Sie benötigen keinen Forschungshintergrund, um aus einer klinischen Studie etwas Nützliches zu ziehen. Mit ein paar grundlegenden Konzepten lassen sich die meisten CST-Studien einfacher auswerten – und Sie können ein wirklich vielversprechendes Ergebnis besser von einem unterscheiden, bei dem erhebliche Einschränkungen erforderlich sind.
Dieser Leitfaden behandelt Ideen, die in der CST-Forschung immer wieder auftauchen. Das Ziel besteht nicht darin, Sie zum Methodologen zu machen. Es soll Ihnen genügend Kontext bieten, damit Sie eine Vorstellung davon haben, was das bedeutet, wenn Sie eine Überschrift sehen, die besagt: „Studie beweist, dass CST bei X hilft“ oder „Überprüfung findet keine Beweise für CST“. Die Antwort ist fast immer interessanter und unsicherer, als die Überschrift vermuten lässt.
RCTs und systematische Reviews
Eine randomisierte kontrollierte Studie (RCT) ist die Standardmethode, um zu testen, ob eine Behandlung wirkt. Die Teilnehmer werden nach dem Zufallsprinzip einer Behandlungsgruppe oder einer Kontrollgruppe zugeordnet, sodass Unterschiede zwischen ihnen eher auf die Behandlung als auf etwas anderes zurückzuführen sind. Der „kontrollierte“ Teil bedeutet, dass es eine Vergleichsgruppe gibt – idealerweise entweder eine überzeugende Scheinbehandlung oder eine Standardbehandlung. RCTs sind der Goldstandard, da die Randomisierung viele Verzerrungen ausschließt.
Eine systematische Überprüfung fasst mehrere RCTs (und manchmal auch andere Studien) zusammen und analysiert sie gemeinsam. Mit einem größeren kombinierten Datensatz können Sie sicherere Schlussfolgerungen ziehen, als es eine einzelne Studie zulässt. Eine Metaanalyse ist eine systematische Überprüfung, die Ergebnisse numerisch kombiniert. Beide sind wertvoll, aber nur so gut wie die darin enthaltenen Studien. Wenn die zugrunde liegenden Versuche klein oder schlecht konzipiert sind, kann das Problem durch Pooling nicht behoben werden, sondern nur das Problem skaliert werden.
Wenn Sie eine Behauptung zu CST sehen, kommt es auf die Art der Beweise an. Ein einzelner positiver RCT übertrifft eine Anekdote, verliert jedoch gegenüber einer gut durchgeführten systematischen Überprüfung. Und eine Überprüfung, die nur wenige Beweise findet, ist nicht dasselbe wie ein Beweis dafür, dass die Therapie nicht wirkt – manchmal waren die vorhandenen Studien einfach nicht gut genug, um etwas eindeutig zu zeigen.
Risiko der Voreingenommenheit und das Scheinproblem
„Risiko der Verzerrung“ ist eine Abkürzung für die Art und Weise, wie das Design einer Studie ihre Ergebnisse verfälschen könnte. Häufige Quellen: Teilnehmer, die wissen, zu welcher Gruppe sie gehören (was Einfluss darauf haben kann, wie sie Symptome melden), Ärzte, die wissen, wer die eigentliche Behandlung erhält, oder Forscher, die am Ergebnis beteiligt sind und die Analyse durchführen. Gute Studien begrenzen Verzerrungen durch Verblindung und Vorregistrierung der Ergebnisse.
In der Körperforschung ist der Aufbau einer überzeugenden Täuschung eines der schwierigsten Probleme. Für einen Medikamentenversuch können Sie eine Zuckerpille verabreichen, die genauso aussieht wie das Medikament. Für CST müssen Sie eine Täuschung erstellen, die für den Teilnehmer plausibel erscheint, der aber der Wirkstoff fehlt – was auch immer das sein mag. Keine Täuschung wurde allgemein als gut genug akzeptiert. In einigen Studien wird eine „leichte Berührung“ eingesetzt, bei der ein Therapeut die Hände auflegt, ohne dass die absichtliche Qualität einer echten Sitzung erreicht wird. Ob das ausreicht, um Teilnehmer blind zu machen, ist umstritten. Die Einschränkung ist real, aber sie gilt für fast die gesamte manuelle Therapieforschung – CST wird dabei nicht hervorgehoben.
Probengröße und klinische Bedeutung
Die Stichprobengröße gibt an, wie viele Teilnehmer an einer Studie teilnehmen. Kleine Proben verursachen zwei Probleme. Es ist wahrscheinlicher, dass sie falsch positive Ergebnisse liefern – Zufallsvariationen wirken wie echte Auswirkungen, wenn die Zahlen niedrig sind. Und sie sind möglicherweise zu klein, um einen tatsächlichen, aber bescheidenen Effekt festzustellen. An den meisten CST-Studien nehmen zwischen 40 und 150 Teilnehmer teil. Das reicht für interessante vorläufige Daten. Es reicht in der Regel nicht aus, eine definitive klinische Empfehlung zu verankern.
Statistische Signifikanz ist die Art und Weise, wie Forscher entscheiden, ob ein Ergebnis es wert ist, ernst genommen zu werden. Normalerweise handelt es sich um einen p-Wert: Ein Ergebnis mit p<0,05 bedeutet, dass die Wahrscheinlichkeit, einen so großen Unterschied zu sehen, weniger als 5 % beträgt, wenn es keinen echten Effekt gäbe. Aber statistische Signifikanz kann mit ausreichend großen Stichproben erreicht werden, selbst wenn der tatsächliche Unterschied winzig ist. Hier kommt die klinische Bedeutung ins Spiel: Ist der Unterschied groß genug, um für den Patienten tatsächlich von Bedeutung zu sein? Eine Studie könnte ergeben, dass CST die Schmerzen auf einer 10-Punkte-Skala mit p = 0,03 um 0,4 Punkte reduziert. Statistisch signifikant, aber wahrscheinlich nicht klinisch bedeutsam.
Achten Sie beim Lesen von CST-Studien auf beides. Effektgrößen, Konfidenzintervalle und die eigene Diskussion der Forscher über die klinische Aussagekraft sagen Ihnen mehr als nur ein p-Wert.
Beim kritischen Lesen von Forschungsergebnissen geht es nicht darum, nach Gründen zu suchen, sie abzulehnen. Es geht darum zu verstehen, was eine Studie Ihnen sagen kann und was nicht. Die CST-Forschung liefert, wenn man sie aufmerksam liest und nicht für bare Münze nimmt, echte Signale, die Beachtung verdienen – insbesondere für bestimmte Bedingungen, für die bessere Studien durchgeführt wurden.