Skip to main content

Grundlagen der Statistik und Anwendung in der Gefäßchirurgie

The basics of statistics and its application in vascular surgery

Gefässchirurgie volume 22, pages 420–427 (2017)Cite this article

Zusammenfassung

In der vaskulären Forschung kommen zahlreiche statistische Kennzahlen und Methoden zum Einsatz. Die Auswahl des richtigen statistischen Verfahrens hängt jeweils von dem Kontext der Studienpopulation, der Häufigkeit eines Ereignisses oder der zugrunde liegenden Verteilung ab. Da es bisher nur wenige randomisierte klinische Studien (RCTs) in der Gefäßmedizin gibt und weil insbesondere Projekte der Qualitätsentwicklung auf sogenannte Real-World-Daten angewiesen sind, werden zunehmend nichtrandomisierte Daten aus Registern oder Routinedaten der Kostenträger verwendet, sodass geeignete statistische Verfahren zur Beurteilung der Validität dieser Datenquellen erforderlich werden. Dazu gehören die Standardkennzahlen Mittelwert, Standardabweichung, Varianz und Konfidenzintervalle, aber auch Überlebenszeitanalysen, Propensity Score Matching und Cox-Regression sowie die Darstellung der Ergebnisse in Form von Kaplan-Meier-Kurven und Forest-Plots. Diese werden in diesem Artikel erklärt und anhand von ausgewählten Publikationen aus der vaskulären Versorgungsforschung dargestellt. Die gewissenhafte Auswahl des geeigneten statistischen Verfahrens in der jeweiligen Situation und das Verstehen der Methoden und Ergebnisse in wissenschaftlichen Publikationen sind von großer Wichtigkeit für die Ableitung valider Erkenntnisse.

Abstract

In vascular research many statistical methods are used. The selection of the right statistical method depends on study design, frequencies on events, and the data’s underlying distributions. In vascular surgery research, random clinical trials (RCTs) are rare. Likewise, quality improvement depends on real-world data. Therefore, the amount of registered and administered data analyses will increase in the next years as well as the usage of statistical methods to examine the validity of data. Among others, the mean, standard deviation, variance and confidence intervals, as well as survival analyses, propensity score matching, and Cox regression, have widespread use for illustration, e. g. Kaplan–Meier curves and forest plots. In the following, the most important statistical methods will be explained by means of select publications from the vascular surgery literature. The conscientious selection of the right analysis methods in every different situation is most important for valid knowledge gains.

This is a preview of subscription content, access via your institution.

Access options

Buy single article

Instant access to the full article PDF.

USD 39.95

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Literatur

  1. Sackett DL, Rosenberg WM, Gray JA, Haynes RB, Richardson WS (1996) Evidence based medicine: what it is and what it isn’t. BMJ 312(7023):71–72

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  2. Albert DA (1981) Deciding whether the conclusions of studies are justified: a review. Med Decis Making 1(3):265–275

    Article  CAS  PubMed  Google Scholar 

  3. Giles KA, Pomposelli F, Hamdan A, Wyers M, Jhaveri A, Schermerhorn ML (2009) Decrease in total aneurysm-related deaths in the era of endovascular aneurysm repair. J Vasc Surg 49(3):543–550 (discussion 50–1)

    Article  PubMed  PubMed Central  Google Scholar 

  4. Puhr R, Heinze G, Nold M, Lusa L, Geroldinger A (2017) Firth’s logistic regression with rare events: accurate effect estimates and predictions? Stat Med 36(14):2302. https://doi.org/10.1002/sim.7273

    PubMed  Google Scholar 

  5. Franklin JM, Eddings W, Austin PC, Stuart EA, Schneeweiss S (2017) Comparing the performance of propensity score methods in healthcare database studies with rare outcomes. Stat Med 36(12):1946–1963

    PubMed  Google Scholar 

  6. Lovegrove RE, Javid M, Magee TR, Galland RB (2008) Endovascular and open approaches to non-thrombosed popliteal aneurysm repair: a meta-analysis. Eur J Vasc Endovasc Surg 36(1):96–100

    Article  CAS  PubMed  Google Scholar 

  7. Lewis S, Clarke M (2001) Forest plots: trying to see the wood and the trees. BMJ 322(7300):1479–1480

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  8. Deery SE, Soden PA, Zettervall SL, Shean KE, Bodewes TC, Pothof AB et al (2017) Sex differences in mortality and morbidity following repair of intact abdominal aortic aneurysms. J Vasc Surg 65(4):1006–1013

    Article  PubMed  Google Scholar 

  9. Lederle FA, Freischlag JA, Kyriakides TC, Matsumura JS, Padberg FT Jr., Kohler TR et al (2012) Long-term comparison of endovascular and open repair of abdominal aortic aneurysm. N Engl J Med 367(21):1988–1997

