Download PDF
Gesundheitswesen 2014; 76(12): 874-884
DOI: 10.1055/s-0034-1387509
Fort- und Weiterbildung
© Georg Thieme Verlag KG Stuttgart · New York

Eine Einführung in Kausalitätsprinzipien in der biomedizinischen Forschung

An Introduction to Causality Principles in Biomedical Research
A. Stang
Universitätsklinikum Essen – Institut für Medizinische Informatik, Biometrie und Epidemiologie
› Author Affiliations
Further Information

Publication History

Publication Date:
19 December 2014 (online)

Also available at
    Permissions and Reprints
Kernaussagen

  1. Aus der wiederholten Beobachtung von Sequenzen kann logisch keine Kausalität gefolgert werden.

  2. Bei einem behandelten Patienten ist zur selben Zeit an selber Stelle nur eine Behandlung faktisch beobachtbar. Alle alternativen Behandlungen sind konträr zu den Fakten und führen zu einem erkenntnistheoretischen Dilemma.

  3. Die meisten gängigen Kausalitätsansätze enthalten Elemente des kontrafaktischen Denkens.

  4. Unter ceteris paribus („alles übrige gleich“) ist anzunehmen, dass die Substitutspopulation die kontrafaktische Erfahrung von Interesse widerspiegelt.

  5. Das „sufficient component cause model“ fördert das mechanistische Verständnis von Kausalität und klärt Begriffe der notwendigen und hinreichenden Bedingung bei multikausalen Ätiologien.

  6. Probabilistische Kausalität wird als statistische Relevanz definiert, bei der ein kausaler Faktor die Wahrscheinlichkeit für das Auftreten eines Ereignisses verändert.

  7. Neben individuellen sozialen Faktoren stellen aggregierte soziale Faktoren bei vielen Erkrankungen Komponenten kausaler Mechanismen dar. Diese Faktoren können auch die Rolle von Vorläufern individueller kausaler Komponenten und von Confoundern einnehmen.

  8. Die Interpretation eines kausalen Effekts ist unter anderem von der Wahl der Vergleichsintervention (Komparator) abhängig.

  9. Regelbasierte Verfahren zur Kausalität (Henle-Koch-Postulate, Bradford-Hill-Gesichtspunkte) erlauben nur einen informellen kausalen Schluss und sollten nicht dogmatisch angewendet werden.

 

