Using Bayesian Evidence Synthesis to estimate the number of sex workers in the United Kingdom

Diese Studie wendet die Bayes'sche Evidenzsynthese an, um historische Daten mit aktuellen Aufzeichnungen über die Bevölkerung und die Klinikbesuche im Vereinigten Königreich zu integrieren, und liefert eine robuste Schätzung von etwa 84.000 Sexarbeiterinnen und Sexarbeitern im Vereinigten Königreich (95 % glaubwürdiges Intervall: 49.000–130.000), um kritische Datenlücken für gezielte gesundheitspolitische Unterstützung zu schließen.

Das Wesentliche

Das große Ganze: Zählen des Unsichtbaren

Stellen Sie sich vor, Sie versuchen zu zählen, wie viele Menschen sich in einem riesigen, dunklen Wald verstecken. Sie können sie nicht alle sehen, weil sie versuchen, sich zu verstecken, oder weil sie Angst haben, herauszukommen, oder weil sie sich zu viel bewegen. Dies ist die Herausforderung, der sich die Forscher gegenüberstanden: die Schätzung der Anzahl von Sexarbeiterinnen und Sexarbeitern im Vereinigten Königreich.

Da Sexarbeit oft stigmatisiert oder rechtlich komplex ist, tauchen viele Arbeiterinnen und Arbeiter nicht in offiziellen Regierungsunterlagen (wie Volkszählungsdaten) oder Standardumfragen auf. Frühere Versuche, sie zu zählen, waren wie das Schätzen der Anzahl von Fischen in einem See, indem man nur einen Eimer Wasser betrachtet; sie lieferten eine einzelne Zahl, sagten aber nicht, wie falsch sie sein könnten.

Das Ziel dieses Papiers war es, eine zuverlässigere Karte dieser verborgenen Bevölkerung zu erstellen, nicht durch bloßes Raten, sondern indem alle alten Karten, die wir bereits haben, kombiniert werden und genau zugegeben wird, wie unsicher wir über die Details sind.

Die Methode: Der „Meisterkoch" der Daten

Die Forscher verwendeten eine Technik namens Bayessche Evidenzsynthese. Stellen Sie sich dies wie einen Meisterkoch vor, der versucht, die perfekte Suppe zu kochen.

1. Die Zutaten (Alte Studien): In den letzten 30 Jahren haben verschiedene Forscher versucht, Sexarbeiterinnen und Sexarbeiter zu zählen. Einige nutzten Daten aus Kliniken, andere aus Online-Anzeigen und wieder andere aus Umfragen bei Unterstützungsangeboten. Jede dieser Studien ist eine „Zutat". Manche Zutaten sind frisch und von hoher Qualität; andere sind etwas alt oder wurden mit zitternder Hand gemessen.
2. Das Rezept (Das Modell): Anstatt einfach die „beste" Studie auszuwählen und den Rest zu ignorieren, erstellten die Forscher ein mathematisches Rezept (ein Computermodell), das alle diese Zutaten miteinander vermischt.
3. Die geheime Sauce (Unsicherheit): Der besondere Teil ihres Rezepts ist der Umgang mit den „zitternden Händen". Sie nahmen die Zahlen aus den alten Studien nicht als absolute Fakten. Stattdessen behandelten sie jede alte Zahl als eine „beste Schätzung" mit einer Fehlermarge. Sie speisten diese „Schätzungen" in ihr Modell ein und ließen die Unsicherheit durch den gesamten Prozess fließen.

Die Analogie: Stellen Sie sich vor, Sie versuchen das Gewicht eines mysteriösen Pakets zu erraten.

• Der alte Weg: Sie fragen fünf Freunde. Einer sagt 10 kg, einer 50 kg, einer 20 kg. Sie mitteln sie einfach zu 26,6 kg und sagen: „Das ist das Gewicht."
• Die Art dieses Papiers: Sie fragen die fünf Freunde, aber Sie fragen auch: „Wie sicher sind Sie?" Ein Freund sagt: „Ich schätze 10 kg, aber ich könnte um 5 kg danebenliegen." Ein anderer sagt: „Ich schätze 50 kg, aber ich bin ziemlich sicher, dass es zwischen 40 und 60 liegt." Das Modell kombiniert dann diese Schätzungen und ihr Vertrauensniveau, um Ihnen eine endgültige Antwort zu geben, die lautet: „Das Gewicht liegt wahrscheinlich bei etwa 26 kg, könnte aber realistisch überall zwischen 15 kg und 40 kg liegen."

