Untersuchung der bidirektionalen Beziehung zwischen Rückenschmerzen, Hüftschmerzen, Knieschmerzen und Ganganomalien: Eine Mendelsche Randomisierungsstudie

Zusammenfassung

IVW-Analysen deuten darauf hin, dass Rücken- und Hüftschmerzen mit Gangauffälligkeiten assoziiert sein könnten, während Knieschmerzen und umgekehrte Assoziationen weiterhin nicht eindeutig sind.

Zusammenfassung

Gangauffälligkeiten stehen im Zusammenhang mit veränderter Biomechanik der unteren Gliedmaßen und funktionellen Beeinträchtigungen bei muskuloskelettalen Erkrankungen. Obwohl Kreuzschmerzen, Hüftschmerzen und Knieschmerzen in Beobachtungsstudien mit einer beeinträchtigten Gangart in Verbindung gebracht wurden, bleiben ihre ursächlichen Zusammenhänge unklar. Wir führten eine bidirektionale Mendelsche Randomisierungsstudie (MR) durch, um mögliche kausale Zusammenhänge zwischen ortsspezifischen Schmerzen und Ganganomalien zu bewerten. Unabhängige Einzelnukleotid-Polymorphismen aus groß angelegten, genomweiten Assoziationsstudien wurden als genetische Instrumente für Rückenschmerzen, Hüftschmerzen und Knieschmerzen verwendet. Ganganomalien, die im Quell-GWAS als selbstberichtete Gehschwierigkeiten definiert sind, wurden als Ergebnis in Vorwärts-MR-Analysen und als Expositions-in-Reverse-MR-Analysen verwendet. Die inverse Varianz-gewichtete (IVW) Methode war die primäre Analyse, unterstützt durch Sensitivitätsanalysen für Heterogenität, horizontale Pleiotropie und Robustheit. In Vorwärtsanalysen waren genetisch vorhergesagte Kreuzschmerzen (OR = 1,53, 95 % KI = 1,058–2,219, P = 0,024) und Hüftschmerzen (OR = 1,55, 95 % KI = 1,067–2,252, P = 0,021) mit einem erhöhten Risiko für Ganganomalien in IVW-Analysen assoziiert. Die vier zusätzlichen MR-Methoden waren jedoch nicht statistisch signifikant, obwohl die Schätzungen im Allgemeinen richtungskonsistent waren. Genetisch vorhergesagte Knieschmerzen zeigten keine signifikante Assoziation (OR = 2,15, 95 % KI = 0,234–19,789, P = 0,498), wobei sich erhebliche Unsicherheit im breiten Konfidenzintervall widerspiegelt. Reverse-MRT-Analysen fanden keine Hinweise darauf, dass eine genetische Haftung für Ganganomalien das Risiko für Rücken-, Hüft- oder Knieschmerzen erhöhte, obwohl nur vier SNPs mit Ganganomalien verfügbar waren. Es wurde keine substanzielle Heterogenität oder horizontale Pleiotropie festgestellt. Insgesamt liefert diese Studie begrenzte genetische Belege auf IVW-Basis dafür, dass Rückenschmerzen und Hüftschmerzen mit Gangauffälligkeiten in Verbindung stehen können. Die Ergebnisse sollten sorgfältig interpretiert und mit größeren GWAS-Datensätzen mit verfeinerten Phänotypen validiert werden.

Einleitung

Ganganomalien können durch motorische oder sensorische Beeinträchtigungen entstehen, und ihre klinischen Merkmale hängen vom Ort und der Art der zugrunde liegenden Pathologie ab. Spezifische abnormale Gangmuster können wichtige diagnostische Hinweise für bestimmte Krankheiten liefern. Bemerkenswert ist, dass bei muskuloskelettalen Erkrankungen Ganganomalien oft mit ausgeprägten biomechanischen Merkmalen auftreten und eng mit Schmerzen, Gelenkdysfunktion und verminderter Mobilität^{zusammenhängen 1,2,3}. Studien haben gezeigt, dass langfristige Gangauffälligkeiten den Zustand von Patienten mit Arthrose^{verschlimmern können}. Außerdem kann ein anhaltend abnormaler Gang die Instabilität der Bewegungsgelenke erhöhen und die Gelenkbelastung verändern; Wiederholte Gelenkaktivitäten unter abnormalen Mechaniken können die Gelenkverletzungen weiter verschlimmern, wodurch Schmerzen entstehen, eine allmähliche Muskelatrophie gefördert und zu einem stärkeren Muskelkraftverlust führt. Diese Faktoren können zusammenwirken und einen Teufelskreis bilden, der zur fortschreitenden Verschlechterung von Schmerzen und funktionellen Beeinträchtigungen bei Patienten mit muskuloskelettalen Erkrankungen^{beiträgt 5}. Daher kann die Klärung der Richtung und möglichen Kausalität von Zusammenhängen zwischen ortsspezifischen muskuloskelettalen Schmerzen und Ganganomalien helfen, beobachtende Schmerz-Gang-Beziehungen zu interpretieren und zukünftige Forschungen zu Gangstörungen und -rehabilitation zu informieren.

