Klinische Studien richtig lesen: Anleitung in 5 Schritten
30 Punkte umfasst die CONSORT-2025-Erklärung für randomisierte Studien. Das klingt nach einem klaren Qualitätsmaßstab. Es ist keiner. Die Liste beschreibt, welche Informationen eine Publikation offenlegen sollte.
Sie beantwortet nicht, ob die Randomisierung belastbar war, ob ein Endpunkt klinisch relevant ist oder ob ein beobachteter Effekt durch Verzerrung entstanden sein kann.
Gerade bei Wirksamkeitsnachweisen für Nahrungsergänzungsmittel wird dieser Unterschied regelmäßig verwischt. Eine randomisierte, placebokontrollierte Studie mit einem p-Wert unter 0,05 kann methodisch schwach sein. Umgekehrt kann eine sauber geplante Studie bei kleiner Stichprobe ein breites Konfidenzintervall liefern und damit eine offene Frage hinterlassen. Wer klinische Studien Qualität prüfen will, muss die Publikation in eine feste Reihenfolge zerlegen: Transparenz, Design, Verzerrungsrisiko, Effektgröße und Präzision.
Schritt 1: Registereintrag und Protokoll gegen die Publikation halten
Der erste Prüfpunkt liegt außerhalb des eigentlichen Artikels. Eine Studie beginnt nicht mit ihrer Veröffentlichung, sondern mit dem Protokoll. Dort werden Fragestellung, Ein- und Ausschlusskriterien, Intervention, Vergleichsgruppe, primäre Endpunkte und statistische Planung vor dem ersten Datensatz festgelegt.
Für Studien, deren Rekrutierung am oder nach dem 1. Juli 2005 begann, fordert die Policy des International Committee of Medical Journal Editors grundsätzlich eine Registrierung vor Einschluss der ersten Person. Eine erst später erfolgte Registrierung ist kein automatischer Beleg für Manipulation. Sie bleibt jedoch ein Transparenzwarnsignal. Nach Beginn der Rekrutierung kann ein Studienprotokoll theoretisch an Zwischenergebnisse angepasst werden. Genau diese Möglichkeit soll die prospektive Registrierung begrenzen.
Bei der Lektüre sind drei Dokumente relevant:
1. Der Registereintrag: Er zeigt, was ursprünglich untersucht werden sollte. Entscheidend sind Rekrutierungszeitraum, Zielpopulation, Intervention, Vergleichsgruppe und primäre Endpunkte.
2. Das Studienprotokoll: Es enthält die operative Planung. Hier stehen Details zur Dosierung, Dauer, Randomisierung, Fallzahlplanung und Definition der Endpunkte.
3. Die Publikation: Sie berichtet, was tatsächlich durchgeführt, ausgewertet und publiziert wurde.
Die Abweichung zwischen diesen Ebenen ist nicht immer problematisch. Rekrutierungsprobleme, Sicherheitsaspekte oder neue methodische Erkenntnisse können Änderungen erforderlich machen. Die Änderung muss dann datiert, begründet und transparent berichtet sein. Fehlt diese Erklärung, entsteht das Risiko selektiver Ergebnisberichterstattung.
Ein typisches Muster lautet: Im Register ist ein klinischer Endpunkt als primär definiert, etwa eine Symptomreduktion nach zwölf Wochen. In der Publikation steht plötzlich ein Laborparameter nach vier Wochen im Zentrum. Der Laborparameter kann biologisch interessant sein. Er ersetzt aber nicht stillschweigend den ursprünglich geplanten klinischen Endpunkt.
Ein registrierter Endpunkt ist kein Qualitätsnachweis. Ein nicht nachvollziehbar veränderter Endpunkt ist dagegen ein methodisches Signal.
Bei Nahrungsergänzungsmitteln betrifft dies häufig Surrogatmarker. Eine Veränderung eines Biomarkers kann einen Mechanismus stützen. Sie belegt nicht automatisch einen patientenrelevanten Nutzen. Eine geringere Konzentration eines Entzündungsmarkers, eine veränderte antioxidative Kapazität oder ein günstigerer Mineralstoffstatus sind zunächst Messwerte. Erst die Verbindung zu definierten klinischen Outcomes rechtfertigt weitergehende Aussagen.
