Zum Inhalt springen
Zurück zu den Suchergebnissen

Ökologische Studie — Aggregierte epidemiologische Studie

Eingeführt von
Various; foundational work by John Snow (1854) and systematised in modern form by Brian MacMahon and colleagues
Jahr
19th century (Snow 1854); formalised mid-20th century
Typ
Observational epidemiological study
Familie
Clinical / epidemiology

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

Schriftgröße

Was leistet sie?

Eine ökologische Studie ist ein Beobachtungsdesign in der Epidemiologie, bei dem die Analyseeinheit eine Gruppe oder Population ist – ein Land, eine Region, eine Stadt oder ein Zeitraum – und nicht ein Individuum.

Expositionen und Ergebnisse werden als Aggregate (Raten, Proportionen oder Mittelwerte) gemessen und dann über Gruppen hinweg korreliert, um Hypothesen über populationsbezogene Zusammenhänge zwischen Risikofaktoren und Krankheiten zu generieren oder zu evaluieren.

Die Intuition hinter der Methode

Stellen Sie sich den Vergleich von Krebssterblichkeitsraten zwischen Ländern mit dem durchschnittlichen Pro-Kopf-Verzehr von Nahrungsfetten vor. Es werden keine individuellen Ernährungs- oder Gesundheitsakten eingesehen; stattdessen werden nationale Durchschnittswerte aus Gesundheitsregistern und Daten zur Lebensmittelversorgung kombiniert und dargestellt. Eine starke Korrelation zwischen den Ländern deutet auf einen Zusammenhang auf Populationsebene hin, der einer weiteren Untersuchung wert ist – aber da die Daten aggregiert sind, kann man nicht schlussfolgern, dass die Personen, die mehr Fett konsumiert haben, diejenigen waren, die an Krebs erkrankt sind. Diese Lücke zwischen Schlussfolgerungen auf Gruppenebene und individueller Ebene ist die definierende Herausforderung des ökologischen Designs.

Geschichte

Das ökologische Design hat seine Wurzeln in John Snows Kartierung von Cholera-Todesfällen nach Wasserversorgungsbezirken in London im Jahr 1854 – wohl die erste ökologische Studie in der Epidemiologie. Die formale methodische Literatur entwickelte sich Mitte des 20. Jahrhunderts mit dem Wachstum nationaler Gesundheitsstatistiken erheblich weiter. Hal Morgensterns Überarbeitungen von 1982 und 1995 wurden zu grundlegenden Referenzen, die sowohl den Nutzen als auch die grundlegenden Einschränkungen des Designs, insbesondere den ökologischen Trugschluss, klärten, ein Begriff, der William S. Robinson (1950) zugeschrieben wird. Die Methode wird weiterhin in der Umwelt-, Ernährungs- und Gesundheitspolitik-Epidemiologie eingesetzt.

Wann wird sie eingesetzt?

Verwenden Sie eine ökologische Studie, wenn Daten auf individueller Ebene nicht verfügbar, unerschwinglich teuer oder ethisch eingeschränkt sind und wenn die Forschungsfrage einen Exposition auf Populationsebene betrifft – wie z. B. nationale Politik, Umweltkontamination oder sozioökonomische Benachteiligung –, die zwischen Gruppen stärker variiert als innerhalb von ihnen. Das Design ist effizient zur Generierung von Hypothesen über seltene Ergebnisse oder Krankheiten mit langer Latenzzeit unter Verwendung routinemäßig gesammelter Daten. Verwenden Sie keine ökologischen Studien, um Schlussfolgerungen über individuelle Kausalität zu ziehen; der ökologische Trugschluss macht solche Schlussfolgerungen unhaltbar. Vermeiden Sie das Design, wenn die interessierende Exposition innerhalb der ökologischen Einheiten erheblich variiert, wenn Störfaktoren auf Gruppenebene nicht gemessen und angepasst werden können oder wenn ein kausaler Anspruch anstelle einer assoziativen Hypothese erforderlich ist – in diesen Fällen sind Kohorten- oder Fall-Kontroll-Designs auf individueller Ebene notwendig.

Grenzen und Hinweise

  • Anfällig für den ökologischen Trugschluss: Eine auf Gruppenebene beobachtete Korrelation gilt möglicherweise nicht für Individuen innerhalb dieser Gruppen, und Schlussfolgerungen über Individuen aus Gruppendaten sind logisch ungültig.
  • Die Verursachung durch Störfaktoren auf Gruppenebene ist oft schwerwiegend und schwer zu kontrollieren, da viele korrelierte Faktoren gemeinsam über ökologische Einheiten hinweg variieren.
  • Die Expositionsmessung ist indirekt und oft ungenau – nationale Daten zur Lebensmittelversorgung erfassen beispielsweise nicht, was die Individuen tatsächlich konsumiert haben.
  • Eine umgekehrte Kausalität ist schwer auszuschließen, wenn sowohl Expositions- als auch Ergebnisdaten aus demselben Zeitraum stammen.
  • Abhängig von der Verfügbarkeit und Qualität routinemäßiger Daten, die zwischen Ländern und Zeiträumen stark variieren.