Trotz der gesammelten Beobachtungsbelege, die ortsspezifische Schmerzen – wie Rückenschmerzen, Hüft- und Knieschmerzen – mit einer beeinträchtigten Gangleistung in Verbindung bringen, sind konventionelle Beobachtungsstudien anfällig für Störungen, Messfehler und umgekehrte Kausalität, was es schwierig macht, Richtung und Kausalität dieser Assoziationen zu bestimmen. Darüber hinaus kann die Beziehung zwischen Schmerz und Gang die Anpassung des zentralen Nervensystems und die Modulation der aus der peripheren Peripherie empfangenen nozizeptiven Informationen beinhalten, was die Interpretation beobachteter Schmerz-Gang-Assoziationen zusätzlich erschwert. Mendelsche Randomisierung (MR) ist ein epidemiologischer Ansatz, der darauf ausgelegt ist, zentrale Einschränkungen beobachtender Studien zu überwinden, und wurde in der kausalen Inferenzforschung weit verbreitet angewandt. MR verwendet unabhängige Einzelnukleotid-Polymorphismen (SNPs) als instrumentelle Variablen, um potenzielle kausale Beziehungen zwischen Expositionen und Ergebnissen abzuleiten⁶. Anstatt beispielsweise Individuen mit Kreuzschmerzen zuzuweisen, kann MR untersuchen, ob genetische Haftung für Kreuzschmerzen mit gangbezogenen Ergebnissen in großen Genome-wide Association Study (GWAS)-Datensätzen assoziiert ist. Da genetische Varianten bei der Empfängnis zufällig zugeteilt werden, also bei der Bildung des Embryos, kann MR Verzerrungen durch Störfaktoren wie Alter, Body-Mass-Index, körperliche Aktivität und komorbide muskuloskelettale Erkrankungen verringern. Dieser Ansatz eignet sich zur Untersuchung von Kausalzusammenhängen auf Populationsebene, wenn gut gestützte GWAS-Daten und valide genetische Instrumente vorliegen. Die in dieser Studie verwendeten Phänotypen waren jedoch breite selbstberichtete GWAS-Merkmale und erfassen möglicherweise nicht vollständig die Schmerzintensität, die Symptomzeit, von Ärzten bestätigte Diagnosen oder objektive Gangparameter. Durch die Nutzung der zufälligen Zuweisung genetischer Varianten bei der Empfängnis kann MR effektiv Verzerrungen durch Störer mindern und Kausalität umkehren und so plausiblere kausale Beweise liefern.

Ziel dieser Studie war es, eine bidirektionale MR-Analyse unter Verwendung von GWAS-Zusammenfassungsdaten zu selbst gemeldeten Kreuzschmerzen, Hüftschmerzen und Knieschmerzen sowie GWAS-Daten zu Ganganomalien aus der IEU Open GWAS-Datenbank durchzuführen. In dieser Studie stellten die Schmerzphänotypen breite selbstberichtete ortsspezifische Schmerzmerkmale dar, und Ganganomalien stellten selbstberichtete Gehschwierigkeiten dar, anstatt von Ärzten bestätigte Diagnosen, labormessbare Gangparameter oder standardisierte funktionelle Werte. Dieses bidirektionale Design zielte darauf ab, die Richtung potenzieller kausaler Zusammenhänge zwischen ortsspezifischen muskuloskelettalen Schmerzen und Ganganomalien anhand von GWAS-Zusammenfassungsstatistiken⁷ zu bewerten.

