asked questions

Was ist ein Funnel Plot und wie hängt er mit dem Publikationsbias zusammen?

Ein Funnel Plot stellt die Effektschätzung jeder Studie gegen ihre Präzision grafisch dar. Wenn kein Bias vorliegt, streuen die Studien symmetrisch um den gepoolten Effekt; eine Lücke bei den kleineren, weniger präzisen Studien, insbesondere auf der Seite ungünstiger Ergebnisse, deutet darauf hin, dass einige negative Studien in der veröffentlichten Literatur fehlen könnten.

Können statistische Tests beweisen, dass Publikationsbias vorliegt?

Nein. Tests wie die von Egger und Begg detektieren eine Funnel-Plot-Asymmetrie, die durch Publikationsbias, aber auch durch echte Heterogenität, Studienqualität oder Zufall entstehen kann. Sie erhöhen oder verringern den Verdacht, anstatt die Ursache zu beweisen, und die prospektive Registrierung von Studien ist eine stärkere Schutzmaßnahme als jeder nachträgliche Test.