3.1. Einschlusskriterien
Die Suche in den Datenbanken erfolgte von Volkert und Kolleg:innen (2018): Es wurde nach Persönlichkeitsstörungen in der Allgemeinbevölkerung gesucht. Hierbei wurden auch Studien mit klinischen Stichproben gefunden. Diese wurden daraufhin wie folgt ausgewählt: Die Population sollte eine klinische Stichprobe psychisch kranker Erwachsener ab 18 Jahren mit Affektiven Störungen sein, welche nach ICD-10 und DSM-IV diagnostiziert wurden. Die Studien sollten in Europa, Nordamerika, Australien und Neuseeland, inklusive der Länder, die zumindest teilweilse auf dem jeweiligen Kontinent liegen, durchgeführt worden sein. Es bestand keine Untergrenze bezüglich der Stichprobengröße, allerdings der Anspruch an eine repräsentative Stichprobenziehung. In den Studien durfte eine Eingrenzung des Alters und Geschlechts vorkommen, jedoch keine weiteren Eingrenzungen bezüglich Herkunft, Ethnie, sexueller Orientierung oder anderer soziodemografischer Merkmale. Es sollten englisch- oder deutschsprachige epidemiologische Studien oder Studien, in deren Rahmen für eine repräsentative Stichprobe Prävalenzraten von PS berichtet werden, miteinbezogen werden. Die Diagnose sollte mittels standardisierter Instrumente erfolgen, allerding ohne Einschränkung bezüglich der Quelle (Selbst- vs. Fremdbeurteilung).
3.2. Suchstrategie
Es wurden von Volkert und Kolleg:innen die Datenbanken PsycINFO, Psyndex und Medline mit den Schlüssel-/Schlagworten personality disorder$".ti., "axis ii disorder$".ti., prevalence.ti., prevalence.ab." und einer Begrenzung auf den Zeitraum ab 1994 durchsucht.
3.3. Studienauswahl und Qualitätsprüfung
Für die Durchführung einer Metaanalyse ist es sinnvoll, dass alle Schritte von mindestens zwei Personen durchgeführt werden, was in dieser Arbeit in Zusammenarbeit mit Gunhild Bachmann (GB) geschah. Die Unterteilung der Studien in klinische und nichtklinische Populationen wurde vorab durch Volkert und Kolleg:innen durchgeführt.
Im ersten Schritt wurden die klinischen Studien durch Titel und Abstract von den beiden Raterinnen einzeln ausgewählt. Übereinstimmungen und Unstimmigkeiten wurden beim gemeinsamen Sichten geklärt. Wurde hierbei keine Lösung gefunden, kam Sven Rabung (SR) hinzu, um die Entscheidung mit ihm gemeinsam zu treffen.
Im nächsten Schritt wurden die Volltexte der Studien hinsichtlich der oben beschriebenen Einschlusskriterien gesichtet. Es wurde, wie im ersten Schritt, nach der Auswahl der einzelnen Raterinnen Rücksprache gehalten und bei Unstimmigkeiten SR hinzugezogen.
Aus den nun eingeschlossenen Studien wurden folgende Daten in eine Excelmaske extrahiert:
Autor:innen, Titel, Erhebungsland, Erhebungsjahr, Studienart, Art der Stichprobeerhebung, Art der Stichprobe, Ausschlusskriterien, Antwortrate, Stichprobengröße bei Erhebung, endgültige Stichprobengröße, Alter (Range), Alter (Mittelwert), Alter (Standardabweichung), Geschlecht (Prozent der weiblichen Teilnehmer), Achse I Störung, Achse I Erhebungsmethode, Achse II Störung, Achse II Erhebungsmethode, Komorbidität, genutzte Verweise, sowie die Prävalenzen (getrennt nach Achse I Störung und, wenn angegeben, nach Geschlecht).