Schritt 2: Das Studiendesign vor dem Ergebnis lesen
Medizinische Publikationen werden oft rückwärts gelesen: zuerst Abstract, dann p-Wert, dann Fazit. Methodisch korrekt ist die umgekehrte Reihenfolge. Zunächst muss geklärt werden, welche Frage das Design überhaupt beantworten kann.
Eine randomisierte Studie verteilt bekannte und unbekannte Störfaktoren im Mittel zwischen den Gruppen. Das ist ihr zentraler Vorteil. Er gilt jedoch nur, wenn die Zuteilung tatsächlich zufällig erzeugt und vor den Rekrutierenden verborgen wurde. „Randomisiert“ im Titel genügt nicht.
Danach folgt die Frage nach dem Studienziel. Überlegenheits-, Nichtunterlegenheits- und Äquivalenzstudien verwenden unterschiedliche Logik.
| Prüfpunkt | Überlegenheitsstudie | Nichtunterlegenheitsstudie | Äquivalenzstudie |
|---|---|---|---|
| Kernfrage | Ist Intervention A besser als Vergleich B? | Ist A nicht unvertretbar schlechter als B? | Liegen A und B innerhalb einer festgelegten Differenz? |
| Zentraler Maßstab | Unterschied zugunsten von A | Vorab definierte Nichtunterlegenheitsgrenze | Vorab definierter Äquivalenzbereich |
| Häufiger Fehlschluss | Kein signifikanter Unterschied bedeute Gleichwertigkeit | „Nicht schlechter“ werde als „besser“ ausgelegt | Fehlende Signifikanz werde als Äquivalenz ausgegeben |
Wenn eine Überlegenheitsstudie keinen statistisch signifikanten Unterschied findet, folgt daraus nicht, dass beide Interventionen gleich wirksam sind. Es kann schlicht zu wenig Präzision vorliegen. Für Gleichwertigkeit oder Nichtunterlegenheit braucht es ein dafür geplantes Design mit vorab festgelegten Grenzen.
Die Vergleichsgruppe bestimmt ebenfalls die Aussagekraft. Ein Placebo beantwortet eine andere Frage als eine Standardtherapie oder eine unbehandelte Kontrollgruppe. Bei Produkten mit Geschmack, Geruch oder gastrointestinalen Effekten ist die Verblindung besonders kritisch. Wenn Teilnehmende anhand der Einnahme spüren, welcher Gruppe sie angehören, kann die Erwartungshaltung subjektive Endpunkte beeinflussen.
Bei Mineralstoffpräparaten ist zusätzlich die pharmakokinetische Plausibilität zu prüfen. Dosis, chemische Form, Einnahmezeitpunkt und Begleitmahlzeit beeinflussen die Bioverfügbarkeit. Ein Ergebnis zu einer bestimmten Verbindung ist nicht ohne Weiteres auf ein anderes Salz, einen anderen Komplex oder eine Kombination mit Adsorbentien übertragbar. Bei Zeolithpräparaten kommt die Frage hinzu, ob eine mögliche Adsorption im Darmlumen überhaupt von einer gemessenen systemischen Wirkung getrennt wurde. Solche Unterschiede sind keine semantischen Feinheiten. Sie definieren die Intervention.
Was die CONSORT-Checkliste tatsächlich leistet
CONSORT 2025 strukturiert die Berichterstattung randomisierter Studien. Die Erklärung umfasst 30 Punkte. Gefordert werden unter anderem Angaben zu:
- Ein- und Ausschlusskriterien der Teilnehmenden,
- Intervention und Vergleichsgruppe,
- primären und sekundären Endpunkten,
- Erzeugung und Verschleierung der Randomisierung,
- Verblindung,
- Anzahl der randomisierten, behandelten und analysierten Personen,
- Effektgrößen einschließlich Präzision,
- wichtigen Schäden und unerwünschten Ereignissen,
- Finanzierung und Interessenkonflikten.
