Querschnittsstudie
- Eingeführt von
- Epidemiologists in the mid-20th century; formalized by Kelsey, Rothman, and others
- Jahr
- 1950s-1970s
- 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 Querschnittsstudie (oder Prävalenzstudie) misst Exposition und Ergebnis gleichzeitig zu einem einzigen Zeitpunkt und liefert damit eine „Momentaufnahme“ einer Population.
Die Befragten werden am selben Anlass rekrutiert und befragt (oder untersucht), wodurch die aktuelle Prävalenz von Exposition und Krankheit erfasst wird. Querschnittsstudien sind einfach, schnell und kostengünstig, was sie für Bedarfsanalysen, Überwachung und Hypothesengenerierung beliebt macht – sie können jedoch aufgrund fehlender zeitlicher Abfolge keine Kausalität nachweisen.
Die Intuition hinter der Methode
Stellen Sie sich vor, Sie betreten eines Morgens eine Fabrik und befragen alle 500 Arbeiter: „Haben Sie Rückenschmerzen? Wie viele Stunden am Tag verbringen Sie mit Heben?“ Sie zählen, wie viele Arbeiter insgesamt Rückenschmerzen haben (Prävalenz), und vergleichen dann diejenigen, die schwerem Heben ausgesetzt sind, mit denen, die leichte Tätigkeiten ausüben. Sie stellen fest, dass 30 % der schweren Heber Rückenschmerzen haben, verglichen mit 10 % der Arbeiter mit leichten Tätigkeiten. Das Prävalenzverhältnis (PR) beträgt 3:1. Aber hier ist der Haken: Sie wissen nicht, ob das schwere Heben die Rückenschmerzen verursacht hat oder ob Arbeiter mit Rückenschmerzen zu leichteren Arbeiten gewechselt sind. Sie haben Exposition und Ergebnis zur gleichen Zeit gemessen, daher ist die zeitliche Abfolge mehrdeutig. Querschnittsstudien eignen sich hervorragend für schnelle Bewertungen und Prävalenzschätzungen, sind aber für kausale Schlussfolgerungen schwach.
Geschichte
Querschnittsumfragen haben ihre Wurzeln in der öffentlichen Gesundheitsüberwachung und Volkszählungsarbeiten des frühen 20. Jahrhunderts. In der modernen Epidemiologie wurden sie Mitte des 20. Jahrhunderts als Prävalenzstudien formalisiert. Berühmte Beispiele sind die National Health and Nutrition Examination Survey (NHANES, Beginn 1960er Jahre, USA), die Querschnittsumfragen zum Gesundheitszustand, zur Ernährung und zu Risikofaktoren von Amerikanern durchführte. Querschnittsdesigns sind heute Standard für die Überwachung (z. B. das Behavioral Risk Factor Surveillance System, BRFSS, des CDC) und für die internationale Gesundheitsüberwachung (z. B. Demographic and Health Surveys, DHS). Der Aufstieg elektronischer Gesundheitsakten und administrativer Daten hat große retrospektive Querschnittsstudien ermöglicht.
Wann wird sie eingesetzt?
Verwenden Sie Querschnittsstudien für: (1) Schätzung der Prävalenz einer Krankheit oder eines Zustands in einer Population (Überwachung, öffentliche Gesundheitsüberwachung), (2) Bedarfsanalysen: Wie viele Patienten benötigen eine Dienstleistung?, (3) Generierung von Hypothesen: Welche Faktoren sind mit dem Ergebnis verbunden?, (4) Schnelleinschätzung: Schnelle Ergebnisse (Wochen bis Monate), (5) Untersuchung chronischer Erkrankungen, bei denen die Inzidenz schwer zu messen ist, die Prävalenz aber stabil ist, (6) Bewertung mehrerer Ergebnisse einer einzigen Exposition in einer Sitzung, (7) Pilotstudien vor der Durchführung kostspieliger Kohorten- oder Fall-Kontroll-Studien.
Grenzen und Hinweise
- Keine Kausalitätsfeststellung möglich: Zeitliche Abfolge fehlt; Querschnittsdaten können nicht beweisen, dass die Exposition dem Ergebnis vorausging.
- Nur prävalente Fälle: Erfasst bestehende Fälle zu einem einzigen Zeitpunkt; erfasst keine inzidenten Fälle und keine, die sich erholt haben oder gestorben sind. Assoziationen können sich zwischen prävalenten und inzidenten Fällen unterscheiden.
