An algorithmic process to develop clinical practice guideline recommendations based on meta-analyses of the relevant evidence

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen: „Hilft diese spezifische Behandlung den Patienten tatsächlich, besser zu werden?“ In der Welt der Physiotherapie geht es dabei nicht nur um Raten; es geht darum, klinische Praxisleitlinien (Clinical Practice Guidelines, CPGs) zu erstellen. Betrachten Sie diese Leitlinien als das ultimative Regelwerk oder die Landkarte, die Therapeuten nutzen, um zu entscheiden, wie sie Menschen am besten bei der Genesung helfen können. Um eine gute Landkarte zu erstellen, muss man alle Hinweise (wissenschaftliche Studien) betrachten und herausfinden, was sie in ihrer Gesamtheit wirklich bedeuten.

Normalerweise versuchen Wissenschaftler, diese Hinweise mithilfe einer Methode namens Meta-Analyse zu kombinieren. Stellen Sie sich vor, hundert verschiedene Personen würden Ihnen erzählen, wie lange eine bestimmte Reise gedauert hat. Einige sagen 10 Minuten, andere 12 und andere 8. Eine Meta-Analyse ist wie ein superintelligenter Taschenrechner, der nicht einfach nur zählt, wie viele Leute „10 Minuten“ gesagt haben (was irreführend sein kann); stattdin gewichtet er jeden einzelnen Bericht basierend darauf, wie viele Menschen in dieser Gruppe waren und wie zuverlässig die Geschichte ist, um so eine präzise, durchschnittliche Antwort zu erhalten. Das große Problem ist, dass dieser „Super-Taschenrechner“, obwohl er der Goldstandard zur Wahrheitsfindung ist, in den meisten Regelbüchern der Physiotherapie ignoriert wurde. Stattdessen haben sie sich auf eine „Abstimmungsmethode“ verlassen – im Grunde die Frage: „Haben mehr Studien mit ‚Ja‘ als mit ‚Nein‘ gestimmt?“ – was so ist, als würde man entscheiden, dass das Wetter sonnig ist, nur weil mehr Leute „sonnig“ gesagt haben, selbst wenn diejenigen, die „sonnig“ sagten, im Dunkeln standen. Dieses Papier befasst sich mit dem unordentlichen, subjektiven Teil der Erstellung dieser Regelbücher und versucht, menschliches Raten durch einen klaren, schrittweisen Algorithmus zu ersetzen.

---

Der Algorithmus: Hinweise in ein Regelbuch verwandeln

Dieses Papier ist im Wesentlichen ein „Bedienungsanleitung“ für ein Team von Physiotherapie-Experten, die beschlossen haben, aufzuhören zu raten und stattdいち zu rechnen. Sie wollten einen neuen, superzuverlässigen Weg entwickeln, um ihr Regelwerk für die Hilfe beim Wiedererlangen der Gehfähigkeit nach einem Schlaganfall zu schreiben. Anstatt zuzulassen, dass eine Gruppe von Experten an einem Tisch sitzt und darüber streitet, was sich wie eine „gute“ Behandlung „anfühlt“, bauten sie eine Entscheidungsmaschine (einen Algorithtmus), die die Rohdaten aus ihrem „Super-Taschenrechner“ (der Meta-Analyse) nimmt und eine klare Empfehlung ausspuckt.

So funktioniert ihr neues System, Schritt für Schritt:

1. Beweise sammeln und Fälschungen prüfen
Zuerst fanden sie 296 Studien zur Schlaganfall-Genesung. Aber nicht alle Hinweise sind vertrauenswürdig. Sie verwendeten eine spezielle Checkliste (genannt RoB-2), um nach „Bias“ (Verzerrung) zu suchen, was so ist, als würde man prüfen, ob ein Zeuge einen Grund hat zu lügen. Wenn eine Studie zu unordentlich war oder zu viele Warnsignale aufwies, warfen sie diese raus. Sie behielten nur die qualitativ hochwertigen Belege.

2. Äpfel mit Äpfeln gruppieren
Man kann eine Studie über „Laufen auf dem Laufband“ nicht mit einer über „Schwimmen“ vergleichen und ein faires Ergebnis erwarten. Das Team gruppierte Studien, die exakt das Gleiche taten, sehr sorgfältig. Sie betrachteten spezifische Dinge wie „Gehgeschwindigkeit“ oder „wie weit jemand in 6 Minuten gehen kann“. Sie mussten sogar etwas mathematische Magie anwenden, um verschiedene Gehtests (wie einen 2-Minuten-Gangtest) in eine Standard-„6-Minuten-Gangdistanz“ umzurechnen, damit alles fair verglichen werden konnte.