Protokoll

Diese Studie nutzte öffentlich zugängliche Genome-Wide Association Study (GWAS)-Zusammenfassungsdaten aus der IEU OpenGWAS-Datenbank und dem GWAS-Katalog. Es wurden keine Einzelpersonendaten abgerufen, und es wurden keine neuen menschlichen Teilnehmer rekrutiert. Ethische Genehmigung und schriftliche informierte Zustimmung wurden in den ursprünglichen GWAS-Studien eingeholt. Daher war für die vorliegende sekundäre Analyse öffentlich zugänglicher Zusammenfassungsstatistiken keine zusätzliche Genehmigung des institutionellen Überprüfungsausschusses erforderlich.

Studienprinzip und -design

Die grundlegenden Schritte der MR-Studie umfassen die Sammlung von GWAS-Zusammenfassungsdaten, das Screening und die Bewertung von SNPs, die Durchführung statistischer Analysen sowie die Umsetzung von Qualitätskontrollmaßnahmen. Wie in Abbildung 1 gezeigt, basiert die Genauigkeit der MR-Analyse auf der Erfüllung von drei entscheidenden Annahmen: (1) die Relevanzannahme: IVs müssen für die Expositionsphänotypen relevant sein, nämlich Kreuzschmerzen, Hüftschmerzen und Knieschmerzen⁸; (2) die Annahme der Unabhängigkeit: IVs sind irrelevant für Störfaktoren, die das "Expositions-Ergebnis" beeinflussen; (3) die Exklusivitätsannahme: IVs beeinflussen das Ergebnis nur durch Exposition und nicht über andere Wege⁹. Expositionsfaktoren und Ergebnisvariablen werden in jeder Analyse ausgetauscht, um festzustellen, ob zwischen beiden eine umgekehrte Kausalität besteht.

Zur Verbesserung der Reproduzierbarkeit wird der vollständige rechnerische Workflow für den lokalen GWAS-Zusammenfassungs-Statistikimport, SNP-Extraktion, LD-Klumping, Ergebnis-SNP-Extraktion, Alleleharmonisierung, MR-Analyse, Sensitivitätsanalyse, diagnostische Darstellung und Ausgabespeicherung als Supplementary Code 1 bereitgestellt. Der Haupttext beschreibt die wichtigsten Protokollschritte, während Supplementary File 1 die entsprechende Befehlsebene und Funktionsebene R-Implementierung bereitstellt.

Datenquellen

Daten zu Rückenschmerzen, Hüftschmerzen und Knieschmerzen stammen aus der IEU openGWAS-Datenbank, und die Website lautet: https://gwas.mrcieu.ac.uk/. Spezifische Fragen zur Definition dieser Bedingungen finden Sie in Supplementary File 2. Rückenschmerzen, Hüftschmerzen und Knieschmerzen wurden gemäß selbstberichteten, ortsspezifischen Schmerzobjekten in den ursprünglichen GWAS-Datensätzen definiert. Die GIS-ID-Nummer des Datensatzes für Rückenschmerzen lautet: ebi-a-GCST90018797 , mit einer Stichprobengröße von 468269, die 22.413 Patienten mit Rückenschmerzen und 445.856 Kontrollgruppen in der Population umfasst, mit einer Gesamtzahl von SNP-24174741. Die GWAS-ID-Nummer des Hüftschmerzdatensatzes lautet: ebi-a-GCST90013968, mit einer Stichprobengröße von 407746 und einer Gesamtzahl von 11039206 SNP. Die GWAS-ID-Nummer des Datensatzes für Knieschmerzen lautet: ukb-b-16254, mit einer Stichprobengröße von 461857, die 98.704 Patienten mit Knieschmerzen sowie eine Kontrollgruppe von 363153 mit einer Gesamtzahl von SNPs von 9851867 umfasst. GWAS-Daten für Ganganomalien stammen ebenfalls aus der IEU openGWAS-Datenbank, Gait-Abnormalitäten-Datensatz. Die GWAS-ID-Nummer lautet: finn-b-R18 _ABNORMALITI_GAIT_MOBIL, mit einer Stichprobengröße von 210717, einschließlich 1348 Fällen von Ganganomalien und 209369 Kontrollpopulationen, und insgesamt wurden 1638044 SNPs-Loci identifiziert. Details sind in Tabelle 1 dargestellt.

