Kohortenstudien-Design
- Eingeführt von
- Donald Acheson, Olli Miettinen, and others in modern epidemiology
- Jahr
- 1970s-1980s
- Typ
- Research Design
- Familie
- observational design
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Eine Kohortenstudie verfolgt eine Gruppe von Individuen über die Zeit von der Exposition bis zum Ergebnis.
Exponierte und nicht exponierte Teilnehmer (oder Teilnehmer mit unterschiedlichen Expositionsniveaus) werden zu Beginn eingeschrieben, charakterisiert und prospektiv beobachtet, bis das Ergebnis eintritt oder die Studie endet. Kohortenstudien sind grundlegend für die Epidemiologie und das Design der Wahl zur Feststellung kausaler Zusammenhänge, wenn randomisierte Studien nicht durchführbar oder unethisch sind.
Die Intuition hinter der Methode
Stellen Sie sich vor, Sie verfolgen zwei Gruppen von Rauchern und Nichtrauchern über 10 Jahre und zählen Lungenkrebsfälle in jeder Gruppe. Das Relative Risiko (RR) = (Lungenkrebsfälle bei Rauchern) / (Lungenkrebsfälle bei Nichtrauchern) gibt an, wie viel wahrscheinlicher Raucher an Krebs erkranken. Kohortenstudien wahren die zeitliche Abfolge (Exposition vor Ergebnis) auf natürliche Weise, vermeiden Erinnerungsverzerrungen (Exposition wird zu Beginn erfasst und nicht nach Krankheitsbeginn erinnert) und können mehrere Ergebnisse aus einer einzigen Exposition untersuchen. Der Hauptkompromiss sind Kosten und Zeit: Man muss Personen jahrelang verfolgen, oft mit hohen Kosten. Confounding – andere Faktoren, die sowohl mit der Exposition als auch mit dem Ergebnis korreliert sind – bleibt eine Bedrohung, wenn sie nicht kontrolliert wird.
Geschichte
Kohortenstudien wurden in der Epidemiologie in den 1950er-1970er Jahren prominent, beispielhaft durch die Framingham Heart Study (1948-heute), die prospektive kardiovaskuläre Risikofaktoren erforschte. Olli Miettinen und andere formalisierten die statistischen Grundlagen und unterschieden Kohorten- (inzidenzbasiert) von Fall-Kontroll- (Odds-basiert) Ansätzen. Moderne Kohortenstudien nutzen elektronische Gesundheitsakten, Krankheitsregister und Biobanken zur Effizienzsteigerung. Dynamische Kohorten (rollierende Einschreibung) und nested case-control designs (Auswahl von Fällen und Kontrollen innerhalb einer Kohorte) haben das methodische Instrumentarium erweitert.
Wann wird sie eingesetzt?
Verwenden Sie Kohortenstudien, wenn: (1) seltene Expositionen untersucht werden (z. B. berufsbedingte Gefahren, die wenige Menschen betreffen), (2) zeitliche Beziehungen zwischen Exposition und Ergebnis hergestellt werden sollen, (3) mehrere Ergebnisse aus einer einzigen Exposition untersucht werden sollen (z. B. Rauchen → Krebs, Herzkrankheiten, COPD), (4) Langzeiteffekte über Jahre oder Jahrzehnte bewertet werden sollen, (5) die natürliche Krankheitsgeschichte und Inzidenz bewertet werden sollen, (6) randomisierte Studien unethisch sind (z. B. Exposition von Menschen gegenüber schädlichen Substanzen), (7) Ergebnisse häufig vorkommen, was Fall-Kontroll-Studien weniger effizient macht.
Grenzen und Hinweise
- Zeit und Kosten: Die Nachverfolgung von Kohorten über Jahre oder Jahrzehnte erfordert nachhaltige Finanzierung, Personal und Infrastruktur; Attrition (Verlust zur Nachverfolgung) ist häufig.
- Verlust zur Nachverfolgung-Bias: Wenn die verlorenen Teilnehmer sich systematisch in Bezug auf Exposition oder Confounder unterscheiden, werden die RR-Schätzungen verzerrt. Erfordert hohe Nachverfolgungsraten (>80%).
