Der statistische Vergleich von
Plaque-Indizes (API, SBI, PBI) in klinischen Studien

Welcher Plaque-Index ist für welche parodontologische Fragestellung geeignet? Und wie wertet man ordinalskalierte Daten statistisch korrekt aus? Dieser Ratgeber erklärt die Indexwahl, die Skalenproblematik und die passenden statistischen Tests – mit konkreten Beispielen für Dissertationen und klinische Studien in der Parodontologie. Zusammengestellt von promovierten Parodontologen mit Erfahrung in klinischer Studienstatistik und nichtparametrischer Auswertung.

API, SBI & PBI im Vergleich
Ordinalskala richtig verstehen
Mann-Whitney, Kruskal-Wallis, Wilcoxon
SPSS- & R-Syntax
Typische Gutachter-Fehler vermeiden

Parodontologie-Dissertationen scheitern selten an der klinischen Datenerhebung – sie scheitern an der Statistik: t-Test auf ordinale PBI-Daten, Mittelwert statt Median, keine Normalverteilungsprüfung vor parametrischen Tests, multiples Testen ohne Bonferroni-Korrektur. Als Ghostwriting-Agentur mit zahnmedizinischem und biostatistischem Ghostwritern werten wir Plaque-Indizes mit den korrekten nichtparametrischen Tests aus – Mann-Whitney-U für Gruppenvergleiche, Wilcoxon für Vorher-Nachher, Friedman für Längsschnittdaten – und formulieren den Methodenteil so, dass Skalenniveau, Testwahl und Effektstärke nachvollziehbar dokumentiert sind. Unsere Akademiker kennen den Unterschied zwischen API als quasi-metrischem Prozentwert und PBI als ordinalem Score – und die statistischen Konsequenzen, die sich daraus ergeben.

📑 Inhalt

📌 Plaque-Indizes statistisch vergleichen – Kurzübersicht

Der API (Approximalraum-Plaque-Index) nach Lange et al. (1977) misst Plaque im Interdentalraum (dichotom: ja/nein). Der SBI (Sulkus-Blutungs-Index) nach Mühlemann & Son (1971) erfasst Blutung auf Sondierung (dichotom). Der PBI (Papillen-Blutungs-Index) nach Saxer & Mühlemann (1975) bewertet die Blutungsintensität auf einer Ordinalskala von 0–4. Alle drei Indizes erzeugen ordinalskalierte oder dichotome Daten – die Verwendung von Mittelwert und t-Test ist daher statistisch nicht korrekt. Stattdessen: Median und Interquartilsbereich für die Deskription, Mann-Whitney-U-Test (zwei Gruppen), Kruskal-Wallis-Test (drei+ Gruppen) oder Wilcoxon-Vorzeichen-Rang-Test (verbundene Stichproben) für die Inferenzstatistik.

1. Plaque-Indizes: Grundlagen & Definitionen

Plaque- und Entzündungsindizes sind das zentrale Messinstrument in klinischen Parodontologie-Studien. Sie quantifizieren den Mundhygienestatus und die gingivale Entzündung und ermöglichen Verlaufsbeurteilungen.

🦷

API

Approximalraum-Plaque-Index (Lange et al., 1977). Misst Plaque im Interdentalraum. Dichotom: Plaque vorhanden (+) oder nicht (−). Ergebnis: Prozentwert. Bewertung: < 25 % = optimal, 25–39 % = gut, 40–69 % = mäßig, 70–100 % = unzureichend.

🩸

SBI

Sulkus-Blutungs-Index (Mühlemann & Son, 1971). Erfasst Blutung auf Sondierung am Gingivasulkus. Dichotom: Blutung (+) oder nicht (−). Ergebnis: Prozentwert. Einfach, schnell, hohe Reproduzierbarkeit.

