Wie man eine Metaanalyse Schritt für Schritt durchführt

Eine Metaanalyse fasst die Ergebnisse mehrerer Studien zusammen und kombiniert sie zu einem einzigen, aussagekräftigeren Ergebnis. Sie ist eine zentrale Forschungsmethode, insbesondere in der Medizin und der Psychologie.

Dieser Leitfaden deckt den gesamten Prozess von Anfang bis Ende ab. Wir begleiten Sie von der Formulierung Ihrer Forschungsfrage bis hin zur Interpretation der endgültigen Zahlen. Zudem erhalten Sie einen Einblick in die benötigten Werkzeuge und die typischen Fehler, die es zu vermeiden gilt. Wenn Sie parallel zur quantitativen Synthese das Review-Narrativ verfassen, kann Ihnen der AI Literature Review & RRL Generator dabei helfen, Quellen zu organisieren und den theoretischen Hintergrund zu formulieren.

<CTA title="Planen Sie Ihre Metaanalyse präzise" description="Strukturieren Sie Ihren Forschungs-Workflow mit geführten KI-Gliederungen und klaren Schritten" buttonLabel="Jenni kostenlos testen" link="https://app.jenni.ai/register" />

Was ist eine Metaanalyse und warum sie wichtig ist

Eine Metaanalyse ist eine Methode zur Zusammenführung von Daten aus mehreren Forschungsstudien. Auf diese Weise entsteht ein einziges, aussagekräftigeres Ergebnis. Die größere kombinierte Stichprobengröße macht die Ergebnisse robuster und weniger anfällig für Zufälle.

Das Cochrane Handbook stellt fest, dass diese Datensynthese über verschiedene Studien hinweg zuverlässigere Evidenz liefert, als es jede einzelne Studie vermag.

Einen hilfreichen Überblick darüber, wie systematische Übersichtsarbeiten und Metaanalysen zusammenwirken, finden Sie in diesem Leitfaden über systematische Reviews und Metaanalysen.

Die Methode ist in mehreren Bereichen weit verbreitet:

• Medizin

• Psychologie

• Bildungsforschung

Einfach ausgedrückt ist es so, als würde man viele kleine Experimente nehmen und sie in eine große, vertrauenswürdigere Studie verwandeln.

<ProTip title="💡 Pro-Tipp:" description="Eine Metaanalyse ist nur dann sinnvoll, wenn die Studien ähnliche Endpunkte messen" />

Schritt 1: Definieren Sie eine klare Forschungsfrage

Alles bei einer Metaanalyse hängt von der Ausgangsfrage ab. Wenn diese vage ist, fehlt dem gesamten Projekt von Anfang an der Fokus.

Eine bewährte Methode zur Formulierung Ihrer Frage ist das PICO-Schema. Dieses gliedert die Frage in vier Teile:

• Population (Patienten/Population)

• Intervention (Intervention/Therapie)

• Comparison (Kontrollgruppe/Vergleich)

• Outcome (Zielgröße/Ergebnis)

Beispiel: „Senkt [Wirkstoff X] den Blutdruck bei Erwachsenen über 50 Jahren stärker als ein Placebo?“

Diesen Schritt richtig anzugehen, ist entscheidend. Ihre präzise Frage bestimmt, nach welchen Studien Sie suchen, welche Informationen Sie daraus extrahieren und wie Sie die Analyse durchführen. Eine ungenaue Frage führt dazu, dass Sie uneinheitliche Daten sammeln, und die endgültige Schlussfolgerung verliert an Aussagekraft.

Schritt 2: Entwickeln und registrieren Sie ein Protokoll

Bevor Sie den ersten Datenpunkt erfassen, benötigen Sie einen Plan. Dieser Plan wird Protokoll genannt. Es ist ein detailliertes Dokument, das Ihre Methoden im Vorfeld festlegt. Das Hauptziel besteht darin, Verzerrungen (Bias) zu vermeiden; es hindert Sie daran, Ihren Ansatz nachträglich zu verändern, um ein besseres Ergebnis zu erzielen.