- Seltene Ergebnisse: Wenn die Ergebnisinzidenz sehr gering ist, werden riesige Kohorten benötigt, was die Kosten erhöht. Fall-Kontroll-Studien können effizienter sein.
- Confounding: Ungemessene oder schlecht gemessene Confounder können das RR verzerren. Die Anpassung ist auf gemessene Variablen beschränkt.
- Kohorteneffekte: Über die Zeit eingeschriebene Teilnehmer können sich in Baseline-Merkmalen, Prognose oder säkularen Trends unterscheiden, was die Vergleichbarkeit beeinträchtigt.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Klare zeitliche Abfolge: Exposition wird vor dem Ergebnis erfasst, was die Richtung und Kausalität überzeugender als Querschnittsdesigns etabliert.
- Mehrere Ergebnisse: Eine einzige Exposition kann mit vielen Ergebnissen in Zusammenhang stehen, was für die breite Hypothesengenerierung ökonomisch ist.
- Inzidenz und absolutes Risiko: Schätzt direkt das Risiko in exponierten und nicht exponierten Gruppen und ermöglicht die Berechnung der Anzahl benötigter Behandlungen.
- Vermeidet ergebnisabhängige Auswahl: Die Kohorte wird nach Exposition, nicht nach Ergebnis definiert, was die bei Fall-Kontroll-Studien inhärente Auswahlverzerrung verhindert.
- Inzidenzraten: Personenzeit-Nenner berücksichtigen variable Nachverfolgung und ermöglichen den Vergleich zwischen Studien mit unterschiedlichen Nachverfolgungsdauern.
Anwendungen
- Berufsepidemiologie: Verfolgung von Arbeitern in gefährlichen Industrien (Asbest, Bergbau, chemische Produktion), um das Krankheitsrisiko zu quantifizieren, das auf Expositionen am Arbeitsplatz zurückzuführen ist.
- Ernährungs- und Lebensstilstudien: Rekrutierung von Teilnehmern, Messung der Baseline-Ernährung und körperlichen Aktivität, dann Nachverfolgung auf Herz-Kreislauf-Erkrankungen, Krebs oder Mortalität (z. B. Nurses' Health Study).
- Krebsinzidenz und Prognose: Einschreibung von krankheitsfreien Teilnehmern und Verfolgung der Krebsdiagnose im Laufe der Zeit; oder Einschreibung von Krebspatienten und Verfolgung des Überlebens.
- Geburtskohorten und kindliche Entwicklung: Einschreibung von schwangeren Frauen oder Neugeborenen, Messung früher Expositionen (z. B. mütterliches Rauchen, Luftverschmutzung, Armut) und Bewertung langfristiger Gesundheits- und Entwicklungsergebnisse.
- Medikamentensicherheit und unerwünschte Ereignisse: Einschreibung von Patienten, die mit einer neuen Medikation beginnen, und Überwachung auf unerwünschte Ereignisse, Krankenhausaufenthalte oder Mortalität im Vergleich zu alternativen Behandlungen.
So funktioniert es
So funktioniert es
Definieren Sie die Kohortenquelle (z. B. krankheitsfreie Erwachsene im Alter von 40–70 Jahren, Angestellte einer Fabrik, Patienten in einer Klinik). Definieren Sie die Exposition: Ist sie binär (ja/nein), kategorisch (niedrig/mittel/hoch) oder kontinuierlich (Nutzungsjahre)? Melden Sie Teilnehmer ein, die zu Beginn krankheitsfrei sind; messen und erfassen Sie den Expositionsstatus und Baseline-Confounder (Alter, Geschlecht, Rasse, sozioökonomischer Status, Komorbiditäten usw.). Verfolgen Sie die Teilnehmer über einen vordefinierten Zeitraum (Monate bis Jahrzehnte). Nutzen Sie aktive Nachverfolgung (Interviews, Klinikbesuche, Postumfragen) oder passive Nachverfolgung (Krankenakten, Krankheitsregister, Versicherungsansprüche). Erfassen Sie Ergebnisereignisse (Diagnose, Krankenhausaufenthalt, Tod) mit Daten. Dokumentieren Sie Verlust zur Nachverfolgung, Ausstieg und Zensierung (wenn Teilnehmer am Studienende leben/krankheitsfrei sind, aber der Ergebnisstatus unbekannt ist). Standardisieren Sie die Ergebnisdefinition für alle Teilnehmer.
