Propensity Score Matching (PSM) ist ein statistisches Verfahren, das vor allem in nicht-randomisierten Studien eingesetzt wird, um Gruppen vergleichbarer zu machen. Ziel der Methode ist es, systematische Unterschiede zwischen Behandlungs- und Vergleichsgruppen zu reduzieren und damit die Aussagekraft von Studienergebnissen zu erhöhen. Innerhalb des Bereichs Statistik und Analyse zählt Propensity Score Matching zu den wichtigsten Werkzeugen der beobachtenden Versorgungsforschung.
In idealen klinischen Studien erfolgt die Zuteilung der Teilnehmenden zu den Untersuchungsgruppen durch Randomisierung. Dadurch wird sichergestellt, dass bekannte und unbekannte Einflussfaktoren gleichmäßig verteilt sind. In vielen realen Forschungssituationen ist eine Randomisierung jedoch nicht möglich oder nicht sinnvoll, etwa bei retrospektiven Analysen, Registerstudien oder ethisch sensiblen Fragestellungen. Genau hier setzt Propensity Score Matching an.
Der sogenannte „Propensity Score“ beschreibt die Wahrscheinlichkeit, mit der eine Person eine bestimmte Behandlung erhält – basierend auf beobachtbaren Merkmalen wie Alter, Geschlecht, Krankheitsstatus oder Vorerkrankungen. Diese Wahrscheinlichkeit wird mithilfe statistischer Modelle berechnet. Anschließend werden Teilnehmende aus der Behandlungsgruppe mit Personen aus der Vergleichsgruppe gepaart, die einen ähnlichen Propensity Score aufweisen. Ziel ist es, Gruppen zu erzeugen, die sich in ihren Ausgangsmerkmalen möglichst stark ähneln.
Propensity Score Matching wird häufig in Studien eingesetzt, die dem Design einer Fall-Kontroll-Studie ähneln. Der entscheidende Unterschied besteht darin, dass beim PSM die Vergleichbarkeit der Gruppen nicht durch das Studiendesign selbst, sondern durch eine nachträgliche statistische Anpassung hergestellt wird. Dadurch lassen sich Verzerrungen reduzieren, die sonst die Interpretation der Ergebnisse erschweren würden.
Ein zentrales Ziel von Propensity Score Matching ist die Kontrolle von Bias (Verzerrungen). In nicht-randomisierten Studien können systematische Unterschiede zwischen den Gruppen dazu führen, dass beobachtete Effekte fälschlicherweise einer Behandlung zugeschrieben werden. PSM kann solche Verzerrungen abschwächen, indem bekannte Störfaktoren berücksichtigt werden. Wichtig ist jedoch: Nur Variablen, die tatsächlich gemessen und in das Modell aufgenommen werden, können ausgeglichen werden. Unbekannte oder nicht erfasste Einflussfaktoren bleiben unberücksichtigt.
Es gibt verschiedene Varianten des Propensity Score Matching, etwa das 1:1-Matching, bei dem jeweils zwei möglichst ähnliche Personen gepaart werden, oder Verfahren mit mehreren Vergleichspersonen pro Fall. Auch die Frage, wie ähnlich die Propensity Scores sein müssen, um als „Match“ zu gelten, beeinflusst die Ergebnisse. Diese methodischen Entscheidungen erfordern statistisches Fachwissen und sollten transparent dokumentiert werden.
Ein weiterer Aspekt ist der mögliche Verlust von Studienteilnehmenden. Da nicht für jede Person ein geeigneter Match gefunden werden kann, kann sich die Stichprobengröße nach dem Matching deutlich reduzieren. Das kann die statistische Aussagekraft einschränken und muss bei der Interpretation der Ergebnisse berücksichtigt werden.
Zusammenfassend ist Propensity Score Matching ein leistungsfähiges Werkzeug, um Vergleichbarkeit in nicht-randomisierten Studien zu verbessern. Es ersetzt keine Randomisierung, kann aber helfen, Verzerrungen zu reduzieren und Studienergebnisse besser einzuordnen. Voraussetzung für eine sinnvolle Anwendung ist eine sorgfältige Planung, transparente Berichterstattung und ein klares Verständnis der methodischen Grenzen.
