Mehrere Zähne pro Person: Zahnmedizinische Daten richtig strukturieren

Wenn mehrere Zähne oder Messstellen derselben Person untersucht werden, ist die Zahl der Tabellenzeilen nicht gleich der Zahl unabhängiger Fälle. Für eine zahnmedizinische Studie müssen Patienten, Zähne, Messstellen und Messzeitpunkte sauber unterscheidbar sein. Hier erfahren Sie, welche Entscheidungen daraus für Planung und Auswertung folgen.

Warum zahnmedizinische Daten besondere Sorgfalt brauchen

Zahnmedizinische Forschung bewegt sich oft zwischen klinischer Versorgung und wissenschaftlichem Anspruch. Untersucht werden etwa der Therapieerfolg nach Implantatversorgung, Parodontalparameter, Kariesprävalenz, Schmerzintensität, Mundgesundheitsqualität oder die Haltbarkeit restaurativer Materialien. Die Daten wirken auf den ersten Blick greifbar, sind statistisch aber selten unkompliziert.

Ein typisches Beispiel sind Messungen auf Zahn- oder Flächenebene. Mehrere Zähne derselben Person sind nicht unabhängig voneinander. Wer diese Verschachtelung ignoriert und jeden Zahn wie einen eigenständigen Fall behandelt, überschätzt leicht die Aussagekraft der Ergebnisse. Dann können p-Werte zu optimistisch ausfallen, obwohl der klinische Effekt unsicher ist.

Auch die Auswahl der Zielgröße entscheidet über die Analyse. Ein Plaque-Index, ein dichotomes Implantatversagen, eine Schmerzskala oder die Zeit bis zu einem Ereignis benötigen unterschiedliche Modelle. Es gibt keine Methode, die für jede zahnmedizinische Fragestellung passt. Gute Statistik beginnt deshalb nicht mit einem Softwarebefehl, sondern mit einer präzise formulierten Forschungsfrage.

Beobachtungseinheit und Endpunkt vorab festlegen

Die beste Unterstützung setzt möglichst früh an. Wer erst kurz vor Abgabe einer Doktorarbeit feststellt, dass zentrale Variablen fehlen oder die Gruppen ungleich definiert wurden, hat deutlich weniger Handlungsspielraum. In einer methodischen Ersteinschätzung lassen sich Studiendesign, Hypothesen, Endpunkte und geplante Auswertungen aufeinander abstimmen.

Besonders relevant ist die Fallzahlplanung. Eine Studie mit zu wenigen Fällen kann einen tatsächlich relevanten Effekt übersehen. Eine unnötig große Stichprobe bindet dagegen Ressourcen und kann selbst minimale, klinisch irrelevante Unterschiede statistisch auffällig machen. Entscheidend sind nicht nur die erwartete Effektgröße, sondern auch Signifikanzniveau, gewünschte Teststärke, Gruppenzahl, Ausfälle und die Struktur der Daten.

Bei retrospektiven Arbeiten ist die Fallzahl meist bereits vorgegeben. Auch dann lohnt sich eine Beratung: Statt eine ungeeignete Standardanalyse zu erzwingen, kann geprüft werden, welche Fragestellungen mit dem vorhandenen Datensatz belastbar beantwortbar sind. Das schützt vor überzogenen Schlussfolgerungen und verbessert die wissenschaftliche Verteidigung der Arbeit.

Die Forschungsfrage bestimmt das Verfahren

Die Frage „Gibt es einen Unterschied?“ reicht methodisch selten aus. Aussagekräftiger wäre beispielsweise: Unterscheidet sich die Veränderung der Taschensondierungstiefe zwischen zwei Therapiegruppen nach sechs Monaten, unter Berücksichtigung des Ausgangswerts und relevanter Risikofaktoren?