- Überlebenden-Bias: Wenn das Ergebnis tödlich ist oder zu Auswanderung/Krankenhausaufenthalt führt, können betroffene Personen in der Querschnittsstichprobe unterrepräsentiert sein.
- Mehrdeutigkeit von Exposition und Ergebnis: Verursacht die Exposition das Ergebnis oder verändert das Ergebnis die berichtete Exposition? Umgekehrte Kausalität kann nicht ausgeschlossen werden.
- Erinnerungsfehler (Recall Bias): Wenn die Exposition historisch ist (Fragen zu vergangenen Expositionen), hängt die Genauigkeit der Erinnerung vom Gedächtnis und der Motivation ab, insbesondere bei kranken Personen.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Geschwindigkeit und Effizienz: Die Datenerfassung erfolgt in einem kurzen Zeitfenster (Wochen bis Monate), nicht über Jahre der Nachbeobachtung.
- Geringe Kosten: Keine Längsschnittverfolgung oder Wiederansprache erforderlich; eine Umfrage/Untersuchung reicht aus.
- Einfach und praktisch: Leicht durchzuführen in Kliniken, Schulen, Arbeitsplätzen oder Gemeinden.
- Prävalenzschätzung: Schätzt direkt die Prävalenz (Krankheitslast), nützlich für die Planung und Überwachung der öffentlichen Gesundheit.
- Mehrere Expositionen und Ergebnisse: Eine Querschnittsumfrage kann viele Expositionen und Ergebnisse gleichzeitig messen, effizient für die Hypothesengenerierung.
Anwendungen
- Prävalenz chronischer Krankheiten: Nationale Umfragen schätzen die Prävalenz von Bluthochdruck, Diabetes, Fettleibigkeit in der Bevölkerung; die Ergebnisse fließen in die öffentliche Gesundheitspolitik und Ressourcenallokation ein.
- Überwachung der Arbeitsgesundheit: Fabriken oder Arbeitsplätze befragen Mitarbeiter zu Symptomen (Atemwege, Bewegungsapparat) und Expositionen, um die Prävalenz arbeitsbedingter Erkrankungen zu schätzen.
- Gesundheit und Risikoverhalten von Schülern: Schulen befragen Schüler zu psychischer Gesundheit, Substanzkonsum, körperlicher Aktivität, Mobbing; die Ergebnisse leiten Schulgesundheitsprogramme.
- Umfragen bei Krankenhauspatienten: Bei Aufnahme oder Entlassung werden Patienten zu Symptomen, Behinderungen, Zufriedenheit befragt; dies hilft bei der Bewertung patientenzentrierter Ergebnisse und Service-Lücken.
- Gemeindebasierte partizipative Forschung: Querschnittsumfragen in Stadtteilen bewerten gesundheitliche Ungleichheiten, Gesundheitskompetenz, soziale Faktoren; die Ergebnisse identifizieren Interventionsziele.
So funktioniert es
So funktioniert es
Definieren Sie die Zielpopulation (z. B. Erwachsene im Alter von 18–65 Jahren in einer Gemeinde, Angestellte eines Unternehmens, Patienten in einem Krankenhaus). Wählen Sie eine repräsentative Stichprobe mithilfe von Zufallsstichproben, geschichteten Stichproben (separate Stichproben nach Alter, Geschlecht, Region zur Gewährleistung des Gleichgewichts) oder Cluster-Stichproben (Stichproben von Clustern wie Schulen oder Stadtteilen, dann Stichproben von Individuen innerhalb von Clustern). Rekrutieren Sie Teilnehmer und führen Sie eine Umfrage (Fragebogen, Interview) oder eine klinische Untersuchung durch, um sowohl Exposition als auch Ergebnis zu einem Zeitpunkt zu messen. Standardisieren Sie die Datenerfassung: gleiches Schulungspersonal für Interviewer, gleiche Instrumente, konsistente Protokolle. Erfassen Sie demografische Merkmale und potenzielle Störfaktoren (Alter, Geschlecht, Bildung, Komorbiditäten usw.). Schließen Sie die Datenerfassung innerhalb eines engen Zeitfensters ab, um den „Momentaufnahme“-Charakter beizubehalten.
Formel
Define target population; select representative sample via random, stratified, or cluster sampling; enroll participants and administer survey or examination.
