Mediziner: Lost in Statistik

17. Februar 2016
Teilen

Statistik. Vielen Medizinstudenten ein Gräuel. Die Uni-Kurse sind selten gut besucht. Und wenn, dann nur, weil sie Pflicht sind. Doch Studien unter Ärzten und Studenten zeigen, dass bei der Risikoeinschätzung und Interpretation diagnostischer Ergebnisse einiges im Argen liegt.

Es gibt keine gute Medizin ohne Statistik. Das ist vielen Medizinstudenten nicht wirklich bewusst. Warum sollte sich ein angehender Arzt mit Statistik befassen? Ärztliches Handeln basiert auf Wissen. Und dieses Wissen wurde erworben durch teils langjährige Forschung und Studien. Es ist wichtig, zu verstehen, wo dieses Wissen herkommt und wie es entstanden ist. Ansonsten verfallen wir Zufällen und Halbwahrheiten, die auch dadurch nicht besser werden, dass sie mantrahaft wiederholt werden. Dies wäre unter ethischen, medizinischen und ökonomischen Aspekten nicht vertretbar.

Und dennoch sind die Statistikkurse an der Uni bei den Studenten nicht gerade beliebt. Zum einen sind sie dadurch unattraktiv, dass viele das längst verdrängte Mathe-Abiwissen wieder aus ihrem Gehirn hervorkramen müssen. Vor allem die, die damals schon heilfroh waren, als das Fach überstanden war. Statistik ist für viele ein komplizierter Zahlenwust mit diffusen Formeln und Regeln, die doch auch ein Computer erledigen kann. Oder eben richtige Statistiker. Warum sich viele Medizinstudenten und auch Ärzte mit dem Thema Statistik befassen sollten, erschließt sich erst, wenn man erkannt hat, wie man ohne dieses Wissen manipuliert werden kann und mit dem Wissen seinen Patienten durch richtige Einschätzung von Studien und Forschungsergebnissen besser helfen kann.

Relativ oder absolut? Zu Risiken und Nebenwirkungen

Finnische Forscher haben kürzlich untersucht, wie Ärzte die Risikoeinschätzung in Bezug auf die Krankheiten ihrer Patienten betreiben. Dabei kam zutage, dass zu oft der potenzielle Nutzen eines Tests oder einer Behandlung überzeichnet und die Gefahr bei unterlassener Therapie drastisch übertrieben werde, so Teppo Järvinen von der Universität Helsinki. „Einem Menschen ein ,hohes Risiko’ zu attestieren, ist mittlerweile zu einer eigenen Krankheit geworden“, so der Arzt. „Auf diese Weise werden Gesunde krank gemacht und krank geredet.“ Laut Järvinen sind die meisten Ärzte statistische Analphabeten und würden so wenig wie ihre Patienten verstehen, was Risikoangaben eigentlich bedeuten.

Da fragt man sich, wie kann das sein? Sollten sie nicht in ihrem Studium darauf vorbereitet worden sein? Gerade Ärzte sollten doch wissen, wie sie Risiken interpretieren, schließlich sind sie es ja, die ihren Patienten aufgrund solcher Angaben Medikamente und Therapien verschreiben. „Ärzte verschreiben enthusiastisch ein neues Osteoporose-Mittel, weil es die Wahrscheinlichkeit, eine Hüftfraktur zu vermeiden, von 97,9 auf 98,9 Prozent erhöht“, sagt Järvinen. „Wahrscheinlich wurde das als 50-prozentige Risikominderung angepriesen, um den Nutzen eindrucksvoller aussehen zu lassen.“ Das ist ein beliebter Trick. Doch den Unterschied zwischen absoluter und relativer Risikoreduktion kennen viele Ärzten nicht.

Schaffung von Phantom-Gefahren?

Die absolute Risikoreduktion in diesem Beispiel ist, dass die Gefahr für eine spätere Fraktur von mickrigen 2,1 gerade einmal auf 1,1 Prozent verringert wird. Relativ gesehen jedoch verringert sie sich um stolze 50 Prozent, was sich als Werbung für ein neues Produkt natürlich viel besser macht. Eigentlich ganz einfach.