Für reproduzierbare Datenerfassung sollten Forscher jede oben aufgeführte GWAS-ID in der IEU OpenGWAS-Datenbank durchsuchen, die entsprechende GWAS-Zusammenfassungs-Statistikdatei herunterladen, wo verfügbar, und die Datei als lokalen Text oder kommagetrennte Datei speichern, bevor sie in R importiert wird. Im in dieser Studie verwendeten Berechnungsworkflow wurden lokale GWAS-Zusammenfassungs-Statistikdateien je nach Quellformat mit read.table() oder read.csv() in R importiert. Der lokal dateibasierte Workflow wurde übernommen, um sicherzustellen, dass dieselben heruntergeladenen GWAS-Zusammenfassungs- und Statistikdateien wiederholt mit festen Spaltenabbildungen und identischen Analysebefehlen verarbeitet werden können. Die genauen R-Befehle zum Importieren und Verarbeiten lokaler Dateien sind in Supplementary File 1 bereitgestellt.

Screening und Eintritt in SNPs

SNPs, die signifikant mit jedem Expositionsphänotyp assoziiert sind, wurden aus den GWAS-Zusammenfassungsdatensätzen mit einer genomweiten Signifikanzschwelle von P < 5 × 10⁻⁸ extrahiert. Waren weniger als drei unabhängige SNPs an diesem Schwellenwert verfügbar, wurde der Schwellenwert auf P < 5 × 10⁻⁶ gelockert, um genügend genetische Instrumente für die MR-Analyse zu erhalten. Das Verknüpfungsungleichgewicht wurde mit r² < 0,001 innerhalb eines Fensters von 10.000 kb bewertet, um die Unabhängigkeit instrumenteller Variablen zu gewährleisten.

Auf Skriptebene wurden die GWAS-Zusammenfassungsstatistiken der Exposition zunächst in R importiert und entsprechend dem vorgegebenen P-Wert-Schwellenwert gefiltert. Die ausgewählten Expositions-SNPs wurden dann als Expositionsdatei gespeichert und entsprechend den Anforderungen des TwoSampleMR-Pakets formatiert. Die erforderlichen Spaltenabbildungen umfassten den SNP-Identifikator, die Effektschätzung, den Standardfehler, das Effektallel, das andere Allel und den P-Wert. Im reproduzierbaren R-Workflow wurden Expositionsdaten mit read_exposure_data() importiert, und LD Clumping wurde durchgeführt, indem Clump = TRUE gesetzt wurde. Die entsprechende R-Befehlsstruktur lautete: read_exposure_data(Dateiname = "exposure.csv", sep = ",", snp_col = "rsids", beta_col = "beta", se_col = "sebeta", effect_allele_col = "alt", other_allele_col = "ref", pval_col = "pval", clump = TRUE). Die Spaltennamen wurden entsprechend den tatsächlich heruntergeladenen GIS-Dateien angepasst.

Die Instrumentenstärke wurde anhand der F-Statistik bewertet:

F = [(N − k − 1)/k] × [R²/(1 − R²)],

wobei N die Stichprobengröße darstellt, k die Anzahl der instrumentellen Variablen und R² den Anteil der durch die SNPs erklärten Anteil der Expositionsvarianz. R² wurde berechnet als

Σ[2 × MAF × (1 − MAF) × β²/(SE² × N)],

wobei MAF die Frequenz des Minorallels ist, β die Alleleffektschätzung und SE der Standardfehler.

SNPs mit F-Statistik > 10 wurden beibehalten. SNPs, die mit potenziellen Störfaktoren assoziiert sind, einschließlich angeborener anatomischer Auffälligkeiten und des Body-Mass-Index, wurden mit PhenoScanner V2 identifiziert und entfernt.

