Ausschlussbias — Wenn Logik sich verkleidet

Ausschlussbias entsteht, wenn die Kriterien zur Auswahl oder Filterung von Studienteilnehmenden systematisch Personen entfernen, deren Einschluss die Studienergebnisse verändern würde. Dies kann durch zu strenge Einschlusskriterien, Verlust bei der Nachbeobachtung oder Entfernung von Ausreißern geschehen. Die verbleibende Stichprobe repräsentiert dann nicht mehr die Zielpopulation.

Auch bekannt als: Selection Exclusion Bias, Exklusionsbias

Wie es funktioniert

Ausschlusskriterien erscheinen an der Oberfläche oft vernünftig (Sicherheit, Datenqualität), sodass leicht übersehen wird, wie sie die Ergebnisse formen. Leser hinterfragen selten, wer ausgeschlossen wurde und warum, und konzentrieren sich stattdessen auf die berichteten Ergebnisse.

Ein klassisches Beispiel

Eine klinische Studie für ein Antidepressivum schließt Patienten mit Suizidalität aus. Das Medikament erscheint wirksam und sicher, doch seine Wirksamkeit bei den schwersten Fällen — genau jenen Patienten, die es am dringendsten benötigen — bleibt unbekannt.

Wo man das in der Praxis findet

Arzneimittelstudien schließen routinemäßig ältere Patienten, Schwangere und Personen mit Komorbiditäten aus. Wenn diese Medikamente zugelassen und breit verschrieben werden, können Wirksamkeit und Sicherheit in der Praxis erheblich von den Studienergebnissen abweichen.

Wie man es erkennt und kontert

Ein- und Ausschlusskriterien sorgfältig prüfen. Fragen, wer in der Studie fehlt und wie deren Abwesenheit die Ergebnisse beeinflussen könnte. Nach Intention-to-treat-Analysen suchen, die alle ursprünglich eingeschlossenen Teilnehmenden berücksichtigen.

Das Fazit

Ausschlussbias gehört zu den Denkfehlern, die auf den ersten Blick völlig logisch klingen. Genau das macht sie gefährlich — sie tragen das Kostüm valider Argumentation, während sie eine fehlerhafte Schlussfolgerung einschmuggeln. Die beste Verteidigung? Langsamer werden und fragen: Folgt diese Schlussfolgerung tatsächlich aus diesen Prämissen?