Was ist die Kernaussage der Publikation*?
In der biomedizinischen Grundlagenforschung werden für tierexperimentelle Untersuchungen hauptsächlich sogenannte Block-Designs verwendet. Wir konnten zeigen, dass sequentielle Studiendesigns effizienter sein können, so dass Wissenschaftlerinnen und Wissenschaftler Ressourcen einsparen könnten, ohne dass die Aussagekraft ihrer Studien geringer wird.
Worin besteht der Unterschied zwischen den „herkömmlichen“ Block-Designs und den sequentiellen Designs?
Bei Studien, die mittels Block-Designs durchgeführt werden, wird eine genau vordefinierte Anzahl von Tieren untersucht und die Ergebnisse anschließend statistisch ausgewertet. So werden beispielsweise zehn Tiere in der einen Gruppe mit zehn Tieren in der Kontrollgruppe verglichen.
Bei sequentiellen Designs werden entweder auch Gruppen von Tieren (Blöcke) oder einzelne Tiere nacheinander untersucht. Die Studie wird beendet, wenn eine signifikante Aussage getroffen werden kann. Wie diese Aussage und andere Studienkriterien aussehen, wird vorher genau festgelegt. Es werden also nicht zwangsläufig alle Tiere analysiert, sondern die Studie kann möglicherweise schon früher beendet werden. Entweder, weil der erwartete Effekt (Therapie A besser als Therapie B) sich gar nicht zeigt oder sich aufgrund der bisher vorliegenden Ergebnisse wohl auch nicht mehr einstellt. Oder weil der erwartete Effekt so groß ist, dass eine geringere Fallzahl für den Nachweis reicht.
Wie muss man sich das Vorgehen vorstellen? Wie sind Sie auf diese Ergebnisse gekommen?
Zunächst haben wir uns die Studien, die in der Präklinik durchgeführt werden, genau angeschaut. Hierzu hat ein Computer-Algorithmus mehrere tausend Studien durchsucht und analysiert. Dabei fanden wir heraus, dass ausschließlich klassische Block-Designs verwendet werden. Im klinischen Bereich sieht das etwas anders aus, aber auch dort wird hauptsächlich noch mit solchen Block-Designs gearbeitet.
Um zu belegen, dass Studien, die mit einem sequentiellen Design durchgeführt werden, effizienter sind, haben wir tausende von Studien im Rechner unter verschiedenen Szenarien simuliert. Das Ergebnis war eindeutig: Mittels sequentieller Studiendesigns, können die Forscherinnen und Forscher auf dasselbe Ergebnis kommen, aber dabei bis zu 20 Prozent weniger Ressourcen verbrauchen oder alternativ eine höhere Aussagekraft der Studie erreichen können.
Warum wird der von Ihnen beschriebene Ansatz nicht schon angewendet, wenn er so viel effizienter ist?
Das hat viel mit der Entwicklungsgeschichte der Statistik und den Möglichkeiten der statistischen Auswertungen zu tun. Alles fing mit klassischen Blockdesigns an. Wissenschaftler sind sehr konservativ und es mangelt auch häufig einfach an ausreichendem Statistikwissen. Außerdem können sequentielle Designs eine etwas aufwendigere Studienplanung erfordern. Es gibt viele Situationen, bei denen das von uns beschriebene Vorgehen sinnvoller und effizienter ist, aber halt auch nicht immer.
Was ist der nächste Schritt? Wie wollen Sie Ihre Erkenntnis in die Labore tragen?
Wir hoffen, dass sich infolge unserer Publikation mehr Menschen mit sequentiellen Studiendesigns auseinandersetzen. In der Publikation zeigen wir ja ganz eindeutig, dass die von uns vorgeschlagenen Designs durchführbar, von der Auswertung her nicht komplizierter sind und sogar 20 Prozent der Tiere, Arbeitszeit, Materialien etc. gespart werden können. Wir zeigen auch konkrete Beispiele auf. Zu hoffen ist es, dass sich zumindest ein paar Forscherinnen und Forscher daran orientieren, andere Designs auszuprobieren und anfangen, umzudenken.
Das Interview führte Saskia Blank
*Die Publikation wurde unter Open-Access-Bedingungen in PLOS Biology veröffentlicht und steht hier zum freien Download zur Verfügung.
Neumann K, Grittner U, Piper SK, Rex A, Florez-Vargas O, Karystianis G, Schneider A, Wellwood I, Siegerink B, Ioannidis JP, Kimmelman J1, Dirnagl U. Increasing efficiency of preclinical research by group sequential designs. PLoS Biol. 2017 Mar 10;15(3):e2001307. doi: 10.1371/journal.pbio.2001307