Forest-Plots und Metaanalyse: ein Praxisleitfaden
Ein Forest-Plot zeigt die Effektstärke jeder Studie mit ihrem Konfidenzintervall und eine Raute für den gepoolten Schätzer. So sehen Sie in einer Abbildung, ob die Studien übereinstimmen und wie groß der Gesamteffekt ist. Diese Anleitung behandelt die nötigen Daten, feste gegenüber zufälligen Effekten, Heterogenität und Small-Study-Effekte und zeigt, wie Sie den Plot kostenlos in LabTools zeichnen.
In dieser Anleitung
- Was ein Forest-Plot zeigt
- Die nötigen Daten
- Fester Effekt oder zufällige Effekte
- Einen Forest-Plot in LabTools erstellen
- Small-Study-Effekte und Publikationsbias
- Was zu berichten ist
- Häufig gestellte Fragen
Acht Studien, Odds Ratios mit 95%-KI; die gepoolte Odds Ratio im Modell mit festem Effekt beträgt 0.74 (95%-KI 0.68–0.80). Vollständiges Beispiel ansehen
Was ein Forest-Plot zeigt
Jede Zeile ist eine Studie: ein Marker beim Effektschätzer und eine horizontale Linie für das Konfidenzintervall. Eine senkrechte Nulleffektlinie liegt bei 1 für Verhältnisse (Odds Ratio, relatives Risiko, Hazard Ratio) oder bei 0 für Differenzen (Mittelwertdifferenz, standardisierte Mittelwertdifferenz, Risikodifferenz). Unten zeigt eine Raute den gepoolten Schätzer: Ihre Mitte ist der Gesamteffekt, ihre Breite das Konfidenzintervall.
Verhältnisse werden auf einer logarithmischen Achse gezeichnet, denn eine Odds Ratio von 0.5 ist genauso weit von keinem Effekt entfernt wie 2, und das Poolen erfolgt auf der Log-Skala.
Die nötigen Daten
Eine Zeile pro Studie mit der Effektstärke und der unteren und oberen Grenze ihres Konfidenzintervalls, wie in jedem Paper berichtet. Eine Gewichtsspalte ist optional: Ohne sie werden die Gewichte aus den Intervallbreiten berechnet (inverse Varianz), sodass präzise Studien stärker zählen.
Das Forest-Plot-Beispiel enthält acht Studien mit Odds Ratios und eine CSV-Datei zum Herunterladen, mit der Sie mitmachen können.
Fester Effekt oder zufällige Effekte
Ein Modell mit festem Effekt nimmt an, dass alle Studien einen einzigen wahren Effekt schätzen und sich nur zufällig unterscheiden. Ein Modell mit zufälligen Effekten nimmt an, dass der wahre Effekt zwischen Studien variiert, schätzt diese Varianz (τ²) und liefert ein breiteres, vorsichtigeres Intervall. Unterscheiden sich die Studien in Population, Dosis oder Design, sind zufällige Effekte meist die ehrliche Wahl. Beide Rauten zu zeichnen zeigt, wie viel die Wahl ausmacht.
Heterogenität wird zusammengefasst durch Cochrans Q (ein Test, ob die Studien stärker voneinander abweichen, als der Zufall erlaubt), I² (der Anteil der Variation durch echte Unterschiede, 0–100%) und τ² (die Varianz zwischen den Studien selbst).
Einen Forest-Plot in LabTools erstellen
- Klicken Sie in Charts & Plots auf Upload File und laden Sie Ihre Tabelle (CSV oder Excel), oder fügen Sie sie mit Paste Data ein.
- Wählen Sie im Chip Chart den Typ Forest Plot.
- Wählen Sie unter Columns die Study/Label Column, Effect Size Column, CI Lower Bound Column und CI Upper Bound Column (und optional eine Weight Column). Das Studien-Dropdown listet derzeit nur numerische Spalten, nummerieren Sie Ihre Studien also.
