Zum Inhalt springen
Zurück zu den Suchergebnissen

Fall-Kontroll-Studiendesign

Eingeführt von
Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
Jahr
1950s-1970s
Typ
Research Design
Familie
observational design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Eine Fall-Kontroll-Studie identifiziert Individuen mit einer Krankheit oder einem Ergebnis (Fälle) und eine Vergleichsgruppe ohne das Ergebnis (Kontrollen) und misst dann retrospektiv die vorherige Exposition.

Fall-Kontroll-Studien, die in den 1950er bis 1970er Jahren von Epidemiologen wie Schlesselman und MacMahon entwickelt wurden, sind besonders effizient für seltene Krankheiten, da sie Fälle mit einer Anreicherung des Ergebnisses stichprobenartig entnehmen und so den Bedarf an riesigen Kohorten vermeiden. Sie sind ein Grundpfeiler der klinischen Epidemiologie, der Beobachtungsforschung und von Ausbruchsuntersuchungen.

Die Intuition hinter der Methode

Fall-Kontroll-Studien arbeiten rückwärts: Man beginnt mit Personen, die die Krankheit haben, und fragt dann: 'Welchen Einflüssen waren Sie ausgesetzt, bevor Sie krank wurden?' Dies vergleicht man mit Kontrollen, die die Krankheit nicht haben. Wenn Fälle viel wahrscheinlicher eine vergangene Exposition berichten als Kontrollen, ist die Exposition wahrscheinlich ein Risikofaktor. Die Schlüsselstatistik ist das Chancenverhältnis (Odds Ratio, OR), das allein aus der Fall-Kontroll-Stichprobe berechnet werden kann. Die größten Herausforderungen sind Erinnerungsverzerrung (Recall Bias), da Fälle Expositionen anders erinnern als Kontrollen, und Selektionsverzerrung (Selection Bias), da die Auswahl der Kontrollen die Ergebnisse beeinflusst. Für seltene Krankheiten ist die Fall-Kontroll-Studie weitaus effizienter als die Kohortenstudie: Man rekrutiert 100 Fälle und 100 Kontrollen anstelle von 100.000 krankheitsfreien Personen, die über Jahre hinweg beobachtet werden.

Geschichte

Die Fall-Kontroll-Methodik entstand in den 1950er Jahren, als Epidemiologen nach effizienten Wegen suchten, seltene Krankheiten zu untersuchen. Jerome Schlesselmans Monographie (1982) formalisierte die statistische Grundlage. Fall-Kontroll-Designs erwiesen sich als entscheidend für den Nachweis kausaler Zusammenhänge: Die klassische Fall-Kontroll-Studie zu Thalidomid und Geburtsfehlern (1960er Jahre) und zu Rauchen und Lungenkrebs (Doll & Hill) sind Beispiele für die Fähigkeit des Designs, Expositionen schnell zu erkennen. Verschachtelte Fall-Kontroll-Studien (Auswahl von Kontrollen aus einer Kohorte heraus) und abgeglichene Fall-Kontroll-Designs entwickelten sich zur Steigerung der Präzision. Heute bleiben Fall-Kontroll-Studien in der Epidemiologie von grundlegender Bedeutung, insbesondere bei der Untersuchung von Ausbrüchen, berufsbedingten Gefahren und seltenen unerwünschten Ereignissen.

Wann wird sie eingesetzt?

Fall-Kontroll-Studien verwenden, wenn: (1) die Krankheit oder das Ergebnis selten ist (z. B. seltene Krebsarten, Geburtsfehler), was Kohortenstudien unerschwinglich macht, (2) eine lange Latenzzeit zwischen Exposition und Ergebnis besteht (Jahre bis Jahrzehnte), (3) mehrere Expositionen für ein einzelnes Ergebnis untersucht werden, (4) Ausbruchs- oder Epidemieuntersuchungen durchgeführt werden (Vergleich von exponierten vs. nicht exponierten), (5) Hypothesen aus vorhandenen Daten (Krankenakten, Krankheitsregister) generiert werden, (6) die Ressourcen begrenzt sind (Fall-Kontroll-Studien sind billiger und schneller als Kohortenstudien), (7) vergangene Expositionen untersucht werden, bei denen eine Nachbeobachtung unmöglich ist.