Ihr Protokoll sollte einige Kernpunkte klar definieren:

• Ihre spezifische Forschungsfrage

• Die genauen Kriterien, nach denen Studien ein- oder ausgeschlossen werden

• Ihre vollständige Strategie für die Literatursuche

• Die statistischen Methoden, die Sie für die Analyse planen

Es empfiehlt sich, dieses Protokoll auf einer öffentlichen Plattform wie PROSPERO zu registrieren. Dies macht Ihren gesamten Prozess für jeden transparent nachvollziehbar.

Es gibt handfeste Gründe für diese Vorarbeit. Sie verhindert das Rosinenpicken („Cherry-Picking“) bei Ergebnissen, ermöglicht es anderen Forschern, Ihre Arbeit zu replizieren, und verleiht Ihrer endgültigen Analyse deutlich mehr Glaubwürdigkeit.

Wenn Sie noch am Anfang stehen, kann Ihnen die Durchsicht eines narrativen Literatur-Reviews dabei helfen zu verstehen, wie der Forschungskontext strukturiert ist, bevor Sie zu systematischen Methoden übergehen.

<ProTip title="📌 Pro-Tipp:" description="Schreiben Sie Ihr Protokoll vor der Suche nach Studien, um Verzerrungen zu vermeiden" />

Schritt 3: Führen Sie eine systematische Literatursuche durch

Die Qualität einer Metaanalyse steht und fällt mit dem Auffinden aller relevanten Studien. Eine unvollständige oder einseitige Suche verzerrt das Endergebnis.

Sie müssen an den richtigen Stellen suchen. Die wichtigsten Datenbanken sind unerlässlich:

• PubMed

• Scopus

• Web of Science

• Google Scholar

Beschränken Sie sich nicht nur auf veröffentlichte Fachzeitschriften. Sie sollten auch nach „grauer Literatur“ wie unveröffentlichten Dissertationen, Konferenzbeiträgen und Studienregistern suchen, um einen Publikationsbias zu vermeiden. Für eine umfassendere Anleitung des Review-Workflows, der in der Regel vor der Statistik steht, lesen Sie diesen Schritt-für-Schritt-Leitfaden für systematische Literatur-Reviews.

Der Aufbau einer effektiven Suche erfordert eine Strategie. Sie verwenden spezifische Schlüsselwörter, kombinieren diese mit Booleschen Operatoren (AND, OR) und nutzen häufig das kontrollierte Vokabular einer Datenbank, wie z. B. MeSH-Terme in PubMed.

Um diesen Prozess effektiv zu strukturieren, können Sie einer Anleitung zum Thema Wie man eine Gliederung für ein Literatur-Review schreibt folgen, um Suchbegriffe und die Einschlusslogik zu organisieren.

Eine Suchanfrage könnte beispielsweise so aussehen: „hypertension“ AND „randomized controlled trial“ AND „antihypertensive agents“.

Dieser Schritt ist kritisch, denn wenn Sie wichtige Studien übersehen, kann Ihr kombiniertes Ergebnis völlig falsch sein. Eine gründliche, dokumentierte Suche ist Ihr bester Schutz davor.

Schritt 4: Studien screenen und auswählen

Sobald Ihre Suche abgeschlossen ist, verfügen Sie über eine umfangreiche Liste potenzieller Studien. Der nächste Schritt besteht darin, diese anhand der in Ihrem Protokoll festgelegten strengen Regeln zu filtern.

Dies geschieht in zwei Hauptphasen. Zuerst sichten Sie zügig alle Titel und Abstracts. Für die Studien, die relevant erscheinen, fordern Sie anschließend den Volltext an und lesen diesen.

Bei jedem Schritt wenden Sie Ihre vordefinierten Ein- und Ausschlusskriterien an, um zu entscheiden, welche Studien verbleiben und welche herausfallen. Was sind typische Kriterien?

Das Studiendesign steht meist an erster Stelle; viele Metaanalysen schließen nur randomisierte kontrollierte Studien ein. Weitere Kriterien können eine Mindeststichprobengröße, die spezifische Art der Ergebnismessung oder die untersuchte Population sein.

Es gilt als Best Practice, dass zwei Personen dieses Screening unabhängig voneinander durchführen. Dies minimiert persönliche Voreingenommenheit. Wenn sich die beiden Prüfer bei einer Studie uneinig sind, diskutieren sie darüber, um einen Konsens zu erzielen.