📊

PBI

Papillen-Blutungs-Index (Saxer & Mühlemann, 1975). Ordinalskala 0–4: 0 = keine Blutung, 1 = einzelner Blutpunkt, 2 = mehrere Blutpunkte/Linie, 3 = Blutdreieck, 4 = profuse Blutung. Differenzierter als SBI.

API als dichotomer Plaque-Index mit Prozentwert, SBI als dichotomer Blutungsindex, PBI als ordinale 5-Stufen-Skala – drei Indizes mit unterschiedlichen Skalenniveaus und unterschiedlichen statistischen Konsequenzen. Unsere Autoren wählen für Ihre Dissertation den Index, der zur klinischen Fragestellung passt, und werten ihn mit dem statistisch korrekten Verfahren aus – nicht mit dem Verfahren, das am einfachsten ist.

Weitere relevante Indizes

IndexAutorSkalaMisst
PI (Plaque-Index)Silness & Löe, 1964Ordinal (0–3)Plaquemenge an 4 Zahnflächen
GI (Gingiva-Index)Löe & Silness, 1963Ordinal (0–3)Gingivale Entzündung an 4 Flächen
BOPAinamo & Bay, 1975Dichotom (ja/nein)Bleeding on Probing
QHI (Quigley-Hein)Quigley & Hein, 1962 (mod. Turesky)Ordinal (0–5)Plaque-Ausdehnung
PCR (Plaque Control Record)O'Leary et al., 1972Dichotom (ja/nein)Plaque an 4 Flächen, Prozentwert

2. API vs. SBI vs. PBI: Welcher Index für welche Fragestellung?

Die Wahl des Index hängt von der klinischen Fragestellung, dem Studiendesign und der gewünschten Sensitivität ab.

KriteriumAPISBIPBI
Was wird gemessen?Plaque (Interdentalraum)Gingivale Blutung (Sulkus)Blutungsintensität (Papille)
SkalenniveauDichotom → ProzentwertDichotom → ProzentwertOrdinal (0–4)
SensitivitätGering (nur ja/nein)Gering (nur ja/nein)Hoch (5 Stufen)
Inter-Rater-ReliabilitätHoch (dichotom)Hoch (dichotom)Mittel (Grad 2 vs. 3 schwierig)
Geeignet fürScreening, große KohortenEntzündungs-Screening, RecallTherapiestudien, kleine Unterschiede
Typische StudienEpidemiologie, MundhygienePZR-Studien, RecallParodontitistherapie-RCTs

PBI für sensitive Therapievergleiche, API für effizientes Plaque-Screening, SBI für schnelle Entzündungskontrolle – unsere Ghostwriter begründen die Indexwahl im Methodenteil Ihrer Dissertation und dokumentieren, warum der gewählte Index für Ihre spezifische Fragestellung die höchste Sensitivität bietet. In vielen Dissertationen werden mehrere Indizes parallel erhoben – das stärkt die Aussagekraft und ermöglicht Korrelationsanalysen zwischen Plaque und Entzündung.

💡 Entscheidungsregel für die Indexwahl

Wenn Sie kleine Veränderungen nachweisen wollen: PBI. Für Plaque-Screening bei großen Kohorten: API. Für BOP als Entzündungsmarker: SBI. In vielen Dissertationen werden mehrere Indizes parallel erhoben.

Parodontologie-Dissertation mit klinischen Daten?

Unsere Ghostwriter kennen die Indexwahl und die statistischen Fallstricke
Ghostwriter Zahnmedizin →

3. Das Skalenniveau-Problem: Warum es alles entscheidet

Der häufigste statistische Fehler in parodontologischen Studien: Ordinal- oder dichotome Daten werden behandelt wie metrische Daten.

🔴 Was man NICHT darf

  • Mittelwert von PBI-Werten: PBI Grad 2 ist nicht „doppelt so viel" wie Grad 1.
  • t-Test auf PBI-Daten: Setzt Intervallskalierung und NV voraus.
  • ANOVA für API ohne Normalverteilungsprüfung.