„Es gibt zwar lobenswerte Ansätze, die Kommunikation über Vor- und Nachteile in der Medizin zu verbessern, […] doch der Analphabetismus in Sachen Risikoabschätzung ist bei Ärzten wie Patienten immer noch riesengroß.“ Nur aufgrund dieser Blindheit für die eigentlichen Gefahren sei es den Fachverbänden der Kardiologen möglich gewesen, vor zehn Jahren die Grenzwerte für Blutdruck und Cholesterin so weit zu senken, dass den meisten Erwachsenen ein hohes Risiko angedichtet wurde. „Hätte man sich danach gerichtet, wäre zur Behandlung von Hochdruck und Cholesterin das gesamte Budget im Gesundheitswesen draufgegangen“, so Järvinen.

Unnötige bittere Pillen

Was für den Geldbeutel der Pharmaindustrie gut ist, ist nicht immer für den Patienten gut. So bemerkt Järvinen auch, dass Patienten oft ein ganz anderes Verständnis davon hätten, ab welchem Risiko sie überhaupt sinnvollerweise eine Therapie benötigten. Während die Produkthersteller am liebsten schon ab geringen Risikoreduktionswerten ihre Medikamente an den Patienten bringen würden, wären die Konsumenten eigentlich erst ab über 20 % absoluter Risikoreduktion dazu bereit, diese für sie bitteren Pillen zu schlucken.

Doch wer legt fest, ab wann der Patient eigentlich ein Patient ist und damit behandlungsbedürftig? Im Prinzip liegt die Entscheidung hier wieder beim behandelnden Arzt und deswegen muss der sich mit der Interpretation von klinischen Studien und daraus gewonnenen Daten beschäftigen. Er ist sogar nach der Fortbildungspflicht rechtlich dazu verpflichtet, „sich bis an die Grenze des Zumutbaren über die Erkenntnisse und Erfahrungen der Wissenschaft unterrichtet zu halten“ (Bundesgerichtshof, NUW 1977, 1102, 1103). Und dazu gehört auch die „Lektüre führender Fachzeitschriften. Denn wenn der Arzt diese Pflicht versäumt, kann dies zu einem groben Behandlungsfehler führen.“ (OLG Koblenz 5U 1450/11).

Statistik im Studium

Doch natürlich muss der Arzt die Sachen, die er liest, auch verstehen. Eine vor knapp vierzig Jahren durchgeführte Umfrage des New England Journal of Medicine unter Medizinstudenten und Ärzten aus Harvard untersuchte das Verständnis von Ergebnissen diagnostischer Tests. Sie wurden gefragt: „Wenn ein Test, der eine Krankheit mit einer Prävalenz von 1/1000 detektiert, eine Falsch-Positiv-Rate von 5 % hat, wie hoch ist dann das Risiko, dass eine Person, die ein positives Testergebnis hat, wirklich die Krankheit hat? (angenommen, Sie wissen sonst nichts weiter über ihre Symptome).“ Schockierendes Ergebnis: Weniger als 5 % der Befragten konnten die richtige Antwort geben. Und die meisten dachten, dass der hypothetische Patient zu 95 % die Krankheit hat.

Natürlich kann man jetzt sagen, die Umfrage liegt lange Zeit zurück und inzwischen müsste sich ja das statistische Verständnis der Medizinstudenten verbessert haben, wo man es schon in ihren Stundenplan integriert hat. Doch traurigerweise ist dem nicht so. Vor zwei Jahren wurde der Test mit Medizinstudenten und Ärzten wiederholt.

Runtergespielte Relevanz

Das Ergebnis: 75 % der Befragten lagen wieder falsch, fast die Hälfte schätzte das Risiko wiederum mit 95 % ein. „Das große Problem heutzutage ist, dass in der medizinischen Ausbildung zu wenig Wert auf Unterricht in evidenzbasierter Medizin gelegt wird, wie beispielsweise Biostatistik und Epidemiologie“, schreibt der amerikanische Medizinstudent Walter Wiggins in seinem Blog. Zwar gibt es Angebote an der Universität und teilweise auch Pflichtkurse in den Fächern, den Studenten wird das nötige Wissen aber dennoch nur spärlich vermittelt.