Der gesamte Screening-Prozess sollte visuell dokumentiert werden, meist mithilfe eines PRISMA-Flussdiagramms. Diese Grafik zeigt genau, wie viele Studien gefunden, ausgeschlossen und aus welchen Gründen sie aussortiert wurden, was Ihre Methode transparent macht.

Schritt 5: Daten extrahieren und organisieren

Dies ist der manuelle Teil der Arbeit. Sie gehen in jede der eingeschlossenen Studien und extrahieren die spezifischen Zahlen, die Sie für Ihre Berechnungen benötigen. Dadurch verwandeln sich seitenlange Forschungsberichte in einen strukturierten Datensatz.

Typischerweise suchen Sie in jeder Studie nach einigen Schlüsselinformationen:

• Der Stichprobengröße für jede Gruppe

• Den Mittelwerten und Standardabweichungen für Ihre Zielgröße

• Einer berechneten Effektstärke (wie Cohens d oder einem Odds Ratio)

• Grundlegenden Studiencharakteristika (Jahr, Design, Population)

Eine tiefergehende Erklärung, wie diese Datenpunkte in der realen Forschung verwendet werden, finden Sie in diesem Artikel über Metaanalysen in der klinischen Forschung, der praktische Anwendungen und Interpretationen erläutert.

Sie organisieren dies in einer Tabelle oder Tabelle. Zum Beispiel:

Hierbei fehlerfrei zu arbeiten, ist unabdingbar. Ein einfacher Tippfehler oder ein falsch gelesener Wert fließt direkt in Ihre Analyse ein und verzerrt das Gesamtergebnis. Deshalb ist es so wichtig, standardisierte Formulare zu verwenden und die extrahierten Daten von einer zweiten Person überprüfen zu lassen.

<ProTip title="🧠 Erinnerung:" description="Nutzen Sie standardisierte Formulare, um die Datenextraktion konsistent zu halten" />

Schritt 6: Studienqualität und Bias bewerten

Sie können nicht davon ausgehen, dass jede gefundene Studie methodisch sauber durchgeführt wurde. In diesem Schritt geht es darum, die interne Glaubwürdigkeit jeder einzelnen Evidenzquelle zu beurteilen, die Sie kombinieren möchten.

Forscher nutzen standardisierte Instrumente, um diese Bewertung konsistent zu gestalten. Häufig verwendet werden das Cochrane Risk of Bias Tool (für randomisierte Studien) und ROBINS-I (für nicht-randomisierte Studien).

Diese Tools helfen Ihnen, nach spezifischen Problemen zu suchen, die die Ergebnisse einer Studie verzerren können, wie zum Beispiel:

• Selektionsbias: Wie wurden die Teilnehmer den Gruppen zugeteilt?

• Messungsbias: Wurde die Zielgröße bei allen Beteiligten fair und gleich gemessen?

• Berichterstattungsbias (Reporting Bias): Haben die Autoren ungünstige Ergebnisse verschwiegen?

Was tun Sie mit diesen Informationen? Studien mit einem hohen Verzerrungspotenzial sind problematisch. Sie können entweder komplett ausgeschlossen werden, oder – was häufiger vorkommt – ihr Einfluss wird überprüft. Eine Sensitivitätsanalyse führt die Hauptberechnungen ohne diese schwächeren Studien durch, um zu sehen, ob sich die Schlussfolgerung ändert.

Schritt 7: Statistische Analyse durchführen

In diesem Schritt werden die Zahlen aus all Ihren Studien zu einem einzigen Ergebnis zusammengeführt.

Zuerst wählen Sie das passende statistische Maß bzw. die Effektstärke für Ihre Daten. Weit verbreitet sind das Odds Ratio (für Ja/Nein-Ergebnisse), das relative Risiko oder die standardisierte Mitteldifferenz (zum Vergleich von Mittelwerten).

Als Nächstes wählen Sie ein statistisches Modell. Ein Modell mit festen Effekten (Fixed-Effect-Modell) eignet sich, wenn Sie davon ausgehen, dass alle Studien einen einzigen, wahren Effekt schätzen. Ein Modell mit zufälligen Effekten (Random-Effects-Modell) wird häufiger verwendet; es berücksichtigt, dass der wahre Effekt von Studie zu Studie leicht variieren kann.

