Querschnittsepidemiologische Studie
- Eingeführt von
- Classical epidemiology tradition; systematized by Brian MacMahon and Thomas Pugh (1960s)
- Jahr
- 1960s (formal codification); widely practiced since mid-20th century
- Typ
- Observational, descriptive/analytic epidemiological design
- Familie
- Clinical / epidemiology
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Eine querschnittsepidemiologische Studie misst die Exposition(en) und das/die Ergebnis(se) von Interesse gleichzeitig in einer definierten Population zu einem einzigen Zeitpunkt (oder über einen kurzen Zeitraum).
Da keine Nachbeobachtung stattfindet, ist sie das effizienteste Beobachtungsdesign zur Schätzung der Krankheitsprävalenz und zur Generierung von Hypothesen über Assoziationen zwischen Risikofaktoren und Gesundheitsergebnissen.
Die Intuition hinter der Methode
Stellen Sie sich eine Querschnittsstudie wie eine Momentaufnahme einer Population zu einem einzigen Zeitpunkt vor. Jeder in der Momentaufnahme wird sowohl auf seinen Expositionsstatus (z. B. Rauchen, BMI, Beruf) als auch auf sein aktuelles Gesundheitsergebnis (z. B. Bluthochdruck, Depression, Diabetes) untersucht. Da das Bild die gesamte Szene auf einmal erfasst, können Sie schnell zählen, wer die Krankheit hat und ob bestimmte Expositionen bei den Betroffenen häufiger vorkommen. Sie können jedoch aus der Momentaufnahme nicht erkennen, was zuerst da war – daher kann die Studie zwar Muster und Prävalenzen aufdecken, aber nicht allein feststellen, dass eine Exposition das Ergebnis verursacht hat.
Geschichte
Das Querschnittsdesign entwickelte sich Mitte des 20. Jahrhunderts als formale epidemiologische Methode, geprägt durch die Entwicklung von bevölkerungsbasierten Umfragemethoden und kodifiziert in grundlegenden Texten von Brian MacMahon, Thomas Pugh und später Leon Gordis. Große nationale Gesundheitsumfragen wie die US National Health Interview Survey (gestartet 1957) und die National Health and Nutrition Examination Survey institutionalisierten die Methode für die kontinuierliche Bevölkerungsüberwachung. Methodische Verfeinerungen in der Stichprobentheorie, der statistischen Analyse komplexer Umfragen und die Nutzung elektronischer Gesundheitsakten haben die Reichweite des Designs in die klinische Epidemiologie, die Versorgungsforschung und die globale Gesundheitsüberwachung erweitert.
Wann wird sie eingesetzt?
Verwenden Sie eine Querschnittsstudie, wenn das Hauptziel darin besteht, die Prävalenz einer Erkrankung in einer Population zu schätzen, die Verteilung von Risikofaktoren zu bewerten oder schnell und kostengünstig Hypothesen über Expositions-Ergebnis-Assoziationen zu generieren. Sie eignet sich besonders für chronische Erkrankungen mit langer Dauer, für die Planung von Gesundheitsdiensten und für wiederholte Überwachungserhebungen (z. B. nationale Gesundheitserhebungen). Vermeiden Sie dieses Design, wenn die Forschungsfrage die Feststellung einer kausalen zeitlichen Reihenfolge erfordert (verwenden Sie stattdessen ein Kohorten- oder experimentelles Design), wenn das Ergebnis selten ist (Fall-Kontroll-Studien sind effizienter) oder wenn sich der Expositions- oder Krankheitsstatus schnell über die Zeit ändert, was eine einzelne Momentaufnahme uninformativ oder anfällig für Prävalenz-Inzidenz-Bias macht.
Grenzen und Hinweise
- Kann keine zeitliche Reihenfolge zwischen Exposition und Ergebnis feststellen, daher wird kausale Schlussfolgerungen nicht direkt unterstützt.
- Anfällig für Prävalenz-Inzidenz-Bias (Neyman-Bias) – schnell tödliche oder schnell abklingende Erkrankungen sind unterrepräsentiert, da betroffene Personen seltener in der Momentaufnahme erfasst werden.
- Non-Response-Bias kann erheblich sein; teilnehmende Personen können sich systematisch von Personen unterscheiden, die nicht teilnehmen.
- Umgekehrte Kausalität ist möglich – die beobachtete Krankheit kann die gemessene Exposition verursacht haben und nicht umgekehrt.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Keine Nachbeobachtung erforderlich – die Datenerhebung ist schnell und relativ kostengünstig im Vergleich zu Kohorten- oder Studiendesigns.