Die Ergebnisse: Die endgültige Zählung

Nachdem alle Daten gemischt und die komplexe Mathematik durchgeführt wurden, lieferte das Modell eine neue Schätzung:

• Die Zahl: Es gibt ungefähr 84.000 Sexarbeiterinnen und Sexarbeiter im Vereinigten Königreich.
• Der „Vielleicht"-Bereich: Da die Daten schwierig sind, sind die Forscher zu 95 % zuversichtlich, dass die wahre Zahl irgendwo zwischen 49.000 und 130.000 liegt.
• Der Kontext: Dies entspricht etwa 0,12 % der gesamten Bevölkerung des Vereinigten Königreichs.

Um dies einzuordnen, stellt das Papier fest, dass diese Gruppe kleiner ist als die Bevölkerung der Männer, die Sex mit Männern haben (etwa 1 % der Bevölkerung), aber potenziell größer als die Bevölkerung der Drogeninjizierenden.

Warum dies wichtig ist (laut dem Papier)

Das Papier argumentiert, dass eine Zahl mit einer klaren „Fehlermarge" besser ist als eine einzelne, präzise aussehende Zahl, die falsch sein könnte.

• Bessere Planung: Wenn Gesundheitsdienste wissen, dass die Bevölkerung wahrscheinlich zwischen 50.000 und 130.000 liegt, können sie Ressourcen (wie Impfstoffe, Tests oder Unterstützungsangebote) planen, die robust genug sind, um das obere Ende dieses Bereichs zu bewältigen, anstatt den Bedarf zu unterschätzen.
• Verringerung von Ungleichheit: Das Papier stellt fest, dass Sexarbeiterinnen und Sexarbeiter häufig mit gesundheitlichen Ungleichheiten und Barrieren beim Zugang zur Versorgung konfrontiert sind. Durch eine bessere Schätzung können Gesundheitsbeamte das Ausmaß des Problems besser verstehen und gezielte Unterstützung entwerfen, um diese Lücken zu schließen.

Das „Kleingedruckte" (Einschränkungen)

Die Autoren sind sehr ehrlich über die Mängel in ihrer „Suppe":

• Keine perfekten Daten: Sie mussten sich auf alte Studien verlassen, die keine eigenen Fehlermargen hatten. Sie mussten ein System erfinden, um zu beurteilen, welche alten Studien „besser" waren, basierend darauf, wie sie durchgeführt wurden.
• Zeitreise: Die Daten erstrecken sich über fast 25 Jahre. Die Welt der Sexarbeit hat sich verändert (insbesondere durch das Internet), sodass das Modell davon ausgeht, dass sich die Bevölkerung strukturell nicht drastisch verändert hat, was möglicherweise nicht zutrifft.
• Kein direkter Kontakt: Das Modell sprach nicht direkt mit Sexarbeiterinnen und Sexarbeitern; es analysierte nur bestehende Berichte. Die Autoren geben zu, dass zukünftige Arbeiten Sexarbeiterinnen und Sexarbeiter direkt einbeziehen müssen, um bessere Daten zu erhalten.

Zusammenfassung

Dieses Papier ging nicht hinaus und zählte Sexarbeiterinnen und Sexarbeiter einzeln. Stattdessen agierte es als Datendetektiv, der alle fragmentierten, unvollkommenen Hinweise der letzten 30 Jahre nahm, sie mit einer hochentwickelten mathematischen Methode kombinierte und eine einzelne, gut begründete Schätzung produzierte: 84.000 Menschen, mit einem klaren Warnhinweis, dass die wahre Zahl erheblich höher oder niedriger sein könnte. Das Ziel ist es, diese Zahl zu nutzen, um Gesundheitsdienste dabei zu unterstützen, diese Gemeinschaft effektiver zu unterstützen.

