Viele Studien, insbesondere in Forschungsgebieten der Medizin, lassen auf Grund zu geringer Datenumfänge keine direkten (signifikanten) Schlüsse zu. Ein Ausweg ist die kombinierte Auswertung mehrerer Studien (mit identischen Forschungsfragen). Dies geschieht beispielsweise mit Hilfe von Meta-Analysen, welche Studien kombiniert auswerten und zu signifikanten, verwertbaren Ergebnissen führen. Allerdings bestehen bei diesem Vorgehen häufig durch die gemeinsame Auswertung teils sehr unterschiedlicher Studien Herausforderungen hinsichtlich zu hoher Heterogenität.

Daher untersuchen wir auf der einen Seite Ansätze, um vorliegende Heterogenität einer Meta-Analyse zu reduzieren. Dabei betrachten wir neben der Kombination anderer Verfahren der Datenanalyse (wie endpunkt-orientierten Cluster-Analysen mit der eigentlichen Meta-Analyse) ebenfalls unterschiedliche Methoden im Bereich der dahinterliegenden Datentransformation.

Parallel dazu beschäftigen wir uns mit Kennzahlen zur Beurteilung der vorhandenen Heterogenität, insbesondere in kombinierten Verfahren, wie der endpunkt-orientierten cluster-basierten Meta-Analyse.