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

Stärken

  • Extrem kosteneffizient: nutzt bestehende routinemäßige Überwachungs- und administrative Daten ohne primäre Datenerhebung.
  • Gut geeignet für Expositionen, die auf Populationsebene wirken (Luftqualitätsstandards, Lebensmittelversorgungsrichtlinien, Indizes für sozioökonomische Ungleichheit).
  • Kann seltene Krankheiten oder Zustände mit langer Latenz untersuchen, bei denen eine individuelle Nachbeobachtung unpraktisch wäre.
  • Schnell durchzuführen – Ergebnisse können in wenigen Wochen mit öffentlich zugänglichen Datensätzen generiert werden.
  • Wertvoll für die Hypothesengenerierung und zur Gestaltung teurerer Studien auf individueller Ebene.

Anwendungen

  • Untersuchung von Zusammenhängen zwischen nationalen Verbrauchsindizes für Obst und Gemüse und Herz-Kreislauf-Erkrankungssterblichkeitsraten zwischen Ländern.
  • Untersuchung, ob der Pro-Kopf-Alkoholkonsum auf regionaler Ebene mit der Inzidenzrate von Leberzirrhose korreliert.
  • Vergleich von Luftverschmutzungskonzentrationen zwischen Städten oder Landkreisen mit Bevölkerungsraten von Atemwegserkrankungen.
  • Analyse von Trends im Zeitverlauf – ob säkulare Anstiege der Adipositasprävalenz mit Veränderungen in den physischen Aktivitätsumgebungen zwischen Bundesstaaten einhergehen.
  • Bewertung des Zusammenhangs zwischen sozioökonomischen Benachteiligungsindizes auf Nachbarschaftsebene und Raten vorzeitiger Sterblichkeit.
  • Generierung von Hypothesen über die Belastung durch Infektionskrankheiten und Impfraten zwischen nationalen Gesundheitssystemen.

So funktioniert es

So funktioniert es

1

Wählen Sie die ökologischen Analyseeinheiten aus – typischerweise geografische oder zeitliche Gruppierungen wie Länder, Bundesstaaten, Landkreise, Städte oder Kalenderjahre. Die Wahl der Einheit bestimmt, welche Daten zugänglich sind und welche Störfaktoren kontrolliert werden können; feinere Einheiten (z. B. Zensusgebiete) ermöglichen präzisere Analysen, können aber kleinere, verrauschtere Statistiken aufweisen.

2

Sammeln Sie für jede Einheit routinemäßige aggregierte Daten: Krankheitsraten aus Sterberegistern oder Überwachungssystemen und Expositionsindizes aus offiziellen Statistiken, Datenbanken zur Lebensmittelversorgung, Umweltüberwachung oder Zensusunterlagen. Daten werden für ökologische Studien selten neu erhoben; das Design nutzt typischerweise bestehende administrative und Überwachungsdaten.

3

Standardisieren Sie die Zählungen in vergleichbare Raten – typischerweise altersstandardisierte Inzidenz- oder Mortalitätsraten pro 100.000 Einwohner –, damit Unterschiede in der Altersstruktur der Bevölkerung zwischen den Einheiten die ökologische Korrelation nicht verzerren.

4

Schätzen Sie den Zusammenhang zwischen der Expositionsmessung auf Gruppenebene und der Ergebnisrate auf Gruppenebene. Lineare Regression oder Pearson/Spearman-Korrelation sind Standard; Mehrebenenmodelle oder räumliche Regression können hinzugefügt werden, wenn die Daten dies zulassen. Der Korrelationskoeffizient r fasst die Stärke und Richtung des ökologischen Zusammenhangs zusammen.

Formel
r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i-\bar{X})^2 \sum (Y_i-\bar{Y})^2}}
5

Interpretieren Sie den ökologischen Zusammenhang vorsichtig. Eine positive Korrelation ist hypothesengenerierend, kein kausaler Beweis. Bewerten Sie potenzielle Störfaktoren, die auf Gruppenebene messbar sind, prüfen Sie auf die ökologische Trugschluss (Gruppenkorrelation impliziert keine individuelle Korrelation) und diskutieren Sie, ob der Zusammenhang aus Unterschieden in der Datenqualität, den Berichtspraktiken oder nicht gemessenen Faktoren auf Gruppenebene resultieren könnte.