- Legen Sie unter Statistical Analysis den Effect Size Type fest (OR, RR und HR wechseln zu einer Log-Achse mit der Linie bei 1), das Meta-Analysis Model (Fixed Effects, Random Effects oder Both) und das Confidence Level.
- Legen Sie unter Layout & Typography die „Favours“-Beschriftungen und Sort Studies By fest; wählen Sie unter Publication Features einen Journal Style (APA, Nature, JAMA oder Cochrane) und die Position der Statistiktabelle.
- Export (Ctrl+E) als PNG, SVG oder PDF.
Der Plot poolt zufällige Effekte nach DerSimonian–Laird. Für REML, ein Vorhersageintervall und den Egger-Test führen Sie labtools stats meta auf der Kommandozeile aus oder fragen einen KI-Assistenten, der per MCP mit LabTools verbunden ist.
Small-Study-Effekte und Publikationsbias
Berichten kleine Studien größere Effekte als große, kann der gepoolte Schätzer überhöht sein, oft weil kleine Nullergebnisse unveröffentlicht bleiben. Ein Funnel-Plot zeigt das visuell; eine Rangkorrelation zwischen Studiengröße und Effekt oder Eggers Regressionstest beziffert es. Im Beispiel beträgt Kendalls τ zwischen Studiengröße und log(OR) 0.143 (p = 0.62): kein Hinweis auf Small-Study-Effekte, auch wenn acht Studien diesen Tests wenig Power geben.
Was zu berichten ist
- Das Effektmaß und die Skala (zum Beispiel Odds Ratio, gepoolt auf der Log-Skala).
- Das Modell (fester oder zufällige Effekte) und den τ²-Schätzer.
- Den gepoolten Schätzer mit Konfidenzintervall sowie Q, I² und τ².
- Jede Bewertung von Small-Study-Effekten oder Publikationsbias und auf wie vielen Studien sie beruht.
Häufig gestellte Fragen
Wofür wird ein Forest-Plot verwendet?
Um die Ergebnisse mehrerer Studien zur selben Frage nebeneinander zu zeigen: Effektstärke und Konfidenzintervall jeder Studie in einer Zeile und den gepoolten (metaanalytischen) Schätzer als Raute unten. Er ist die Standardabbildung von Metaanalysen und systematischen Übersichtsarbeiten.
Wie lese ich einen Forest-Plot?
Jede Zeile ist eine Studie: Der Marker ist ihr Schätzer, die horizontale Linie ihr Konfidenzintervall. Die senkrechte Linie bedeutet „kein Effekt“ (1 für Verhältnisse, 0 für Differenzen); ein Intervall, das sie kreuzt, ist für sich allein nicht signifikant. Die Raute ist der gepoolte Schätzer, ihre Breite ihr Konfidenzintervall.
Wie erhalte ich den Standardfehler aus einem Konfidenzintervall?
Für ein 95%-KI einer Differenz: SE = (upper − lower) / (2 × 1.96). Für ein Verhältnis (OR, RR, HR) rechnen Sie auf der Log-Skala: SE = (ln(upper) − ln(lower)) / (2 × 1.96). LabTools nimmt das Intervall direkt an und erledigt das für Sie.
Was bedeutet ein hohes I²?
Dass der Großteil der Streuung zwischen den Studienergebnissen echte Unterschiede zwischen den Studien (Populationen, Dosen, Methoden) widerspiegelt und nicht den Zufall. Ab etwa 75% spricht man meist von hoher Heterogenität. Berichten Sie den Schätzer mit zufälligen Effekten, suchen Sie die Ursache der Heterogenität und erwägen Sie ein Vorhersageintervall, das zeigt, wo der Effekt einer neuen Studie wahrscheinlich läge.
DerSimonian–Laird oder REML?
Beide schätzen die Varianz zwischen den Studien τ² für ein Modell mit zufälligen Effekten. DerSimonian–Laird ist der klassische Standard (in RevMan verwendet); REML wird oft bevorzugt, besonders bei wenigen Studien. Der Forest-Plot in LabTools verwendet DerSimonian–Laird; labtools stats meta bietet beides, mit Vorhersageintervall und Egger-Test.