Оглавление
Patrick Brzoska. Epidemiologie für Dummies
Schummelseite. WOMIT WIR WAS BEZEICHNEN
VOM BRUCH ZUR RATE
BEISPIELE UND SONDERFÄLLE VON RATEN
MASSZAHLEN
STUDIENTYPEN
Über die Autoren
Zur zweiten Auflage
Zur dritten Auflage
Zur vierten Auflage
Inhaltsverzeichnis
Tabellenverzeichnis
Illustrationsverzeichnis
Orientierungspunkte
Seitenliste
Einführung
Über dieses Buch
Was Sie nicht lesen müssen
Konventionen in diesem Buch
Törichte Annahmen über den Leser
Wie dieses Buch aufgebaut ist
Teil I: Epidemiologen sind Gesundheitsdetektive
Teil II: Werkzeuge zum Messen und Vergleichen
Teil III: Die Architektur der Epidemiologie
Teil IV: Studien durchführen und Fallstricke vermeiden
Teil V: Anwendungen der Epidemiologie
Teil VI: Der Top-Ten-Teil
Anhang
Symbole, die in diesem Buch verwendet werden
Wie es weitergeht
Epidemiologen sind Gesundheitsdetektive
Epidemiologen bei der Arbeit
Was Epidemiologen tun
Arbeitskleidung: gelber Schutzanzug
Gesund dank besserer Medizin?
Gesundheitsrisiken heute
Warum Epidemiologen die Raucher brauchen
Herzinfarkt – woher wir die Risikofaktoren kennen
Manager oder Revolutionär?
Vitamine einwerfen und gesund bleiben?
Eine Definition von Epidemiologie
Epidemiologie, Kommunikation und Politik
Sie haben ein Recht auf Information
Wir haben ein Sprachrohr
Wir schauen uns selbst auf die Finger
Wie und warum wir Epidemiologen wurden
Epidemiologen geht es um Gesundheit
Epidemiologen sind vielseitig interessiert
Epidemiologen denken kritisch
Epidemiologen entwickeln Studiendesigns
Epidemiologen handeln
Epidemiologen träumen von Gerechtigkeit
Epidemiologen sind Detektive
Auf den Schultern von Giganten
Risiken sind nicht zufällig verteilt
Verstädterung, Globalisierung, Seuchen
Wiege der Epidemiologie: London im 19. Jahrhundert
Cholera in London
Die Miasma-Theorie
Gesundheitsberichterstattung
William Farr (1807 bis 1883)
Epidemiologischer Detektiv – Dr. John Snow
Beobachten im Lichte bestehender Theorien
Hypothesenbildung
Datenerhebung
Die drei epidemiologischen Fragen: Wer? Wann? Wo?
Wer verstarb an Cholera?
Wo traten die Choleratodesfälle auf?
Wann traten die Choleratodesfälle auf?
Schlussfolgerung und Interventionen
Politiker lernen am Londoner Beispiel – oder auch nicht
Alles olle Kamellen?
Im Falle eines Falles
Epidemiologische »Fälle«
Fälle präzise beschreiben
Von Todesursachen und Totenscheinen
Feststellen der Todesursache
Qualität der Todesursachenzuschreibung
Lebt Elvis? Wir Epidemiologen wissen mehr
ICD-10: Ordnung muss sein
Es lebt sich gefährlich in einem Krimi!
Die zehn häufigsten Todesursachen in Deutschland
Krankheitsregister
Der natürliche Krankheitsverlauf
Klinische Register – Daten zur Behandlung
Epidemiologische Register – Daten zur Häufigkeit
Herzinfarktregister
Bevölkerungsbezogene Krebsregister
Stets im Mittelpunkt: die Bevölkerung
Epidemiologen schauen auf Bevölkerungen
Kleine Demografie für Epidemiologen
Wie viele sind wir? Größe der Bevölkerung
Wie viele Menschen sind wir auf der Welt?
Wer steht auf meinem Fuß? Bevölkerungsdichte
Zählen von Anfang an: Geburten
Was ist die »reproduktive Leistung«?
