Datenextraktion für Metaanalysen:wenn gleich aussehende Outcomes verschieden sind

Ist die Extraktionstabelle eines gewöhnlichen Reviews eine Liste von Informationen aus jeder Studie, hat die Extraktionstabelle einer Metaanalyse einen strengeren Auftrag: Sie muss Zahlen enthalten, die wirklich korrespondieren – denn sie sind das Rohmaterial fürs Pooling.

Jede Zelle trägt also eine implizite Frage: Ist dieser Wert wirklich mit den Werten derselben Spalte aus den anderen Studien vergleichbar? Diese Frage zerlegen wir in fünf Prüfungen.

Zwei Studien können beide „Mortalität“ berichten und Verschiedenes meinen – Gesamtmortalität versus krankheitsspezifische Mortalität. Auch zwei „Verbesserungen“, gemessen auf unterschiedlichen Skalen, lassen sich nicht poolen.

Extrahieren Sie aus dem Methodenteil, wie jede Studie ihr Outcome definiert hat, und stellen Sie die Definitionen nebeneinander. Definitionen abgleichen, nicht Bezeichnungen – das ist der erste Verifizierungsschritt.

„Outcome nach der Behandlung“ bedeutet nach 4 Wochen etwas anderes als nach einem Jahr.

Geben Sie Messzeitpunkten immer eine eigene Spalte und entscheiden Sie im Team, zu welchem Zeitpunkt gepoolt wird (oder ob Zeitpunkte getrennt analysiert werden). Zeitangaben sind oft über den Text verstreut – manchmal stehen sie nur auf der x-Achse einer Abbildung. Prüfen Sie auch jede Abbildung und Tabelle.

Auch die Zusammensetzung von Interventions- und Kontrollgruppe braucht den Korrespondenz-Check. Eine Studie mit „Kontrolle = Placebo“ und eine mit „Kontrolle = Standardversorgung“ stellen unterschiedliche Vergleiche an.

Dosisbereiche und Behandlungsdauern hier festzuhalten zahlt sich später aus – bei der Analyse der Heterogenität und der Diskussion von Subgruppen.

Der Nenner hinter einem Wert unterscheidet sich, je nachdem, ob er aus einer Intention-to-treat-Analyse (ITT), einer Per-Protocol-Analyse oder nur den Completern stammt – und selbst innerhalb einer Studie kann der Nenner von Tabelle zu Tabelle wechseln.

Halten Sie fest, aus welcher Analysepopulation jeder Wert stammt – zusammen mit der Nummer der Quelltabelle. Ein schlichtes „Tabelle 3, ITT“ spart bei Verifizierung und Peer-Review echte Zeit. Einigen Sie sich im Team vorab auf eine Regel für die Wahl des Nenners.

Zuletzt das statistische Format. Ist der berichtete Wert eine Mittelwertdifferenz oder ein Verhältnis? Ist die Streuung eine SD (Standardabweichung), ein SE (Standardfehler) oder ein Konfidenzintervall?

SD mit SE zu verwechseln gilt als der klassische schwere Extraktionsfehler der Metaanalyse. Da das Umrechnen zwischen Formaten statistisches Urteilsvermögen verlangt, versuchen Sie Konversionen nicht im Alleingang – konsultieren Sie eine Statistikerin, einen Statistiker oder Ihre Betreuung.

Auch eine Extraktion entlang dieser fünf Prüfungen kann die KI entwerfen. Bitten Sie sie, „Outcome-Definition, Messzeitpunkt, Gruppendefinitionen, Analysepopulation und Effektgröße aus diesem Paper in diesem Format zu extrahieren“, und der erste Wurf der Tabelle steht schnell.

Doch weil diese Werte ins Pooling fließen, deckt die Verifizierung jeden Datenpunkt ab – am Originaltext, den Abbildungen, Tabellen und Supplements. Der KI-Entwurf ist nur der Eröffnungszug, nie ein Ersatz für die Verifizierung. Finden Sie einen Fehler, korrigieren Sie den Entwurf und markieren ihn als verifiziert.

In Paperfy teilen sich KI-Zusammenfassung, Abbildungen und Original-PDF jedes eingeschlossenen Papers eine Seite – so ist das Zurückverfolgen der Fundstellen entlang der fünf Prüfungen schnell erledigt.

Die Zusammenfassung ist von Hand editierbar, Sie können also bestätigte Notizen auf der Seite des Papers ergänzen – „Outcome: Gesamtmortalität (Methods S. 4) / Zeitpunkt: 12 Monate / Nenner: ITT (Tabelle 2)“. Schlägt beim Pooling der Zweifel zu, verkürzt diese Notizschicht zwischen Extraktionstabelle und Originaltext die Suchzeit drastisch.