Eine klassische Erklärung dieser statistischen Prinzipien finden Sie in dieser Ressource über Prinzipien und Verfahren von Metaanalysen, die detailliert beschreibt, wie Ergebnisse kombiniert und interpretiert werden.

Ein entscheidender Teil der Analyse ist die Überprüfung der Heterogenität – also der Frage, wie stark die Studienergebnisse voneinander abweichen. Die I²-Statistik quantifiziert dies. Ein Wert unter 25 % spricht für eine geringe Abweichung, während ein Wert über 50 % auf eine hohe Heterogenität hinweist.

Wenn Ihr I²-Wert hoch ist, bedeutet das, dass die Studien sehr unterschiedliche Antworten liefern. Ihr kombiniertes Ergebnis hat zwar immer noch Aussagekraft, aber Sie müssen es mit Vorsicht interpretieren und die Variabilität erklären.

Schritt 8: Visuelle Darstellungen erstellen und interpretieren

Die Ergebnisse einer Metaanalyse werden meist grafisch dargestellt. Das dient nicht nur der Verschönerung. Es macht die komplexen statistischen Ergebnisse für jeden Leser des Berichts sofort verständlich und nachvollziehbar.

Forest Plots: Dies ist das am häufigsten verwendete Diagramm. Ein Forest Plot zeigt mehrere Dinge gleichzeitig:

• Es stellt die Effektstärke und das Konfidenzintervall jeder einzelnen in die Analyse einbezogenen Studie dar.

• Es zeigt die kombinierte beziehungsweise „gepoolte“ Effektstärke aller dieser Studien zusammen.

• Durch den visuellen Aufbau sehen Sie sofort, welche Studien übereinstimmen, welche Ausreißer sind und wie präzise das Gesamtergebnis ist.

Funnel Plots: Forscher nutzen diese Art von Diagramm, um ein bestimmtes Problem aufzudecken: den Publikationsbias. Dabei handelt es sich um die Tendenz, dass Studien mit positiven oder spektakulären Ergebnissen häufiger veröffentlicht werden als Studien mit negativen oder weniger spannenden Ergebnissen.

• Eine symmetrische, umgekehrte Trichterform (Funnel) deutet darauf hin, dass dieser Bias minimal ist.

• Wenn das Diagramm asymmetrisch wirkt oder Lücken aufweist, ist dies ein Warnsignal dafür, dass wichtige Daten in der Analyse fehlen könnten, was die endgültige Schlussfolgerung verzerren kann.

Warum visuelle Darstellungen wichtig sind: Kurz gesagt kann eine gut gestaltete Grafik in Sekundenschnelle vermitteln, wofür man sonst Absätze an Text bräuchte. Sie verwandeln Zahlenkolonnen in eine Geschichte, die sich leichter erfassen, hinterfragen und nachvollziehen lässt.

<ProTip title="📊 Pro-Tipp:" description="Nutzen Sie Forest Plots, um die Gesamtergebnisse schnell zu kommunizieren" />

Schritt 9: Fortgeschrittene Analysen durchführen

Das einfache kombinierte Ergebnis einer Metaanalyse ist zwar nützlich, aber selten die ganze Geschichte. Um ein präziseres und detaillierteres Bild zu erhalten, führen Forscher fortgeschrittene Analysen durch. Diese Techniken testen die Robustheit der Ergebnisse und ergründen das „Warum“ hinter den Zahlen.

Gängige Methoden

• Subgruppenanalyse: Hierbei werden die Daten in Kategorien unterteilt. Sie könnten beispielsweise die Ergebnisse von Studien mit Männern im Vergleich zu Frauen vergleichen, oder Studien mit hoher Dosis im Vergleich zu niedriger Dosis. Sie beantwortet die Frage: „Verändert sich der Effekt bei unterschiedlichen Personengruppen oder unter verschiedenen Bedingungen?“

• Sensitivitätsanalyse: Hier prüfen Sie, wie stabil Ihr Hauptergebnis ist. Was passiert, wenn Sie die größte Studie entfernen? Oder Studien mit hohem Bias-Risiko ausschließen? Wenn sich das Ergebnis dadurch umkehrt, ist Ihr ursprüngliches Resultat instabil. Bleibt es stabil, stärkt das Ihr Vertrauen in das Ergebnis.