Das ist notwendig, weil fehlende Angaben eine methodische Einordnung erschweren oder unmöglich machen. Es ist nicht hinreichend. Eine vollständig berichtete Studie kann sauber dokumentiert und dennoch verzerrt sein. CONSORT ist ein Berichtsstandard, kein Gütesiegel für Wirksamkeit.
Die praktische Konsequenz ist schlicht: Fehlende Informationen senken die Beurteilbarkeit. Vorhandene Informationen heben die Studie nicht automatisch in die Kategorie belastbarer Evidenz.
Schritt 3: Die fünf Verzerrungsdomänen nach Cochrane RoB 2 prüfen
Cochrane RoB 2 zerlegt das Verzerrungsrisiko randomisierter Studien in fünf Domänen. Diese Struktur ist der belastbarste Kern einer kritischen Erstlektüre. Sie verhindert, dass ein auffälliger Endwert die methodischen Schwächen überdeckt.
1. Randomisierungsprozess
Hier geht es um zwei Fragen: Wurde die Zufallsfolge plausibel erzeugt? Und war die Zuteilung verborgen?
Eine zufällige Zahlenfolge oder zentral verwaltete Randomisierung ist etwas anderes als Zuteilung nach Geburtsdatum, Wochentag oder Reihenfolge der Aufnahme. Letztere Verfahren sind vorhersehbar. Sobald behandelnde Personen die nächste Gruppenzuteilung erahnen können, entsteht Selektionsbias.
Auch die Ausgangswerte der Gruppen verdienen einen Blick. Einzelne Unterschiede können zufällig auftreten. Häufen sich auffällige Ungleichgewichte bei prognostisch relevanten Faktoren, muss die Randomisierung genauer hinterfragt werden.
2. Abweichungen von den vorgesehenen Interventionen
Die Zuteilung allein reicht nicht. Wurde die Intervention wie geplant eingenommen? Erhielten beide Gruppen dieselbe Betreuung? Kam es zu zusätzlichen Behandlungen? Und erfolgte die Analyse nach der ursprünglich zugeteilten Gruppe?
Bei Präparaten mit erkennbaren sensorischen Eigenschaften kann eine unzureichende Verblindung zu unterschiedlichem Verhalten führen. Teilnehmende verändern Ernährung, Trainingsumfang oder weitere Supplementierung. Behandelnde Personen geben unbewusst andere Empfehlungen. Das betrifft vor allem subjektive Endpunkte, kann aber auch die Adhärenz verändern.
3. Fehlende Ergebnisdaten
Ausfälle sind kein Randdetail. Sie können den Effekt erheblich verzerren, wenn sie zwischen den Gruppen unterschiedlich verteilt sind oder mit dem Gesundheitszustand zusammenhängen.
Eine Studie mit hoher Abbruchrate bleibt nicht deshalb valide, weil am Ende noch ein p-Wert berichtet wird. Entscheidend ist, wer fehlt, warum diese Personen fehlen und wie die fehlenden Werte in die Analyse eingegangen sind. Ein Abbruch wegen unerwünschter Wirkungen hat eine andere Bedeutung als ein nicht beantworteter Fragebogen.
4. Messung des Endpunkts
Objektiv gemessene Endpunkte sind nicht automatisch unproblematisch. Laborwerte benötigen validierte Methoden, definierte Probenentnahme und konsistente Auswertung. Bei Mineralstoffanalysen können Matrix, Zeitpunkt der Blutentnahme, Nüchternstatus und analytische Methode entscheidend sein.
Subjektive Endpunkte wie Müdigkeit, Schmerz oder Lebensqualität sind legitim. Sie sind aber besonders anfällig für Kenntnis der Gruppenzuteilung und für Erwartungen. Dann muss die Verblindung nachvollziehbar dokumentiert sein.