Und was ist eine »rohe Geburtenrate«?
Zählen bis zum bitteren Ende: Sterbefälle
Woher, wohin: Wanderungsbewegungen
Die demografische Formel
Der neugierige Staat: Volkszählungen
Veraltete Bevölkerungszahlen sind nicht verlässlich
Bevölkerungsstruktur: die Bevölkerungspyramide
Idealtypische Bevölkerungspyramiden
Real existierende Bevölkerungspyramiden
Lebenserwartung in Deutschland
Bevölkerungsentwicklung und gesellschaftliche Situation
Alterung der Bevölkerung
Zunahme der Demenzerkrankungen
Zuwanderung nach Deutschland
Arbeitsmigration nach Deutschland
Geburtenrückgang nach der Wende
Ost-West-Wanderung und ihre Folgen
Wo sind die indischen jungen Frauen geblieben?
Was schließen wir aus alledem?
Werkzeuge zum Messen und Vergleichen
Größen und Veränderungen messen
Absolute Zahl und Prävalenz
Ein Tag im Gesundheitsamt (I)
Absolute Zahl
Prävalenz
Ein Tag im Gesundheitsamt (II)
Auf den (Zeit-)Punkt gebracht – die Punktprävalenz
Ein Tag im Gesundheitsamt (III)
Ohne Zeit geht nichts – Inzidenzen
Kumulative Inzidenz (Inzidenzrisiko)
Ein Tag im Gesundheitsamt (IV)
Inzidenzrate (I) – Basis mittlere Bevölkerung
Inzidenzrate (II): Inzidenzdichte – Basis Personenzeit
Personenzeit und Inzidenzdichte berechnen
Kumulative Inzidenz oder Inzidenzdichte?
Welches Häufigkeitsmaß benötigen Sie in der Praxis?
Weitere Inzidenzmaße: Mortalität und Letalität
»Wer früher stirbt, ist länger tot«
Mortalitätsrate
Letalität
Zusammenhang zwischen Inzidenz und Prävalenz
Weder Fisch noch Fleisch: Periodenprävalenz
Risiko und Risikodifferenz
Vergleiche anstellen
Kein Vergleich – keine Beurteilung
Für alle Fälle – die Vier-Felder-Tafel
Randsummen der Vier-Felder-Tafel
Anwendung in der Praxis
Relatives Risiko – ein Risiko kommt selten allein
Kalte und warme Klassenzimmer
Interpretation des Relativen Risikos
Vier-Felder-Tafel – die neue Übersichtlichkeit
Relatives Risiko und absolute Zahl
Wo Sie keine Relativen Risiken berechnen können
Odds Ratio – wie hoch ist die Chance?
Grippaler Infekt oder gesund
Wievielmal so hoch ist die Chance, krank zu werden?
Odds Ratios interpretieren
Attributables Risiko
Attributables Risiko berechnen (I)
Attributables Risiko berechnen (II)
Population Attributable Risk
Auswirkung einer Exposition auf die Bevölkerung
Population Attributable Risk berechnen (I)
Population Attributable Risk berechnen (II)
So werden Daten vergleichbar: Stratifizieren und Standardisieren
Stratifizierung – die Kleinen nach vorn, die Großen nach hinten
Standardisierung – der einheitliche Bevölkerungsaufbau
Direkte Altersstandardisierung – von den Raten zur Standardbevölkerung
Indirekte Altersstandardisierung – von der Standardbevölkerung zu den Raten
Aufregung im Gesundheitsamt …
… und Entwarnung für den Bürgermeister
Fallstricke bei der Standardisierung
Standardbevölkerungen
Wie sag ich's richtig? Beschreibende Statistik
Von Variablen und ihren Werten
Was ich Ihnen sagen möchte: Antwortmöglichkeiten
Antworten in Kategorien
Antworten in Zahlen
Skalen: Haben Ihre Antworten Niveau?
Nominal skaliert – blaue oder braune Augen
Ordinal skaliert – gut, besser, am besten
Metrisch skaliert – 10 Grad wärmer oder doppelt so alt
Transformation von Variablen – es gibt kein Zurück
Sprechen wir Epidemiologisch oder Statistisch?