🟢 Was man STATTDESSEN tut

  • Median und IQR als Lagemaße für ordinale Daten.
  • Nichtparametrische Tests: Mann-Whitney-U, Kruskal-Wallis, Wilcoxon.
  • Prozentwerte (API, SBI): Können als quasi-metrisch behandelt werden – NV trotzdem prüfen.

Das Skalenniveau der drei Indizes

IndexEinzelwertAggregiertSkalenniveauKonsequenz
APIDichotom (+/−)ProzentwertQuasi-metrischParametrisch bei NV; sonst nichtparametrisch
SBIDichotom (+/−)ProzentwertQuasi-metrischWie API: NV prüfen
PBIOrdinal (0–4)Summe oder MedianOrdinalZwingend nichtparametrisch.

PBI zwingend nichtparametrisch, API und SBI quasi-metrisch mit Normalverteilungsprüfung – unsere Autoren wählen für jeden Index in Ihrer Dissertation das statistisch korrekte Verfahren und begründen die Testwahl im Methodenteil: Median und IQR für ordinale Daten, Mittelwert und SD nur bei bestätigter Normalverteilung, nichtparametrische Inferenzstatistik als Standard. Der „Mittelwert-Trick" bei PBI-Daten mag in publizierten Studien verbreitet sein – in einer Dissertation, die ein Gutachter mit statistischem Hintergrund liest, ist er ein vermeidbares Risiko.

⚠️ Der „Mittelwert-Trick" – und warum er kritisiert wird

In vielen publizierten Studien werden PBI-Mittelwerte mit t-Tests verglichen. Methodisch korrekt ist es nicht. Wenn Sie Mittelwerte für ordinale Daten verwenden, begründen Sie das explizit und berichten zusätzlich nichtparametrische Tests als Sensitivitätsanalyse. Besser: Von Anfang an nichtparametrisch arbeiten.

4. Deskriptive Statistik: Richtig beschreiben

Die Wahl der Lagemaße hängt direkt vom Skalenniveau ab.

IndexLagemaßStreuungsmaßGrafische Darstellung
API (%)Median (oder MW bei NV)IQR (oder SD bei NV)Boxplot, Histogramm
SBI (%)Median (oder MW bei NV)IQR (oder SD bei NV)Boxplot, Histogramm
PBI (0–4)MedianIQRBoxplot, gestapeltes Balkendiagramm
Beispiel Ergebnisdarstellung

„Der mediane PBI lag in der Testgruppe bei Baseline bei 2,0 (IQR: 1,0–3,0) und sank nach 6 Wochen auf 1,0 (IQR: 0,0–2,0). Der API sank von 58,3 % ± 12,1 % auf 28,7 % ± 9,8 % (Mittelwert ± SD; Normalverteilung bestätigt durch Shapiro-Wilk-Test, p = 0,21)."

Grafische Darstellung: Dos & Don'ts

✅ Empfohlene Diagrammtypen

  • Boxplots: Zeigen Median, IQR und Ausreißer
  • Gestapelte Balkendiagramme: Häufigkeitsverteilung der PBI-Grade
  • Violin-Plots: Kombination aus Boxplot und Dichteverteilung

❌ Vermeiden bei ordinalen Daten

  • Balkendiagramme mit MW ± SD: Suggerieren metrische Daten
  • Liniendiagramme mit Mittelwerten: PBI ist diskret
  • Kreisdiagramme: Kaum informativ für Vergleiche

5. Die richtigen statistischen Tests

Die Testwahl folgt: Skalenniveau × Gruppenanzahl × Verbundenheit.