- Gut geeignet zur Schätzung der Prävalenz und zur Planung und Überwachung von Public-Health-Programmen.
- Mehrere Expositionen und Ergebnisse können gleichzeitig in einer einzigen Studie untersucht werden.
- Machbar in großem Maßstab unter Verwendung bestehender administrativer oder Umfragedaten, was eine hohe statistische Aussagekraft für häufige Ergebnisse ermöglicht.
Anwendungen
- Schätzung der nationalen oder regionalen Prävalenz chronischer Erkrankungen wie Bluthochdruck, Diabetes, Fettleibigkeit oder psychischer Erkrankungen.
- Bewertung der Verteilung von Verhaltensrisikofaktoren (Rauchen, körperliche Inaktivität, Alkoholkonsum) über demografische Gruppen hinweg.
- Wiederholte Querschnittsumfragen zur Überwachung von Trends bei Bevölkerungsgesundheitsindikatoren über die Zeit, ohne dieselben Individuen zu verfolgen.
- Bewertung von Mustern der Gesundheitsinanspruchnahme und Identifizierung ungedeckter Bedürfnisse für die Planung von Gesundheitsdiensten.
- Bewertung von Screening-Programmen – Ermittlung der Basisprävalenz einer Erkrankung, bevor eine Screening-Intervention eingeführt wird.
- Hypothesengenerierung für Risikofaktoren, die anschließend in Kohorten- oder experimentellen Studien getestet werden.
So funktioniert es
So funktioniert es
Der Forscher legt die Zielpopulation und den Studienzeitraum fest. Einschlusskriterien (Alter, Geografie, klinisches Setting usw.) werden definiert, um sicherzustellen, dass die Stichprobe repräsentativ für die Population ist, für die Schlussfolgerungen gezogen werden sollen. Eine klare Falldefinition und Expositionsdefinition werden vor Beginn der Datenerhebung festgelegt.
Aus der Zielpopulation wird eine Stichprobe gezogen, idealerweise durch Wahrscheinlichkeitsauswahl (einfache Zufalls-, geschichtete, Cluster- oder systematische Auswahl), um die Repräsentativität zu maximieren und unverzerrte Prävalenzschätzungen zu ermöglichen. Die Stichprobengröße wird a priori unter Verwendung der erwarteten Prävalenz, der gewünschten Präzision oder Aussagekraft und des Designeffekts bei Verwendung von Cluster-Auswahl berechnet.
Alle Stichprobenindividuen werden zu (ungefähr) demselben Zeitpunkt sowohl auf Exposition(en) als auch auf Ergebnis(se) untersucht. Datenquellen umfassen standardisierte Fragebögen, klinische Untersuchungen, biologische Proben oder administrative Aufzeichnungen. Da Exposition und Ergebnis gleichzeitig erhoben werden, kann das Design keine zeitliche Reihenfolge bestimmen.
Der primäre Schätzer ist der Punktprävalenzanteil: die Anzahl der Individuen mit dem Ergebnis geteilt durch die Gesamtzahl der Untersuchten, ausgedrückt als Prozentsatz oder pro 1.000. Die Periodenprävalenz (über ein definiertes kurzes Fenster) kann ebenfalls berichtet werden. Prävalenz = (Anzahl der Fälle zum Zeitpunkt T) / (Gesamte untersuchte Population) x 100.
Formel
Prevalence = (Number of cases at time T) / (Total population examined) x 100
Assoziationen zwischen Expositionskategorien und Ergebnis werden mit der Prävalenzrate (PR) oder der Prävalenz-Odds-Ratio (POR) mit Konfidenzintervallen quantifiziert. Multivariable logistische oder Poisson-Regression kann für Störfaktoren adjustieren. Da die zeitliche Abfolge unbekannt ist, werden diese Assoziationen als Hypothesengenerierung und nicht als kausal interpretiert. PR = Prävalenz bei Exponierten / Prävalenz bei Unexponierten.
Formel
Prevalence Ratio (PR) = Prevalence in exposed / Prevalence in unexposed
Häufige Fallstricke
- Verwechslung von Prävalenz und Inzidenz – eine Querschnittsstudie misst bestehende Fälle (Prävalenz), nicht neue Fälle (Inzidenz); die Interpretation von Prävalenzraten als Inzidenzraten ist ohne zusätzliche Annahmen falsch.