Häufige Fallstricke

  • Begehen des ökologischen Trugschlusses – Schlussfolgerung, dass, weil Länder mit einer Diät mit hohem Fettgehalt höhere Krebsraten aufweisen, Individuen, die mehr Fett essen, ein höheres Krebsrisiko haben. Diese Schlussfolgerung wird durch Daten auf Gruppenebene nicht gerechtfertigt.
  • Ignorieren der Variation innerhalb von Gruppen – wenn die Expositionsniveaus zwischen Individuen innerhalb jeder Einheit erheblich variieren, ist der Gruppenmittelwert ein schlechter Stellvertreter und Verzerrungsbias kann wahre Zusammenhänge maskieren oder übertreiben.
  • Auswahl ökologischer Einheiten nachträglich, um ein gewünschtes Ergebnis zu erzielen (das modifizierbare Flächeneinheitenproblem): Die Korrelation kann sich erheblich ändern, je nachdem, wie geografische Grenzen gezogen werden.
  • Behandlung ökologischer Zusammenhänge als ausreichender Beweis für politische Maßnahmen ohne Replikation in Studien auf individueller Ebene oder experimentelle Beweise.
  • Vernachlässigung der Heterogenität der Datenqualität – Untererfassung von Krankheiten und Inkonsistenzen bei der Klassifizierung zwischen den Einheiten können Scheinkorrelationen erzeugen.

Häufig gestellte Fragen

Was ist der ökologische Trugschluss und warum ist er wichtig?

Der ökologische Trugschluss (Robinson 1950) ist der Fehler, anzunehmen, dass eine auf Gruppenebene beobachtete Korrelation auch für Individuen innerhalb dieser Gruppen gilt. Zum Beispiel können Länder mit höherem Durchschnittseinkommen höhere Krebsraten aufweisen – aber daraus folgt nicht, dass wohlhabendere Individuen innerhalb eines Landes eher an Krebs erkranken. Daten auf individueller Ebene aus Kohorten- oder Fall-Kontroll-Studien sind erforderlich, um Hypothesen auf individueller Ebene zu testen.

Wie unterscheidet sich eine ökologische Studie von einer Querschnittsstudie?

Eine Querschnittsstudie erhebt Expositions- und Ergebnisdaten von einzelnen Teilnehmern zu einem einzigen Zeitpunkt, was eine Analyse auf individueller Ebene ermöglicht. Eine ökologische Studie verwendet aggregierte Daten auf Gruppenebene – es werden keine individuellen Aufzeichnungen einbezogen. Das ökologische Design ist schneller und billiger, aber anfällig für den ökologischen Trugschluss; das Querschnittsdesign vermeidet diesen Trugschluss, erfordert aber eine primäre Datenerhebung.

Können ökologische Studien Kausalität nachweisen?

Nein. Ökologische Studien sind hypothesengenerierend. Selbst eine starke länderübergreifende Korrelation ist mit vielen kausalen Erklärungen und vielen konfundierenden Mechanismen vereinbar. Der Nachweis von Kausalität erfordert individuelle Beweise aus Kohortenstudien oder randomisierten Studien, idealerweise unterstützt durch biologische Plausibilität und Dosis-Wirkungs-Gradienten.

Was ist das modifizierbare Flächeneinheitenproblem (MAUP)?

Das modifizierbare Flächeneinheitenproblem (MAUP) bezieht sich auf die Erkenntnis, dass die Größe und Form der gewählten geografischen Einheiten die beobachtete ökologische Korrelation erheblich verändern kann. Wenn Daten auf nationaler Ebene aggregiert werden, kann eine andere Assoziation beobachtet werden als auf Bundesstaats- oder Kreisebene. Sensitivitätsanalysen mit mehreren Aggregationsebenen helfen bei der Beurteilung der Robustheit der Ergebnisse.

Wann ist eine ökologische Studie einer Kohortenstudie vorzuziehen?

Wenn die Exposition ein Phänomen auf Populationsebene ist – wie z. B. eine nationale Politik, eine gemeinsame Umweltexposition oder ein säkularer Trend –, die per Definition Individuen nicht unabhängig von ihrer Gruppenzugehörigkeit zugewiesen werden kann. In diesen Situationen ist die ökologische Einheit die natürliche Analyseeinheit, und Designs auf individueller Ebene können die relevante Variation nicht erfassen.

Verwandte Methoden

Quellen

  1. Morgenstern, H. (1995). Ecologic studies in epidemiology: concepts, principles, and methods. Annual Review of Public Health, 16(1), 61–81.

    DOI-Referenz öffnen
    Kopiert.
  2. Ecological study. Wikipedia.

    Publikationsreferenz öffnen
    Kopiert.