Prof. Dr. Geraldine Rauch ist aktuell Direktorin des Instituts für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. Dr. Konrad Neumann stammt aus München und ist zurzeit wissenschaftlicher Mitarbeiter am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. PD Dr. Ulrike Grittner ist eine erfahrene Biostatistikerin und arbeitet am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. Carolin Herrmann ist zurzeit wissenschaftliche Mitarbeiterin am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. Dr. Jochen Kruppa leitet aktuell die Arbeitsgruppe Statistische Bioinformatik am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin.

• Über die Autoren 7Einleitung 17Über dieses Buch 17Was Sie nicht lesen müssen 18Konventionen in diesem Buch 18Törichte Annahmen über den Leser 19Wie dieses Buch aufgebaut ist 19Teil I: Medizinische Statistik – Gel(i)ebte Daten 19Teil II: Keine Forschung ohne Fundament - Grundlagen für einen gelungenen Start 19Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 20Teil IV: Blick über den Tellerrand - weiterführende Methoden 20Symbole, die in diesem Buch verwendet werden 20Teil I: Medizinische Statistik - Gel(i)ebte Daten 23Kapitel 1 Statistik und Medizin – wie passt das zusammen? 25Medizinische Statistik, Biostatistik, medizinische Biometrie: Eine Begriffsbestimmung 26Wo wird medizinische Statistik gebraucht? 26Aufgabenbereiche der medizinischen Statistik 27Anwendung statistischer Methoden in medizinischen Forschungsprojekten 27Kommunikation mit medizinischen Anwendern 28Entwicklung neuer statistischer Methoden 28Literatur 29Kapitel 2 Besser beraten lassen - Hilfe holen erwünscht 31Wo finden Sie biometrische Unterstützung? 31Vorbereitung auf einen Beratungstermin 33Welche Software brauchen Sie? 34SPSS - gut für Anwender 34R Project - Am Puls der neusten biometrischen Methoden 36SAS und STATA - validiert für die Industrie 36Literatur 37Teil II: Keine Forschung ohne Fundament - Grundlagen 39Kapitel 3 Grundbegriffe und Studientypen 41Grundlegende Begriffe empirischer Forschung in der Medizin 42Grundgesamtheit und Stichprobe 42Validität und Reliabilität 45Endpunkte 47Störgrößen und Verzerrung 49Verschiedene Studientypen unterscheiden 50Unterscheidung nach Zielsetzung - konfirmatorische versus explorative Studien 50Unterscheidung nach Blickrichtung - prospektive versus retrospective Studien 53Studientypen in der Primär- und Sekundärforschung 54Klinische Studie konzipieren - das Studiendesign 56Kontrolle ist besser - die Kontrollgruppe 57Zufällige Zuteilung - Randomisierung 59Denn Sie wissen nicht, was sie tun - Verblindung 65Noch einmal in Kürze 66Literatur 67Kapitel 4 Modelle für die Wirklichkeit 69Was sind Wahrscheinlichkeiten? 70Modellannahmen, Verteilungen und Schätzung 72Merkmale und Verteilungen 72Zufallsfehler und Bias 78Gängige Verteilungsannahmen 80Die First Lady der Verteilungen – die Normalverteilung 80Die Binomialverteilung 85Weitere Verteilungen 88Literatur 91Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 93Kapitel 5 Die Kunst der Beschreibung - Deskriptive Statistik 95Was ist das eigentlich - deskriptive Statistik? 96Wo brauchen Sie deskriptive Statistik? 97Merkmale unterscheiden - Skalenniveaus 99Methoden der Deskription 104Beschreibung kategorieller Merkmale 105Kennzahlen, Tabellen und Lagemaße 105Grafische Darstellung - Torten und Balken 108Beschreibung ordinalskalierter Merkmale 111Lage und Streuung - Median und Quartile 111Grafische Darstellung - der Boxplot 114Beschreibung intervall- und verhältnisskalierter Merkmale 117Lage und Streuung - Mittelwert und Standardabweichung 117Grafische Darstellung - Histogramme 122Wichtiges hervorheben, Unwichtiges weglassen 125Literatur 126Kapitel 6 Nachweis durch Kontrolle des Zufalls – Konfirmatorische Statistik 127Konfirmatorisch, induktiv, schließend - eine Begriffsbestimmung 128Idee des statistischen Tests - der konfirmatorische Umweg 128Die sechs Schritte des statistischen Tests 130Von der Fragestellung zur Hypothese 130Die Formulierung der Fragestellung 131Formulierung der Null- und Alternativhypothese 132Einseitig und zweiseitig formulierte Hypothesen 134Was sagen die Daten? Von den Daten zur Testentscheidung 135Was ist extrem? Wahl einer geeigneten Teststatistik 136Verteilung der Teststatistik und kritischer Wert 138p-Wert und Signifikanzniveau 142Interpretation des Testergebnisses - nichts ist bewiesen 145Fehlentscheidungen und Fehlerwahrscheinlichkeiten 145Literatur 152Kapitel 7 t-Test & Co: Die Klassiker unter den