Entscheidungsmatrix

FragestellungGruppenStichprobePBI (ordinal)API/SBI (quasi-metrisch)
2 Gruppen2UnverbundenMann-Whitney-Ut-Test (wenn NV) oder Mann-Whitney
3+ Gruppen3+UnverbundenKruskal-Wallis + Dunn'sANOVA (wenn NV) oder Kruskal-Wallis
Vorher-Nachher2 ZeitpunkteVerbundenWilcoxonGepaarter t-Test oder Wilcoxon
3+ Zeitpunkte3+VerbundenFriedman + Wilcoxon Post-hocRM-ANOVA oder Friedman
Korrelation––SpearmanPearson oder Spearman

Mann-Whitney-U für zwei unverbundene Gruppen, Kruskal-Wallis mit Dunn's Post-hoc für drei Gruppen, Wilcoxon für Vorher-Nachher, Friedman für Längsschnitt, Spearman für Korrelationen – unsere Akademiker wählen den Test nach der Logik Skalenniveau × Gruppenanzahl × Verbundenheit und berichten immer die Effektstärke (r = Z/√N oder η²), weil ein p-Wert allein nichts über die klinische Relevanz aussagt.

💡 Normalverteilung prüfen (NV)

Vor jedem parametrischen Test Shapiro-Wilk-Test (n < 50) oder Kolmogorov-Smirnov (n ≥ 50). Bei PBI: Immer nichtparametrisch, unabhängig von der Stichprobengröße.

Effektstärke nicht vergessen

📐 Effektstärke r (Mann-Whitney/Wilcoxon)

r = Z / √N. r = 0,1 (klein), 0,3 (mittel), 0,5 (groß). Angabe: „U = 245, Z = −3,12, p = 0,002, r = 0,42."

📐 Effektstärke η² (Kruskal-Wallis)

η² = H / (N − 1). η² = 0,01 (klein), 0,06 (mittel), 0,14 (groß). Post-hoc mit Bonferroni.

6. Längsschnittdaten auswerten: Vorher-Nachher & Verlauf

Die meisten Parodontologie-Studien sind Längsschnittstudien: Baseline → Behandlung → Follow-up.

Zwei Zeitpunkte (Vorher-Nachher)

Standardvorgehen

  • PBI: Wilcoxon-Vorzeichen-Rang-Test
  • API/SBI: Gepaarter t-Test (wenn NV) oder Wilcoxon
  • Differenzen berechnen (Δ = Baseline − Follow-up)

Drei oder mehr Zeitpunkte

Standardvorgehen

  • PBI: Friedman-Test. Post-hoc: Wilcoxon + Bonferroni
  • API/SBI: RM-ANOVA oder Friedman
  • Alternative: GEE für ordinale Längsschnittmodellierung

⚠️ Multiples Testen: Bonferroni-Korrektur

Bei 3 Vergleichen: α = 0,05/3 = 0,017.

Spezialfall: Zwei Gruppen × mehrere Zeitpunkte

Option A: Getrennte Tests

Pro Zeitpunkt: Mann-Whitney-U. Pro Gruppe: Friedman. Nachteil: Interaktionseffekt wird nicht direkt getestet.

Option B: GEE

Generalized Estimating Equations modellieren ordinale Daten im Längsschnitt. Empfehlung: Statistik-Beratung einholen.

Komplexe Längsschnittauswertung in der Paro-Dissertation?

Unsere Statistik-Experten unterstützen bei GEE, Friedman und gemischten Modellen
Statistik-Beratung →

7. SPSS & R: Syntax-Beispiele

Mann-Whitney-U-Test (zwei Gruppen, PBI)

SPSS · Mann-Whitney-U
* Mann-Whitney-U-Test: PBI-Vergleich Test- vs. Kontrollgruppe
NPAR TESTS
  /MANN-WHITNEY= PBI_Baseline BY Gruppe(1 2)
  /STATISTICS=DESCRIPTIVES
  /MISSING ANALYSIS.
R · Mann-Whitney-U
# Mann-Whitney-U-Test
wilcox.test(PBI_Baseline ~ Gruppe, data = df,
            exact = FALSE, correct = TRUE)

