Kausalität, Korrelation, Reliabilität und Validität

Kausalität und Korrelation

Definition

Kausalität beschreibt die Beziehung zwischen Ursache und Wirkung.

Grundsätze

• Der Grundsatz der Kausalität besagt, dass alle Ereignisse eine Ursache haben.
• Kausalität zeigt eine logische Beziehung zwischen zwei Ereignissen (Ursache und Wirkung) sowie eine Reihenfolge zwischen ihnen an (die Ursache geht der Wirkung voraus).
• In der Medizin kann die Feststellung einer Kausalität dazu beitragen,
  • Die Ursache einer Erkrankung zu ermitteln
  • Die bestmögliche Behandlung eines Patienten sicherzustellen
  • Bestmögliche diagnostische Tests zu entwickeln

Kausalität versus Korrelation

“Korrelation bedeutet nicht Kausalität”.

• Kausalität bedeutet, dass ein Ereignis durch ein anderes Ereignis verursacht wurde.
• Korrelation (oder Assoziation) bedeutet, dass zwei Dinge miteinander verbunden sind, aber sie impliziert keine Kausalität.

Beispiel:

Das folgende Diagramm zeigt den Zusammenhang zwischen Ertrinkungstoten und dem Verzehr von Speiseeis. Mit dem Anstieg des Eiskonsums steigen auch die Todesfälle durch Ertrinken Ertrinken Ertrinken. Diese Studie zeigt jedoch nur eine Korrelation bzw. Assoziation, keine Kausalität. Der Verzehr von Speiseeis ist nicht die Ursache für Ertrinkungstote. Vielmehr wird an heißen Tagen eher Eis gegessen, und die Wahrscheinlichkeit, am Strand zu ertrinken Ertrinken Ertrinken, ist daher größer. Die Temperatur ist also ein Confounder (Störgröße), der zu einem beobachteten Zusammenhang führt, obwohl es in Wirklichkeit keine Kausalität gibt.

Bradford-Hill-Kriterien

Hintergrund:

• Auch bekannt als Hills Kriterien für Kausalität
• Gruppe von neun Grundsätzen, die für den epidemiologischen Nachweis eines kausalen Zusammenhangs zwischen einer vermuteten Ursache und einer beobachteten Wirkung nützlich sind
• Wenn die Mehrheit der Grundsätze erfüllt ist, ist die Beziehung zwischen den Merkmalen wahrscheinlich kausal.
• Weit verbreitet in der Public Health-Forschung

Die 9 Grundsätze:

1. Stärke der Assoziation: Wie groß ist der Effekt oder wie stark ist der Zusammenhang? Wie groß ist das relative Risiko bzw. das Odds Ratio?
2. Konsistenz: Tritt der Zusammenhang häufig auf? Ist er reproduzierbar?
3. Spezifität des Effekts: Verursacht ausschließlich diese Exposition dieses Ergebnis?
4. Zeitliche Sequenz: Kommt die Exposition vor dem Ergebnis?
5. Dosis-Wirkungs-Beziehung:

• Führt eine stärkere Exposition zu einem stärkeren Ergebnis?
• Verringert die Beseitigung der Exposition das Risiko für das Ergebnis?

6. Plausibilität: Ergibt der Zusammenhang biologisch Sinn?
7. Kohärenz: Passt die beobachtete Beziehung zum allgemeinen Wissen der Wissenschaft und Medizin?
8. Experimentelle Evidenz: Kann ein randomisiertes, kontrolliertes Experiment durchgeführt werden (an Menschen oder Tieren)? Ist die Hypothese statistisch überprüfbar?
9. Analogie:

• Können wir eine analoge Beziehung zwischen dem Ergebnis und einer anderen Exposition herstellen?
• Habe ich andere Möglichkeiten erforscht, die den beobachteten Zusammenhang ermöglichen könnten?

Beispiel: Anwendung der Bradford-Hill-Kriterien zum Nachweis von Kausalität

Wie aus der nachstehenden Tabelle hervorgeht, ist die Mehrzahl der Grundsätze erfüllt, sodass man einigermaßen sicher sein kann, dass Rauchen tatsächlich Lungenkrebs verursacht.

Kausale Zusammenhänge

Definition

Ein kausaler Zusammenhang zwischen zwei Ereignissen besteht, wenn das Auftreten des ersten Ereignisses das zweite Ereignis verursacht.

