Der Druck für Transparenz in der epidemiologischen Forschung
Epidemiologische Studien streben nach klareren Praktiken und besserem Datenaustausch.
Timo Roettger, Adrian Dahl Askelund, Viktoria Birkenæs, Ludvig Daae Bjørndal, Agata Bochynska, Bernt Damian Glaser, Tamara Kalandadze, Max Korbmacher, Ivana Malovic, Julien Mayor, Pravesh Parekh, Daniel S. Quintana, Laurie J. Hannigan
― 8 min Lesedauer
Inhaltsverzeichnis
- Die Komplexität der Datenanalyse
- Die Bedeutung von transparenter Wissenschaft
- Der aktuelle Stand transparenter Praktiken
- Bewertung der Transparenz in MoBa-Studien
- Wissenschaft transparenter machen
- Die Vorteile transparenter Praktiken
- Herausforderungen und Ausblick
- Ausblick
- Originalquelle
- Referenz Links
Epidemiologische Forschung ist die Untersuchung, wie Krankheiten und Störungen entstehen und sich über die Zeit verbreiten. Stell dir vor, man verfolgt ein Virus, wie es von Person zu Person wandert, oder versucht zu verstehen, warum bestimmte Gesundheitsprobleme in bestimmten Bevölkerungsgruppen häufiger vorkommen. Dieser Forschungsbereich hilft uns, die öffentliche Gesundheit besser zu verstehen und beeinflusst alles von Impfstrategien bis hin zu Gesundheitspolitik.
Eine bekannte Studie in diesem Bereich ist die Norwegische Mutter, Vater und Kind Kohortenstudie, auch bekannt als MoBa. Die Studie wurde vor etwa 25 Jahren ins Leben gerufen und begleitet rund 100.000 Mütter, ihre Kinder und deren Partner. Eine Fülle von Informationen wurde gesammelt, die verschiedene Themen wie Fruchtbarkeit, Gehirnentwicklung und Gesundheit im Kindesalter abdecken. Forscher nutzen diese Daten, um Einblicke in zahlreiche wichtige Gesundheitsfragen zu gewinnen.
Die Komplexität der Datenanalyse
Epidemiologische Datensätze, wie MoBa, sind nicht einfach. Sie enthalten viele Variablen – man kann sie sich wie verschiedene Puzzlestücke vorstellen – und bieten viele Möglichkeiten zur Erforschung. Wenn Forscher diese Datensätze analysieren, stehen sie vor vielen Entscheidungen darüber, wie sie die Informationen interpretieren. Diese Flexibilität kann zu unterschiedlichen Ergebnissen führen, je nachdem, wie jeder Forscher die Daten angeht.
Die vielen Entscheidungen, die Forscher treffen, können von Vorteil sein. Sie ermöglichen einzigartige Perspektiven und können zu neuen Ideen oder Entdeckungen führen. Allerdings kann diese Flexibilität auch ein zweischneidiges Schwert sein. Verschiedene Entscheidungen können zu unterschiedlichen Interpretationen führen, was potenziell zu Verwirrung oder widersprüchlichen Ergebnissen führt. Einige Studien haben gezeigt, dass unabhängige Analysten, die denselben Datensatz mit unterschiedlichen Methoden betrachten, zu völlig verschiedenen Schlussfolgerungen kommen können.
Zum Beispiel haben Forscher in einer aktuellen Untersuchung festgestellt, dass die gleichen epidemiologischen Ergebnisse nicht übereinstimmten, weil unterschiedliche analytische Wege eingeschlagen wurden. Das zeigt die Bedeutung klarer Methoden in der Forschung, um irreführende Interpretationen zu vermeiden.
Die Bedeutung von transparenter Wissenschaft
Als Reaktion auf diese Herausforderungen ist eine Bewegung namens "Open Science" entstanden. Diese zielt darauf ab, Forschung offener und transparenter zu machen, damit die Öffentlichkeit und die wissenschaftliche Gemeinschaft die Ergebnisse kritisch bewerten können. Zu den wichtigsten Praktiken gehören das Veröffentlichen von Forschungsplänen im Voraus, das Teilen von Daten und Analyse-Skripten sowie die Zugänglichmachung von Studienmaterialien.