Technische Zusammenfassung

Technische Zusammenfassung: Bayessche Evidenzsynthese zur Schätzung der Sexarbeiterpopulation im Vereinigten Königreich

Problemstellung
Sexarbeiter im Vereinigten Königreich sehen sich erheblichen gesundheitlichen Ungleichheiten und Barrieren beim Zugang zur Gesundheitsversorgung ausgesetzt, die häufig durch Stigmatisierung, Diskriminierung und rechtliche Rahmenbedingungen verschärft werden. Ein entscheidendes Hindernis für die Bereitstellung zielgerichteter, evidenzbasierter öffentlicher Gesundheitsunterstützung ist das Fehlen zuverlässiger Daten zur Größe der Sexarbeiterpopulation. Bestehende Schätzungen, die aus verschiedenen Studien zwischen 1999 und 2017 abgeleitet wurden, variieren stark (von ca. 35.000 bis ca. 105.000) und fehlen entscheidend quantifizierte Unsicherheiten. Frühere Studien behandelten ihre Schätzungen oft als Punktwerte ohne Konfidenzintervalle und berücksichtigten dabei nicht die inhärente Unsicherheit in den Parametern und Methoden, die zu ihrer Herleitung verwendet wurden. Dieses Fehlen robuster, unsicherheitsquantifizierter Daten behindert eine effektive Ressourcenallokation, die Planung von Ausbruchsreaktionen und die Gestaltung maßgeschneiderter Gesundheitsinterventionen.

Methodik
Die Autoren wenden einen Rahmen der Bayesschen Evidenzsynthese an, um sieben historische Schätzstudien (zeitlich von 1999 bis 2017) mit aktuellen nationalen Bevölkerungsdaten und Daten zur Konsultation von Genital-Urologischen Medizin-Kliniken (GUMCAD) zu integrieren. Die methodische Kerninnovation besteht darin, historische Studien nicht als „Black Boxes" zu behandeln, sondern als mechanistische Prozesse mit unsicheren Parametern.

1. Hierarchische Modellstruktur:

   • Ebene 1 (Studienspezifische Schätzungen): Anstatt die berichteten Punktwerte zu akzeptieren, rekonstruiert das Modell die Schätzung jeder Studie aus ihren dokumentierten Parametern (z. B. Dienstleistungskontakte, Multiplikatoren, Verhältnisse). Jeder Parameter erhält eine Prior-Verteilung, wodurch die inhärente Unsicherheit der ursprünglichen Methodik durch das Modell propagiert wird. Die beobachteten Studienergebnisse werden als verrauschte log-normal realisierte Werte dieser mechanistischen Schätzungen modelliert.
   • Ebene 2 (Hierarchische Pooling): Studienspezifische Schätzungen werden weich an einen studienspezifischen Anteil ($\theta_i$) gebunden, der mit der aktuellen UK-Bevölkerung skaliert ist.
   • Ebene 3 (Bevölkerungsweite Parameter): Die studienspezifischen Anteile werden aus einer gemeinsamen Beta-Verteilung gezogen, die vom gesamten Bevölkerungsanteil ($p$) und einem Heterogenitätsparameter zwischen den Studien ($\tau$) gesteuert wird.

2. Qualitätsgewichtungssystem:
   Um das Fehlen von Standardfehlern in historischen Studien zu adressieren, entwickelten die Autoren ein systematisches Qualitätsgewichtungssystem auf Basis von WHO-Richtlinien. Dieses System weist Gewichte (0–100) basierend auf folgenden Kriterien zu:

   • Datenerhebungsmethode (67 % Gewicht): Bewertet nach Bevölkerungsabdeckung (Sektoren, Geschlechter, Altersgruppen, Geografie) und zeitlicher Relevanz. Die Abdeckung hat Vorrang vor der Aktualität.
   • Methodenspezifische Kriterien (33 % Gewicht): Bewertet nach der Ausführung der spezifischen Methode (z. B. Unabhängigkeit der Quellen bei Multiplikatormethoden, Outreach bei Zählungen).
     Diese Gewichte bestimmen die Varianz in der Likelihood-Funktion; Studien höherer Qualität erhalten eine geringere Varianz (höhere Präzision), während Studien geringerer Qualität eine höhere Varianz erhalten.

3. Likelihood und Priors:

   • Likelihood: Gewichtete Log-Normal-Verteilungen werden verwendet, um beobachtete Studienergebnisse mit modellbasierten Schätzungen zu vergleichen. Diese Wahl respektiert die Positivitätsbedingung von Bevölkerungszahlen und berücksichtigt die multiplikative Natur von Schätzfehlern.
   • Priors: Der gesamte Bevölkerungsanteil ($p$) verwendet eine Beta(12, 9988)-Prior-Verteilung, die die Schätzung basierend auf früheren Forschungen um 0,12 % zentriert, aber Datenbeeinflussung zulässt. Der Heterogenitätsparameter ($\tau$) verwendet eine Log-Normal-Prior-Verteilung, um Variationen zwischen den Studien zu ermöglichen.

