Forest-Plot erstellen: Metaanalyse mit Heterogenität (I²) und Gesamteffekt

Herausgeber: Prof. Dr. med. Serge C. Thal · Stand: Oktober 2026

Tragen Sie die Ergebnisse Ihrer Einzelstudien ein: Ereignisse und Fallzahlen, Mittelwerte mit Standardabweichung oder fertige Effektschätzer mit Konfidenzintervall. Der Generator fasst die Studien mit der Inverse-Varianz-Methode zusammen (Fixed-Effect oder Random-Effects, optional mit Hartung-Knapp-Anpassung), berechnet Cochrans Q, Tau² und I² mit Konfidenzintervall und zeichnet den Forest-Plot mit Quadraten, Konfidenzintervallen und Rauten. Die Grafik erhalten Sie als SVG, Vektor-PDF oder PNG in Druckauflösung. Alle Daten bleiben in Ihrem Browser und werden nicht übertragen.

Daten aus Excel? So bereiten Sie Ihre Tabelle vor: Spalten, Beispiel und häufige Fehler.

So lesen Sie den Forest-Plot

• Quadrate und Linien: Jedes Quadrat ist der Effekt einer Studie, die Linie das Konfidenzintervall. Die Fläche des Quadrats ist proportional zum Gewicht der Studie im gewählten Modell.
• Raute: Sie zeigt den zusammengefassten Effekt. Die Mitte ist der Schätzwert, die Spitzen markieren das Konfidenzintervall. Liegt die Raute vollständig auf einer Seite der Nulllinie, ist der Gesamteffekt statistisch signifikant.
• Nulllinie: Bei Verhältnismaßen (OR, RR, HR) liegt sie bei 1, bei Differenzen bei 0. Die Achse für Verhältnismaße ist logarithmisch.
• Fixed-Effect oder Random-Effects: Das Fixed-Effect-Modell nimmt einen gemeinsamen wahren Effekt an. Das Random-Effects-Modell lässt den wahren Effekt zwischen den Studien variieren (Tau²) und gewichtet kleine Studien relativ stärker. Wählen Sie das Modell vor der Auswertung nach inhaltlichen Gründen, nicht nach dem Ergebnis.
• Hartung-Knapp: Das Konfidenzintervall wird mit einer t-Verteilung und einer angepassten Varianz berechnet. Das ist bei wenigen Studien meist besser kalibriert als das übliche Wald-Intervall und kann breiter ausfallen.
• Heterogenität: Cochrans Q prüft, ob die Streuung größer ist als durch Zufall erwartbar; der Test hat bei wenigen Studien wenig Teststärke. I² gibt den Anteil der Gesamtstreuung an, der nicht auf Zufall beruht (als grobe Orientierung: ab etwa 50 % deutlich, ab 75 % erheblich). Tau² ist die geschätzte Varianz der wahren Effekte.
• Prädiktionsintervall: Es gibt den Bereich an, in dem der wahre Effekt einer neuen, vergleichbaren Studie mit der gewählten Wahrscheinlichkeit liegt. Bei Heterogenität ist es deutlich breiter als das Konfidenzintervall der Raute.
• Nullzellen: Hat eine Studie bei OR oder RR eine Zelle mit 0, wird in dieser Studie 0,5 zu allen Zellen addiert. Bei seltenen Ereignissen sind andere Verfahren (z. B. Peto, Mantel-Haenszel) besser geeignet; diese sind hier nicht enthalten.
• Egger-Test: Er prüft die Asymmetrie des Funnel-Plots als Hinweis auf Publikationsbias und ist erst ab etwa 10 Studien aussagekräftig.
• Nicht berücksichtigt: Meta-Regression, Subgruppenanalysen, Netzwerk-Metaanalysen und die Bewertung des Verzerrungsrisikos der Studien sind nicht enthalten. Zur Darstellung der Studienauswahl nutzen Sie den Flussdiagramm-Generator (PRISMA).

Formeln und Quellen

• Inverse-Varianz-Gewichte: w_i = 1 / (v_i + τ²), zusammengefasster Effekt = Σ w_iy_i / Σ w_i. Beim Fixed-Effect-Modell ist τ² = 0. Verhältnismaße werden auf der logarithmischen Skala gerechnet.
• Cochrans Q = Σ w_i(y_i − ȳ)², χ² mit k − 1 Freiheitsgraden; I² = max(0, (Q − df) / Q); H = √(Q / df).
• DerSimonian-Laird: τ² = max(0, (Q − df) / (Σ w − Σ w² / Σ w)). Paule-Mandel: τ² als Wert, bei dem Q mit Random-Effects-Gewichten gleich k − 1 ist.
• Hartung-Knapp: Varianz q = Σ w_i*(y_i − μ)² / ((k − 1) Σ w_i*), Konfidenzintervall mit t-Verteilung (k − 1 Freiheitsgrade).
• Prädiktionsintervall: μ ± t_k−2 · √(τ² + se²).
• Hedges g: d · J mit J = 1 − 3 / (4(n₁ + n₂ − 2) − 1).
• DerSimonian R, Laird N. Meta-analysis in clinical trials. Control Clin Trials 1986;7:177-188.
• Paule RC, Mandel J. Consensus values and weighting factors. J Res Natl Bur Stand 1982;87:377-385.
• Hartung J, Knapp G. A refined method for the meta-analysis of controlled clinical trials with binary outcome. Stat Med 2001;20:3875-3889.
• Higgins JPT, Thompson SG. Quantifying heterogeneity in a meta-analysis. Stat Med 2002;21:1539-1558.
• Higgins JPT, Thompson SG, Spiegelhalter DJ. A re-evaluation of random-effects meta-analysis. J R Stat Soc A 2009;172:137-159.
• Egger M, et al. Bias in meta-analysis detected by a simple, graphical test. BMJ 1997;315:629-634.
• Hedges LV. Distribution theory for Glass's estimator of effect size. J Educ Stat 1981;6:107-128.
• Page MJ, et al. The PRISMA 2020 statement. BMJ 2021;372:n71.
• Higgins JPT, et al. (Hrsg.). Cochrane Handbook for Systematic Reviews of Interventions.

Haftungshinweis: Der Generator unterstützt die Auswertung und ersetzt keine Statistikberatung. Für Studiendesign, Modellwahl und Interpretation sind Sie verantwortlich. Die Berechnung wurde gegen statsmodels (Python) geprüft.