Real-World-Daten (RWD) und retrospektive Studien versprechen wertvolle Einblicke in die Wirksamkeit und Sicherheit von Therapien unter Alltagsbedingungen und zeigen Effekte bei großen, heterogenen Patient:innengruppen.1 Doch Schlagworte wie „signifikanter Vorteil“ oder „direkter-Head-to-Head-Vergleich“ werfen Fragen auf und können die Orientierung erschweren. Welche Ergebnisse sind belastbar, und wo könnten Verzerrungen lauern? In diesem Beitrag navigieren wir durch den Begriffsdschungel und zeigen, wie sich retrospektive RWD-Analysen einordnen lassen.
Eine retrospektive Studie analysiert bereits vorhandene Daten, wie etwa Patient:innenakten, Registerdaten oder andere Routinedaten, um eine Fragestellung nachträglich zu untersuchen. Anders als in prospektiv angelegten Studien werden die Daten nicht standardisiert für die Fragestellung erhoben, sondern liegen bereits vor.2
Bei randomisierten Studien werden die Teilnehmenden nach einem Zufallsverfahren (verdeckte Zuordnung) in die Prüf- und Kontrollarme verteilt.2 Häufig erfolgt die Durchführung doppelblind, das heißt, weder die Teilnehmenden noch die Untersuchenden wissen, welcher Studienarm zugewiesen wurde.2 In nicht-randomisierten Studien erfolgt die Zuteilung der Patient:innen zu den Studienarmen hingegen nicht zufällig.2
In nicht-randomisierten Settings ist es häufig, dass die Behandlungsgruppen sich bereits vor Beginn der Therapie strukturell unterscheiden. Ein Grund dafür ist der Selektionsbias (selection bias): Die Zuweisung zu einer Therapie erfolgt in Real-World-Settings nicht zufällig, sondern zumeist durch ärztliche Entscheidung, Patient:innenpräferenz, institutionelle Richtlinien oder andere systematische Faktoren.3 Das bedeutet: Wer in welchem Behandlungsarm landet, hängt häufig von Faktoren ab, die das Ergebnis beeinflussen, was die beobachteten Effekte verzerren kann.3
Bei nicht-randomisierten Studien sollten sogenannte Confounder beachtet werden.3 Das sind Variablen, die sowohl mit der Therapie als auch dem Ergebnis zusammenhängen, und so das Ergebnis verzerren können (z.B. Alter, Geschlecht, Komorbiditäten usw.).4,5 Wenn solche Einflussgrößen nicht erfasst oder nicht korrekt adjustiert werden, kann ein beobachteter Unterschied fälschlicherweise der Therapie zugeschrieben werden.3 Selbst wenn eine Adjustierung für bekannte Confounder erfolgt, bleibt das Risiko bestehen, dass unbekannte oder unbeobachtete Variablen die Ergebnisse beeinflussen.3 In nicht-randomisierten Studien ist es oft eine Herausforderung, alle relevanten Einflussgrößen zuverlässig zu erfassen.6
Wenn eine Studie berichtet, dass eine Behandlung mit einem „signifikanten Vorteil“ verbunden war, bezieht sich das zumeist auf einen statistischen Test und einen p-Wert unter einer vordefinierten Schwelle. Doch statistische Signifikanz bedeutet nicht automatisch klinische Relevanz und sie beweist nicht zwingend Kausalität.7,8 Wer jetzt an das bekannte Statistikbeispiel mit Störchen und Neugeborenen denkt, liegt richtig. Gerade bei nicht-randomisierten Studien ist Vorsicht geboten: Selbst ein signifikanter Unterschied kann durch systematische oder zufällige Verzerrungen entstehen, zum Beispiel durch unvollständig berücksichtigte Confounder oder einen Selektionsbias.3
Der Begriff „direkter Head-to-Head-Vergleich“ suggeriert häufig eine methodisch hochwertige, direkte Gegenüberstellung zweier Therapien, idealerweise in einer prospektiven, randomisierten Studie.9-11 Wird dieser Begriff jedoch für eine retrospektive, RWD-Analyse verwendet, kann das irreführend sein: Randomisierung, standardisierte Datenerhebung und vollständige Kontrolle von Confoundern fehlen oft.3 Das Wort „direkt“ kann in diesem Kontext eine methodische Strenge vortäuschen, die real nicht gegeben ist. Damit besteht die Gefahr, dass retrospektive RWD-Analysen künstlich aufgewertet werden, ohne dass die Voraussetzungen eines klassischen Head-to-Head-Vergleichs erfüllt sind.
Der Dschungel retrospektiver RWD-Analysen ist dicht und es lauern zahlreiche Stolperfallen. Wer aber die Methodik versteht, erkennt Limitationen und kann zwischen wertvollen Hinweisen und überinterpretierter Signifikanz unterscheiden. Licht ins Dunkle bringen heißt: Begriffe richtig einordnen, Bias erkennen und kritisch hinterfragen.
_____________________________________________________
M-DE-00028869