„Einerseits dachten meine Kommilitonen und ich einfach nicht, dass Statistik wichtig genug war, um es ernst zu nehmen und darauf richtig zu lernen. Andererseits wurde die Relevanz für unsere späteren medizinischen Entscheidungen auch nicht wirklich betont und der Kurs selbst war ein langweiliges Absitzen“, so Wiggins. „Natürlich mussten wir für das Examen grundlegende Prinzipien und Rechnungen lernen, aber danach hat sich keiner mehr darum gekümmert und es wurde schnell wieder vergessen.“

Blinde unter Blinden?

„Wir gehen davon aus, dass Ärzte ausgewogen und kenntnisreich Empfehlungen über das Leben der Patienten abgeben, die vor ihnen sitzen“, sagt Järvinen. Leider sei das trotz Medizinstudiums und klinischer Ausbildung oft nicht der Fall. „Führen etwa die Blinden die Blinden?“ Auch in Deutschland ist die Situation ähnlich. Statistikkurse sind zwar fester Bestandteil des Curriculums, ernst genommen werden sie von den meisten Medizinstudenten jedoch nicht.

Biometrie und Statistik war bei uns damals furchtbar langweilig“, erinnert sich Matthias Schreyner, Medizinstudent im 9. Semester in München. „Eigentlich war jeder froh, als der Kurs vorbei war. Ich hätte mir gewünscht, dass der Stoff ein bisschen spannender für uns Mediziner aufbereitet worden wäre […].“ Matthias brachte sich die Statistik im Rahmen seiner Doktorarbeit bei. „Als ich für unsere journal clubs gezwungen war, immer wieder Studien vorzustellen, über die wir im Anschluss dann diskutiert haben, musste ich mich in die Thematik reinfuchsen. Später habe ich dann selbst mit den Statistikern unseres Instituts für die Doktorarbeit zusammen gearbeitet und da habe ich einiges gelernt. Jetzt weiß ich wenigstens, wie ich Studienergebnisse zu bewerten habe, das kann mir als Arzt nur von Vorteil sein.“

Traue keiner Statistik, die du nicht selbst gefälscht hast

Studienstatistiken zu interpretieren ist nicht einfach. Oft ist undurchsichtig, wer sie finanziert und was mit den gewonnenen Daten wie angestellt wurde. Es gibt natürlich immer wieder gefälschte Statistiken, es gibt aber auch solche, die einfach falsch oder naiv interpretiert werden. Skepsis und Hinterfragen sind immer angebracht. Wer dies nicht tut, ist aufgeschmissen. „Das Unwissen wird von der Industrie und anderen Interessenvertretern beinhart ausgenutzt. Statistik wird so präsentiert, wie sie ins Konzept passt. Viele Ärzte müssen Ergebnisse glauben, weil sie sie nicht selbst interpretieren können“, so der Direktor der österreichischen Cochrane-Zweigstelle Gerald Gartlehner.

Welche Auswirkungen das für den Patienten haben kann, erläutert Gartlehner auch gleich an einem Beispiel: „Bei einer Konferenz in Deutschland wurden Gynäkologen befragt, wie groß die Wahrscheinlichkeit ist, dass eine Frau mit einem positiven Brustkrebs-Screening tatsächlich Brustkrebs hat. 90 Prozent konnten das nicht interpretieren, die meisten haben es überschätzt. Tatsächlich liegt die Wahrscheinlichkeit bei nur circa zehn Prozent, alles andere sind falsch-positive Befunde. Wenn eine Frau nun fragt ‚Was bedeutet das für mich, habe ich wirklich Krebs?‘ und der eigene Gynäkologe kann das nicht interpretieren, dann ist das natürlich dramatisch für die Frau. Das ist statistischer Analphabetismus mit Konsequenzen im täglichen Leben.“

Die „einfachen Antworten“ der Vertreter

Laut Gartlehner seien jüngere Mediziner zwar oft wesentlich kritischer eingestellt, die Statistik wäre aber nach wie vor etwas, was man offenbar im Studium nicht ausreichend lernt. „Pharmavertreter kommen mit gut gemachten Broschüren, schön aufbereiteten Statistiken und einfachen Antworten und haben dann zehn Minuten, um den Arzt zu überzeugen“. Und die meisten schaffen es auch. Ohne Grundkompetenzen in Statistik ist kritisches Hinterfragen in der Medizin nicht möglich. Deswegen lohnt es sich beim nächsten Statistikkurs doch etwas genauer aufzupassen. Man sollte hier wirklich einmal nicht nur für die Klausur, sondern fürs Leben lernen.