Transparenz in der Forschung ist entscheidend. Sie erhöht die Glaubwürdigkeit der Ergebnisse und hilft anderen Forschern, die Ergebnisse zu verifizieren. Wenn Forscher ihre Methoden klar dokumentieren und teilen, verringert sich die Verwirrung und das Vertrauen in die Ergebnisse wächst.
Einige Praktiken helfen speziell, die Flexibilität, vor der die Forscher stehen, anzugehen. Durch das Preregisterieren von Analysen – im Grunde erklärt, was im Voraus untersucht wird – können Forscher helfen, Probleme zu mildern, die aus nachträglichen (post hoc) Entscheidungen entstehen. Diese Praxis hilft auch, etwaige Änderungen in der Analyse später hervorzuheben, was wichtig sein kann, um zu verstehen, wie die Schlussfolgerungen erreicht wurden.
Transparente Praktiken anzunehmen, kann den Forschungsfortschritt beschleunigen. Durch das Teilen von Materialien und Daten können Wissenschaftler effektiver zusammenarbeiten, von den Ergebnissen anderer lernen und die Wiederholung von Anstrengungen verringern. Das macht die Forschung effizienter und nachhaltiger.
Der aktuelle Stand transparenter Praktiken
Trotz des Vorstosses zur Transparenz bleiben viele Studien hinter den Erwartungen zurück. Bewertungen haben gezeigt, dass in Bereichen wie Biomedizin, Sozialwissenschaften und Psychologie der Einsatz transparenter Praktiken weiterhin gering ist. Diese Situation gilt auch für epidemiologische Studien, wo Herausforderungen in Bezug auf Datenschutz und Sensibilität der Daten das Teilen behindern können.
Epidemiologische Studien enthalten oft persönliche Informationen, die die Teilnehmer möglicherweise nicht breit teilen möchten. Das stellt ein Problem für Forscher dar, die ihre Ergebnisse teilen möchten, während sie die Privatsphäre ihrer Probanden respektieren.
Das Ziel der aktuellen Diskussionen und Untersuchungen ist es, die Einführung dieser Praktiken zu verbessern, insbesondere bei Analysen von Kohortendaten wie MoBa. Indem Hindernisse identifiziert und einfache Lösungen angeboten werden, können Forscher zu transparenteren Methoden geleitet werden.
Bewertung der Transparenz in MoBa-Studien
Um den Stand transparenter Praktiken in der MoBa-Studie besser zu verstehen, haben Forscher verschiedene veröffentlichte Artikel analysiert, die die Daten verwendeten. Sie suchten nach Praktiken, die als die besten für offene Forschung gelten, wie die Preregistrierung von Analysen, das Teilen von Daten und das Bereitstellen detaillierter Beschreibungen der Methoden.
Die Ergebnisse zeigten ein gemischtes Bild. Weniger als 1% der untersuchten Artikel berichteten von der Preregistrierung ihrer Analysen, was überraschend ist, wenn man bedenkt, wie nützlich diese Praxis sein kann. Darüber hinaus war das Teilen zusätzlicher Daten oder Analyseprotokolle ebenfalls sehr gering. Positiver war der Trend in neueren Publikationen, der zeigt, dass Forscher beginnen, die Bedeutung dieser Praktiken zu erkennen.
Bei der Prüfung von Robustheitschecks – Tests, die helfen, zu bestätigen, ob die Ergebnisse unter verschiedenen Annahmen standhalten – beinhaltete etwa ein Drittel der Artikel irgendeine Form der Sensitivitätsanalyse. Das ist ein gutes Zeichen, da es zeigt, dass Forscher beginnen, ihre Schlussfolgerungen sorgfältig zu bewerten.
