Eine Studie kippt die Metaanalyse? Sensitivitätsanalyse verständlich erklärt
Du schreibst eine Metaanalyse für deine Dissertation und fragst dich, wie stabil dein gepoolter Effekt eigentlich ist. Anfang Oktober hat ein Bericht in Nature gezeigt, wie stark eine einzige kleine Studie das Gesamtbild verschieben kann. Wie du solche Effekte überhaupt vergleichbar machst, beginnt bei der passenden Effektstärke für dein Verfahren.
Was im Fall Fluoxetin passiert ist
Der Nature-Bericht vom 2. Oktober 2026 bezieht sich auf eine Reanalyse einer Arbeitsgruppe um Lyus, erschienen in der Zeitschrift Cochrane Evidence Synthesis and Methods. Die Autoren haben drei Netzwerk-Metaanalysen zur Wirksamkeit von Fluoxetin bei Depression im Kindes- und Jugendalter verglichen. Zwei davon kamen auf deutlich größere Effekte als die dritte.
Laut dem Preprint der Reanalyse ging der Unterschied im Wesentlichen auf eine einzige kleine Studie zurück. Sie berichtete einen unplausibel großen Effekt und wies mehrere methodische Auffälligkeiten auf. Ohne diese Studie sank die standardisierte Mittelwertdifferenz gegenüber Placebo von −0.51 auf −0.20 und entsprach damit dem Ergebnis der dritten Analyse.
Für die eigene Arbeit ist der Fall lehrreich, weil er zeigt, wofür Sensitivitätsanalysen gedacht sind. Sie prüfen, ob ein Ergebnis von einzelnen Entscheidungen oder einzelnen Studien abhängt. Ein Ergebnis, das in allen sinnvollen Varianten ähnlich bleibt, ist deutlich belastbarer als eines, das an einer einzigen Studie hängt.
Was eine Leave-one-out-Analyse zeigt
Die einfachste Form ist die Leave-one-out-Analyse. Dabei wird die Metaanalyse für jede Studie einmal neu gerechnet, wobei jeweils genau diese Studie fehlt. Verändert sich der gepoolte Effekt beim Weglassen einer einzelnen Studie deutlich, hängt das Gesamtergebnis an dieser Studie.
So könnte das mit erfundenen Werten aussehen. Sechs Studien gehen mit standardisierten Mittelwertdifferenzen in eine Random-Effects-Metaanalyse ein. Fünf liegen zwischen 0.18 und 0.41, Studie 6 berichtet 1.85. Die Tabelle 1 zeigt das Ergebnis mit allen Studien und jeweils ohne eine Studie:
Analyse | Gepoolte SMD | 95 % KI | I² |
Alle sechs Studien | 0.41 | [0.15, 0.68] | 76.90 % |
Ohne Studie 1 | 0.46 | [0.12, 0.79] | 81.49 % |
Ohne Studie 2 | 0.50 | [0.15, 0.84] | 80.42 % |
Ohne Studie 3 | 0.46 | [0.14, 0.78] | 81.46 % |
Ohne Studie 4 | 0.43 | [0.12, 0.74] | 81.20 % |
Ohne Studie 5 | 0.50 | [0.14, 0.85] | 80.75 % |
Ohne Studie 6 | 0.25 | [0.13, 0.37] | 0.00 % |
Lässt man eine der ersten fünf Studien weg, bleibt der Effekt bei etwa 0.43 bis 0.50. Fehlt Studie 6, halbiert er sich fast und die Heterogenität verschwindet. Das ist ein deutliches Signal, Studie 6 genauer anzusehen.
Warnzeichen in einzelnen Studien
Eine auffällige Studie ist nicht automatisch fehlerhaft. Es gibt aber typische Hinweise, die eine genauere Prüfung rechtfertigen:
Unplausibel große Effekte. Effekte, die weit über dem liegen, was im Forschungsfeld üblich ist, verdienen einen zweiten Blick.
Zu gleichförmige Werte. Sehr ähnliche Mittelwerte oder Standardabweichungen über Gruppen und Messzeitpunkte hinweg können auf Probleme in den Daten hinweisen.
Fehlende Angaben. Fehlen etwa Angaben zur Ethikkommission, zur Registrierung oder zur Randomisierung, sinkt die Vertrauenswürdigkeit.
Kleine Stichprobe bei großem Einfluss. Kleine Studien mit extremen Effekten können das Ergebnis stärker bewegen, als ihre Größe vermuten lässt.
