Voreingenommenheit bei der Datenerhebung
Die Population besteht aus allen Individuen mit einem interessierenden Merkmal. Da die Untersuchung einer Population aus Zeit- und Geldgründen oft nicht möglich ist, untersuchen wir ein interessierendes Phänomen meist an einer repräsentativen Stichprobe. Dadurch hoffen wir, dass das, was wir von einer Stichprobe gelernt haben, auf die gesamte Population verallgemeinert werden kann (2). Um dies tun zu können, muss eine Stichprobe repräsentativ für die Grundgesamtheit sein. Ist dies nicht der Fall, sind die Schlussfolgerungen nicht verallgemeinerbar, d.h. die Studie hat keine externe Validität.
Das Sampling ist also ein entscheidender Schritt für jede Forschung. Bei der Erhebung von Daten für die Forschung gibt es zahlreiche Möglichkeiten, wie Forscher Verzerrungen in die Studie einführen können. Wenn zum Beispiel während der Patientenrekrutierung einige Patienten weniger oder mehr in die Studie aufgenommen werden als andere, wäre diese Stichprobe nicht repräsentativ für die Population, in der diese Forschung durchgeführt wird. In diesem Fall werden diese Probanden, die mit geringerer Wahrscheinlichkeit an der Studie teilnehmen, unterrepräsentiert sein und diejenigen, die mit höherer Wahrscheinlichkeit an der Studie teilnehmen, werden im Vergleich zu anderen in der allgemeinen Bevölkerung, auf die die Schlussfolgerungen der Studie angewendet werden sollen, überrepräsentiert sein. Dies nennt man einen Selektionsbias. Um sicherzustellen, dass eine Stichprobe repräsentativ für eine Population ist, sollte die Stichprobenziehung zufällig erfolgen, d.h. jeder Proband muss die gleiche Wahrscheinlichkeit haben, in die Studie aufgenommen zu werden. Es sollte beachtet werden, dass ein Stichprobenbias auch dann auftreten kann, wenn die Stichprobe zu klein ist, um die Zielpopulation zu repräsentieren (3).
Wenn das Ziel der Studie zum Beispiel darin besteht, die durchschnittliche hsCRP-Konzentration (hochsensibles C-reaktives Protein) in der gesunden Bevölkerung in Kroatien zu bestimmen, wäre es der richtige Weg, gesunde Personen aus der Allgemeinbevölkerung während ihrer regelmäßigen jährlichen Gesundheitsuntersuchung zu rekrutieren. Andererseits wäre es eine voreingenommene Studie, wenn nur freiwillige Blutspender rekrutiert würden, da gesunde Blutspender in der Regel Personen sind, die sich selbst als gesund empfinden und die an keiner Erkrankung leiden, die Veränderungen in der hsCRP-Konzentration verursachen könnte. Wenn man nur gesunde Blutspender rekrutiert, könnte man zu dem Schluss kommen, dass der hsCRP-Wert viel niedriger ist, als er tatsächlich ist. Dies ist eine Art Stichprobenverzerrung, die wir als Volunteer Bias bezeichnen.
Ein weiteres Beispiel für Volunteer Bias ist die Einladung von Kollegen aus einem Labor oder einer klinischen Abteilung zur Teilnahme an der Studie über einen neuen Marker für Anämie. Es ist sehr wahrscheinlich, dass eine solche Studie bevorzugt diejenigen Teilnehmer einbezieht, bei denen der Verdacht besteht, dass sie anämisch sind und neugierig auf diesen neuen Test sind. Auf diese Weise könnten anämische Personen überrepräsentiert sein. Eine Untersuchung wäre dann voreingenommen und würde keine Verallgemeinerung der Schlussfolgerungen auf den Rest der Bevölkerung zulassen.
Generell gilt, dass immer dann, wenn Querschnitts- oder Fallkontrollstudien ausschließlich im Krankenhaus durchgeführt werden, die Wahrscheinlichkeit groß ist, dass eine solche Studie voreingenommen ist. Dies wird als Aufnahmeverzerrung bezeichnet. Der Bias besteht, weil die untersuchte Population nicht die allgemeine Bevölkerung widerspiegelt.
Ein weiteres Beispiel für einen Stichprobenbias ist der sogenannte Survivor Bias, der in der Regel bei Querschnittsstudien auftritt. Wenn eine Studie darauf abzielt, die Assoziation von veränderter KLK6 (humanes Kallikrein-6) Expression mit der 10-Jahres-Inzidenz der Alzheimer-Krankheit zu bewerten, könnten Probanden, die vor dem Endpunkt der Studie gestorben sind, in der Studie fehlen.
Misclassification bias ist eine Art von Stichprobenverzerrung, die auftritt, wenn eine Krankheit von Interesse schlecht definiert ist, wenn es keinen Goldstandard für die Diagnose der Krankheit gibt oder wenn eine Krankheit möglicherweise nicht leicht zu erkennen ist. Auf diese Weise werden einige Probanden fälschlicherweise als Fälle oder Kontrollen klassifiziert, obwohl sie eigentlich zu einer anderen Gruppe gehören sollten. Nehmen wir an, ein Forscher möchte die Genauigkeit eines neuen Tests zur Früherkennung von Prostatakrebs bei asymptomatischen Männern untersuchen. Da es keinen zuverlässigen Test für die Früherkennung von Prostatakrebs gibt, besteht die Möglichkeit, dass einige Fälle von frühem Prostatakrebs als krankheitsfrei fehlinterpretiert werden, was zu einer Unter- oder Überschätzung der Genauigkeit dieses neuen Markers führt.
Als allgemeine Regel gilt, dass eine Forschungsfrage mit großer Aufmerksamkeit betrachtet werden muss und alle Anstrengungen unternommen werden sollten, um sicherzustellen, dass eine Stichprobe so genau wie möglich mit der Bevölkerung übereinstimmt.