Wissenschaft transparenter machen
Um Forschern zu helfen, ihre Praktiken zu verbessern, können klare Beispiele und Vorlagen von unschätzbarem Wert sein. Ein hypothetisches Beispiel kann zeigen, wie ein Forscher eine Analyse transparent durchführen und berichten könnte. In diesem Fall könnten Forscher, die die Auswirkungen von Alter und Stilldauer auf die Körpergrösse von Kindern untersuchen wollen, ihre Pläne im Voraus skizzieren, einschliesslich der Schlüsselfaktoren, die sie analysieren würden.
Während der Analyse, falls die Daten von den Erwartungen abweichen, könnten sie alle Änderungen ihres Ansatzes dokumentieren und damit die Transparenz wahren. Sie würden jede Abweichung in einer klaren Tabelle festhalten, die ihren Denkprozess und ihre Entscheidungen zeigt. Solche Details können sicherstellen, dass andere Forscher folgen und die Ergebnisse gegebenenfalls replizieren können.
Um diese emotionalen Momente anzugehen, könnten Forscher ihren analytischen Code in organisierter Form teilen, möglicherweise mithilfe von Online-Plattformen, um einen einfachen Zugang zu gewährleisten. Eine Readme-Datei kann helfen, die Benutzer durch die verschiedenen Dokumente zu führen und Klarheit darüber zu bieten, was jedes Teil macht.
Da das Teilen originaler Daten aus MoBa aufgrund von Datenschutzbedenken eingeschränkt ist, könnten Forscher alternativ synthetische Daten erstellen. Das bedeutet, dass sie Daten generieren, die die statistischen Eigenschaften der Originaldaten nachahmen, aber keine identifizierbaren Informationen enthalten. So könnten sie ihre Arbeit teilen, ohne die Vertraulichkeit der Teilnehmer zu gefährden.
Die Vorteile transparenter Praktiken
Durch die Annahme offener und transparenter Praktiken können Forscher die Glaubwürdigkeit ihrer Arbeit steigern und sicherstellen, dass ihre Ergebnisse vertrauenswürdig und überprüfbar sind. Das ist besonders entscheidend in Bereichen wie der Epidemiologie, in denen Schlussfolgerungen erhebliche Auswirkungen auf Entscheidungen und Politiken im Bereich der öffentlichen Gesundheit haben können.
Transparenz hilft auch Forschern bei der Zusammenarbeit, was zu einem schnelleren und innovativeren Forschungsprozess führt. Wenn jeder Zugang zu den gleichen Ressourcen und Methoden hat, wächst das kollektive Wissen, und Lösungen für Gesundheitsprobleme können schneller gefunden werden.
In der grossen Perspektive zielt die epidemiologische Forschung darauf ab, die Gesundheitsergebnisse für Einzelpersonen und Gemeinschaften zu verbessern. Wenn Forscher ihre Ergebnisse klar und transparent kommunizieren, entsteht eine Brücke zwischen Forschung und praktischer Anwendung, die letztlich Patienten und ihren Familien zugutekommt.
Herausforderungen und Ausblick
Obwohl der Weg zu mehr Transparenz ermutigend ist, ist es wichtig, die anhaltenden Herausforderungen zu erkennen. Fragen wie Datenschutz, die Komplexität der Daten und die unterschiedliche Annahme von Praktiken in verschiedenen Disziplinen können den Fortschritt verlangsamen.
Um die Bewegung hin zur Transparenz weiter zu unterstützen, müssen Interessengruppen wie Universitäten, Förderagenturen und wissenschaftliche Zeitschriften in die Infrastruktur investieren, die diese Praktiken fördert. Dazu könnte gehören, Forschern Schulungen anzubieten, wie sie ihre Arbeiten preregistrieren oder transparente Sharing-Praktiken entwickeln können.
Indem Transparenz gefördert wird, sei es durch Fördermöglichkeiten oder redaktionelle Richtlinien, kann die wissenschaftliche Gemeinschaft die Bedeutung dieser Praktiken verstärken. Es ist wichtig, das Gespräch am Laufen zu halten, um sicherzustellen, dass die Botschaft klar bleibt: Transparente Forschung kommt langfristig allen zugute.