Deskriptive Statistik – Daten zusammenfassen
Die goldene Mitte: Maße der zentralen Tendenz
Genau im Durchschnitt: Mittelwert
Von Ausreißern unbeeindruckt: Medianwert
Streuungsmaße: Wie groß sind die Unterschiede?
Spannweite: Vom höchsten zum niedrigsten Wert
Quartilabstand: Liste der Messwerte vierteilen
Mit Schachtel und Schnurrbart: Boxplots
Varianz: Abweichungen zum Quadrat
Standardabweichung: Quadratwurzel aus der Varianz
Alles im grünen Bereich? Die Normalverteilung
Schwellenwerte festlegen
Schiefe Verteilungen und was daraus folgt
Einkommensverteilung bei Deutschen und bei türkischen Migranten 2002
Die Architektur der Epidemiologie
Alles nur im Hier und Jetzt: Querschnittstudien
Was läuft hier quer?
Querschnittstudien sind Momentaufnahmen
Wie kurz ist ein »Zeitpunkt«?
Wer macht mit? Und wie viele?
Was haben Meinungsforschung und Mikrozensus gemeinsam?
Was Sie mit Querschnittstudien messen können
Hochspannung in Deutschland: Macht Elektrosmog krank?
Die Ausschreibung des Auftraggebers
Vorüberlegungen zum Studiendesign
Die Entscheidung zur Querschnittstudie
Was war zuerst da – die Henne oder das Ei?
Grenzen des Querschnittdesigns
Die Gefahr von Fehlschlüssen
Was kommt dabei heraus?
Stärke der Assoziation: Odds Ratio
Ein Marsch Gesunder durch die Zeit: Kohortenstudien
Blick nach vorn: Wer wird krank?
Der Klassiker: Rauchen und Lungenkrebs
Wann eine Kohortenstudie sinnvoll ist
Was Sie in Kohortenstudien messen können
Rekrutieren der Studienbevölkerung
Auswahl aus der Allgemeinbevölkerung
Sie läuft und läuft und läuft … : Die »Framingham Heart Study«
Auswahl aus besonderen Bevölkerungen
Frauengesundheit: Die »Nurses' Health Study« und die »Pille«
Auswahl bei Berufskohorten
Interne Vergleichsgruppe
Externe Vergleichsgruppe
Mehrere Vergleichsgruppen
Auf die richtige Größe kommt es an
Groß, größer, NAKO Gesundheitsstudie
Wie komme ich an Informationen?
Informationsquellen zum Expositionsstatus
Expositionsmessung: Je genauer, desto besser
»European Prospective Investigation into Cancer and Nutrition« (EPIC)
Informationen zum Outcome
Mal sehen, was die Zukunft bringt: Follow-up
Wie lange muss das Follow-up laufen?
Offene und geschlossene Kohorten
Mehrere Befragungszeitpunkte
Wenn Ihnen Studienteilnehmer abhanden kommen …
Vor- und Nachteile des Kohortendesigns
Zurück in die Zukunft? Historische Kohorten
Und wie steht es nun um die Meerschweinchen?
Die Vergangenheit von Kranken und Gesunden: Fall-Kontroll-Studien
Kommt mir mein Handy zu nahe?
Wie häufig sind Hirntumoren?
Wie schnell entstehen Hirntumoren?
Warum Fall-Kontroll-Studie statt Kohortenstudie?
Welche Expositionen müssen Sie erfragen?
Welches Studiendesign ist passend?
Das Design von Fall-Kontroll-Studien
Wie wird man ein »Fall«?
Auf der Suche nach den Fällen
Fälle für die Handy-Studie
Fälle sammeln – repräsentativ oder selektiv?
Am besten nur inzidente Fälle
Kontrollen auswählen: die Passenden ins Töpfchen
Woher nehmen? Quellen für Kontrollen
Bevölkerungskontrollen
Nachbarschaftskontrollen
Freunde als Kontrollen
Hospitalisierte Kontrollen (Krankenhauskontrollen)
Kontrollen für die Handy-Studie
Viel hilft viel? Mehrere Kontrollen pro Fall
Expositionen messen
Erinnern Sie sich noch?
