Wie man eine Metaanalyse durchführt:Poolen ist nicht Sammeln und Mitteln

Zuerst der Kontext. Eine Metaanalyse ist keine eigenständige Aufgabe – gemeint ist üblicherweise das statistische Pooling am Ende eines systematischen Reviews, in dem Frage, Suche, Auswahl und Bewertung vorab festgelegt wurden.

Das heißt: Die Qualität einer Metaanalyse ist weitgehend entschieden, bevor gepoolt wird. Waren die Auswahlkriterien der Studien fehlerhaft, macht keine noch so präzise Rechnung das Ergebnis vertrauenswürdig. (Wie beide zusammenhängen, erklärt unser Artikel zum Unterschied zwischen systematischem Review und Metaanalyse.)

Die Frage einer Metaanalyse wird auf ein einziges PICO (Patient, Intervention, Comparison, Outcome) verengt: Verbessert diese Intervention dieses Outcome in dieser Population?

Eine zu breite Frage vermischt Studien grundverschiedener Art, und kein späterer Schritt kann ihr Pooling mehr rechtfertigen. Ob das Pooling vertretbar sein wird, entscheidet sich weitgehend an diesem einen Satz.

Sie entwerfen eine Suchanfrage, durchsuchen mehrere Datenbanken mit lückenloser Dokumentation und screenen gegen vorab festgelegte Kriterien. Das ist der Standardprozess des systematischen Reviews; die Details überlassen wir unseren Artikeln zu Review-Design und Screening.

KI-Zusammenfassungen können in dieser Phase die Erstlektüre unterstützen – Einschlussentscheidungen und Ausschlussgründe hält aber ein Mensch fest, der am Originaltext arbeitet.

Aus den eingeschlossenen Studien extrahieren Sie die Zahlen, die das Pooling braucht – Teilnehmerzahlen, Ergebnisse pro Gruppe, Effektgrößen-Daten – in einheitlichem Format.

In einer Metaanalyse ist die Bestätigung, dass Outcome-Definitionen, Messzeitpunkte und Analysepopulationen über die Studien hinweg korrespondieren, das Herzstück der Datenextraktion. Wer sie überspringt, begeht den klassischen Fehler, Verschiedenes zu mitteln. Die Praxis dazu steht in unserem Artikel zur Datenextraktion für Metaanalysen.

Sind die Daten beisammen, widerstehen Sie dem Drang, sofort zu poolen. Fragen Sie erst: Lassen sich diese Studien überhaupt kombinieren? Sind Populationen, Interventionen und Outcomes ähnlich genug? Sind die Designs kompatibel?

„Lässt sich berechnen“ und „lässt sich kombinieren“ sind zwei verschiedene Dinge. Äpfel und Birnen zu mitteln ergibt kein sinnvolles Ergebnis. Ob gepoolt wird und wie (etwa Fixed- versus Random-Effects-Modell), verlangt statistisches Urteilsvermögen – die Rücksprache mit Statistikerin, Statistiker oder Betreuung ist unverzichtbar.

Gepoolte Ergebnisse kommen mit einer Bewertung der Variabilität zwischen den Studien – der Heterogenität. Ist sie groß, liefert die Frage, warum die Studien differieren, oft wichtigere Erkenntnisse als der gepoolte Wert selbst.

Heterogenitätsstatistiken zu interpretieren und Subgruppen- und Sensitivitätsanalysen zu entwerfen ist Teamarbeit, keine Soloarbeit. Die Schlussfolgerung einer Metaanalyse ist keine einzelne Zahl – sie ist die Zahl plus die Ähnlichkeit der Studien plus die Gründe ihrer Unterschiede.

Am Ende kehren Sie zur Frage zurück. Ist der gepoolte Effekt klinisch bedeutsam? Wie stark relativiert das Verzerrungsrisiko der eingeschlossenen Studien die Schlussfolgerung?

Dieser Teil lässt sich nicht an KI delegieren. Eine ehrliche Interpretation kann nur schreiben, wer die Originale gelesen hat und ihre Grenzen versteht.

Auf diesem langen Weg ist Paperfy der Ort, an dem Sie lesen, verifizieren und zurückkehren. Jedes eingeschlossene Paper bekommt eine Seite mit KI-Zusammenfassung, Abbildungen, Tabellen und Original-PDF. Die Zusammenfassungen lassen sich von Hand bearbeiten, sodass Sie Extraktionsbestätigungen oder Bedenken zur Poolbarkeit als Notizen ergänzen können. Statistiksoftware (R, RevMan) oder ein Literaturverwaltungsprogramm ersetzt es nicht – es unterstützt das Lesen, das vor ihnen kommt.