Aus dieser Formulierung ergeben sich bereits wichtige Entscheidungen: Welche Variable ist primär? Werden Veränderungen oder Endwerte analysiert? Müssen Alter, Rauchen, Diabetes oder Behandlererfahrung als Störfaktoren berücksichtigt werden? Liegen wiederholte Messungen vor? Erst wenn diese Punkte geklärt sind, lässt sich entscheiden, ob etwa lineare oder logistische Regression, ein gemischtes Modell, eine Überlebenszeitanalyse oder ein nichtparametrisches Verfahren sinnvoll ist.

Welche Datenstruktur steckt hinter der klinischen Frage?

Eine qualifizierte Beratung übersetzt klinische Fragen in ein nachvollziehbares Analysekonzept. Häufig geht es um den Vergleich von Materialien, Therapieformen oder Patientengruppen. Ebenso oft stehen Prädiktoren im Mittelpunkt: Welche Faktoren erhöhen das Risiko für Periimplantitis? Hängt die Mundhygiene mit parodontalen Befunden zusammen? Welche Einflussgrößen sagen eine erfolgreiche Behandlung voraus?

Bei Vorher-Nachher-Studien ist die Abhängigkeit der Messwerte zentral. Ein einfacher Vergleich zweier Mittelwerte kann falsch sein, wenn dieselben Personen mehrfach untersucht wurden. Bei längeren Beobachtungszeiträumen oder unterschiedlich vielen Messungen pro Patient bieten gemischte Modelle oft einen überzeugenderen Weg. Sie können individuelle Unterschiede zwischen Personen berücksichtigen und nutzen die vorhandenen Informationen besser als eine Analyse, die nur zwei Zeitpunkte betrachtet.

Auch diagnostische Studien stellen eigene Anforderungen. Sensitivität, Spezifität, prädiktive Werte und ROC-Kurven werden häufig genannt, aber nicht immer korrekt interpretiert. Der positive prädiktive Wert hängt etwa stark von der Prävalenz in der untersuchten Population ab. Ein diagnostischer Test kann in einer Spezialambulanz anders wirken als in einer allgemeinen Praxispopulation. Diese Einordnung gehört zwingend in Ergebnis- und Diskussionsteil.

Bei Fragebogendaten kommen weitere Aspekte hinzu: Skalenbildung, interne Konsistenz, fehlende Antworten und die Frage, ob einzelne Items oder Summenscores ausgewertet werden dürfen. Werden etablierte Instrumente verwendet, sollten deren Auswertungsregeln beachtet werden. Werden eigene Skalen entwickelt, ist besondere Zurückhaltung bei weitreichenden Aussagen angebracht.

Was bei Datenqualität und fehlenden Werten zu beachten ist

Keine statistische Methode kann unplausible oder uneinheitlich erhobene Daten vollständig reparieren. Deshalb gehört eine sorgfältige Datenprüfung in jede Auswertung. Dazu zählen doppelte Fälle, unmögliche Wertebereiche, widersprüchliche Kodierungen, Ausreißer und fehlende Angaben. Gerade bei Exporten aus Kliniksystemen entstehen schnell Variablen, deren Bedeutung ohne Datenlexikon nicht eindeutig ist.

Fehlende Werte sind kein rein technisches Problem. Entscheidend ist, warum sie fehlen. Haben einzelne Patientinnen und Patienten den Follow-up-Termin verpasst? Wurden bestimmte Befunde nur bei Verdachtsfällen erhoben? Fehlen Daten zufällig oder hängt der Ausfall mit dem Behandlungsergebnis zusammen? Je nach Situation kann eine vollständige Fallanalyse vertretbar sein, oder sie verzerrt das Ergebnis erheblich. Im zweiten Fall können begründete Verfahren wie multiple Imputation sinnvoll sein.

Transparenz ist dabei wichtiger als eine scheinbar perfekte Datentabelle. Wissenschaftlich überzeugend ist nicht, fehlende Werte unsichtbar zu machen, sondern ihren Umfang, die gewählte Strategie und mögliche Auswirkungen offen zu dokumentieren.