Expositionsmessung in der Handy-Studie
Fälle erinnern sich anders als Kontrollen
Paarungen: passende Kontrollen zu den Fällen
Individuelles Matching
Gruppenmatching
Vor- und Nachteile des Fall-Kontroll-Designs
Was Sie in Fall-Kontroll-Studien messen können
Auswertung bei einem nicht gematchten Design
Odds Ratios sind flippig …
Auswertung von individuell gematchten Paaren
Zu guter Letzt: eingebettete Fall-Kontroll-Studie
Munter weiterplaudern? Ergebnisse der Handy-Studie
Der Zufall als Helfer: randomisierte kontrollierte Studien
Warum randomisierte kontrollierte Studien?
Wirksamkeitsprüfung: erste Überlegungen
Wissenschaftliche Evidenz oder Erfahrungswissen?
Angemessenes Design für Wirksamkeitsprüfungen
Verzerrungen vermeiden
Randomisierung
Reiner Zufall! Richtig randomisieren
Cluster-Randomisierung
Wirklich Zufall? Fehler beim Randomisieren
Compliance – immer bei der Stange bleiben
Folgen von Non-Compliance
Datenanalyse: Wunsch oder Wirklichkeit?
Verblindung – keiner weiß was
Ein- und Ausschlusskriterien
Ein Ausflug in die Geschichte der experimentellen Studien
Klinische Studien – Therapie top oder flop?
Arzneimittelzulassungsbehörden
Phase 1: pharmakologische Studien
Phase 2: therapeutisch-exploratorische Studien
Wirkstoff TGN1412
Phase 3: therapeutisch-konfirmatorische Studien
Maßzahlen in klinischen Studien
Absolute Risiken
Relative Risikoreduktion
Absolute Risikoreduktion
Number Needed to Treat
Number Needed to Harm
Klinische Studie zur Wirksamkeit eines Cholesterinhemmers
Wenn Zweifel bleiben …
Phase-4-Studien
Therapie-Optimierungsprüfungen
Anwendungsbeobachtungen
Heiter durchs Leben – fiktive Pressemitteilung einer fiktiven Pharmafirma
Ethisch vertretbar?
Aufklärung und Zustimmung
Kontrollgruppe und Placebo
Größe der Studie und vorzeitiger Abbruch
Auswahlkriterien für Studienteilnehmer
Goldene Standards aus armen Ländern?
Alles offengelegt?
Weisheit aus vielen Studien: Meta-Analysen
Ganz ohne Individualdaten: ökologische Studien
Individualdaten oder aggregierte Daten?
Studiendesigns mit Individualdaten
Arbeiten mit aggregierten Daten
Wie die ökologischen Studien zu ihrem Namen kommen
Korrelation: Maß für die Stärke der Beziehung
Korrelationskoeffizienten interpretieren
Nutzen von ökologischen Studien
Unterschiedliche Arten von ökologischen Studien
Daten für ökologische Studien
Wenn der ökologische Schein trügt
Die »Entdeckung« des ökologischen Trugschlusses
Klassische ökologische Studie: Selbstmord und Religion
Datenqualität – kritische Nachfragen erwünscht
Ökologische Studien: besser als ihr Ruf
Studien durchführen und Fallstricke vermeiden
Epidemiologische Studien durchführen
Das Thema finden und die Studie planen
Ein passendes Projekt – die Stecknadel im Heuhaufen?
Die Forschungsfrage entwickeln und präzisieren
Die erforderlichen Erhebungsinstrumente festlegen
Die Studienbevölkerung bestimmen
Den passenden Studientyp auswählen
Literaturrecherche – aktuell oder Schnee von gestern?