Grenzen und Hinweise

  • Erinnerungsverzerrung (Recall Bias): Fälle, die das Ergebnis erlebt haben, erinnern sich möglicherweise anders an vergangene Expositionen als Kontrollen. Wenn Fälle die Berichterstattung über Expositionen übertreiben oder herunterspielen, ist das OR verzerrt.
  • Selektionsverzerrung (Selection Bias): Die Auswahl der Kontrollen beeinflusst das OR entscheidend. Kontrollen müssen aus derselben Quellpopulation stammen, die die Fälle erzeugt hat; die Verwendung von hospitalisierten Kontrollen, wenn die Fälle aus der Allgemeinbevölkerung stammen, führt zu Verzerrungen.
  • Zeitliche Mehrdeutigkeit: Die retrospektive Messung der Exposition kann die Kausalität verschleiern. Ging die Exposition der Erkrankung voraus, oder beeinflusste die Erkrankung die Erinnerung an die Exposition?
  • Keine Inzidenzberechnung möglich: Fall-Kontroll-Stichproben sind ergebnisangereichert, daher kann die Krankheitsinzidenz oder das absolute Risiko nicht direkt geschätzt werden. Das OR ist die einzige schätzbare Assoziationsmaßzahl.
  • Fehlklassifizierung der Exposition: Die retrospektive Expositionsbewertung (insbesondere für ferne Expositionen) ist fehleranfällig und verzerrt das OR in Richtung Null.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Effizienz bei seltenen Ergebnissen: Die anreichernde Stichprobenentnahme für Ergebnisse macht Fall-Kontroll-Studien für seltene Krankheiten weitaus effizienter als Kohortenstudien. Eine Studie zu seltenem Krebs könnte 300 Fälle und 300 Kontrollen anstelle von 100.000 Personen, die über Jahre hinweg beobachtet werden, einschließen.
  • Geschwindigkeit und Kosten: Die retrospektive Datenerhebung ist schneller und kostengünstiger als die prospektive Nachbeobachtung.
  • Mehrere Expositionen: Eine einzelne Fall-Kontroll-Studie kann viele Expositionen gleichzeitig untersuchen und neue Risikofaktoren identifizieren.
  • Etablierte Krankheitsregister: Viele Krankheiten haben Register (Krebs, Geburtsfehler), die einen einfachen Zugang zu gut charakterisierten Fällen ermöglichen.
  • Latenz: Fall-Kontroll-Studien bewältigen natürlich lange Induktions-Latenzperioden zwischen Exposition und Ergebnisdiagnose.

Anwendungen

  • Ausbruchsuntersuchung: Identifizieren Sie während eines Ausbruchs von lebensmittelbedingten Krankheiten Fälle (kranke Personen) und Kontrollen (exponierte, aber nicht kranke Personen), vergleichen Sie die konsumierten Lebensmittel und identifizieren Sie die Quelle.
  • Epidemiologie von Geburtsfehlern: Säuglinge mit angeborenen Anomalien als Fälle einschließen, bevölkerungsbasierte Kontrollen auswählen, Mütter nach Medikamenten, Infektionen oder Expositionen während der Schwangerschaft befragen.
  • Arbeitsmedizin: Arbeiter mit Mesotheliom (seltenes Ergebnis) sind Fälle; Kontrollen sind Arbeiter ohne asbestbedingte Krankheit; retrospektive Bewertung der Asbestexposition anhand von Beschäftigungsunterlagen.
  • Nebenwirkungen von Medikamenten: Patienten, die wegen Leberversagen hospitalisiert sind (Fälle), werden mit hospitalisierten Kontrollen (ohne Leberversagen) verglichen; die Medikamentenhistorie wird überprüft, um lebertoxische Medikamente zu identifizieren.
  • Ätiologie von Krebs: neu diagnostizierte Krebspatienten (Fälle) werden mit krebsfreien Kontrollen nach Alter/Geschlecht frequenzabgeglichen; Ernährungs-, Raucher- und Fortpflanzungshistorien werden erhoben, um Risikofaktoren zu identifizieren.