Outcome-SNPs wurden extrahiert, indem die zusammengeballten Expositions-SNPs mit der entsprechenden lokalen Outcome-GWAS-Zusammenfassungs-Statistik-Datei gemäß der SNP-Identifikatorin zusammengeführt wurden. Wenn das Ergebnis GWAS −log10(P) gemeldet wurde, wurde der P-Wert mit P = 10^(−LP) umgerechnet. Die extrahierten SNPs wurden dann mit read_outcome_data() importiert. Expositions- und Ergebnisdatensätze wurden mit harmonise_data() harmonisiert, um Effektallele auszurichten und SNPs zu entfernen, die für MR-Analysen ungeeignet sind. Palindromische SNPs mit mehrdeutiger Allelorientierung wurden ausgeschlossen, und SNPs mit mr_keep = TRUE wurden für nachfolgende MR-Analysen¹¹ beibehalten. Das detaillierte Skript für SNP-Extraktion, P-Wert-Umwandlung und Harmonisierung ist in Supplementary File 1 bereitgestellt.

Statistische Analyse

Die kausalen Effekte zwischen Exposition und Ergebnisvariablen wurden in dieser Studie mit fünf Methoden geschätzt: der IVW-Methode, der MR-Egger-Regressionsmethode, der gewichteten Medianmethode, der gewichteten Methode und der Simple-Mode-Methode¹². Die IVW-Methode gilt als Standardmethode für die MR-Analyse, die davon ausgeht, dass alle instrumentellen Variablen gültig sind, und basiert auf dem Prinzip der Kombination der Wald-Verhältnis-Schätzungen; bei Heterogenität wird ein Modell mit Zufallseffekten verwendet, während bei Heterogenität ein Modell mit festen Effekten verwendet wird. Die MR-Egger-Regressionsmethode erkennt potenzielle Multikollinearität und berücksichtigt das Vorhandensein eines Interzeptionsterms in der Regression¹³. Die gewichtete Medianmethode erfordert, dass mehr als 50 % der instrumentellen Variablen gültige SNPs sind. Die gewichtete Methode erfordert kleinere Stichprobengrößen als andere Methoden und sorgt für weniger Verspannungen und niedrigere Typ-I-Fehlerraten. Die Simple-Mode-Methode erlaubt es, SNPs mit ähnlichen Effekten danach zu gruppieren, ob die geschätzten kausalen Effekte ähnlich sind^{oder nicht.}

Auf Funktionsebene wurden MR-Analysen mit der mr()-Funktion im TwoSampleMR-Paket durchgeführt. Die in der Analyse verwendete Methodenliste wurde als c("mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_simple_mode", "mr_weighted_mode") angegeben. Odds Ratios und 95%-Konfidenzintervalle wurden mit generate_odds_ratios() erzeugt. Die vollständige R-Implementierung, einschließlich der exakten Methodenliste und der Ausgabespeicherbefehle, ist in Supplementary File 1 bereitgestellt.

Qualitätskontrolle und Sensitivitätsanalyse

Um die Stabilität und Zuverlässigkeit der MR-Ergebnisse zu testen, wurde zunächst der Cochran-Q-Test verwendet, um die Heterogenität von SNPs zu bewerten; wenn der Cochran-Q-Test statistisch signifikant war, zeigte er eine signifikante Heterogenität in den analysierten Ergebnissen¹⁵. Zweitens wurde der MR-Egger-Intercept-Test verwendet, um eine potenzielle horizontale Pleiotropie zu bewerten. Ein statistisch signifikanter MR-Egger-Intercept weist auf das Vorhandensein einer richtungsweisenden horizontalen Pleiotropie in der MR-Analyse hin. Drittens wurde die Mendelsche Randomisierungs-Pleiotropie-Residualsumme und Ausreißer (MR-PRESSO) angewendet, um das Vorhandensein von Ausreißer-SNPs in den Ergebnissen zu suchen, und falls vorhanden, wurden diese eliminiert und erneut analysiert¹⁶. Viertens wurde die "Leave-One-Out"-Methode angewandt, um die Robustheit der Ergebnisse zu testen, und der kombinierte Effekt der verbleibenden SNPs wurde berechnet, indem SNPs einzeln ausgeschlossen wurden, um die Wirkung einzelner SNPs auf die Verbindung zwischen Exposition und Ergebnisvariablen zu bewerten¹⁷.