Berechnen Sie die Prävalenz: Prävalenz = (Anzahl der Personen mit Ergebnis) / (Gesamtstichprobengröße). Drücken Sie dies als Anteil oder Prozentsatz aus. Für die nach Exposition stratifizierte Analyse berechnen Sie die Prävalenz in der exponierten Gruppe = (mit Ergebnis bei Exponierten) / (Gesamtzahl der Exponierten); ebenso für die nicht exponierten. Berechnen Sie das Prävalenzverhältnis (PR): PR = Prävalenz_exponiert / Prävalenz_nicht exponiert. PR > 1 deutet darauf hin, dass die Exposition mit einer höheren Prävalenz verbunden ist (kann auf einen Risikofaktor hindeuten, aber die Zeitlichkeit ist unklar). PR < 1 deutet auf eine geringere Prävalenz bei Exponierten hin (schützende Assoziation, aber wiederum zeitliche Mehrdeutigkeit). Berechnen Sie das 95 %-KI für Prävalenz und PR mit binominalen oder Poisson-Methoden. Passen Sie für Störfaktoren an: Verwenden Sie die logistische Regression, um das angepasste PR zu schätzen (oder verwenden Sie die log-binominale Regression, die das PR direkt modelliert); berichten Sie das angepasste PR mit KI.
Formel
Calculate prevalence (proportion with outcome); compute Prevalence Ratio (PR) = Prevalence_{\text{exposed}} / Prevalence_{\text{unexposed}}; adjust for confounders using logistic regression.Ein PR von 2 bedeutet, dass die exponierte Gruppe im Vergleich zur nicht exponierten Gruppe die doppelte Prävalenz des Ergebnisses aufweist. Interpretieren Sie jedoch vorsichtig: Die Exposition kann das Ergebnis verursachen, das Ergebnis kann die Wahrnehmung der Exposition beeinflussen, oder beides kann aus einer dritten Variablen resultieren. Die zeitliche Mehrdeutigkeit schränkt kausale Schlussfolgerungen ein; Querschnittsdaten können keine Kausalität beweisen. Die Prävalenz ist nützlich für die Charakterisierung der Krankheitslast in Populationen (Überwachung, Bedarfsanalyse, Ressourcenplanung), aber nicht für die Quantifizierung von Risiken oder die Ermittlung der Ätiologie. Wenn das Ergebnis in der Population selten ist und die Stichprobe Querschnittsdaten liefert, kann die beobachtete Assoziation vorherrschende Fälle (Überlebende) widerspiegeln, die sich in Bezug auf die Exposition von inzidenten Fällen unterscheiden. Verallgemeinern Sie die Ergebnisse auf die Zielpopulation, aus der die Stichprobe gezogen wurde.
Formel
Interpret PR; note temporal ambiguity (cannot establish exposure preceded outcome); generalize to target population; discuss confounding and selection bias.
Häufige Fallstricke
- Verwechslung von Prävalenz und Inzidenz: Prävalenz = bestehende Fälle zu einem Zeitpunkt; Inzidenz = neue Fälle über einen Zeitraum. Querschnittsstudien messen die Prävalenz, nicht die Inzidenz.
- Auswahl nicht repräsentativer Stichproben: Bequemlichkeitsstichproben (z. B. nur Klinikbesucher oder Freiwillige befragen) führen zu Auswahlverzerrungen. Verwenden Sie Zufalls- oder geschichtete Stichproben aus einer definierten Population.
- Interpretation des PR als relatives Risiko (Risk Ratio, RR): In Kohortenstudien ist RR = Inzidenz exponiert / Inzidenz nicht exponiert. In Querschnittsstudien ist PR = Prävalenz exponiert / Prävalenz nicht exponiert. Diese sind nicht gleichwertig; verwechseln Sie sie nicht.
- Ignorieren fehlender Daten: Wenn viele Teilnehmer keine Fragen zur Exposition beantworten oder unvollständige Ergebnisdaten haben, sind die Schätzungen verzerrt. Berichten Sie fehlende Daten und führen Sie Sensitivitätsanalysen durch.
- Überinterpretation schwacher Assoziationen: Querschnitts-PRs können klein und ungenau sein; schwache Assoziationen können aus Störfaktoren resultieren. Legen Sie vordefinierte Hypothesen fest und passen Sie sie an bekannte Störfaktoren an.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Prävalenz und Inzidenz?