115 Wertungen (4.83 ø)

Die Kommentarfunktion ist nicht mehr aktiv.

42 Kommentare:

Studentin der Humanmedizin

Die originale Frage aus dem New England Journal of Medicine lautete:
“If a test to detect a disease whose prevalence is 1/1000 has a false positive rate of 5%, what is the chance that a person found to have a positive result actually has the disease, assuming you know nothing about the person’s symptoms or signs?”
Laut Autoren ist die Musterlösung: “Assuming a perfectly sensitive test, we calculated that the correct answer is 1.96% and considered “2%,” “1.96%,” or “<2%” correct."
Zwei verschiedene Rechenwege finden Sie hier: https://resusreview.com/2014/improve-understanding-ppv-visualization/
Mit freundlichen Grüßen
Marlene Heckl

#42 |
  0
Gast
Gast

von 39 an 40:

nein, so verstehe ich die Frage nicht. Ein Test ist oft nur ein Baustein für die Diagnose. Die Zahl der wirklich Erkrankten (mit endgültiger Diagnose) ist entscheidend für die Prävalenz (=Quotient) einer Erkrankung.

In meinem ersten Beitrag (#32) hatte ich die Frage an Frau Heckel gerichtet, ob die Umfrage aus dem New England Journal of Medicine auch so gestellt, also richtig widergegeben wurde.
So wie die Frage im Artikel steht, geht es lediglich um das Risiko, das EINE Person für die Erkrankung hat, wenn sie in dem Test mit einer Falsch-Positiv-Rate von 5% POSITIV getestet wurde (und andere Bausteine nicht bekannt sind). Die Prävalenz der Erkrankung spielt bei der SO gestellten Frage keine Rolle, ist eine falsche Fährte.

Wir waren uns einig, dass es eine Prävalenz einer Erkrankung aber nicht eines Testes gibt (bei 1.1000 wohl auch eine Absurdität).

#41 |
  0
Hans-Werner Steinberg
Hans-Werner Steinberg

Noch einmal zu #39:
Verstehern sie die Frage (Zitat Heckl):

„Wenn ein Test, der eine Krankheit mit einer Prävalenz von 1/1000 detektiert, eine Falsch-Positiv-Rate von 5 % hat, wie hoch ist dann das Risiko, dass eine Person, die ein positives Testergebnis hat, wirklich die Krankheit hat? (angenommen, Sie wissen sonst nichts weiter über ihre Symptome).“

so, dass der Test eine Prävalenz detektiert? Das wäre ja dann ein generelles Screening, z.B. der WHO, um die Prävalenz erst einmal herauszufinden. Dann weiß man aber auch noch nichts über eine Falsch-Positiv-Rate.

Ich verstand und verstehe die Frage so, dass es um eine Krankheit geht, von der die Prävalenz und die Falsch-Positiv-Rate bekannt sind, und nun kommt irgendeiner, zufällig aus der Gesamtpopulation ausgewählt, und lässt sich testen. Dann sehe ich keine andere Möglichkeit der Risiko-Berechnung als in #30

Ich glaube Ihnen gern, dass die maximal 2% Sie an der Gültigkeit dieses Ergebnisses zweifeln lassen, was hätten dann unsere Mediziner für eine katastrophale Diagnosekompetenz. Mich hat das Ergebnis auch erst einmal sehr gewundert. Deswegen habe ich dann in #34 ausgeführt, dass die Population der getesteten ja eine ganz andere sein kann, es könnte ja ein sehr großer Teil der potentiell negativ getesteten sich einem Test erst gar nicht unterziehen, und der Anteil der potentiell positiv getesteten unter allen Getesteten sehr viel höher ist als in der Gesamtpopulation, weil diese Patienten eben einen Verdacht auf die Diagnose haben. Nur wer diesen Verdacht hat, geht zum Arzt.