5. Auswahl des berichteten Ergebnisses
Diese Domäne verbindet die Publikation wieder mit Register, Protokoll und statistischem Analyseplan. Wurden von mehreren Messzeitpunkten nur die günstigen gezeigt? Wurden verschiedene Skalen erhoben, aber nur eine berichtet? Wurden Subgruppenanalysen nachträglich hervorgehoben?
Die Gesamtbewertung nach RoB 2 orientiert sich an der ungünstigsten Domäne. Das ist keine Übervorsicht. Eine gravierende Schwäche bei Randomisierung, fehlenden Daten oder selektiver Berichterstattung kann ein ansonsten ordentliches Studiendokument entwerten.
Der p-Wert misst nicht, ob die Studie gegen systematische Fehler geschützt war.
Schritt 4: Effektgröße vor statistischer Signifikanz setzen
Ein p-Wert beantwortet eine begrenzte Frage: Wie gut passen die beobachteten Daten zu einem statistischen Modell unter einer Nullhypothese? Er sagt nicht, wie groß ein Nutzen ist. Er sagt nicht, ob dieser Nutzen für Patientinnen und Patienten relevant ist. Er sagt nicht, ob das Ergebnis robust replizierbar wäre.
Die Aussage „signifikant“ ist deshalb als Endpunkt einer Bewertung ungeeignet. Entscheidend sind Effektmaß, Größenordnung und klinischer Kontext.
Bei kontinuierlichen Endpunkten kann die Studie etwa eine mittlere Differenz zwischen Gruppen berichten: eine Veränderung eines Laborwertes, eines Symptom-Scores oder einer Gehstrecke. Die Frage lautet dann nicht nur, ob die Differenz von null verschieden ist. Sie lautet: Ist die Differenz groß genug, um außerhalb der Messstreuung und klinisch bedeutsam zu liegen?
Bei binären Endpunkten werden häufig relative Kennzahlen verwendet: relatives Risiko, Odds Ratio oder relative Risikoreduktion. Diese Maße können starke Effekte suggerieren, obwohl die absolute Veränderung gering ist.
Ein hypothetisches Beispiel: Das Ereignis tritt in der Kontrollgruppe bei 4 von 100 Personen auf und in der Interventionsgruppe bei 2 von 100 Personen. Relativ halbiert sich das Risiko. Absolut sinkt es um 2 Prozentpunkte. Diese Differenz kann je nach Schwere des Ereignisses relevant sein oder praktisch wenig verändern. Ohne Ausgangsrisiko bleibt die relative Aussage unvollständig.
| Darstellung | Beispielwert | Aussage |
|---|---|---|
| Risiko in der Kontrollgruppe | 4 % | Ausgangsrisiko ohne Intervention |
| Risiko in der Interventionsgruppe | 2 % | Beobachtetes Risiko mit Intervention |
| Relatives Risiko | 0,50 | Relativ halbiertes Risiko |
| Absoluter Risikounterschied | −0,02 | 2 Prozentpunkte weniger Ereignisse |
Gerade in werblichen Kurzfassungen wird die relative Risikoreduktion bevorzugt, weil sie größer wirkt. Für evidenzbasierte Medizin ist das unzureichend. Die absoluten Ereignisraten gehören in die Bewertung.
Bei Nahrungsergänzungsmitteln kommt eine zweite Frage hinzu: Welcher Endpunkt wurde verbessert? Ein kleiner Unterschied bei einem Surrogatmarker kann pharmakologisch plausibel sein und dennoch ohne belegten Einfluss auf Beschwerden, Funktion oder Erkrankungsrisiko bleiben. Ein Wirksamkeitsnachweis verlangt eine klare Trennung zwischen biochemischer Veränderung und klinischem Nutzen.
Schritt 5: Konfidenzintervalle, Schäden und Übertragbarkeit einordnen
Das 95-%-Konfidenzintervall beschreibt die Präzision einer Effektschätzung. Es ist damit informativer als ein isolierter p-Wert. Bei Differenzmaßen liegt der Nullwert bei 0, bei Verhältnismaßen wie relativem Risiko oder Odds Ratio bei 1.