• Meta-Regression: Dies ist ein komplexerer statistischer Ansatz. Anstatt Studien nur zu gruppieren, wird versucht zu modellieren, wie ein bestimmtes Studienmerkmal (z. B. das Durchschnittsalter der Teilnehmer oder das Publikationsjahr) quantitativ mit der Effektstärke zusammenhängt.

Beispielszenario: Stellen Sie sich vor, Ihre Metaanalyse zeigt, dass ein neues Nachhilfeprogramm Schülern hilft. Eine Subgruppenanalyse könnte zeigen, dass es nur Oberstufenschülern hilft, nicht aber Schülern der Mittelstufe.

Eine Sensitivitätsanalyse könnte offenbaren, dass das Gesamtergebnis komplett von einer einzigen, methodisch schwachen Studie abhängt. Eine Meta-Regression könnte zeigen, dass die Wirksamkeit des Programms mit jedem Jahr seit seiner Einführung leicht abnimmt.

Diese Analysen fassen Daten nicht bloß zusammen; sie hinterfragen sie kritisch. Sie helfen zu erklären, warum Studienergebnisse variieren, und zeigen Ihnen genau, wo und für wen die Evidenz am stärksten ist.

Schritt 10: Präsentieren Sie Ihre Ergebnisse klar und verständlich

Eine exzellent durchgeführte Metaanalyse kann durch einen schlecht geschriebenen Bericht an Wert verlieren. Eine klare, strukturierte Berichterstattung macht Ihre Arbeit für andere Wissenschaftler glaubwürdig, nützlich und nachvollziehbar.

Nutzen Sie die PRISMA-Leitlinien: Die meisten Forscher nutzen heute den PRISMA-Standard. Dabei handelt es sich um eine Checkliste für die Inhalte, die berichtet werden sollten. Wenn Sie vor dem Verfassen Ihres Berichts noch die Unterschiede zwischen den Review-Arten klären möchten, hilft Ihnen dieser Leitfaden zu Metaanalyse vs. systematischem Review dabei, Ihre Struktur und Terminologie präzise zu wählen.

• Flussdiagramm: Eine visuelle Darstellung, die zeigt, wie Sie von anfangs Tausenden Suchtreffern zur endgültigen Handvoll einbezogener Studien gelangt sind. Jede Entscheidung wird hier dokumentiert.

• Studientabellen: Strukturierte Übersichten über das Design, die Teilnehmer und die Hauptergebnisse jeder einbezogenen Studie.

• Statistische Ergebnisse: Die gepoolten Effektstärken, Konfidenzintervalle und Tests auf Heterogenität – also alle Zahlenwerte Ihrer Analyse.

• Limitierungen: Eine ehrliche Diskussion der Schwachstellen Ihrer Arbeit, wie etwa ein möglicher Publikationsbias oder methodisch schwache Primärstudien.

Die Einhaltung von PRISMA ist keine reine Formalität. Sie zwingt Sie dazu, Ihr Vorgehen offenzulegen, sodass andere Ihre Arbeit richtig bewerten und bei Bedarf replizieren können.

Schreibtipps

• Fassen Sie sich kurz. Kommen Sie auf den Punkt.

• Beschreiben Sie Ihren Methodenteil so detailliert, dass jemand anderes Ihre Schritte exakt nachvollziehen kann.

• Halten Sie sich streng an das, was Ihre Daten tatsächlich hergeben. Überinterpretieren Sie die Ergebnisse nicht und spekulieren Sie nicht über die vorhandene Evidenz hinaus.

Häufige Herausforderungen und wie man sie meistert

Seien wir ehrlich: Eine Metaanalyse durchzuführen ist anspruchsvoll. Es ist ein technischer, zeitintensiver Prozess, und es ist völlig normal, auf Hindernisse zu stoßen – besonders am Anfang.