Tests 153Statistische Tests zum Vergleich von Erwartungswerten und anderen Lagemaßen 154Der t-Test für zwei unverbundene Stichproben 154Der t-Test für zwei unverbundene Stichproben mit unterschiedlichen Standardabweichungen 161Der t-Test für zwei verbundene Stichproben 163Die Varianzanalyse (ANOVA) für mehr als zwei unverbundene Stichproben 168Der U-Test für zwei unverbundene Stichproben 174Der Vorzeichen-Rang-Test nach Wilcoxon für zwei verbundene Stichproben 182Der Kruskal-Wallis-Test für mehr als zwei unverbundene Stichproben 187Statistische Tests zum Vergleich von Anteilen und Wahrscheinlichkeiten 190Der Chiquadrat-Test für zwei unverbundene Stichproben 191Der Chiquadrat-Test für allgemeine Kreuztabellen 197Der Binomialtest für eine Stichprobe 201Der McNemar-Test für zwei verbundene Stichproben 205Literatur 209Kapitel 8 Den Behandlungseffekt quantifizieren – Punktschätzer und Konfidenzintervalle 211Quantifizierung des Effekts - der Punktschätzer 212Die Größe des Effekts - das Konfidenzintervall 214Signifikanz versus Relevanz - nicht zu verwechseln 222Punktschätzer und Konfidenzintervalle für verschiedene Datensituationen 225Punktschätzer und Konfidenzintervall für Erwartungswerte 227Punktschätzer und Konfidenzintervall für die Differenz zweier Erwartungswerte 229Punktschätzer und Konfidenzintervall für einen Anteil 232Punktschätzer und Konfidenzintervall für die Differenz zweier Anteile 236Literatur 238Kapitel 9 Was sonst noch wichtig ist - Vor und nach dem statistischen Test 239Kontrolle des Fehlers 2 Art? Grundprinzip der Fallzahlplanung 240Mehr als eine Fragestellung - multiples Testen 252Adjustierung für multiples Testen 255Das Ergebnis einer Studie berichten 264Literatur 265Kapitel 10 Zusammenhänge und Vorhersage – Korrelation und Regression 267Wie stark ist die Verbindung - Maße des Zusammenhangs 268Der Korrelationskoeffizient nach Pearson 270Der Korrelationskoeffizient nach Spearman 280Kendalls τ 284Der φ-Koeffizient 285Regressionsmodelle 287Die lineare Regression 289Erweiterte (lineare) Regressionsmodelle 295Die logistische Regression 300Literatur 305Teil IV: Blick über den Tellerrand – weiterführende Methoden 307Kapitel 11 Wer lebt länger? Analyse von Ereigniszeiten 309Was sind Ereigniszeitdaten? Zeiten, Ereignisse und Zensierungen 309Schätzung von Ereigniswahrscheinlichkeiten - Kaplan-Meier zeigt, wie es geht 313Gruppenvergleich - Überlebensfunktion, Hazards und Hazard Ratios 321Logrank-Test und Cox-Regression 323Literatur 325Kapitel 12 Methoden zur Bewertung der Diagnostik und Übereinstimmung 327Diagnostische Studien 327Goldstandard und Referenzdiagnostik 328Güte von diagnostischen Tests - Sensitivität und Spezifität 329Prädiktive Werte und Satz von Bayes 333Die ROC-Kurve 337Literatur 344Kapitel 13 Ausgewählte Methoden epidemiologischer Studien 345Verzerrungen vermeiden durch Matching 346Verschiedene Arten des Matchings 349Auswertung gematchter Daten 353Löcher in den Daten - Vom Umgang mit fehlenden Werten 353Fehlen die Daten zufällig? Mechanismen fehlender Werte 354Fehlende Werte ersetzen - Imputation 355Literatur 356Kapitel 14 Methodik von systematischen Reviews und Metaanalysen 357Systematische Reviews und Metaanalysen in der Medizin 357Ablauf von systematischen Reviews und Metaanalysen 359Vom systematischen Review zur Metaanalyse – Gepoolte Effektschätzer 362Grafische Darstellung einer Metaanalyse - der Forest-Plot 365Homogenität und Heterogenität 366Publication Bias und Funnel-Plot 368Vor- und Nachteile von systematischen Reviews und Metaanalysen 370Literatur 371Teil V: Der Top-Ten-Teil 373Zehn statistische Irrtümer 375Irrtum 1: Statistische Tests liefern wertvollere Ergebnisse als descriptive Datenauswertungen 375Irrtum 2: Ein nicht-signifikantes Testergebnis deutet auf die Gültigkeit der Nullhypothese hin 376Irrtum 3: Der p-Wert ist die Wahrscheinlichkeit, dass die Nullhypothese richtig ist 376Irrtum 4: Ein kleiner p-Wert spricht immer für einen großen Effekt 377Irrtum 5: Bei Verwendung eines parametrischen Tests müssen die Daten normalverteilt sein 377Irrtum 6: Signifikante Ergebnisse sind immer auch klinisch relevant 377Irrtum 7: Alle p-Werte unter 5% sind signifikante Ergebnisse 378Irrtum 8: Für eine Fallzahlplanung werden nur ein paar Werte in eine Eingabemaske eingegeben 378Irrtum 9: Ein multivariates Regressionsmodell dient der Vorhersage einer Zielgröße aus mehreren Einflussgrößen 379Irrtum 10: Nur Studien mit signifikanten Ergebnissen sollten publiziert werden 379Stichwortverzeichnis 381