3. Der „Super-Taschenrechner“ (Meta-Analyse)
Sobald die Gruppen sortiert waren, führten sie die Meta-Analyse durch. Dies zählte nicht nur Stimmen; es kombinierte die tatsächlichen Zahlen aus jeder Studie, um den wahren Durchschnittseffekt zu finden. Sie stellten zwei große Fragen:

• Ist das Ergebnis real? (Statistische Signifikanz)
• Ist das Ergebnis groß genug, um wichtig zu sein? (Klinische Relevanz)

Um die zweite Frage zu beantworten, nutzten sie einen Schwellenwert für den „bedeutsamen Unterschied“ (Meaningful Difference). Denken Sie an diesen wie an eine Bodenwelle. Wenn die Behandlung die Gehgeschwindigkeit eines Patienten nur um 0,01 m/s erhöht, ist das zwar eine reale Zahl, aber sie ist zu klein, um im echten Leben von Bedeutung zu sein. Aber wenn sie die Geschwindigkeit um 0,16 m/s erhöht (eine Zahl, die sie basierend auf vorangegangener Forschung gewählt haben), dann ist das ein Wendepunkt. Der Algorithmus prüft, ob die Behandlung diese Bodenwelle überwindet.

4. Die Entscheidungsmaschine
Das ist der coolste Teil. Sie bauten ein Flussdiagramm (einen Algorithmus), das die mathematischen Ergebnisse und den „Vertrauenswürdigkeitswert“ (genannt GRADE) nimmt und automatisch eine Empfehlung zuweist. Es gibt fünf mögliche Ergebnisse:

• Starke Empfehlung: Die Mathematik sagt „Ja, es funktioniert“, die Gewissheit ist hoch und die Verbesserung ist groß genug, um wichtig zu sein. Das Regelwerk sagt: „Kliniker sollten dies anwenden.“
• Bedingte Empfehlung: Es funktioniert wahrscheinlich, aber vielleicht nicht für jeden, oder die Gewissheit ist nicht zu 100 %. Das Regelwerk sagt: „Kliniker sollten in Erwägung ziehen, dies anzuwenden.“
• Keine Empfehlung für oder gegen: Dies ist eine neue Kategorie, die sie erfunden haben. Manchmal zeigt die Mathematik, dass die Behandlung keinen bedeutsamen Unterschied im Vergleich zur üblichen Versorgung macht. Da die „übliche Versorgung“ das ist, was Patienten ohnehin bekommen, kann man nicht sagen: „Tun Sie es nicht.“ Man sagt lediglich: „Es bietet keinen Zusatznutzen, also priorisieren Sie andere Dinge, falls Sie solche haben.“
• Dagegen: Die Behandlung ist tatsächlich schädlich oder schlechter als gar nichts zu tun. Das Regelwerk sagt: „Nicht anwenden.“
• Unzureichende Evidenz: Die Daten sind zu ungeordnet oder fehlen. Das Regelwerk sagt: „Wir benötigen mehr Forschung.“

5. Umgang mit Konflikten
Was ist, wenn ein Teil der Behandlung großartig funktioniert, ein anderer Teil jedoch nicht? Der Algorithmus hat auch für dies Regeln. Wenn die Kriterien für eine „starke“ Empfehlung erfüllt sind, aber ein spezifisches Maß keinen Nutzen zeigt, stuft der Algorithmus die Empfehlung automatisch auf „bedingt“ herab. Es ist wie ein Sicherheitsnetz, das verhindert, dass das Team zu enthusiastisch für eine Behandlung wird, die nur halb so gut funktioniert.

Warum das wichtig ist

Die Autoren fanden heraus, dass sie durch die Verwendung dieses strengen, mathematikbasierten Algorithmus einen Großteil der „menschlichen Meinung“ aus dem Prozess entfernen konnten. In der Vergangenheit könnten verschiedene Expertengruppen dieselben Daten betrachtet und unterschiedliche Regelbücher erstellt haben, weil sie unterschiedliche Meinungen darüber hatten, was als „gut genug“ zählt. Diese neue Methode macht den Prozess reproduzierbar. Wenn man demselben Team dieselben Daten gibt und sie denselben Algorithmus verwenden, sollten sie zum selben Ergebnis kommen.

Sie betonten auch, dass dieser Ansatz harte Arbeit ist. Sie mussten Daten aus 186 Studien extrahieren und 309 verschiedene Meta-Analysen durchführen! Es erforderte viel Mathematik und Computerprogrammierung. Sie haben jedoch all ihre Werkzeuge und Tabellenkalkulationen online gestellt, damit auch andere Teams sie nutzen können.

Das Papier behauptet nicht, jedes Problem in der Medizin gelöst zu haben. Sie geben zu, dass das Finden der perfekten Werte für den „bedeutsamen Unterschied“ (die Bodenwellen) immer noch schwierig ist und dass der Prozess zeitaufwendig ist. Aber sie haben erfolgreich gezeigt, dass es möglich ist, ein Regelwerk aufzubauen, in dem die Mathematik die Entscheidung treibt und nicht nur die Meinungen der Leute, die im Raum sitzen. Indem sie dies tun, hoffen sie, dass die physiotherapeutische Versorgung für alle konsistenter, fairer und effektiver wird.