Social Relationships and Mortality RiskA Meta-analytic Review

Maya: Fünfzig Prozent. Nicht die Wirkung eines neuen Medikaments, nicht der Effekt einer Diät. Fünfzig Prozent mehr Überlebenschance, gemessen daran, ob man Menschen in seinem Leben hat, die zählen. Marion Mitte: Das ist die Kernzahl aus der Metaanalyse von Holt-Lunstad, Smith und Layton. Aber ich ahne, wo du stehst. Soziale Beziehungen und psychische Gesundheit sind klar. Aber Sterblichkeit? Das klingt nach einer Verwechslung der Kategorien. Maya: Genau das denke ich. Es gibt eine lange Forschungsgeschichte, die zeigt, dass Einsamkeit depressiv macht. Aber dass fehlende soziale Bindungen dich buchstäblich früher umbringen können — in derselben Größenordnung wie Rauchen — das ist eine sehr starke Behauptung. Marion Mitte: Dann lass uns die Metaanalyse auseinandernehmen. Holt-Lunstad und Kollegen haben einhundertachtundvierzig unabhängige Studien mit insgesamt dreihundertacht Tausend achthundertneunundvierzig Teilnehmenden zusammengefasst. Jeder Artikel wurde von zwei Ratern unabhängig bewertet, mit einer Übereinstimmung im Schnitt bei einem Cohen's-Kappa von null Komma drei und siebzig, also solider Reliabilität. Sie verwendeten ein Random-Effects-Modell, das explizit erlaubt, dass sich der wahre Effekt zwischen Studien unterscheidet, statt eine einzige gemeinsame Wahrheit anzunehmen. Maya: Das klingt nach der ehrlicheren Wahl bei solch heterogenem Material. Marion Mitte: Das Ergebnis ist ein Odds-Ratio von 1,50, mit einem Konfidenzintervall von 1,42 bis 1,59. Ein Odds-Ratio sagt vereinfacht aus, dass Menschen mit stärkeren sozialen Beziehungen anderthalbmal so hohe Überlebenschancen haben. Das 95-Prozent-Konfidenzintervall bedeutet, dass wir mit 95 Prozent Sicherheit sagen können, der wahre Wert liegt zwischen 1,42 und 1,59. Maya: Aber die Heterogenität war massiv — I-Quadrat von 81 Prozent. Die einzelnen Odds Ratios reichten von 0,77 bis 6,50. Was sagt mir der Mittelwert dann überhaupt? Marion Mitte: Das Konfidenzintervall ist trotzdem eng. Die Tests auf Publikationsbias sind überzeugend. Man bräuchte über vier Tausend zweihundert74 unveröffentlichte Nullbefunde, um den Effekt zu erklären. Trim-and-fill hat keine fehlenden Studien imputiert, und der Funnel-Plot war weitgehend symmetrisch. Maya: Mein eigentlicher Einwand ist die Verwirrung von Ursachen. Gesündere und wohlhabendere Menschen sind einfach sozialer. Marion Mitte: Das räumt die Studie selbst ein. Wenn Studien statistisch kontrollieren, fällt der Effekt, mit einem Metaregressions-Parameter von minus 0,15 und einem p-Wert von 0,01. Er dämpft sich, aber er verschwindet nicht. Die Konsistenz über Alter, Geschlecht, Ausgangsgesundheit, Todesursache und eine mittlere Nachbeobachtungszeit von 7,5 Jahren ist schwer wegzuerklären. Maya: Dann zur Messfrage: Nicht alle sozialen Bindungen wurden gleich erfasst. Marion Mitte: Das ist der interessanteste Befund im ganzen Paper. Komplexe Maße sozialer Integration, also multidimensionale Einschätzungen, wie tief jemand in Netzwerke eingebettet ist, zeigen ein Odds-Ratio von 1,91 und ein Konfidenzintervall von 1,63 bis 2,23. Das bedeutet fast doppelt so hohe Überlebenschancen. Das einfachste Maß dagegen, ob jemand allein oder mit anderen lebt, kommt auf 1,19 und ein Konfidenzintervall von 0,99 bis 1,44. Maya: Das untere Ende liegt unter eins und ist statistisch nicht einmal signifikant. Marion Mitte: Richtig. Der Unterschied zwischen den Messtypen ist höchst signifikant, mit einem p-Wert unter null Komma null null eins. Wer soziale Bindung mit einer einzigen Frage misst, unterschätzt den Effekt systematisch. Maya: Das könnte ich umdrehen. Wenn der Effekt so stark von der Messung abhängt, was messen wir dann wirklich? Marion Mitte: Genau das ist das Phänomen. Echte soziale Integration ist mehrdimensional. Die strukturellen Maße insgesamt kommen auf ein Odds-Ratio von eins Komma siebenundfünfzig mit einem Konfidenzintervall von eins Komma sechsundvierzig bis eins Komma siebzig. Rohmaße messen nur ein Surrogat davon. Maya: Dann der Vergleich mit anderen Risikofaktoren. Den finde ich am schwierigsten zu akzeptieren. Marion Mitte: Holt-Lunstad und Kollegen stellen fest, dass die Effektgröße vergleichbar ist mit dem Effekt des Rauchstopps und größer als die von körperlicher Inaktivität oder Fettleibigkeit. Das sind die Zahlen, die sie berichten. Maya: Selbst wenn ich das akzeptiere, kann man auf soziale Beziehungen intervenieren wie auf das Rauchen? Man kann niemandem Freunde verschreiben. Marion Mitte: Das Paper diskutiert genau das. Die Empfehlungen sind klinisches Screening auf soziale Isolation, die Integration sozialer Variablen in medizinische Bewertungen und gemeindebasierte Maßnahmen. Die Evidenz für Interventionen ist gemischt, das räumen sie ein. Aber der erste Schritt ist, das Problem überhaupt zu erkennen. Maya: Kausalität bleibt trotzdem offen. Wer krank wird, zieht sich sozial zurück, aber nicht unbedingt umgekehrt. Marion Mitte: Das Paper behauptet, dass es keine Kausalität gibt. Was es zeigt, ist eine Assoziation von einer Größe und Konsistenz, die man nicht als Hintergrundrauschen abtun kann. Maya: Ich bin noch nicht bereit, soziale Isolation auf dieselbe Liste wie Rauchen zu setzen. Aber ich kann den Befund nicht mehr als reine Geschichte zur psychischen Gesundheit lesen. Das Ausmaß ist real. Was es mechanistisch bedeutet, bleibt offen. Diese Lektion wurde von ennepō erstellt. Besuchen Sie https://ennepo.ai, um die neueste Forschung in Ihrem Fachgebiet zu entdecken, zu erstellen und zu verfolgen. Lesen Sie, wann Sie können. Hören Sie zu, wann Sie wollen.