Hauptergebnisse

• Bevölkerungsschätzung: Das Modell schätzt eine Gesamtzahl von 84.000 Sexarbeitern im Vereinigten Königreich.
• Unsicherheit: Das 95 %-Glaubwürdigkeitsintervall liegt bei 49.000 bis 130.000, was 0,121 % der aktuellen UK-Bevölkerung (ca. 69,3 Millionen) entspricht. Die Median-Schätzung liegt bei 81.000, was auf eine leicht rechtsschiefe Posterior-Verteilung hindeutet.
• Modellanpassungen: Die Synthese nahm prinzipielle Anpassungen an einzelnen Studien vor. So wurde die Schätzung von Cusick et al. (2009) erheblich nach oben korrigiert (+31 %), um mit der durch den Prior implizierten Schätzung übereinzustimmen, während Import IO (2017) und Pitcher (2015) moderat nach unten angepasst wurden. Die GUMCAD-Daten, die aus klinischen Zählungen stammen, wiesen das breiteste Glaubwürdigkeitsintervall auf, bedingt durch die kumulative Unsicherheit der verwendeten Skalierungsfaktoren.
• Robustheit: Sensitivitätsanalysen (Leave-One-Out und uniforme Gewichtung) bestätigten, dass die Ergebnisse robust sind. Das Entfernen einer einzelnen Studie veränderte die Schätzung um weniger als 2,3 %, und eine Änderung des Gewichtungsschemas führte zu einer vernachlässigbaren Differenz von 0,2 %. Das Modell reproduzierte erfolgreich das Muster der beobachteten Schätzungen ohne Overfitting.

Bedeutung und Behauptungen
Die Arbeit beansprucht drei primäre Beiträge:

1. Revidierte Schätzung: Sie liefert eine umfassende, synthetisierte Schätzung, die kollektive Informationen aus fast zwei Jahrzehnten Forschung nutzt und den Einfluss der Einschränkungen einer einzelnen Studie reduziert.
2. Quantifizierte Unsicherheit: Im Gegensatz zu früheren Punktschätzungen propagiert dieser Ansatz die Unsicherheit aus studienspezifischen Parametern und der Heterogenität zwischen den Studien rigoros bis zum Endergebnis. Dies bietet politischen Entscheidungsträgern ein Glaubwürdigkeitsintervall, das für eine robuste Planung und Risikobewertung unerlässlich ist.
3. Erweiterbarer Rahmen: Das hierarchische Bayessche Modell bietet einen replizierbaren und erweiterbaren Rahmen. Es kann neue Evidenz (z. B. aus Überwachungssystemen oder digitalen Plattformen) integrieren, ohne eine vollständige Neuanalyse zu erfordern, und bewahrt dabei die methodische Konsistenz.

Einschränkungen und zukünftige Richtungen
Die Autoren erkennen mehrere Einschränkungen an:

• Dateneinschränkungen: Den zugrundeliegenden Studien fehlen Standardfehler, was die Verwendung eines subjektiven Qualitätsgewichtungssystems notwendig macht.
• Zeitliche Stabilität: Das Modell geht von zeitlicher Stabilität über Studien hinweg aus, die einen Zeitraum von 25 Jahren abdecken, und könnte dabei Verschiebungen aufgrund technologischer Veränderungen (z. B. Online-Plattformen) oder rechtlicher Entwicklungen übersehen.
• Methodische Vererbung: Der Ansatz stützt sich weiterhin auf Multiplikatormethoden und Extrapolationen und erbt somit die Abdeckungseinschränkungen der ursprünglichen Studien.
• Gelebte Erfahrung: Die Studie befasste sich nicht mit einer Co-Produktion mit von Sexarbeitern geführten Organisationen.

Die Arbeit kommt zu dem Schluss, dass diese Schätzung zwar eine entscheidende nationale Basislinie bietet, zukünftige Arbeiten jedoch co-produzierte, von der Gemeinschaft geführte Methodiken priorisieren müssen, um Genauigkeit, Inklusivität und die Sicherheit der Datenerhebung zu verbessern. Die Autoren betonen, dass die Schätzung der Populationsgröße dazu dienen sollte, gesundheitliche Ungleichheiten zu verringern und zielgerichtete Unterstützung zu informieren, während sie gleichzeitig streng davor bewahrt werden muss, Daten für Durchsetzung oder Überwachung missbraucht zu werden.