# Effektstärke r
result <- wilcox.test(PBI_Baseline ~ Gruppe, data = df)
z <- qnorm(result$p.value / 2)
r <- abs(z) / sqrt(nrow(df))
cat("Effektstärke r =", round(r, 3))

Wilcoxon-Test (Vorher-Nachher, PBI)

SPSS · Wilcoxon
* Wilcoxon: PBI Baseline vs. 6 Wochen
NPAR TESTS
  /WILCOXON= PBI_Baseline WITH PBI_6Wochen (PAIRED)
  /STATISTICS=DESCRIPTIVES
  /MISSING ANALYSIS.
R · Wilcoxon signed-rank
wilcox.test(df$PBI_Baseline, df$PBI_6Wochen,
            paired = TRUE, exact = FALSE)

Friedman-Test (3+ Zeitpunkte, PBI)

R · Friedman + Post-hoc
# Friedman-Test
friedman.test(cbind(PBI_BL, PBI_3M, PBI_6M) ~ 1, data = df)

# Post-hoc: Wilcoxon mit Bonferroni
pairwise.wilcox.test(
  c(df$PBI_BL, df$PBI_3M, df$PBI_6M),
  rep(c("BL", "3M", "6M"), each = nrow(df)),
  p.adjust.method = "bonferroni", paired = TRUE)

Shapiro-Wilk & Spearman

R · NV-Prüfung & Korrelation
shapiro.test(df$API_Baseline)
qqnorm(df$API_Baseline); qqline(df$API_Baseline, col = "red")
cor.test(df$PBI, df$API, method = "spearman")
Formulierung im Methodenteil

„Ordinalskalierte Daten (PBI) wurden als Median und Interquartilsbereich dargestellt. Gruppenvergleiche erfolgten mittels Mann-Whitney-U-Test (unverbundene Stichproben) bzw. Wilcoxon-Vorzeichen-Rang-Test (verbundene Stichproben). Quasi-metrische Daten (API, SBI) wurden nach Prüfung auf Normalverteilung (Shapiro-Wilk-Test) mit dem gepaarten t-Test bzw. dem t-Test für unverbundene Stichproben ausgewertet. Korrelationen zwischen Indizes wurden mittels Spearman-Rangkorrelation berechnet. Das Signifikanzniveau wurde auf α = 0,05 festgelegt. Alle Analysen erfolgten mit SPSS (Version 29, IBM Corp.) [oder R (Version 4.3.2, R Foundation)]."

SPSS-Syntax für Mann-Whitney und Wilcoxon, R-Syntax für Friedman mit Bonferroni-Post-hoc, Shapiro-Wilk für Normalverteilungsprüfung, Spearman für Korrelationen – unsere Ghostwriter liefern die vollständige statistische Auswertung Ihrer Parodontologie-Daten mit kommentierten Syntax-Dateien und formulieren den Methodenteil so, wie das Muster oben es zeigt: mit Skalenniveau-Begründung, Testverfahren, Signifikanzniveau und Software-Version.

8. Typische statistische Fehler in Parodontologie-Studien

#FehlerWarum problematisch?Korrekte Lösung
1t-Test auf PBI-DatenPBI ist ordinal – t-Test setzt Intervallskala und NV vorausMann-Whitney-U oder Wilcoxon
2Mittelwert ± SD für PBIMittelwert impliziert gleiche AbständeMedian (IQR)
3Keine NV-Prüfung vor t-TestParametrische Tests ungültig bei Nicht-NVShapiro-Wilk vor jedem parametrischen Test
4Multiples Testen ohne Korrekturα-Fehler-InflationBonferroni oder Dunn's Post-hoc
5Keine Effektstärkep sagt nichts über klinische Relevanzr = Z/√N oder η²
6Pearson statt SpearmanPearson setzt Intervallskala vorausSpearman-Rangkorrelation
7Inter-Rater-Reliabilität fehltPBI (5 Stufen) ist untersucherabhängigGewichtetes Cohen's κ
8Keine Power-AnalyseStudie möglicherweise underpoweredG*Power vor Studienbeginn
9MW±SD-Balkendiagramm für PBISuggeriert metrische DatenBoxplot oder gestapeltes Balkendiagramm
10Chi²-Test für PBIIgnoriert ordinale StrukturMann-Whitney-U nutzt Rangordnung