Studienplan erstellen – bis ins kleinste Detail
Technische Aspekte beschreiben
Verzerrungen erkennen und vermindern
Variablen und Datenquellen festlegen
Stichprobenumfang abschätzen und Analyseplan erstellen
Struktur des Datensatzes festlegen
Operationshandbuch: Alle ziehen an einem Strang
Erhebungsinstrumente: Das Rad nicht neu erfinden
Ethik – von der Aufklärung zur Einwilligung
Datenschutz – meine Daten gehören mir
Skandinavien: Paradies für Epidemiologen
Antrag einreichen
Die Studie durchführen – ab ins Feld
Pilotstudie – letzte Möglichkeit für Änderungen
Feldarbeit – die Zeit läuft
Wenn jeder Interviewer fragt, wie er will …
Daten eingeben und prüfen
Datenaufbereitung und Datenauswertung
Projektbericht und Publikation – was gibt's Neues?
Verzerrtes Bild der Wirklichkeit?
Keine Wissenschaft ohne Fehler (leider)
Zufällige Fehler: heute so, morgen so
Systematische Fehler: immer gleich falsch
Die falsche Bevölkerung ausgewählt: Selektionsbias
Fehler bei der Auswahl führen zu falschen Schlüssen
Antwort verweigert: Nonresponse-Bias
Nehmt lieber mich: Freiwilligen-Bias
Für immer verschwunden: Ausfälle
Verzerrung der besonderen Art: Publikationsbias
Informationsbias – oder: missklassifizierte Menschen
Exposition oder Outcome falsch erfasst?
Nicht-differenzielle Missklassifikation: alle Gruppen betroffen
Da steckt System dahinter: differenzielle Missklassifikation
Confounding – oder: Leben auf großem Fuße
Schuhgröße und Einkommen: die Schuh-Studie
Confounding heißt Verschleierung
Der Umgang mit Confounding
Typische Confounder
Zwischenstufen sind keine Confounder
Effektmodifikation
Jetzt kommt's ganz dicke: mehrere Fehler
Ursachen und Wirkungen
Epidemiologen wollen Ursachen finden
Die Sache mit den kleinen Babys
Lineare Regression
Macht fernsehen dick?
Von Kometen und anderen Unglücksbringern
Ist Kaffee krebserregend?
Wer war König Knut?
Erfolgsmessung in der Deutschen Herz-Kreislauf-Präventionsstudie
Warum leiden nicht alle Menschen an Tuberkulose?
Kriterien für Kausalität
Stärke der Beziehung
Konsistenz der Beziehung
Spezifität des Effekts
Zeitliche Sequenz
Dosis-Wirkung-Beziehung
Biologische Plausibilität und Kohärenz
Verrückte Kühe oder die Sache mit den Prionen
Experimentelle Evidenz
Kausales Denken im Überblick
Spielt uns der Zufall einen Streich? Schließende Statistik
Warum wir Sie mit schließender Statistik quälen
Kommen in Deutschland nur noch Mädchen zur Welt?
Von der Stichprobe zur Bevölkerung
Auf den Punkt gebracht – der Punktschätzer
Präzision von Schätzungen
Zufall oder doch nicht? Statistisches Testen
Nullhypothese: in Wirklichkeit kein Unterschied
Ganze oder halbe Wirklichkeit? Zweiseitige und einseitige Hypothesen
Der p-Wert – je größer, desto zufälliger
Für Statistiker und Statistikklausuren streng verboten: Schummelkasten
Signifikanzniveau – dem Zufall eine Grenze setzen
Statistik im Paradies: Das Problem des multiplen Testens
p-Wert und Nullhypothese – eine enge Beziehung
Konfidenzintervalle – der Bereich Ihres Vertrauens
Fehlertypen: falscher Alarm oder Aufdeckung verpasst
Power – die Macht eines statistischen Tests
Wie groß muss eine Studie sein?
Statistische Modelle und die Wirklichkeit
Beispiel: Bluthochdruck und Herzinfarkt
Beispiel: Übergewicht und Sterblichkeit
Mehrere mögliche Risikofaktoren: Was tun?