Letzten Endes bleibt einem Diagnostiker bei einer “orphan disease” nichts anderes übrig, als bei einem positiven Test weitere Untersuchungen anzustellen, es sei denn, die Falsch-Positiv-Rate ist 0. Aber das gibt es glaube ich nicht.

Das Unrealistische, ja bereits in der Frage, ist eigentlich nur, Zitat: “(angenommen, Sie wissen sonst nichts weiter über ihre Symptome)”, dass also einer zufällig aus der Gesamtpopulation getestet wird.

#40 |
  0
Gast
Gast

nochmals von #36:
1. und 2. stimme ich wieder voll zu. Beides entspricht aber nicht der Frage im Artikel. (s.a.unter #32).
Selbst wenn man die Frage wie unter 1. verstehen würde, wären auch die ca. 2% fern der jeder Realität.

#39 |
  0
Hans-Werner Steinberg
Hans-Werner Steinberg

an #37: ich sollte meine Aussage in #34 zweiteilen:

1. Das Risiko von EINEM positiv getesteten ist genau das gleiche Risiko wie bei jedem von allen (in unserem Beispiel 4995 bis 5095) positiv getesteten, wenn dieser Test die einzige Information ist.

2. Das Risiko von EINEM negativ getesteten ist genau das gleiche Risiko wie bei jedem von allen (in unserem Beispiel 94 905 bis 95 005) negativ getesteten, wenn dieser Test die einzige Information ist.

Ihr Prävalenzbegriff ist der einzig bekannte. Sorry für meine schlampige Formulierung

#38 |
  0
Gast
Gast

Ergänzung von #36 an #35:

Sind unsere Definitionen gleich?

Bis jetzt ging ich davon aus, dass mit dem Begriff der Prävalenz der
Quotient aus der Anzahl der Erkrankten in einer Population und der Anzahl aller Individuen dieser Population gemeint ist.

Eine Prävalenz eines Testes und noch dazu von 1:1000 kannte ich nicht und wäre für mich so weltfremd und hätte auch keinen Anspruch auf den Namen “Test”. Ein Wünschelrutengänger käme sicher auf eine viel bessere Quote.

#37 |
  0
Gast
Gast

Vielen Dank Herr Steinberg.

Der letzte Satz hat es uns angetan. ;)

Wenn Sie in ihrem letzten Satz jetzt schreiben:

“Das Risiko von EINEM getesteten ist genau das gleiche Risiko wie bei jedem von allen 1000 (oder 100 000 oder was auch immer) getesteten, wenn dieser Test die einzige Information ist.”

kann ich dem voll zustimmen.
Aber in der Frage, so wie sie von Frau Heckl beschrieben wurde, ging es doch nicht um EINEN von 1000 Getesteten, sondern um das Risiko von EINEM bereits POSITIV Getesteten!

#36 |
  0
Dr. med. Wurst
Dr. med. Wurst

Nr 4, Dr. Schätzler:
Wobei diese Invarianz im Entscheidungsverhalten weniger durch Statistikdefizite der Aspiranten zustande kommt. Vielmehr ist hier ein psychologisches Phänomen im Spiel, nämlich der Effekt der “Rahmung”. Menschen neigen in Situationen, in denen sie von einem Verlust ausgehen, eher zu riskantem Verhalten. Während sie sich bei Erwartung eines Gewinns eher risikolos verhalten. Da die Aussage “Sterbewahrscheinlichkeit” negativ bzw. mit Verlust (des Lebens), “Überlebenswahrscheinlichkeit” hingegen positiv bzw. mit Gewinn (des Überlebens) gerahmt ist, tendiert die Mehrheit -trotz exakt gleicher Wahrscheinlichkeit- intuitiv zu Letzterem. Freilich sollten Heilberufler diese Wahrnehmungsverzerrung möglichst vermeiden, erliegen ihr dennoch immer mal wieder.

