🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
exclusion_bias
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.
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.
Eine Ernährungsstudie zur Wirkung einer Diät auf den Cholesterinspiegel schließt Teilnehmende mit Nierenerkrankungen, Diabetes und bestimmten Medikamenten aus. Die Ergebnisse erscheinen überzeugend positiv, gelten aber kaum für die Mehrheit älterer Patienten, die typischerweise mehrere solcher Begleiterkrankungen haben.
Ein Tech-Unternehmen wertet Mitarbeiterzufriedenheitsumfragen aus und schließt dabei Personen aus, die weniger als sechs Monate im Unternehmen sind. Da viele unzufriedene Mitarbeitende bereits früh kündigen, erscheint das Betriebsklima deutlich besser als es tatsächlich ist.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Wurden bestimmte Teilnehmende oder Datenpunkte systematisch aus der Studie ausgeschlossen?
Typ: binaryKönnten die Ausschlusskriterien überproportional Personen mit bestimmten Merkmalen entfernen?
Typ: binaryUnterscheidet sich die ausgeschlossene Gruppe in bedeutsamer Weise von der eingeschlossenen Gruppe?
Typ: binaryWerden die Schlussfolgerungen der Studie verallgemeinert, ohne die Auswirkungen der Ausschlüsse zu berücksichtigen?
Typ: binaryAusschlussbias 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.
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- 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.
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.
Systematic difference between respondents and non-respondents distorting study results.
Occupational studies overestimate worker health because severely ill people exit the workforce.
How participants are identified or recruited systematically distorts the sample.
The statistical error of drawing conclusions from a dataset that has been filtered by a survival or success criterion, without accounting for the filtered-out cases. The surviving sample is systematically different from the full population, and conclusions drawn from it are biased.
Diagnostic test accuracy varies when evaluated across different disease severity levels.
Prevalence studies miss fatal or short-duration cases, distorting disease-exposure associations.
Participants who choose to join a study differ systematically from those who do not.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.