Häufige Hürden

• Umgang mit fehlenden Daten: Dies kommt oft vor. Autoren berichten manchmal nicht genau die Zahlen, die Sie benötigen. Sie müssen diese dann kontaktieren, Schätzungen vornehmen oder die Studie im schlimmsten Fall ganz ausschließen.

• Umgang mit Heterogenität: Wenn Ihre einbezogenen Studien extrem unterschiedliche Ergebnisse zeigen, fühlt sich das Zusammenführen falsch an. Sie müssen herausfinden, ob die Abweichungen noch akzeptabel sind oder ob sie die gesamte Analyse hinfällig machen.

• Einarbeitung in Statistik-Software: Tabellenkalkulationen stoßen hier an ihre Grenzen. Sie benötigen Spezialsoftware, deren Lernkurve oft steil ist.

Praktische Lösungen

• Nutzen Sie die passenden Werkzeuge: Programme wie R (mit Paketen wie metafor oder meta) oder RevMan sind genau dafür gemacht. Sie bewältigen auch komplexe Berechnungen problemlos.

• Klein anfangen: Versuchen Sie bei Ihrem ersten Anlauf nicht gleich, fünfzig Studien zu synthetisieren. Üben Sie stattdessen mit einer eng gefassten Fragestellung und einem überschaubaren Satz von fünf bis zehn Arbeiten.

• Holen Sie sich Unterstützung: Suchen Sie frühzeitig den Rat eines Statistikers oder eines erfahrenen Kollegen. Das kann Ihnen monatelangen Frust ersparen.

Realistischer Zeitrahmen: Ein systematisches Review samt Metaanalyse ist kein Wochenendprojekt. Es ist ein großes wissenschaftliches Vorhaben.

Die meisten Teams berichten, dass eine sorgfältige Durchführung zwischen drei Monaten und einem ganzen Jahr dauert. Der Prozess erfordert Geduld, präzise Organisation und die Bereitschaft, im Verlauf dazuzulernen.

<ProTip title="⚠️ Pro-Tipp:" description="Überstürzen Sie die statistische Analyse nicht – Genauigkeit geht vor Schnelligkeit" />

Software-Tools für Metaanalysen

Die Wahl der richtigen Software kann den Prozess erheblich erleichtern oder erschweren. Das passende Tool nimmt Ihnen die komplexen statistischen Berechnungen ab, sodass Sie sich ganz auf die Wissenschaft konzentrieren können. Wenn Sie während des Screenings und der Datenextraktion zudem eine große Bibliothek an PDFs und Literaturquellen verwalten müssen, kann die Zotero- und Mendeley-Integration für Forscher Ihnen dabei helfen, den Überblick zu behalten.

Beliebte Softwarelösungen

• R (mit den Paketen metafor oder meta)

• RevMan (von Cochrane)

• Stata

• Comprehensive Meta-Analysis (CMA)

Kurzer Vergleich

Keines dieser Programme erklärt sich völlig von selbst. Jedes erfordert eine gewisse Einarbeitungszeit. Wenn Sie neu auf dem Gebiet sind, ist der Start mit einem einfacheren, geführten Tool wie RevMan oft der beste Weg, um Sicherheit zu gewinnen, bevor Sie sich an komplexere Optionen wagen.

Wie Sie eine Metaanalyse erfolgreich durchführen

Die Durchführung einer Metaanalyse erfordert eine strukturierte Planung, sorgfältige Datenverarbeitung und eine transparente Berichterstattung. Jeder Schritt baut auf dem vorherigen auf und bildet so einen verlässlichen Forschungsprozess.

<CTA title="Forschungsergebnisse in klaren Text verwandeln" description="Strukturieren Sie komplexe Metaanalyse-Workflows mühelos in wissenschaftliche Arbeiten" buttonLabel="Jenni kostenlos testen" link="https://app.jenni.ai/register" />

Durch ein systematisches Vorgehen Schritt für Schritt können Sie präzise und aussagekräftige Ergebnisse erzielen. Tools wie Jenni unterstützen Sie bei diesem Prozess, indem sie Ihnen helfen, Ideen zu strukturieren, organisiert zu bleiben und Ihre Ergebnisse verständlich zu kommunizieren.