#35 |
  0
Hans-Werner Steinberg
Hans-Werner Steinberg

Zu #32: Ich denke, Prävalenzen, die man veröffentlicht findet, beziehen sich auf Gesamtpopulationen. Es mag in einer Klinik oder Praxis allerdings, vielleicht unterschiedlich je nach Krankheit, eine ganz andere Prävalenz bestehen, da dort vielleicht nur Patienten erscheinen, die schon einen Verdacht auf diese Krankheit haben. Das verändert dann den PPV natürlich entscheidend. Eine große Klinik könnte sicher ihre eigene Prävalenz ausrechnen, wenn sie alle mit einbezieht, die als nicht krank wieder weggeschickt wurden, und dann entsprechend eigene PPV, also Risiken, bei positivem Test tatsächlich krank zu sein, ausrechnen.

Ansonsten muss ich den letzten Absatz von #32 so korrigieren, dass es um das Risiko nicht von allen Getesteten, sondern nur von den positiv getesteten geht, und wenn die Prävalenz entsprechend gering ist, dann sind halt so wenig Kranke, selbst wenn sie zu 100% als krank getestet werden (TP=100%), dabei, dass die paar Prozent aus den Gesunden, fälschlich als krank getestet, viel mehr sind.

Das Risiko von EINEM getesteten ist genau das gleiche Risiko wie bei jedem von allen 1000 (oder 100 000 oder was auch immer) getesteten, wenn dieser Test die einzige Information ist.

#34 |
  0
Gast
Gast

…ich meinte “1000 Getestete (#12)”

#33 |
  0
Gast
Gast

Die Aussage vom alten Kant (Immanuel, 1724-1804) fiel mir beim Lesen des Textes (während der vorklinischen Semester vor Jahrzehnten gefunden, eigenartigerweise noch abrufbar) ein. Er sagte sinngemäß: In einer Naturlehre ist nur soviel Wissenschaft, als darin Mathematik anzutreffen ist. Er meinte wohl nicht nur das mathematische Equipment, aber sicher auch das.

Den Artikel von Frau Heckl halte ich für sehr wichtig, da die nicht exakte Interpretation von Studienzahlen schnell auch zu falschen Therapien führen kann. Nur, liebe Frau Heckl, weiß ich nicht, ob sie in Ihrem Artikel auch alles richtig übernommen haben. Falsch ist auf alle Fälle Ihre Angabe zur relativen Risikoreduktion um “50%”. Richtig sind 47,61 %.
Nun bin ich mir nicht sicher, ob die von Ihnen genannte Umfrage des New England Journal of Medicine auch so gestellt und ausgewertet wurde.

Wie bei einem Patienten mit einem positiven Testbefund bei einer Falsch-Positiv-Rate von 5 % ein Risiko für die Erkrankung von NUR 2% bestehen soll, bleibt mir ein Rätsel. Die Prävalenz ist doch eine falsche Fährte? Es ist hier nicht gefragt, wie viele von den 1000 Getesteten (#10) krank sind, sondern wie hoch das Risiko bei EINEM positiv Getesteten ist.
Bin dankbar für eine Erklärung. (auch von #30 und #31)

#32 |
  0
Hans-Werner Steinberg
Hans-Werner Steinberg

Nochmal eine Ergänzung zu Nr. 12: hier istz das Missverständnis, dass die 5% falsch positiven nicht einen Anteil aus den 100 positiven, sondern einen Anteil aus den (100 000 – 100 =) 99 900 negativen meinen, also nicht 5, sondern 4 995.

#31 |
  0
Hans-Werner Steinberg
Hans-Werner Steinberg

Zu Nr. 10, 18, 20, 21, 29: Der Link von #18 ist gut, man sollte ihn aber genau lesen, um ein korrektes Ergebnis zu erzielen. Das genannte Ergebnis von 2% ist unter gewissen Umständen zwar richtig, aber verständlich erklärt ist es hier nicht.