- Ignorieren des komplexen Stichprobendesigns in der Analyse – wenn Cluster- oder geschichtete Stichproben verwendet wurden, müssen die Standardfehler den Designeffekt berücksichtigen; andernfalls werden die Standardfehler unterschätzt und die Konfidenzintervalle irreführend eng.
- Prävalenz-Inzidenz-Bias – Erkrankungen mit kurzer Dauer (entweder schnelle Genesung oder schneller Tod) erscheinen künstlich selten; Forscher sollten anerkennen, dass die gemessene Prävalenz das Überleben und die Dauer widerspiegelt, nicht nur die Inzidenz.
- Ziehen von kausalen Schlussfolgerungen – ohne Längsschnittdaten können beobachtete Assoziationen nicht auf eine Exposition zurückgeführt werden, die das Ergebnis verursacht; die Sprache in Berichten sollte die deskriptive, hypothesegenerierende Natur des Designs widerspiegeln.
- Unzureichende Stichprobengröße für Subgruppenanalysen – die Gesamtstichprobengröße mag für die primäre Schätzung ausreichen, aber zu klein sein, um Assoziationen in klinisch wichtigen Subgruppen zu erkennen; die Aussagekraft für Subgruppen sollte explizit geplant werden.
Häufig gestellte Fragen
Kann ich aus einer Querschnittsstudie Kausalität ableiten?
Nein. Da Exposition und Ergebnis zur gleichen Zeit gemessen werden, können Sie nicht bestimmen, was zuerst da war. Querschnittsstudien eignen sich am besten zur Beschreibung der Prävalenz und zur Generierung von Hypothesen. Um kausale Hypothesen zu testen, ist eine prospektive Kohortenstudie oder eine randomisierte Studie erforderlich.
Was ist das geeignete Effektmaß für eine Querschnittsstudie?
Die Prävalenzrate (PR) wird im Allgemeinen der Prävalenz-Odds-Ratio (POR) vorgezogen, da sie direkter interpretierbar ist, insbesondere wenn die Ergebnisprävalenz 10 % übersteigt. PR kann mittels Poisson-Regression mit robuster Varianz geschätzt werden; POR wird aus der logistischen Regression erhalten. Bei seltenen Ergebnissen nähern sich die beiden Werte an.
Wie groß sollte meine Stichprobe sein?
Die Stichprobengröße hängt von der erwarteten Prävalenz des Ergebnisses, der gewünschten Präzision (Fehlermarge für die Prävalenzschätzung) oder Aussagekraft (zum Nachweis von Assoziationen) und dem Stichprobendesign ab. Allein für die Prävalenzschätzung gilt n = Z^2 * p(1-p) / e^2 (wobei p die erwartete Prävalenz und e die akzeptable Fehlermarge ist). Bei Verwendung von Cluster-Auswahl multiplizieren Sie mit dem Designeffekt, typischerweise 1,5–2,5.
Wie unterscheidet sich eine Querschnittsstudie von einer Kohortenstudie?
Eine Kohortenstudie verfolgt Teilnehmer über die Zeit und kann die Inzidenz direkt messen, die zeitliche Reihenfolge feststellen und stärkere kausale Schlussfolgerungen unterstützen. Eine Querschnittsstudie erfasst eine Momentaufnahme ohne Nachbeobachtung, was sie schneller und billiger macht, aber keine zeitliche Abfolge feststellen kann. Kohortenstudien werden für kausale Fragen bevorzugt; Querschnittsstudien werden für die Prävalenzschätzung und Hypothesengenerierung bevorzugt.
Was ist Prävalenz-Inzidenz-Bias und wie kann ich ihn beheben?
Prävalenz-Inzidenz-Bias (Neyman-Bias) tritt auf, weil eine Querschnittsstichprobe Personen überrepräsentiert, die lange genug mit der Erkrankung überleben, um in der Umfrage erfasst zu werden. Erkrankungen, die schnell tödlich oder kurzlebig sind, werden unterschätzt. Um dies zu minimieren, verwenden Sie umfassende Register oder administrative Daten, erkennen Sie die Einschränkung ausdrücklich an und vermeiden Sie die Extrapolation von Prävalenzschätzungen auf Inzidenzschlussfolgerungen.
Verwandte Methoden
Quellen
Kelsey, J. L., Whittemore, A. S., Evans, A. S., & Thompson, W. D. (1996). Methods in Observational Epidemiology (2nd ed.). Oxford University Press.
ISBN: 978-0195080407Kopiert.Cross-sectional study. Wikipedia.
Publikationsreferenz öffnenKopiert.