Anwendungen der Epidemiologie
Die großen Seuchen: Infektionsepidemiologie
Seuchen in Europa: Vergangenheit und Zukunft
Eine Seuche umrundet die Welt
Viren: Lebewesen oder chemische Kopiermaschinen?
Vorbereitungen für die nächste Pandemie
Vom Erreger zur Epidemie: Grundlagen
Was sind Infektionskrankheiten?
Schweinegrippe, Vogelgrippe, Supergrippe?
Wie werden Krankheitserreger übertragen?
Grundbegriffe der Infektionsepidemiologie
Impfen: Schutz aus der Spritze
Falschinformationen zu Impfungen
Wie sich Epidemien ausbreiten
Wenn keiner immun ist: Basisreproduktionszahl
Nicht alle sind empfänglich: Nettoreproduktionszahl
Die Sicherheit der Gruppe: Herdenimmunität
Ausbreitungsverlauf beschreiben: epidemische Kurve
Epidemische Kurve oder kumulative Fallzahl?
Modellieren: Vorhersagen über die Zukunft
Ausbrüche früh erkennen: Surveillance
Datenquellen
Meldepflicht: auftretende Krankheiten berichten
Geeignete Maße berichten
Daten aufbereiten und übermitteln
Grenzen der Surveillance
Das Internet als Immunsystem für die ganze Welt?
Können Epidemiologen Seuchen besiegen?
Wie enden Pandemien?
Pocken: eine Erfolgsgeschichte
Kinderlähmung ausrotten?
Schluckimpfung ist süß – Kinderlähmung ist grausam
Im Labor der Bioterroristen
Armut macht Epidemien – Cholera in Simbabwe
Krankheitsausbrüche epidemiologisch untersuchen
Vorgehen bei einem Ausbruch
Beschreibende (deskriptive) Epidemiologie
Den Ausbruch bestätigen
Hintergrund recherchieren
Falldefinition erarbeiten
Alle Erkrankten erfassen
Die drei epidemiologischen Fragen beantworten
Schließende (analytische) Epidemiologie
Epidemische Gehirnhautentzündung in Afrika
Tansania: Mehr als Serengeti und Kilimandscharo
Dramatische Ereignisse in Mchanje
Deskriptive Untersuchung
Aufklärung mittels einer Fall-Kontroll-Studie
Fälle
Kontrollen
Exposition
Datenanalyse
Fußball ist also doch gefährlich?
Alternativhypothesen bedenken
Sozialepidemiologie: lieber reich und gesund als arm und krank
Der Traum von der Gleichheit der Menschen
Versuche, die Welt zu verbessern
Erste Schritte der Sozialepidemiologie
William Farrs Untersuchung der Kindersterblichkeit in England
Wie misst man soziale Ungleichheit?
Die Whitehall-Studie
Wie alles begann
Was dabei herauskam
Sir Michael Marmot (geboren 1945)
Ungleichheit in England: Der »Black Report«
Sir Douglas Black (1913 bis 2002)
Die Folgen des »Black Report«
Gesundheitliche Ungleichheit in Deutschland
Wie soziale Ungleichheit krank macht
Das Erklärungsmodell von Andreas Mielck
Kritik an Andreas Mielcks Erklärungsmodell
Sozialepidemiologie: vergleichen und Handeln
Lernen aus Vergleichen zwischen Ländern
Neue Wege zum Handeln: ökosoziale Epidemiologie
Kritik am ökosozialen Konzept
Rudolf Virchow (1821 bis 1902)
Die beste aller Welten?
Erfolge messen
Gesundheitsprogramme – mein Rücken zwickt
Der Handlungskreis in Public Health
Warum Gesundheitsprogramme evaluieren?
Sir Archibald Leman Cochrane (1909 bis 1988)
Idealbedingungen oder wahres Leben?
Effektivität von Gesundheitsprogrammen messen
Evaluation – die Mühen der Ebenen
Strukturevaluation
Prozessevaluation
Ergebnisevaluation
Ziele formulieren – hat es Ihnen geholfen?
Surrogatgrößen – Ersatzziele führen in die Irre
Ein starker Rücken …
… oder ein starkes Immunsystem?