Für die systematische Prüfung der Vertrauenswürdigkeit einzelner Studien gibt es inzwischen eigene Instrumente. Die Reanalyse zum Fluoxetin-Fall hat dafür das Instrument INSPECT-SR verwendet. Ob ein solches Instrument in deinem Review erwartet wird, hängt vom Fach und von der Betreuung ab.
Du willst wissen, wie robust der gepoolte Effekt deiner Metaanalyse ist? Bei der statistischen Auswertung rechnen wir Sensitivitätsanalysen für dein Review und erklären dir, wie du die Ergebnisse einordnest.
Weitere Formen der Sensitivitätsanalyse
Neben Leave-one-out gibt es weitere Varianten, die in Dissertationen häufig verlangt werden. Du kannst Studien mit hohem Verzerrungsrisiko ausschließen, das Modell von Random Effects auf Fixed Effects wechseln oder unterschiedliche Effektmaße vergleichen. Entscheidend ist, dass die geplanten Sensitivitätsanalysen schon im Protokoll stehen. Sonst entsteht leicht der Eindruck, es sei so lange gerechnet worden, bis das gewünschte Ergebnis herauskam.
Wie du Konfidenzintervalle in diesem Zusammenhang korrekt angibst, erklärt der Beitrag Konfidenzintervall angeben. Für Rückfragen von Gutachterinnen und Gutachtern zu deiner Methodik hilft der Artikel Reviewer-Kommentare zur Statistik beantworten.
Sensitivitätsanalysen im eigenen Review berichten
Im Methodenteil beschreibst du, welche Sensitivitätsanalysen du vorab geplant hast. Im Ergebnisteil nennst du den gepoolten Effekt der Hauptanalyse und fasst zusammen, ob sich das Ergebnis in den Sensitivitätsanalysen verändert. Eine Tabelle mit allen Varianten kann in den Anhang. Mit den erfundenen Werten könnte ein Ergebnissatz so lauten:
Der gepoolte Effekt betrug SMD = 0.41, 95 % KI [0.15, 0.68], bei hoher Heterogenität (I² = 76.90 %). In der Leave-one-out-Analyse sank der Effekt nach Ausschluss von Studie 6 auf SMD = 0.25, 95 % KI [0.13, 0.37]. Die Heterogenität verschwand dabei vollständig (I² = 0.00 %).
Die Interpretation gehört in die Diskussion. Dort ordnest du ein, ob deine Schlussfolgerung auch ohne die auffällige Studie trägt. Welche Verfahren in der Medizin sonst häufig vorkommen, fasst der Beitrag Statistik in der medizinischen Doktorarbeit zusammen.
Häufige Fragen zur Sensitivitätsanalyse
Darf ich eine auffällige Studie einfach aus der Metaanalyse entfernen?
Nicht ohne Begründung. Üblich ist, die Hauptanalyse wie geplant zu berichten und die Analyse ohne die Studie als Sensitivitätsanalyse daneben zu stellen. So bleibt nachvollziehbar, wie stark das Ergebnis von dieser Studie abhängt.
Mit welcher Software rechne ich eine Leave-one-out-Analyse?
In R ist das etwa mit dem Paket metafor in wenigen Zeilen möglich. Auch spezialisierte Programme für Metaanalysen bieten die Funktion an. Wichtig ist, dass Modell und Effektmaß zur Hauptanalyse passen.
Was bedeutet I² genau?
I² gibt an, welcher Anteil der beobachteten Streuung zwischen den Studien auf echte Unterschiede statt auf Zufall zurückgeht. Hohe Werte sprechen dafür, dass die Studien nicht alle denselben Effekt schätzen. Wie du solche Kennwerte formal sauber berichtest, zeigt der Beitrag zu den APA-Richtlinien für Effektgrößen, Konfidenzintervalle und Power.
Was kostet die Unterstützung bei einer Metaanalyse?
Der Aufwand hängt vom Umfang ab, etwa von der Zahl der Studien, der Effektmaße und der geplanten Sensitivitätsanalysen. Wovon die Kosten im Einzelnen abhängen, beschreibt der Beitrag Was kostet eine statistische Auswertung?
Metaanalyse und Sensitivitätsanalysen rechnen lassen Wir rechnen Hauptanalyse und Sensitivitätsanalysen für dein Review und erklären dir im Abschlussgespräch, wie du die Robustheit deiner Ergebnisse vor der Promotionskommission vertrittst. Mehr dazu findest du bei der Statistik-Hilfe für Studierende und Promovierende.
