2019: Liefern Kausalmodelle Belege für kausale Zusammenhänge?

Diskussion über Methoden der kausalen Inferenz

Wenn es um systematische Übersichten geht, wird immer wieder angeregt, auch nicht randomisierte Studien einzuschließen. In solchen Studien spielen aber Confounder und andere Bias-Quellen eine größere Rolle als bei randomisierten kontrollierten Studien (RCT). Um sie angemessen zu berücksichtigen, hat die epidemiologische Forschung Methoden zur kausalen Inferenz entwickelt, zum Beispiel Propensity Scores.

Stellenwert, Stärken und Schwächen

Vor diesem Hintergrund erscheint eine intensive Auseinandersetzung mit dem Stellenwert, den Stärken und den Schwächen von Kausalmodellen geboten. Lassen sich Kausalmodelle in der Nutzenbewertung anwenden, und welche Probleme treten dabei auf? Wie unterscheiden sich verschiedene Ansätze der kausalen Interferenz, etwa im Hinblick auf die Minimierung von Bias? Führen randomisierte und nicht randomisierte Studien (etwa Kohortenstudien) bei derselben Fragestellung zu unterschiedlichen Ergebnissen? Können in klinischen Studien geschätzte Estimands überhaupt kausal interpretiert werden? Und was leisten sie außerhalb der Nutzenbewertung – etwa in der Arzneimittelzulassung oder bei der Aufklärung von Wirkungsmechanismen?

Die nunmehr zum elften Mal stattgefundene Veranstaltung „IQWiG im Dialog“ brachte am 21. Juni 2019 Expertinnen und Experten aus unterschiedlichen Bereichen zusammen, etwa aus der universitären Forschung und der Industrie.

Auch in den aktuellen Diskussionen um Big Data und Real World Data tauchen solche Verfahren auf. Bei der Einführung von Estimands (siehe IQWiG im Dialog 2018) wird das Potenzial von Kausalmodellen ebenfalls gerne herausgestellt. Denn bei einigen der neuen Estimand-Strategien lassen sich die traditionellen Schätzmethoden der klinischen Forschung nicht mehr anwenden.