Grundsätze

• Das erste Ereignis wird dann als Ursache und das zweite Ereignis als Wirkung bezeichnet.
• Eine Korrelation zwischen zwei Ereignissen bedeutet nicht, dass eine Ursache vorliegt.
• Besteht jedoch ein kausaler Zusammenhang zwischen zwei Ereignissen, so korrelieren sie bzw. sind assoziiert.
• Ein Kausalpfad (der Weg von der Ursache zur Wirkung) kann Folgendes sein:
  • Direkt: Der Faktor verursacht die Erkrankung ohne Zwischenschritte.
  • Indirekt: Der Faktor verursacht die Erkrankung, aber nur über einen oder mehrere Zwischenschritte.

Arten von Kausalbeziehungen

Es gibt vier Arten von kausalen Zusammenhängen oder Faktoren, je nachdem, ob die Exposition für die Entwicklung des Ergebnisses notwendig war oder nicht und ob die Exposition allein ausreicht, um das Ergebnis zu verursachen. Diese vier Typen sind:

1. Notwendig und hinreichend
2. Notwendig, aber nicht hinreichend
3. Hinreichend, aber nicht notwendig
4. Weder notwendig noch hinreichend

Beispiel 1: Notwendig und hinreichend

• Notwendig: Es ist unmöglich, das Ergebnis ohne die Exposition zu erreichen.
• Hinreichend: Nur dies reicht aus, um das Ergebnis zu erzielen.
• Beispiel: Eine Infektion mit dem Coronavirus Coronavirus Coronavirus ist sowohl notwendig als auch hinreichend, um die Erkrankung SARS (severe acute respiratory distress syndrome Acute Respiratory Distress Syndrome Acute Respiratory Distress Syndrome (ARDS)) zu verursachen.

Beispiel 2: Notwendig und nicht hinreichend

• Notwendig: Die Exposition ist erforderlich, um das Ergebnis zu entwickeln.
• Nicht hinreichend:
  • Die Exposition muss durch einen anderen Faktor unterstützt werden, um das Ergebnis zu erzielen.
  • Einzelne Faktoren können das Ergebnis nicht allein herbeiführen.
• Beispiel: Eine Erkrankung wird durch ein Gen verursacht, das durch einen bestimmten Umweltauslöser aktiviert wird. Sowohl das Gen als auch der umweltbedingte Auslöser sind für die Erkrankung notwendig, aber keiner von beiden reicht aus, um die Erkrankung zu verursachen.

Beispiel 3: Hinreichend und nicht notwendig

• Hinreichend: Die Exposition allein kann das Ergebnis bewirken.
• Nicht notwendig: Die Exposition ist nicht der einzige Faktor, der das Ergebnis hervorbringen kann.
• Beispiel: Sowohl radioaktive Strahlung als auch eine Benzolvergiftung allein reichen aus, um Leukämie zu verursachen. Es ist also nicht notwendig, einer Strahlenbelastung ausgesetzt zu sein, um an Leukämie zu erkranken (denn man könnte stattdessen auch Benzol ausgesetzt gewesen sein). Eine Exposition gegenüber radioaktiver Strahlung oder eine Benzolvergiftung sind also beide hinreichend, aber nicht notwendig für die Entwicklung von Leukämie.

Beispiel 4: Weder notwendig noch hinreichend

• Nicht notwendig: Mehrere Faktoren oder Expositionen haben komplexe Wechselwirkungen, die das Ergebnis hervorbringen.
• Nicht hinreichend: Die einzelnen Expositionen reichen nicht aus, um allein das Ergebnis zu bewirken.
• Beispiel: Prostatakrebs. Es gibt mehrere Risikofaktoren, die einzeln weder notwendig noch hinreichend sind, um für sich allein Prostatakrebs zu verursachen. Es sind mehrere Kombinationen von Expositionen möglich, die alle weder notwendig noch hinreichend sind.
• Dies ist wohl die in der klinischen Praxis am häufigsten anzutreffende Art des Kausalzusammenhangs.

Reliabilität und Validität

Reliabilität bezieht sich auf die Reproduzierbarkeit eines Tests oder eines Forschungsergebnisses: Ist der Test oder das Ergebnis wiederholbar?

