Guide zur Biostatistik-Publikation sicher nutzen

Ein Manuskript kann fachlich relevant sein und dennoch in der Begutachtung scheitern, wenn die Statistik nicht nachvollziehbar dokumentiert ist. Ein Guide zur Biostatistik-Publikation hilft deshalb nicht nur bei der Auswahl eines Tests. Er schafft eine klare Linie von der Forschungsfrage über den Analyseplan bis zur Tabelle, Abbildung und Interpretation. Gerade in Medizin, Psychologie, Biologie und Pharma prüfen Reviewer sehr genau, ob Ergebnisse belastbar sind - und ob die Schlussfolgerungen tatsächlich von den Daten getragen werden.

Die Publikation beginnt vor der statistischen Auswertung

Viele Probleme entstehen, weil die statistische Planung erst startet, wenn alle Daten vorliegen. Dann wird aus einer wissenschaftlichen Fragestellung schnell eine Suche nach signifikanten Ergebnissen. Das erhöht das Risiko für unklare Endpunkte, ungeplante Subgruppenanalysen und widersprüchliche Kennzahlen.

Legen Sie vor der Auswertung fest, welche Hypothese im Mittelpunkt steht, welche Variable den primären Endpunkt abbildet und welche Kovariaten fachlich begründet berücksichtigt werden sollen. Bei klinischen Daten gehören zudem Einschluss- und Ausschlusskriterien, der Umgang mit fehlenden Werten sowie die Definition von Analysepopulationen in diesen Plan. Eine Intention-to-treat-Analyse beantwortet eine andere Frage als eine Per-Protocol-Analyse. Welche Variante passt, hängt vom Studiendesign und dem Forschungsziel ab - nicht davon, welche Ergebnisse günstiger aussehen.

Auch Fallzahl und Teststärke sollten nicht als formaler Pflichtpunkt behandelt werden. Eine kleine Stichprobe kann bei einem seltenen Krankheitsbild unvermeidbar sein. Dann braucht die Publikation aber eine zurückhaltende Interpretation, Konfidenzintervalle und eine transparente Diskussion der Präzision. Ein nicht signifikanter p-Wert ist kein automatischer Beleg dafür, dass kein Effekt existiert.

Guide zur Biostatistik-Publikation: Methoden präzise berichten

Der Methodenteil muss einer fachkundigen Person ermöglichen, Ihre Analyse nachzuvollziehen. Formulierungen wie „die Daten wurden statistisch ausgewertet“ oder „es wurden geeignete Tests verwendet“ reichen nicht aus. Benennen Sie die verwendete Software inklusive Version, das Signifikanzniveau, die Art der Tests und die Regeln für die Datenaufbereitung.

Bei Regressionsmodellen erwarten Leserinnen und Leser außerdem Informationen darüber, welche Variablen in das Modell aufgenommen wurden und warum. Wurden Kovariaten vorab definiert oder datengesteuert ausgewählt? Gab es Interaktionsterme? Wurden Modellannahmen geprüft? Bei wiederholten Messungen muss klar werden, wie die Abhängigkeit der Beobachtungen berücksichtigt wurde. Ein einfacher t-Test ist bei Messwiederholungen häufig nicht angemessen, weil er die Korrelation innerhalb derselben Person ignoriert.

Besonders sensibel ist der Umgang mit fehlenden Werten. Schreiben Sie nicht nur, dass Daten fehlten, sondern wie viele Werte pro Variable betroffen waren, welche Ursachen plausibel sind und welche Methode verwendet wurde. Eine Complete-Case-Analyse kann akzeptabel sein, wenn nur wenige Werte zufällig fehlen. Bei relevantem oder systematischem Ausfall kann eine multiple Imputation die fachlich passendere Wahl sein. Sie ist aber kein Standardrezept: Das Imputationsmodell muss zu Variablenstruktur und fehlendem Mechanismus passen.

Ergebnisse so darstellen, dass Reviewer nicht rätseln müssen

Ergebnistabellen sollen Entscheidungen erleichtern, nicht jede verfügbare Kennzahl abbilden. Beginnen Sie mit einer klaren Beschreibung der Stichprobe: Anzahl der eingeschlossenen Fälle, relevante Basismerkmale und gegebenenfalls die Verteilung auf Gruppen. Mittelwert und Standardabweichung passen bei annähernd symmetrisch verteilten metrischen Daten. Bei schiefen Verteilungen sind Median und Interquartilsabstand meist aussagekräftiger.

Für die zentrale Hypothese gehören Effektgröße, Konfidenzintervall und p-Wert zusammen. Ein Odds Ratio ohne 95%-Konfidenzintervall bleibt schwer einzuordnen. Ein p-Wert von 0,04 zeigt ebenfalls nicht, ob ein Unterschied klinisch, praktisch oder wissenschaftlich relevant ist. Berichten Sie deshalb beispielsweise eine mittlere Differenz, eine Risikodifferenz, ein Hazard Ratio oder einen standardisierten Effekt - jeweils in einer Form, die zur Fragestellung passt.

Runden Sie konsistent und mit Augenmaß. Zu viele Nachkommastellen suggerieren Präzision, die die Daten nicht hergeben. Bei sehr kleinen p-Werten ist „p < 0,001“ üblicher und lesbarer als eine lange Ziffernfolge. Entscheidend ist eine einheitliche Darstellung im gesamten Manuskript, in Tabellen und im Abstract.