Studiendesigns mit Kontrollgruppe
Experimentelle Designs
Individuelle Randomisierung
Individuelle Randomisierung: Prävention des Typ-2-Diabetes
Cluster-Randomisierung
Ähnlichkeiten innerhalb und zwischen Clustern
Cluster-Randomisierung: Sturzrisiko in Alten- und Pflegeheimen
Quasi-experimentelles Design
Die Deutsche Herz-Kreislauf-Präventionsstudie
Evaluation ohne Kontrollgruppe
Zeitliche Entwicklungen beurteilen
Grenzen von Vergleichen ohne Kontrollgruppe
Screening: dem Risiko ins Auge schauen
Sinn des Screenings: Krankheiten früh erkennen
Epidemiologen beurteilen die Wirksamkeit
Ärzte diagnostizieren und behandeln
Geeigneter Schnelltest gesucht
Darmkrebs
Eigenschaften von Tests
Ein Gedankenexperiment
Vier mögliche Kombinationen
Maße für die Eigenschaften eines Tests
HIV-Testen mit Fidel Castro
Kann denn Fidel irren?
Fatale Folgen falscher Ideen
Screening – Nutzen und Schaden
Nicht perfekter Schnelltest im Alltag
Darmkrebs-Screening: detaillierte Bilanz
Es zählt nur die Gesamtbilanz
Bewertung von Screening-Programmen
Verzerrte Wirklichkeit
Lead time bias
Length time bias
Selection bias
Graues Screening oder Screening-Programme?
Streit um Prostata-Screening
Emotionen pur
Gewinner und Verlierer beim Screening
Screening als Tausch von Risiken
Ergebnisoffen beraten
Der Top-Ten-Teil
Zehn Tipps, um Fehler in Studien zu vermeiden
Keine vorschnellen Schlüsse ziehen
Mit einer klaren Fragestellung beginnen
Geeignete Stichprobengröße wählen
Raten statt absolute Zahlen analysieren
Geeignete Vergleichsgruppe wählen
Mögliches Confounding bedenken
Enttäuschende Ergebnisse nicht verschweigen
Ergebnisse klar kommunizieren
Mit den Medien umgehen lernen
Risiken realistisch einschätzen
Die zehn besten Datenquellen
Bevölkerungsstatistik
Wie komme ich an die Daten?
Todesursachenstatistik
Wie komme ich an die Daten?
Meldepflichtige Infektionskrankheiten
Wie komme ich an die Daten?
Bevölkerungsbezogene Krebsregister
Wie komme ich an die Daten?
Krankenhaus-Diagnosestatistik
Wie komme ich an die Daten?
Kinder- und Jugendgesundheitssurvey KiGGS
Wie komme ich an die Daten?
Telefonischer Gesundheitssurvey
Wie komme ich an die Daten?
Mikrozensus
Wie komme ich an die Daten?
Sozio-oekonomisches Panel SOEP
Wie komme ich an die Daten?
Ein Blick zu den europäischen Nachbarn
Wie komme ich an die Daten?
Wie komme ich an die Daten?
Entwicklung und Gesundheit: weltweite Daten
Soziale Ungleichheit: Human Development Index HDI
Wie komme ich an die Daten?
Mortalität und Morbidität
Wie komme ich an die Daten?
Weltweite gesundheitliche Ungleichheit
Wie komme ich an die Daten?
Das Schweizer Taschenmesser unter den Datenbanken
Wie komme ich an die Daten?
Quellen. Kapitel 1
Kapitel 2
Kapitel 3
Kapitel 4
Kapitel 5
Kapitel 6
Kapitel 7
Kapitel 8
Kapitel 9
Kapitel 10
Kapitel 11
Kapitel 12
Kapitel 13
Kapitel 14
Kapitel 15
Kapitel 16
Kapitel 17
Kapitel 18
Kapitel 19
Kapitel 20
Kapitel 21
Kapitel 22
Abbildungsverzeichnis
Stichwortverzeichnis. A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
Y
Z
WILEY END USER LICENSE AGREEMENT