• Reliabilität= Verlässlichkeit/Reproduzierbarkeit/Konsistenz/Präzision
• Bessere Reliabilität führt zu geringeren zufälligen Fehlerquoten
• Reliabilität steigt, wenn die Standardabweichung sinkt oder die Teststärke (Power) steigt

Validität bezieht sich darauf, wie genau ein Test oder ein Forschungsergebnis ist: Sind die Ergebnisse repräsentativ für die reale Welt?

• Validität = Gültigkeit
  • Die Ergebnisse spiegeln die Realität wider und sind glaubwürdig.
  • Die Validität hängt von der Beseitigung von Bias (Verzerrungen) ab.
  • Sensitivität und Spezifität sind Maßzahlen der Validität.
• Interne Validität:
  • Die Kausalbeziehungen sind im Kontext der Studie bedeutsam.
  • Anforderungen an die interne Validität:
    • Zeitlichkeit
    • Stärke
    • Plausibilität
• Externe Validität oder Verallgemeinerbarkeit: Die Ergebnisse können auf andere Patienten oder Situationen übertragen werden.

Hinweis: Eine nicht-valide (ungültige) Studie kann zuverlässig sein, aber eine nicht-reliable (unzuverlässige) Studie kann nicht valide sein. Mit anderen Worten: Eine Beziehung, die die Wirklichkeit nicht repräsentiert (also ungültig ist), kann in einer Studie mehrfach beobachtet werden (also zuverlässig sein); aber eine Studie, die nicht reproduziert werden kann (also unzuverlässig ist), kann die reale Welt auch nicht repräsentieren (Validität).

Messung der Reliabilität

• Reliabilität wird quantitativ mithilfe eines Koeffizienten gemessen, der üblicherweise als r bezeichnet wird.
• Der Wert von r liegt zwischen 0 und 1:
  • r = 1: vollkommen zuverlässiger Test
  • r = 0: absolut unzuverlässiger Test
• ↑ r = ↑ Zuverlässigkeit = ↓ Fehler
• In der Regel wird ein r von mindestens 0,9 angestrebt, was bedeutet, dass 90 % der Daten korrekt sind und 10 % auf Fehler zurückzuführen sind.

Gefährdung von Reliabilität und Validität

Gründe für schlechte Reliabilität:

• Schlechte Strategien der Stichprobenwahl
  • Beispiel: Sie möchten das Durchschnittsalter in einer Gemeinde messen. In einer Einrichtung des betreuten Wohnens liegt das Durchschnittsalter bei 72 Jahren, in einer weiterführenden Schule bei 16 Jahren. Diese Stichproben sind nicht repräsentativ für die zu untersuchende Grundgesamtheit, sodass Ihre Daten nicht zuverlässig sind.
• Instabilität des zu messenden Objekts
  • Beispiel: Sie möchten den Blutdruck messen, aber der Blutdruck ändert sich im Laufe des Tages, abhängig von Faktoren wie dem Aktivitätsniveau und der horizontalen Lage (liegend oder stehend). Wenn diese Confounder/Störgrößen nicht berücksichtigt werden, sind Ihre Daten unzuverlässig.
• Unterschiede zwischen Beobachtern, insbesondere in Fällen, in denen die Datenerhebung eine qualitative Bewertung durch den Beobachter erfordert
  • Beispiel: Wenn Sie Beobachter bitten, die Stimmung zu beurteilen, können verschiedene Beobachter unterschiedliche Meinungen darüber haben, wie verschiedene Stimmungen zu bewerten sind. Dies würde die Zuverlässigkeit eines Zusammenhangs verringern.

Gefährdung der internen Validität:

• Confounder: Variable, die einen Zusammenhang vortäuscht oder eine tatsächliche Beziehung zwischen Studienvariablen verschleiert (siehe das obige Beispiel von Eisessen und Ertrinkungstoten)
• Selektionsbias: Verzerrung, die dadurch entsteht, dass die Studienpopulation die Zielpopulation aufgrund einer Auswahlpräferenz nicht repräsentiert

Gefährdung der externen Validität:

• Zu viele Ausschlusskriterien (zu spezifische Studienmerkmale, die nicht repräsentativ für andere Bevölkerungsgruppen sind)
• Hawthorne-Effekt (Beobachter-Bias): Menschen in Studien ändern ihr Verhalten, weil sie beobachtet werden.
• Rosenthal-Effekt: Die Erwartungen des Prüfers hinsichtlich des Ergebnisses einer bestimmten Studie beeinflussen das tatsächliche Ergebnis der Studie.