So funktioniert es

So funktioniert es

1

Fälle definieren: Individuen mit dem interessierenden Ergebnis (z. B. Diabetes, Myokardinfarkt, angeborene Anomalie). Fälle können neu diagnostiziert (inzident) oder alle Personen mit der Krankheit in einem definierten Zeitraum (prävalent) sein. Fälle klar definieren: Diagnosekriterien, Datum der Diagnose, Krankheitsstatus bestätigt durch Krankenakten. Kontrollen aus der Quellpopulation auswählen, die die Fälle erzeugt hat – Kontrollen repräsentieren die Expositionsverteilung in der Population, die die Fälle hervorgebracht hat. Kontrollen müssen krankheitsfrei sein (zumindest für das spezifische Ergebnis). Abgleich (Matching): Kontrollen können 1:1 oder 1:k mit Fällen nach Alter, Geschlecht, Ethnie oder anderen Störfaktoren abgeglichen werden; Matching verbessert die Aussagekraft, erfordert aber statistische Anpassung (McNemar-Test für abgeglichene Paare). Alternativ können nicht abgeglichene Kontrollen verwendet und Störfaktoren in der Regression angepasst werden. Vorherige Exposition messen anhand von Krankenakten, Interviews, Fragebögen oder Biobankproben. Für historische Expositionen (ferne Vergangenheit) Krankenakten oder Berufshistorien verwenden; für kürzliche Expositionen sind Interviews praktikabel.

Formel
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
2

Eine 2×2-Kontingenztafel erstellen: Zeilen = Expositionsstatus (ja/nein), Spalten = Fall-/Kontrollstatus. Chancenverhältnis (Odds Ratio, OR) berechnen: OR = (a × d) / (b × c), wobei a = exponierte Fälle, b = nicht exponierte Fälle, c = exponierte Kontrollen, d = nicht exponierte Kontrollen. 95%-KI auf logarithmischer Skala berechnen. Für abgeglichene Daten (n abgeglichene Paare) McNemar-Test verwenden: χ² = ((b − c)²) / (b + c), der prüft, ob diskordante Paare ausgeglichen sind. Für nicht abgeglichene Daten logistische Regression verwenden, um Störfaktoren anzupassen und das angepasste OR zu berechnen. Angepasstes OR mit KI und p-Wert berichten. Auf Interaktion zwischen Exposition und Störfaktoren prüfen.

Formel
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
3

OR = 1: keine Assoziation zwischen Exposition und Ergebnis. OR > 1: Exposition assoziiert mit erhöhten Chancen auf das Ergebnis (Risikofaktor). OR < 1: Exposition assoziiert mit verringerten Chancen (Schutzfaktor). Zum Beispiel bedeutet OR = 3, dass die Chancen für die Exposition bei Fällen dreimal so hoch sind wie bei Kontrollen. Wenn die Krankheit selten ist (Prävalenz <10%), nähert sich das OR der relativen Risikoschätzung (Relative Risk, RR). Wenn die Krankheit häufig ist, überschätzt das OR die Wirkung. Konfidenzintervalle, die 1,0 nicht einschließen, deuten auf statistische Signifikanz hin. Kausalität erfordert mehr als statistische Assoziation: Berücksichtigen Sie Stärke (OR >2–3), Konsistenz über Studien hinweg, Dosis-Wirkungs-Beziehung, zeitliche Plausibilität und biologischen Mechanismus. Alternative Erklärungen bewerten: Können Selektionsverzerrung, Erinnerungsverzerrung oder unbeachtete Störfaktoren die beobachtete Assoziation erklären?

Formel
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.

Häufige Fallstricke

  • Schlechte Auswahl der Kontrollen: Kontrollen, die aus hospitalisierten Patienten ausgewählt werden (wenn die Fälle Gemeinschaftsfälle sind) oder Kontrollen mit einer verwandten Krankheit, führen zu Selektionsverzerrungen. Kontrollen sollten krankheitsfrei und repräsentativ für die Quellpopulation sein.
  • Ignorieren des Matchings in der Analyse: Wenn Fälle und Kontrollen nach Alter/Geschlecht abgeglichen werden, ist die Standard-Logistikregression ungeeignet; verwenden Sie bedingte Logistikregression oder den McNemar-Test für abgeglichene Analysen.
  • Differenzielle Erinnerungsverzerrung: Fälle erinnern sich möglicherweise gründlicher an Expositionen oder verzerren sie stärker als Kontrollen. Minimieren Sie dies durch die Verwendung objektiver Aufzeichnungen (z. B. Krankenakten, Beschäftigungsunterlagen) anstelle von Erinnerungsumfragen.
  • Post-hoc-Auswahl von Kontrollen: Die Anpassung der Kontrollauswahl nach der Datenerhebung (z. B. Auswahl zusätzlicher Kontrollen zur Ausgleichung eines bestimmten Kovariaten) führt zu Verzerrungen. Definieren Sie die Kriterien für Kontrollen im Voraus.
  • Prävalenz-Inzidenz-Verzerrung: Wenn prävalente Fälle (alle Krankheitsfälle in der Population) anstelle von inzidenten Fällen (neu diagnostizierte) eingeschlossen werden, können Überlebende schwerer Krankheiten angereichert sein, was das OR verzerrt.