t-Test auf ordinale Daten, Mittelwert statt Median, keine Normalverteilungsprüfung, kein Bonferroni, keine Effektstärke, Pearson statt Spearman, keine Inter-Rater-Reliabilität, keine Power-Analyse, MW±SD-Balkendiagramm, Chi² statt Mann-Whitney – zehn Fehler, die zusammen den Großteil aller statistischen Mängel in Parodontologie-Dissertationen ausmachen. Unsere Autoren kennen jeden dieser Stolpersteine und werten Ihre klinischen Daten so aus, dass ordinale Indizes nichtparametrisch getestet, Normalverteilung geprüft, Effektstärken berichtet und Post-hoc-Vergleiche korrigiert sind.

Häufig gestellte Fragen

Darf ich den Mittelwert von PBI-Werten berechnen?

Streng genommen nein. Empfehlung: Median (IQR) als primäres Lagemaß, Inferenzstatistik immer nichtparametrisch.

Welche Stichprobengröße brauche ich für PBI-Vergleiche?

Faustregel: Bei mittlerem Effekt (d = 0,5) ca. n = 30 pro Gruppe für Power = 0,80. G*Power vor Studienbeginn berechnen.

Kann ich API und PBI in derselben Studie erheben?

Ja – empfehlenswert. API misst Plaque (Ursache), PBI Entzündung (Wirkung). Korrelation mit Spearman. Jeder Index wird statistisch separat ausgewertet.

Was ist der Unterschied zwischen SBI und BOP?

Beide dichotom (ja/nein). SBI: Sulkus wird ausgestrichen. BOP: Parodontalsonde bei Sondierungstiefenmessung. In der modernen Parodontologie meist BOP. Statistisch identisch ausgewertet.

Wie berichte ich die Inter-Rater-Reliabilität für den PBI?

Gewichtetes Cohen's Kappa (κ) an mind. 10–15 Patienten. κ > 0,80 = sehr gut. Formulierung: „Das gewichtete Cohen's Kappa betrug κ = 0,83 (95 %-KI: 0,76–0,90)."

Kann ich mir bei der Statistik meiner Paro-Dissertation helfen lassen?

Ja – unser Team bei BAS – Business and Science umfasst Statistiker und Ghostwriter mit medizinischem Hintergrund. Mehr dazu: Doktorarbeit schreiben lassen und Statistik-Beratung.

Parodontologie-Dissertation professionell unterstützt

Von der Indexwahl über die nichtparametrische Auswertung bis zum korrekt formulierten Methodenteil – unsere Akademiker unterstützen Parodontologie-Dissertationen mit der statistischen und inhaltlichen Expertise, die Gutachter erwarten. Seit 2012 haben wir über 12.000 Projekte abgeschlossen, darunter zahlreiche klinische Studien in der Parodontologie mit API, SBI, PBI und BOP. Klinische Datenerhebung, statistische Auswertung ordinalskalierter Indizes oder den Methodenteil Ihrer Dissertation auf Gutachter-Niveau formulieren? Unser Team mit promovierten Zahnmediziner:innen und Biostatistiker:innen unterstützt Sie – fristgerecht und methodisch fundiert.

Ghostwriter Zahnmedizin Ghostwriter Jetzt anfragen

📚 Weiterführende Seiten

Ghostwriter Hausarbeit Ghostwriter Seminararbeit Ghostwriter Bachelorarbeit Ghostwriter Masterarbeit Ghostwriter Diplomarbeit Ghostwriter Doktorarbeit Ghostwriter Exposé
crossmenu