Ergebnisse verständlich und publikationsfähig berichten

Eine korrekte Berechnung allein reicht nicht aus. Betreuende, Gutachter und Fachzeitschriften erwarten, dass Ergebnisse inhaltlich verständlich und vollständig dargestellt werden. Dazu gehören Effektgrößen, Konfidenzintervalle, genaue p-Werte und eine klare Beschreibung der Stichprobe. Ein statistisch signifikanter Unterschied beantwortet nicht automatisch die klinische Frage, ob der Unterschied relevant ist.

Ein Beispiel: Eine mittlere Differenz von 0,1 Millimetern kann bei sehr großen Datensätzen statistisch auffällig werden, für die Behandlung aber praktisch keine Bedeutung haben. Umgekehrt kann eine klinisch relevante Differenz bei kleiner Stichprobe statistisch unsicher bleiben. Gute Berichterstattung benennt diese Spannung, statt Signifikanz mit Relevanz gleichzusetzen.

Auch Tabellen und Abbildungen sollten eine Argumentation tragen. Eine Baseline-Tabelle dient nicht dazu, jede erhobene Variable aufzuzählen. Sie zeigt, wer untersucht wurde und ob wichtige Merkmale der Gruppen nachvollziehbar beschrieben sind. Grafiken sollten Verteilungen, Verläufe oder Effektschätzer sichtbar machen und die Interpretation unterstützen.

Software ist ein Werkzeug, kein methodischer Ersatz

SPSS, R, Stata, Python, JASP oder Jamovi können passende Analysen berechnen. Die Softwarewahl hängt von Projekt, vorhandenen Kenntnissen, Reproduzierbarkeit und Vorgaben des Lehrstuhls ab. Für viele Dissertationen kann SPSS ausreichend sein. Bei komplexeren Modellen, automatisierten Reports oder besonders transparenten Workflows bietet R häufig Vorteile.

Entscheidend ist jedoch, dass die Analyse fachlich begründet, dokumentiert und reproduzierbar bleibt. Ein automatisch erzeugter Output erklärt weder, ob ein Modell zur Datenstruktur passt, noch ob Voraussetzungen geprüft wurden. Ebenso wenig ersetzt ein KI-generierter Analysevorschlag die Prüfung durch erfahrene Statistikerinnen und Statistiker. Gerade bei medizinisch relevanten Aussagen ist eine nachvollziehbare, menschlich verantwortete Methodik unverzichtbar.

Wann sich individuelle Unterstützung besonders lohnt

Eine Beratung ist sinnvoll, sobald Unsicherheit über Design, Fallzahl, Variablendefinition oder Testwahl besteht. Sie ist aber auch dann hilfreich, wenn die Analyse grundsätzlich selbst durchgeführt werden soll. Ein 1:1-Coaching kann helfen, die Schritte in der gewünschten Software nachzuvollziehen, Entscheidungen fachlich zu begründen und die Ergebnisse sicher für die eigene Arbeit zu formulieren.

Bei komplexen klinischen Datensätzen, Zeitdruck vor der Abgabe oder einer geplanten Publikation kann eine vollständige statistische Auswertung die passendere Lösung sein. Wichtig ist eine klare Zusammenarbeit: Die fachliche Verantwortung für Fragestellung und klinische Einordnung bleibt bei den Forschenden, während Statistik, Dokumentation und Reporting methodisch sauber begleitet werden. So bleibt die Arbeit nachvollziehbar und die Autorenschaft glaubwürdig.

So machen Sie die Datenstruktur prüfbar

• Vergeben Sie eine eindeutige Patientenkennung und, soweit benötigt, eine Zahnkennung.
• Dokumentieren Sie Messstelle, Untersuchungsdatum und Zeitpunkt getrennt.
• Halten Sie fest, ob die Behandlung auf Patientenebene, je Zahn oder nach einem anderen Schema zugeteilt wurde.
• Definieren Sie den primären Vergleich und die dazugehörige Zielgröße.
• Klären Sie vor der Analyse, welche Abhängigkeiten das Modell berücksichtigen muss.

Sie möchten wissen, welches Modell zu Ihrem zahnmedizinischen Datensatz passt? Unsere Statistikberatung für Zahnmedizin prüft die Struktur Ihrer Daten und begleitet die Auswertung Ihrer Studie.