Formel
Define cohort (exposed and unexposed groups); enroll eligible participants; establish baseline characteristics and exposure status; follow participants forward in time; record outcome events.
Berechnen Sie die Inzidenz in jeder Expositionsgruppe: Inzidenz = (Anzahl der Ergebnisereignisse in der Gruppe) / (Personenzeit im Risiko in der Gruppe). Personenzeit berücksichtigt die unterschiedliche Nachverfolgungsdauer: Wenn eine Person 5 Jahre und eine andere 2 Jahre verfolgt wird, summiert sich die Personenzeit zu 7 Personenjahren. Berechnen Sie das Relative Risiko (RR) = Inzidenz_exponiert / Inzidenz_nicht exponiert. RR > 1 deutet auf ein erhöhtes Risiko hin; RR < 1 deutet auf ein reduziertes Risiko (oder schützende Wirkung) hin; RR = 1 deutet auf keine Assoziation hin. Berechnen Sie 95%-Konfidenzintervalle (basierend auf Poisson oder Delta-Methode). Passen Sie für Confounder mittels Stratifizierung (Mantel-Haenszel) oder Regression (Cox-Proportional-Hazards, Poisson-Regression) an. Prüfen Sie die Annahme der proportionalen Gefährdung in Cox-Modellen.
Formel
Calculate incidence (risk) in exposed and unexposed groups; compute Relative Risk (RR) = Incidence_{\text{exposed}} / Incidence_{\text{unexposed}}.Ein RR von 2 bedeutet, dass die exponierte Gruppe die doppelte Inzidenz im Vergleich zur nicht exponierten Gruppe aufweist. Ein RR von 0,5 bedeutet, dass die exponierte Gruppe die halbe Inzidenz aufweist (schützende Wirkung). Konfidenzintervalle, die 1,0 nicht einschließen, deuten auf statistisch signifikante Assoziationen hin (bei α=0,05). Kausalität bewerten: Ist die Assoziation stark (RR > 2–3)? Dosisabhängig (steigende Exposition → steigendes Risiko)? Konsistent über Untergruppen hinweg? Zeitlich kohärent? Berücksichtigen Sie ungemessene Confounder: Könnte eine ungemessene Variable (z. B. genetische Veranlagung, Ernährung) das beobachtete RR erklären? Generalisieren Sie die Ergebnisse auf Populationen, die Ihrer Kohorte ähneln. Berichten Sie die absolute Risikoreduktion oder die Anzahl der benötigten Behandlungen (NNT) neben dem RR für den klinischen Kontext.
Formel
Interpret RR in context of follow-up duration, loss to follow-up, and confounding; assess temporality; generalize to source population.
Häufige Fallstricke
- Unzureichende Dokumentation der Nachverfolgung: Fehlende oder vage Ergebnisdaten oder inkonsistente Ergebnisdefinitionen über Teilnehmer hinweg machen die zeitliche Schlussfolgerung ungültig.
- Ignorieren des Verlusts zur Nachverfolgung: Das Verwerfen verlorener Teilnehmer ohne Analyse verstärkt die Auswahlverzerrung. Verwenden Sie die Intention-to-Treat-Logik; führen Sie Sensitivitätsanalysen unter verschiedenen fehlenden Datenmechanismen durch.
- Ungemessene Confounder: Ein ungemessener Faktor (z. B. genetische Anfälligkeit) kann die Exposition-Ergebnis-Assoziation erklären. Diskutieren Sie immer potenzielle ungemessene Confounder.
- Post-hoc-Stratifizierung: Die Aufteilung der Kohorte in Untergruppen nach der Ergebnisbetrachtung führt zu multiplen Vergleichen, falschen Entdeckungen und Überanpassung. Legen Sie Untergruppenhypothesen im Voraus fest.
- Annahme der Linearität: Bei Dosis-Wirkungs-Analysen kann die Annahme einer linearen Beziehung zwischen Expositionsniveau und Ergebnis Schwellenwert- oder Plateaueffekte maskieren. Stellen Sie die Daten grafisch dar und testen Sie nicht-lineare Anpassungen.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Relative Risk (RR) und Odds Ratio (OR) in einer Kohortenstudie?