Die Studienqualität wurde anhand der Newcastle-Ottawa Scale (NOS) (Wells et al., 2014) und einem an Rotenstein und Kolleg:innen (2016) angelehntes Punktesystem bewertet. Die Universitäten Newcastle (Australien) und Ottawa (Kanada) arbeiten fortlaufend an der NOS, welche dazu dienen soll, die Qualität nicht randomisierter Studien zu beurteilen. Die Qualität wird anhand des Designs der Studie, des Inhalts und ihrer Verständlichkeit bewertet und kann dann in die Bewertung der Ergebnisse von Metaanalysen miteinbezogen werden. Es werden drei Perspektiven beurteilt: Die Auswahl der Stichproben, Vergleichbarkeit der Gruppen und die Ermittlung des Outcomes.
In Tabelle 1 werden die Kriterien dargestellt, die jeweils mit einem oder keinem Punkt bewertet werden können. Die Summe dieser fünf Kriterien bildet den Bias-Score. Wird eine Studie mit einem Punktestand von 3 oder höher bewertet, besteht ein relativ geringes Verzerrungspotential, wird sie mit weniger als 3 Punkten bewertet, besteht ein eher hohes Verzerrungspotential.
Anschließend wurden die extrahierten Prävalenzen nach ihren Charakteristiken, Achse I und II Erhebungsmethode, Achse II Störung, sortiert. Diese neu entstandenen Datensätze bieten die Grundlage für die Metaanalyseberechnungen in R (siehe Kapitel 4.3).
Tabelle 1: NOS Kriterien (Wells et al., 2014)
Geringes
Verzerrungsrisiko unklar Hohes Verzerrungsrisiko
Stichprobenrepräsentativität Stichprobengröße Stichprobe ist größer oder
gleichgroß n = 1000 Stichprobengröße ist
nicht angegeben Stichprobe ist kleiner als n = 1000
3.4. Statistische Auswertung
Die statistische Auswertung wurde mittels R 1.4.1.0. für Mac OS 11 erstellt (Team, 2021).
Die Metanalysen wurden mit dem Package „meta“ 4-17-0 ausgeführt (Balduzzi et al., 2019). Die Egger-Tests wurden unter Verwendung des Packages „dmetar“ 0.0.9000 (Harrer et al., 2019) durchgeführt.
Die Daten zur Prävalenzgrößenberechnung wurden aus den einzelnen Artikeln herausgelesen, indem die berichteten Prävalenzen genutzt und mittels der Double Arcsine Transformation berechnet wurden (Barendregt et al., 2013). Man kann annehmen, dass die Prävalenz eine Binomialverteilung innehat, somit kann die Binomialgleichung für die Varianz verwendet werden, um die Gewichte der einzelnen Studien zu erhalten. Wenn sich die Prävalenzwerte den Konfidenzgrenzen 0 und 1 nähern, tritt das Problem auf, dass die Varianzen gegen 0 gequetscht werden und somit eine zu große Gewichtung erhalten. Bei der Double Acrsine Transformation wird sowohl das Problem der Varianzinstabilität, als auch das der Konfidenzgrenzen behoben. Denn sie hat den Vorteil, dass ihre Varianzen nur von den Stichprobengrößen abhängen und diese als gültige und feste Werte behandelt werden können (Lin
& Xu, 2020).
Da man nicht davon ausgehen kann, dass die Studien die selbe Population beinhalten, behandelt man die Daten unter der Annahme, dass es nicht nur eine wahre Effektgröße, sondern eine Verteilung der wahren Effektgrößen gibt. Das Random-Effects-Modell arbeitet unter der sogenannten Annahme der Austauschbarkeit. Das bedeutet, dass wir in Meta-Analysen mit dem Random-Effects-Modell nicht nur davon ausgehen, dass die Effekte einzelner Studien aufgrund von Stichprobenfehlern vom wahren Interventionseffekt aller Studien abweichen, sondern dass es eine weitere Quelle der Varianz gibt, die dadurch eingeführt wird, dass die Studien nicht aus einer einzigen Population stammen, sondern aus einem "Universum" von Populationen gezogen werden (Schwarzer et al., 2015).