Auf Funktionsebene wurde die Heterogenität mittels mr_heterogeneity() bewertet, die richtungsbezogene Pleiotropie mit mr_pleiotropy_test(), Einzel-SNP-Effekte mit mr_singlesnp() und eine Leave-One-Out-Analyse mit mr_leaveoneout(). Diagnostische Diagramme wurden mit mr_scatter_plot(), mr_funnel_plot() und mr_leaveoneout_plot() erstellt. MR-PRESSO wurde durchgeführt, wenn die Anzahl der verfügbaren instrumentellen Variablen ausreichend war; wenn MR-PRESSO wegen einer unzureichenden Anzahl von SNPs nicht durchgeführt werden konnte, wurde dies aufgezeichnet und gemeldet. Die MR-Analyse und Qualitätskontrollverfahren wurden mit R-Version 4.3.2 und dem TwoSampleMR-Paket Version 0.5.8 durchgeführt, mit einem Signifikanzniveau von α = 0,05. Die vollständigen Befehle sind in Supplementary File 1 bereitgestellt.

Ausgabespeicherung, Qualitätsprüfung und Berichterstattung

Alle Zwischen- und Endausgaben wurden für die Reproduzierbarkeit aufbewahrt. Dazu gehörten ausgewählte Expositions-SNPs, zusammengefasste Expositionsinstrumente, extrahierte Outcome-SNPs, harmonisierte Datensätze, aufbewahrte SNP-Listen, MR-Schätzungen, Odds Ratios, Heterogenitätsergebnisse, MR-Egger-Intercept-Ergebnisse, MR-PRESSO-Ergebnisse, Einzel-SNP-Ergebnisse, Leave-One-Out-Ergebnisse, diagnostische Plots und R-Sitzungsinformationen. Vor der Berichterstattung wurden erhaltene SNPs auf genomweite Signifikanz, LD-Unabhängigkeit, Allelharmonisierungsstatus, mehrdeutige palindromische Varianten, Instrumentstärke, Heterogenität, richtungsbezogene horizontale Pleiotropie und Ausreißer-SNPs überprüft. Die primären MRT-Ergebnisse wurden als Odds Ratios mit 95%-Konfidenzintervallen und P-Werten angegeben. Ergebnisse der Sensitivitätsanalyse und diagnostische Diagramme wurden in den ergänzenden Tabellen und Abbildungen angegeben. Die Ausgabespeicher- und Dateiprüfbefehle sind in Supplementary File 1 bereitgestellt.

Ergebnisse

GWAS-Daten für drei ortsspezifische Phänotypen muskuloskelettaler Schmerzen, darunter Rückenschmerzen, Hüftschmerzen und Knieschmerzen, sowie ein Ganganomalie-Phänotyp wurden in dieser Studie analysiert. Detaillierte Informationen zu IVs für jeden Expositionsfaktor finden Sie in Supplementary File 3.

MRT-Analyse von ortsspezifischen muskuloskelettalen Schmerzen bei Gangauffälligkeiten

In dieser Stud...

Diskussion

Gangauffälligkeiten können die Belastung und Bewegung der unteren Gliedmaßen verändern, potenziell 821+_osteoarthritic-Prozesse beschleunigen und zu funktionellen Einschränkungen beitragen, die die Lebensqualität erheblich beeinträchtigen. Diese klinische Relevanz hat zunehmend die Aufmerksamkeit auf das Zusammenspiel zwischen Gangdysfunktion und muskuloskelettalen Schmerzen gelenkt. Beobachtungsstudien deuten darauf hin, dass ortsspezifische muskuloskelettale Schmerzen mit einer beeintr...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
IEU OpenGWAS-Datenbank	MRC Einheit für Integrative Epidemiologie, Universität Bristol	N/A	Quelle der GWAS-Zusammenfassungsstatistiken zu Expositions- und Ergebnisphänotypen.
MR-PRESSO R-Paket	Marie Verbanck / R-Paket	N/A	Verwendet zur Erkennung und Beurteilung der horizontalen Pleiotropie von Ausreißern.
PhenoScanner V2	Universität Cambridge	V2	Webressource zur Identifizierung von SNPs, die mit potenziellen Störern verbunden sind.
R	R-Stiftung für statistische Berechnung	Version 4.3.2	Statistische Rechenumgebung, die für MR-Analyse und Qualitätskontrolle genutzt wird.
TwoSampleMR R-Paket	MRC Einheit für Integrative Epidemiologie, Universität Bristol	Version 0.5.8	Verwendet für IVW-, MR-Egger-, gewichtete Median-, gewichtete Mode- und einfache MR-Analysen.