Ausblick
Während wir den Stand der epidemiologischen Forschung weiter bewerten, sehen wir vielversprechende Anzeichen des Wandels. Das wachsende Bewusstsein für die Bedeutung transparenter Praktiken zeigt sich in den steigenden Annahmeraten. Während noch viele Barrieren existieren, können kollektive Anstrengungen den Weg für eine offenere und glaubwürdigere Forschungsumgebung ebnen.
Wenn Forscher voranschreiten, hofft man, dass Transparenz die Norm und nicht die Ausnahme wird. Durch die Annahme dieser besten Praktiken können sie erhebliche Beiträge zur Verbesserung der öffentlichen Gesundheit und zur Verbesserung des Lebens leisten.
Zusammenfassend lässt sich sagen, dass transparente Praktiken in der epidemiologischen Forschung zwar noch in den Kinderschuhen stecken, aber mit Engagement und Einsatz das Potenzial haben, die Art und Weise, wie wir Gesundheit und Krankheit studieren, zu transformieren. Jetzt müssen wir nur noch transparent herausfinden, warum die Leute immer vergessen, wo sie ihre Autos geparkt haben!
Originalquelle
Titel: Transparency in epidemiological analyses of cohort data - A case study of the Norwegian Mother, Father, and Child cohort study (MoBa)
Zusammenfassung: BackgroundEpidemiological research is central to our understanding of health and disease. Secondary analysis of cohort data is an important tool in epidemiological research, but is vulnerable to practices that can reduce the validity and robustness of results. As such, adopting measures to increase the transparency and reproducibility of secondary data analysis is paramount to ensuring the robustness and usefulness of findings. The uptake of such practices has not yet been systematically assessed. MethodsUsing the Norwegian Mother, Father and Child Cohort study (MoBa; Magnus et al., 2006, 2016) as a case study, we assessed the prevalence of the following reproducible practices in publications between 2007-2023: preregistering secondary analyses, sharing of synthetic data, additional materials, and analysis scripts, conducting robustness checks, directly replicating previously published studies, declaring conflicts of interest and publishing publicly available versions of the paper. ResultsPreregistering secondary data analysis was only found in 0.4% of articles. No articles used synthetic data sets. Sharing practices of additional data (2.3%), additional materials (3.4%) and analysis scripts (4.2%) were rare. Several practices, including data and analysis sharing, preregistration and robustness checks became more frequent over time. Based on these assessments, we present a practical example for how researchers might improve transparency and reproducibility of their research. ConclusionsThe present assessment demonstrates that some reproducible practices are more common than others, with some practices being virtually absent. In line with a broader shift towards open science, we observed an increasing use of reproducible research practices in recent years. Nonetheless, the large amount of analytical flexibility offered by cohorts such as MoBa places additional responsibility on researchers to adopt such practices with urgency, to both ensure the robustness of their findings and earn the confidence of those using them. A particular focus in future efforts should be put on practices that help mitigating bias due to researcher degrees of freedom - namely, preregistration, transparent sharing of analysis scripts, and robustness checks. We demonstrate by example that challenges in implementing reproducible research practices in analysis of secondary cohort data - even including those associated with data sharing - can be meaningfully overcome.
Autoren: Timo Roettger, Adrian Dahl Askelund, Viktoria Birkenæs, Ludvig Daae Bjørndal, Agata Bochynska, Bernt Damian Glaser, Tamara Kalandadze, Max Korbmacher, Ivana Malovic, Julien Mayor, Pravesh Parekh, Daniel S. Quintana, Laurie J. Hannigan
Letzte Aktualisierung: 2024-12-06 00:00:00
Sprache: English
Quell-URL: https://www.medrxiv.org/content/10.1101/2024.12.05.24318481
Quell-PDF: https://www.medrxiv.org/content/10.1101/2024.12.05.24318481.full.pdf
Lizenz: https://creativecommons.org/licenses/by-nc/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an medrxiv für die Nutzung seiner Open-Access-Interoperabilität.