In Kohortenstudien messen Sie direkt die Inzidenz (Wahrscheinlichkeit eines Ergebnisses über die Zeit), daher ist das Relative Risiko (RR) die natürliche Schätzung: RR = Inzidenz_exponiert / Inzidenz_nicht exponiert. Die Odds Ratio (OR) ist das Verhältnis der Odds eines Ergebnisses; sie entsteht in Fall-Kontroll-Studien, wo Sie die Inzidenz nicht messen können. In Kohorten mit seltenen Ergebnissen (Inzidenz <10%) nähern sich RR und OR einander an. Wenn Ergebnisse häufig vorkommen, divergieren sie: OR überschätzt die Wirkung im Vergleich zu RR. Berichten Sie in Kohortenstudien immer RR; reservieren Sie OR für Fall-Kontroll-Designs.
Was ist Personenzeit und warum ist sie wichtig?
Personenzeit (oder Nachverfolgungszeit) ist die Summe der individuellen Nachverfolgungsdauern. Wenn Sie 100 Personen jeweils 10 Jahre lang verfolgen, sind das 1000 Personenjahre. Wenn 50 Personen 5 Jahre und 50 Personen 10 Jahre lang verfolgt werden, sind das ebenfalls 750 Personenjahre. Die Inzidenzrate wird pro Personenzeiteinheit berechnet (z. B. pro 1000 Personenjahre). Personenzeit berücksichtigt die Tatsache, dass einige Teilnehmer ausfallen, sterben oder frühzeitig zensiert werden. Die Verwendung von Personenzeit als Nenner (anstelle nur der Anzahl der Personen) liefert unverzerrte Schätzungen bei variabler Nachverfolgung.
Wie gehe ich mit Verlust zur Nachverfolgung um?
Verlust zur Nachverfolgung ist eine Hauptquelle für Verzerrungen. Streben Sie eine Nachverfolgungsrate von >80% an. Schließen Sie in der Analyse nicht einfach die verlorenen Teilnehmer aus; dies führt zu Auswahlverzerrungen. Verwenden Sie stattdessen die Intention-to-Treat-Logik: Klassifizieren Sie verlorene Teilnehmer nach ihrem letzten bekannten Status und führen Sie Sensitivitätsanalysen durch, die verschiedene Ergebnis-Szenarien annehmen (z. B. alle Verlorenen sind ergebnis-frei, alle Verlorenen entwickelten das Ergebnis oder fehlen zufällig). Wenn der Verlust zur Nachverfolgung zwischen exponierten und nicht exponierten Gruppen stark abweicht, interpretieren Sie die Ergebnisse mit Vorsicht. Inverse Wahrscheinlichkeitsgewichtung (IPW) oder multiple Imputation können systematische Fehlens bei der Annahme 'missing at random' korrigieren.
Wie unterscheide ich zwischen Kohorten- und Querschnittsstudien?
Eine Kohortenstudie schließt krankheitsfreie (oder ergebnis-freie) Teilnehmer ein, misst die Exposition zu Beginn und verfolgt sie bis zum Eintreten des Ergebnisses. Eine Querschnittsstudie misst Exposition und Ergebnis gleichzeitig zu einem einzigen Zeitpunkt und erfasst die Prävalenz. Kohortenstudien haben eine klare zeitliche Abfolge (Exposition → Ergebnis), die kausale Schlussfolgerungen ermöglicht. Querschnittsstudien können keine Kausalität feststellen: Hat die Exposition das Ergebnis verursacht, oder hat das Ergebnis die Wahrnehmung der Exposition beeinflusst? Kohortenstudien sind kostspieliger und zeitaufwändiger, liefern aber stärkere Beweise für Kausalität.
Verwandte Methoden
Quellen
Miettinen, O. S. (1976). Estimability and estimation in case-referent studies. American Journal of Epidemiology, 103(2), 226–235.
DOI-Referenz öffnenKopiert.Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755657Kopiert.Veierød, M. B., Lydersen, S., & Laake, P. (2012). Medical Statistics in Clinical and Epidemiological Research. Gyldendal Akademisk.
ISBN: 978-8205418627Kopiert.