    Article  CAS  PubMed  Google Scholar 

  10. Cox DR (1972) Regression models and life-tables. J R Stat Soc Ser B 34(2):187–220

    Google Scholar 

  11. Kuss O, Blettner M, Börgermann J (2016) Propensity score: an alternative method of analyzing treatment effects effects – part 23 of a series on evaluation of scientific publications. Dtsch Arztebl Int 113:597–603

    PubMed  Google Scholar 

  12. Austin PC (2011) An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behav Res 46(3):399–424

    Article  PubMed  PubMed Central  Google Scholar 

  13. Rosenbaum PR et al (1983) The central role of the propensity score in observational studies for causal effects. Biometrika 70(1):41–55

    Article  Google Scholar 

  14. Cepeda MS, Boston R, Farrar JT, Strom BL (2003) Comparison of logistic regression versus propensity score when the number of events is low and there are multiple confounders. Am J Epidemiol 158(3):280–287

    Article  PubMed  Google Scholar 

  15. Schermerhorn ML, Buck DB, O’Malley AJ, Curran T, McCallum JC, Darling J et al (2015) Long-term outcomes of abdominal aortic aneurysm in the medicare population. N Engl J Med 373(4):328–338

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  16. Vorgrimler D, Wübben D (2003) Die Delphi-Methode und ihre Eignung als Prognoseinstrument. Statistisches Bundesamt – Wirtschaft und Statistik 8/2003, Statistisches Bundesamt, Wiesbaden. S 763–774. https://www.destatis.de/DE/Publikationen/WirtschaftStatistik/Gastbeitraege/DelphiMethode_82003.html

  17. Cohen J (1988) Statistical power analysis for the behavioral sciences, 2. Aufl. Taylor & Francis, London

    Google Scholar 

  18. Hedges V (1981) Distribution theory for Glass’s estimator of effect size and related estimators. J Educ Behav Stat 6(2):107–128

    Article  Google Scholar 

  19. Chowdhury MM, McLain AD, Twine CP (2014) Angioplasty versus bare metal stenting for superficial femoral artery lesions. Cochrane Database Syst Rev. https://doi.org/10.1002/14651858.CD006767.pub3

    PubMed  Google Scholar 

  20. Grimm J, Muller-Hulsbeck S, Jahnke T, Hilbert C, Brossmann J, Heller M (2001) Randomized study to compare PTA alone versus PTA with Palmaz stent placement for femoropopliteal lesions. J Vasc Interv Radiol 12(8):935–942

    Article  CAS  PubMed  Google Scholar 

  21. Behrendt CA, Heidemann F, Riess HC, Stoberock K, Debus SE (2017) Registry and health insurance claims data in vascular research and quality improvement. Vasa 46(1):11–15

    Article  PubMed  Google Scholar 

  22. Karthikesalingam A, Holt PJ, Vidal-Diez A, Bahia SS, Patterson BO, Hinchliffe RJ et al (2016) The impact of endovascular aneurysm repair on mortality for elective abdominal aortic aneurysm repair in England and the United States. J Vasc Surg 64(2):321–327.e2

    Article  PubMed  Google Scholar 

  23. Behrendt et al (2017) Short-term and long-term results of endovascular and open repair of abdominal aortic aneurysms in Germany. J Vasc Surg. https://doi.org/10.1016/j.jvs.2017.04.040

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Universitäres Herzzentrum Hamburg, Klinik und Poliklinik für Gefäßmedizin, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland

    T. Schwaneberg, E. S. Debus &  C.-A. Behrendt

  2. Arbeitsgruppe GermanVasc, Universitäres Herzzentrum Hamburg, Klinik und Poliklinik für Gefäßmedizin, Universitätsklinikum Hamburg-Eppendorf, Martinistr. 52, 20246, Hamburg, Deutschland

    C.-A. Behrendt

Authors
  1. T. Schwaneberg
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. E. S. Debus
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. C.-A. Behrendt
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to C.-A. Behrendt.

Ethics declarations

Interessenkonflikt

T. Schwaneberg, E. S. Debus und C.-A. Behrendt geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Schwaneberg, T., Debus, E.S. & Behrendt, CA. Grundlagen der Statistik und Anwendung in der Gefäßchirurgie. Gefässchirurgie 22, 420–427 (2017). https://doi.org/10.1007/s00772-017-0305-4

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00772-017-0305-4

Schlüsselwörter

  • Qualitätsverbesserung
  • Studiendesign
  • Konfidenzintervalle
  • Überlebenszeitanalyse
  • Propensity-Score

Keywords

  • Quality improvement
  • Research design
  • Confidence intervals
  • Survival analysis
  • Propensity score