Häufig gestellte Fragen

Wann ist das Odds Ratio eine gute Annäherung an das Relative Risiko?

Das Odds Ratio (OR) nähert sich dem Relativen Risiko (RR) an, wenn die Krankheit in der Population selten ist (typischerweise <10% Prävalenz). Bei geringer Prävalenz sind die Chancen auf eine Krankheit ≈ das Risiko einer Krankheit, also OR ≈ RR. Wenn die Prävalenz >10% beträgt, überschätzt das OR die Wirkung im Verhältnis zum RR. Wenn beispielsweise RR = 2 ist, kann das OR bei höherer Prävalenz 2,5 oder höher sein. Machen Sie immer deutlich, dass Fall-Kontroll-Studien OR, nicht RR liefern. Wenn die klinische Interpretation RR erfordert, müssen Sie das OR anhand des Basisrisikos (Prävalenz der Krankheit in der Quellpopulation) umrechnen.

Was ist eine verschachtelte Fall-Kontroll-Studie und warum wird sie verwendet?

Eine verschachtelte Fall-Kontroll-Studie wählt Fälle und Kontrollen aus einer prospektiven Kohorte aus. Alle Fallmitglieder werden aus der Kohorte identifiziert, sobald Ergebnisse auftreten; Kontrollen werden zufällig aus Nicht-Fällen in der Kohorte stichprobenartig entnommen, oft abgeglichen mit Fällen nach Alter und Geschlecht. Verschachtelte Fall-Kontroll-Studien kombinieren die Stärken von Kohorten- und Fall-Kontroll-Studien: Zeitliche Abfolge und Inzidenzdaten sind verfügbar (wie in Kohortenstudien), aber die Kosten sind niedriger, da nur Fall- und Kontrollteilmengen für teure Expositionen (z. B. Biomarker, Gentests) gemessen werden. Das Odds Ratio aus einer verschachtelten Fall-Kontroll-Studie nähert sich dem relativen Risiko der Kohortenstudie an, auch wenn die Krankheit nicht selten ist.

Wie wähle ich zwischen abgeglichenen und nicht abgeglichenen Kontrollen?

Abgeglichene Kontrollen (1:1 mit Fällen nach Alter, Geschlecht usw. abgeglichen) erhöhen die Präzision und reduzieren die Verfälschung durch abgeglichene Variablen. Das Matching ist jedoch statistisch 'teuer': Sie müssen eine bedingte logistische Regression verwenden und können die unabhängigen Effekte der abgeglichenen Variablen nicht schätzen. Nicht abgeglichene Kontrollen ermöglichen die Anpassung an viele Störfaktoren in der logistischen Regression und können kostengünstiger sein. Matching ist am nützlichsten für starke Störfaktoren (Alter, Geschlecht, Kalenderjahr) und wenn Kontrollen schwer zu finden sind. Wenn potenzielle Störfaktoren zahlreich sind, sollten Sie ein nicht abgeglichenes Design mit Regressionsanpassung in Betracht ziehen.

Wie unterscheide ich zwischen Selektionsverzerrung und Informationsverzerrung in Fall-Kontroll-Studien?

Selektionsverzerrung entsteht durch die Art und Weise, wie Sie Fälle und Kontrollen auswählen. Wenn Fälle und Kontrollen aus unterschiedlichen Quellpopulationen stammen (z. B. hospitalisierte Fälle vs. Gemeinschaftskontrollen), ist das OR verzerrt. Informationsverzerrung (Fehlklassifizierung) entsteht durch Fehler bei der Messung von Exposition oder Ergebnis. Erinnerungsverzerrung ist eine Art der Informationsverzerrung: Fälle mit einer schweren Erkrankung erinnern sich möglicherweise anders an vergangene Expositionen als Kontrollen. Beide verzerren das OR, aber auf unterschiedliche Weise. Um Selektionsverzerrung zu minimieren, stellen Sie sicher, dass Fälle und Kontrollen aus derselben Quellpopulation stammen. Um Informationsverzerrung zu minimieren, verwenden Sie objektive Aufzeichnungen (Krankenakten, Biomarker) anstelle von Erinnerungen.

Verwandte Methoden

Quellen

  1. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN: 978-0195027815
    Kopiert.
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755657
    Kopiert.
  3. Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.

    Publikationsreferenz öffnen
    Kopiert.