Prävalenz ist der Anteil einer Population mit einer Krankheit (oder einem Zustand) zu einem bestimmten Zeitpunkt: Prävalenz = (bestehende Fälle) / (Gesamtbevölkerung). Inzidenz ist die Rate neuer Fälle, die sich über einen Zeitraum entwickeln: Inzidenz = (neue Fälle) / (Personenzeit im Risiko). Querschnittsstudien messen die Prävalenz. Kohortenstudien messen die Inzidenz. Die Prävalenz hängt sowohl von der Inzidenz als auch von der Krankheitsdauer ab: Wenn die Behandlung das Überleben verlängert, steigt die Prävalenz, ohne dass sich die Inzidenz ändert. Die Prävalenz ist nützlich zur Beurteilung der Krankheitslast und des Bedarfs; die Inzidenz quantifiziert das Krankheitsrisiko.
Warum kann ich aus einer Querschnittsstudie keine Kausalität ableiten?
Kausalität erfordert eine zeitliche Abfolge: Die Ursache muss dem Effekt vorausgehen. Eine Querschnittsstudie misst Exposition und Ergebnis zur gleichen Zeit, sodass Sie nicht bestimmen können, was zuerst da war. Zum Beispiel sagt eine Umfrage unter Arbeitern, die feststellt, dass Personen mit Rückenschmerzen auch über schweres Heben berichten, nicht aus, ob das Heben die Schmerzen verursacht hat oder ob schmerzgeplagte Arbeiter zu leichteren Tätigkeiten gewechselt sind. Dies ist eine umgekehrte Kausalität oder eine bidirektionale Assoziation. Kohortenstudien stellen die zeitliche Abfolge her, indem sie zuerst die Exposition messen und dann das Ergebnis messen; sie sind für kausale Schlussfolgerungen weitaus stärker als Querschnittsstudien.
Wie berechne ich die Stichprobengröße für eine Querschnitts-Prävalenzstudie?
Zur Schätzung einer einzelnen Prävalenz verwenden Sie: n = (Z²/2 × p × (1 − p)) / d², wobei p die erwartete Prävalenz ist, d die akzeptable Fehlermarge (z. B. ±0,05) und Z der kritische Wert (1,96 für 95 % KI). Wenn beispielsweise die geschätzte Prävalenz 20 % beträgt und der akzeptable Fehler ±5 % beträgt, dann ist n ≈ (1,96² × 0,20 × 0,80) / 0,05² ≈ 246. Für den Vergleich zweier Expositionsgruppen verwenden Sie Formeln für den Vergleich von Prävalenzen in zwei Gruppen (ähnlich wie bei Tests für Proportionen in zwei Gruppen). Berücksichtigen Sie die Clusterbildung (wenn Cluster wie Schulen beprobt werden) mithilfe des Designeffekts. Berücksichtigen Sie die erwartete Nicht-Antwort oder den Ausfall (erhöhen Sie n um den Antwortanteil).
Was ist Überlebenden-Bias und wie wirkt er sich auf Querschnittsstudien aus?
Überlebenden-Bias tritt auf, wenn die Querschnittsstichprobe nur diejenigen einschließt, die zum Zeitpunkt der Umfrage am Leben und in der Population sind, und diejenigen ausschließt, die aufgrund des Ergebnisses gestorben sind oder ausgewandert sind. Beispielsweise kann eine Querschnittsumfrage unter Schlaganfallpatienten diejenigen verpassen, die vor dem Umfragetermin an einem Schlaganfall gestorben sind, oder diejenigen, die aufgrund einer Behinderung weggezogen sind. Die verbleibenden (überlebenden) Fälle können sich in Bezug auf Expositionen oder Schweregrad von allen Fällen unterscheiden. Dies verzerrt die Assoziation zwischen Exposition und Ergebnis. Um dies zu minimieren, sollten Querschnittsstudien Ergebnisse früh (inzidente Fälle) und nicht spät (prävalente Überlebende) messen oder krankenhausbasierte oder registerbasierte Fälle verwenden, um breitere Fallpopulationen zu erfassen.
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: 978-0195083299Kopiert.Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755657Kopiert.Lynn, P. (2009). Methodology of longitudinal surveys. Wiley Interdisciplinary Reviews: Computational Statistics, 1(3), 369–379.
Publikationsreferenz öffnenKopiert.