Ein Konfidenzintervall, das den Nullwert einschließt, weist auf eine mit den Daten vereinbare Unsicherheit hin. Das bedeutet nicht zwangsläufig „keine Wirkung“. Es bedeutet, dass die Daten verschiedene Effektgrößen zulassen können, darunter keinen Effekt und je nach Breite des Intervalls auch einen relevanten Nutzen oder Schaden.
Die Breite ist zentral. Ein enges Intervall um einen kleinen Effekt spricht für Präzision, aber nicht zwingend für Relevanz. Ein breites Intervall erlaubt oft keine belastbare Entscheidung. Kleine Studien liefern häufig breite Intervalle, insbesondere bei seltenen Ereignissen. Es gibt keine universelle Mindestzahl von Teilnehmenden, ab der eine Studie automatisch aussagekräftig wird. Fallzahlbedarf hängt von erwarteter Effektgröße, Streuung, Ereignishäufigkeit, Studienziel und vorab definierter Planung ab.
Die Sicherheitsdaten müssen parallel zum Nutzen gelesen werden. Eine Studie kann zu klein oder zu kurz sein, um seltene unerwünschte Wirkungen sichtbar zu machen. Das gilt besonders für Kombinationen mehrerer Präparate und für Gruppen mit eingeschränkter Nierenfunktion, komplexer Medikation oder chronischen Erkrankungen. Fehlen Angaben zu unerwünschten Ereignissen, Abbrüchen und Gründen für Therapieabbrüche, bleibt die Nutzen-Risiko-Abwägung unvollständig.
Schließlich folgt die Übertragbarkeit. Eine Studie an gesunden Erwachsenen mit engmaschiger Betreuung beantwortet nicht automatisch die Frage, was bei älteren Menschen, Personen mit Vorerkrankungen oder bei langfristiger Anwendung passiert. Auch die untersuchte Produktform ist bindend: Eine Aussage zu einer bestimmten Dosis und Formulierung lässt sich nicht pauschal auf ein anderes Präparat übertragen.
Die sinnvolle Lesereihenfolge für medizinische Publikationen
Für eine erste Einordnung reicht eine wiederholbare Abfolge:
1. Fragestellung und Zielpopulation bestimmen: Was wurde bei wem untersucht?
2. Register, Protokoll und Endpunkte abgleichen: War die zentrale Hypothese vorab festgelegt und transparent berichtet?
3. Vergleichsgruppe, Randomisierung und Verblindung prüfen: Kann das Design einen kausalen Unterschied überhaupt isolieren?
4. Die fünf RoB-2-Domänen durchgehen: Wo können systematische Verzerrungen entstanden sein?
5. Effektgröße, absolute Risiken, Konfidenzintervalle und Schäden gemeinsam bewerten: Ist der mögliche Nutzen präzise genug geschätzt und klinisch plausibel?
Der Abstract kommt erst danach. Er ist eine Zusammenfassung der Autorinnen und Autoren, keine methodische Prüfung.
Eine Studie ist ein Datenpunkt, keine Endentscheidung
Klinische Studien richtig zu lesen bedeutet nicht, jede Publikation als Täuschungsversuch zu behandeln. Es bedeutet, die Aussagegrenzen exakt zu benennen. Registrierung schafft Transparenz, aber keine Fehlerfreiheit. Randomisierung reduziert Verzerrung, aber sie beseitigt sie nicht vollständig. Ein signifikanter p-Wert kann zu einem trivialen Effekt gehören. Ein nicht signifikanter Befund kann mit einem breiten Intervall durchaus einen klinisch relevanten Nutzen oder Schaden offenlassen.
Die belastbare Bewertung entsteht erst aus der Verbindung von Protokolltreue, Studiendesign, Verzerrungsrisiko, Effektgröße, Präzision und Übertragbarkeit. Für einzelne Gesundheitsprodukte folgt daraus keine automatische Wirksamkeits- oder Sicherheitsbewertung. Die Evidenzlage ist nur so stark wie die schwächste methodische Stelle der zugrunde liegenden Daten.