  • Literatur

  • 1 Goldstein M, Goldstein IF. How do we know. An exploration of the scientific progress. New York: Da Capo Press Inc; 1978: 1-357
    Google Scholar
  • 2 Greenland S. Causation and causal inference. In: Lovric Med. International Encyclopedia of Statistical Sciences. Berlin: Springer; 2011: 216-219
    CrossrefGoogle Scholar
  • 3 Hume D. An enquiry concerning human understanding. LaSalle: Open Court Press; 1748
    CrossrefGoogle Scholar
  • 4 Stang A. [Causality and confounding in epidemiology]. Gesundheitswesen 2011; 73: 884-887
    Article in Thieme ConnectPubMedGoogle Scholar
  • 5 Baumgartner HM. Kant's „Kritik der reinen Vernunft“. 3.. Auflage. Freiburg: Karl Albert; 1991
    Google Scholar
  • 6 Godfrey-Smith P. Theory and reality: an introduction to the philosophy of science. Chicago: University of Chicago Press; 2003: 1-272
    CrossrefGoogle Scholar
  • 7 Lewis D. Causal explanation. Phil Papers 1986; 2: 214-240
    PubMedGoogle Scholar
  • 8 Rubin DB. Estimating causal effect of treatments in randomited and nonrandomized studies. J Educ Psychol 1974; 66: 688-701
    CrossrefPubMedGoogle Scholar
  • 9 Holland PW. Statistics and causal inference. J Am Stat Assoc 1986; 81: 945-960
    CrossrefPubMedGoogle Scholar
  • 10 Dawid AP. Causal inference without counterfactuals. J Am Stat Assoc 2000; 95: 407-424
    CrossrefPubMedGoogle Scholar
  • 11 Morgan SL, Winship C. Objections to features of the counterfactual model. In: Counterfactuals and causal inference. Methods and principles for social research. Cambridge: Cambridge University Press; 2007: 278-285
    CrossrefGoogle Scholar
  • 12 Rosenbaum PR, Rubin DB. The central role of the propensity score in observational studies for causal effects. Biometrika 1983; 70: 41-55
    CrossrefPubMedGoogle Scholar
  • 13 Wilbert-Lampen U, Leistner D, Greven S et al. Cardiovascular events during World Cup soccer. N Engl J Med 2008; 358: 475-483
    CrossrefPubMedGoogle Scholar
  • 14 Tam CC, Lopman BA. Determinism versus stochasticism: in support of long coffee breaks. J Epidemiol Community Health 2003; 57: 477-478
    CrossrefPubMedGoogle Scholar
  • 15 Maldonado G, Greenland S. Estimating causal effects. Int J Epidemiol 2002; 31: 422-429
    CrossrefPubMedGoogle Scholar
  • 16 Stang A. Randomized controlled trials – an indispensible part of clinical research. Dtsch Arztebl Int 2011; 108: 661-662
    PubMedGoogle Scholar
  • 17 Greenland S. Randomization, statistics, and causal inference. Epidemiology 1990; 1: 421-429
    CrossrefPubMedGoogle Scholar
  • 18 Mackie JL. Causes and conditions. Am Phil Quart 1965; 2: 245-264
    PubMedGoogle Scholar
  • 19 Rothman KJ. Causes. Am J Epidemiol 1976; 104: 587-592
    CrossrefPubMedGoogle Scholar
  • 20 Greenland S, Brumback B. An overview of relations among causal modelling methods. Int J Epidemiol 2002; 31: 1030-1037
    CrossrefPubMedGoogle Scholar
  • 21 Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3. Philadelphia: Lippincott Williams & Wilkins; 2008: 1-758
    Google Scholar
  • 22 Fagot-Largeault A. Les causes de la mort-histoire naturelle et facteurs de risque. Paris: Vrin; 1989: 1-428
    Google Scholar
  • 23 Parascandola M, Weed DL. Causation in epidemiology. J Epidemiol Community Health 2001; 55: 905-912
    CrossrefPubMedGoogle Scholar
  • 24 Fisher RA. Indeterminism and natural selection. Philosophy of Science 1934; 134: 1501-1506
    PubMedGoogle Scholar
  • 25 Mayr E. Cause and effect in biology. Science 1961; 134: 1501-1506
    CrossrefPubMedGoogle Scholar
  • 26 Cornfield J. Principles of research. Am J Ment Defic 1959; 64: 240-252
    PubMedGoogle Scholar
  • 27 Reichenbach H. The direction of time. Berkeley, Los Angeles: University of California Press; 1956
    Google Scholar
  • 28 Karhausen LR. The logic of causation in epidemiology. Scand J Soc Med 1996; 24: 8-13
    PubMedGoogle Scholar
  • 29 Probabilistic causation. Stanford Encyclopedia of Philosophy. 2010. Im Internet: http://plato.stanford.edu/entries/causation-probabilistic/ (zugegriffen am 24.7.2014)
    Google Scholar
  • 30 Lewis D. Postscripts to “causation”. In: Philosophical Papers, Volume II. Oxford: Oxford University Press; 1986: 173-213
    Google Scholar
  • 31 Cartwright N. Nature’s capacities and their measurement. Oxford: Clarendon Press; 1989
    Google Scholar
  • 32 Brennecke R. Lehrbuch Sozialmedizin. Bern: Hans Huber; 2004
    Google Scholar
  • 33 Susser M. Causal thinking in the health sciences: concepts and strategies of epidemiology. New York: Oxford University Press; 1973
    Google Scholar
  • 34 Kaufman JS. Social epidemiology. In: Rothman KJ, Greenland S, Lash TL, eds. Modern Epidemiology. Philadelphia: Lippincott Williams & Wilkins; 2008: 532-548
    Google Scholar
  • 35 Greenland S. Epidemiologic measures and policy formulation: lessons from potential outcomes. Emerg Themes Epidemiol 2005; 2: 5
    CrossrefPubMedGoogle Scholar
  • 36 Stang A, Poole C, Bender R. Common problems related to the use of number needed to treat. J Clin Epidemiol 2010; 63: 820-825
    CrossrefPubMedGoogle Scholar
  • 37 Linde K, Streng A, Jurgens S et al. Acupuncture for patients with migraine: a randomized controlled trial. JAMA 2005; 293: 2118-2125
    CrossrefPubMedGoogle Scholar
  • 38 Koch R. Über bacteriologische Forschung. Dtsch Med Wochenschr 1890; 16: 756
    PubMedGoogle Scholar
  • 39 Hill AB. The environment and disease: association or causation?. Proc R Soc Med 1965; 58: 295-300
    PubMedGoogle Scholar
  • 40 Mill JA. System of logic, ratiocinative and inductive. Being a connected view of the principles of evidence and the methods of scientific investigation. New York: Harper and Brothers; 1882
    Google Scholar
  • 41 Morabia A. Hume, Mill, Hill, and the sui generis epidemiologic approach to causal inference. Am J Epidemiol 2013; 178: 1526-1532
    CrossrefPubMedGoogle Scholar
  • 42 Greenland S. An overview of methods for causal inference from observational studies. In: Gelman A, Meng XL, eds. Applied Bayesian modeling and causal inference from incomplete-data perspectives. An essential journey with Donald Rubin's statistical family. Chichester: John Wiley; 2005: 1-13
    CrossrefGoogle Scholar
  • 43 Evans AS. Causation and disease. A chronological journey. New York: Plenum Medical Book Company; 1993: 1-238
    CrossrefGoogle Scholar
  • 44 Susser M. What is a cause and how do we know one? A grammar for pragmatic epidemiology. Am J Epidemiol 1991; 133: 635-648
    PubMedGoogle Scholar
  • 45 Greenland S. Causal inference as a prediction problem: assumptions, identification, and evidence synthesis. In: Berzuini C, Dawid AP, Bernardinelli L, eds. Causal inference: statistical perspectives and applications. New York: Wiley; 2012: 43-58
    CrossrefGoogle Scholar
  • 46 Blair A, Saracci R, Vineis P et al. Epidemiology, public health, and the rhetoric of false positives. Environ Health Perspect 2009; 117: 1809-1813
    CrossrefPubMedGoogle Scholar
  • 47 Vineis P. Viewpoint: the skeptical epidemiologist. Int J Epidemiol 2009; 38: 675-677
    CrossrefPubMedGoogle Scholar
  • 48 Ziman J. Reliable knowledge. An exploration of the grounds for belief in science. Cambridge: Cambridge University Press; 1978: 1-197
    Google Scholar
  • 49 Baumgartner M, Graßhoff G. Kausalität und kausales Schliessen. Eine Einführung mit interaktiven Übungen. Bern: Universität Bern; 2004: 1-324
    Google Scholar
  • 50 Pearl J. Causality. Models, reasoning, and inference. 2nd. edition. Cambridge: Cambridge University Press; 2009: 1-464
    CrossrefGoogle Scholar
  • 51 Firestein S. Ignorance. How it drives science. New York: Oxford University Press; 2012: 1-195
    Google Scholar