Tabellen und Abbildungen übernehmen unterschiedliche Aufgaben

Eine Tabelle eignet sich für genaue Werte, mehrere Gruppen und multivariable Modelle. Eine Abbildung ist sinnvoll, wenn Verläufe, Verteilungen oder Unterschiede auf einen Blick verständlich werden sollen. Kaplan-Meier-Kurven brauchen zum Beispiel Angaben zu Risikopersonen über die Zeit. Boxplots sollten nicht den Eindruck erwecken, jede Verteilung sei normalverteilt, nur weil ein Mittelwert ergänzt wurde.

Vermeiden Sie doppelte Informationen. Wenn eine Abbildung den primären Effekt verständlich zeigt, muss die gleiche Aussage nicht zusätzlich in drei Tabellen wiederholt werden. Jede Tabelle und jede Grafik sollte auch ohne Fließtext verständlich sein: mit präziser Überschrift, erklärten Abkürzungen, Einheiten und einer klaren Angabe, was die Fehlerbalken darstellen.

Interpretation: Was Ihre Analyse sagt - und was nicht

Der häufigste Interpretationsfehler ist die Verwechslung von statistischer Signifikanz mit fachlicher Relevanz. Bei großen Stichproben können sehr kleine, praktisch irrelevante Unterschiede signifikant werden. Bei kleinen Stichproben können relevante Effekte unsicher bleiben. Konfidenzintervalle helfen, diesen Unterschied sichtbar zu machen.

Achten Sie außerdem auf die Sprache Ihrer Schlussfolgerungen. Beobachtungsstudien können Zusammenhänge zeigen, aber in der Regel keine Kausalität beweisen. Auch ein adjustiertes Regressionsmodell beseitigt nicht automatisch Confounding, Selektionsbias oder Messfehler. Formulierungen wie „war assoziiert mit“ sind bei Beobachtungsdaten häufig korrekter als „führte zu“.

Subgruppen- und Sensitivitätsanalysen können Ihre Ergebnisse stützen, wenn sie fachlich begründet und transparent als geplant oder explorativ gekennzeichnet sind. Wer viele Gruppen, Endpunkte und Tests untersucht, erhöht die Wahrscheinlichkeit zufälliger Auffälligkeiten. Korrekturen für multiples Testen sind nicht immer erforderlich, aber die Entscheidung sollte begründet sein. Hier gibt es keine universelle Formel: Ein bestätigendes klinisches Studiendesign verlangt andere Maßstäbe als eine explorative Hypothesengenerierung.

Reproduzierbarkeit ist ein Qualitätsmerkmal

Eine publizierbare Auswertung muss auch Monate später verständlich sein. Speichern Sie deshalb Rohdaten getrennt von aufbereiteten Analysedaten, dokumentieren Sie alle Rekodierungen und führen Sie einen nachvollziehbaren Analysecode. Das gilt unabhängig davon, ob Sie mit R, SPSS, Stata, Python, JASP oder Jamovi arbeiten.

Bei sensiblen Gesundheits- oder Patientendaten hat Datenschutz Vorrang. Reproduzierbarkeit bedeutet nicht, dass Rohdaten unkontrolliert weitergegeben werden. Eine sauber kommentierte Syntax, ein Data Dictionary und eine Beschreibung der Verarbeitungsschritte können die Analyse transparent machen, ohne Vertraulichkeit zu gefährden.

Vor dem Einreichen lohnt sich eine kurze, aber konsequente Qualitätskontrolle:

• Stimmen Fallzahlen, Prozentwerte und Nenner in Abstract, Text, Tabellen und Abbildungen überein?
• Sind primäre und sekundäre Endpunkte klar voneinander getrennt?
• Passen Effektmaße, Konfidenzintervalle und Modellwahl zum Skalenniveau und Studiendesign?
• Werden fehlende Werte, Ausreißer und Abweichungen vom ursprünglichen Plan nachvollziehbar erläutert?
• Trennen Diskussion und Fazit sauber zwischen Datenbefund, Interpretation und möglicher klinischer Bedeutung?

Wenn die Statistik vor dem Submission-Termin steht

Zeitdruck ist kein guter Grund, methodische Fragen offen zu lassen. Gerade kurz vor der Einreichung zeigen sich oft Inkonsistenzen zwischen Tabellen, Code, Ergebnisteil und Diskussion. Eine unabhängige Prüfung durch promovierte Statistiker kann hier gezielt entlasten: von der Plausibilitätskontrolle einzelner Analysen über die Überarbeitung des Statistikabschnitts bis zum Fachlektorat für eine einreichungsreife Publikation.

Easy Statistik unterstützt Forschende dabei individuell, diskret und nachvollziehbar - die wissenschaftliche Verantwortung und Autorenschaft bleiben selbstverständlich bei Ihnen. Nutzen Sie für eine erste Einschätzung das Kontaktformular und schildern Sie Studiendesign, Fragestellung, Datenstand und Submission-Termin. Eine klare statistische Argumentation gibt Ihrer Forschung genau die Sicherheit, die sie in der Begutachtung braucht.