Die genannten Zahlen Prävalenz 1/1000 und Falsch-Positiv-Rate 5% reichen nicht aus, um die Warscheinlichkeit, dass der positiv getestete tatsächlich die Krankheit hat, zu berechnen (PPV=positive prediction value). Man kann nur eine obere Abschätzung geben (höchstens 2%). Man schaue sich in dem Link unter Nr. 4-8 an, was benötigt wird für die Berechnung. Trotzdem möchte das im Artikel genannte Beispiel einmal durchgehen an Hand von 100000 Patienten:

Prävalent: 100 nicht prävalent: 99900
Test positiv: TP (true positive) ? FP (false positive) 5% 4995

Die Spezifität, nicht Kranke auch als solche zu testen, ist 95%, da ja 5% falsch positiv (FP) getestet werden (Spezifität=1-FP). Es fehlt die Angabe über die Sensitivität (TP = true positive), wie viele der Kranken auch als krank getestet werden. Also nehmen wir alles von verrückt bis ideal an, 0% – 100%. Natürlich sollte die Sensitivität bei einem etablierten Test weit über 50% liegen, ja besser über 90%, aber gut. In der ganzen Bandbreite bekommen wir also zwischen 0 und 100 richtig als krank diagnostizierte Patienten, insgesamt also zwischen 4995 und 5095 als krank diagnostizierte Patienten. Von diesen sind 0 – 100 wirklich krank, das macht für
TP=0% 0/(4995+0)% = 0 wirklich Kranke
TP=50% 50/(4995+50)% = 0,99% wirklich Kranke,
TP=90% 90/(4995+90)% = 1,77% wirklich Kranke,
TP=95% 95/(4995+95)% = 1,87% wirklich Kranke und
TP=100% 100/(4995+100)% = 1,96% wirklich Kranke.

#30 |
  0
Gast
Gast

… würde mich um eine Antwort an #12
sehr freuen: Test misst bei 100 000 Personen 100 echt Kranke und 5 Gesunde als krank (5% falsch pos.) ! Wenn einer + ist, wie hoch ist also die Wahrscheinlichkeit, dass er wirklich krank ist? (wirklich nur 2%?)

#29 |
  0
Dr. Julius Schneider
Dr. Julius Schneider

Nun Herr Dr. Winter, es heißt in dem Eingangssatz ja nicht, dass es gute Medizin NUR mit Statistik gibt. Empathie gehört sicherlich auch dazu, was der Satz ja aber nicht ausschließt. Ich für meinen Teil finde, dass beides wichtig ist und sicherlich auch noch einige andere Komponenten zu nennen sind. Das würde aber den Rahmen sprengen.
Ich finde den Artikel gut gelungen und würde mich über mehr zu dem Thema freuen.

#28 |
  0

Die Botschaft des Artikels, wir Ärzte müssen uns im Statistikbereich munitionieren um nicht manipuliert zu werden ist sicher richtig. Dies betrifft den Marketingbereich. Bewusst manipulierte Statistiken werden trotz bester Statistikkenntnisse häufig nicht aufgedeckt, da sie subtil und professionell gefälscht wurden.
Ihrem Eingangssatz “Es gibt keine gute Medizin ohne Statistik” kann ich aber nicht zustimmen. Wenn gute Medizin nur aus Empirie besteht mögen wir uns Mediziner aber nicht Ärzte nennen. “Es gibt keine gute Medizin ohne Empathie” passt besser.

#27 |
  1
Gast
Gast

Danke für diesen guten Artikel, der sich wirklich gut liest und das Thema gut abhandelt. Er sagt, was man als mündiger Bürger auch empfindet und was inzwischen doch öfter aufgegriffen wird. Was auch immer schuld ist, der Unwille der angehenden Ärzte oder die mutwillige Falsch-Interpretation der daran Interessierten. Wichtig ist, dass es veröffentlicht wird und somit auch Veränderungen eingeläutet werden.

#26 |
  0
Alexander Warth
Alexander Warth

@Gast die Statistik ist nicht weit von der Oberstufenmathematik entfernt (Man braucht dafür nicht die Vorlesungen Mathe 1 bis 3 um überhaupt das Werkzeug zu erlernen. “Statistik wird im Matheunterricht schon stiefmütterlich behandelt, an der Uni kann man ohne Grundwissen auch nicht viel reißen” . Ist es nicht gerade das was ein Studium ausmacht – sich etwas beizubringen zu lernen. Sich in Bücher zu vergraben ? Deshalb bezog ich meine Aussage auf den NC – Wenn man einen Schnitt um die 1,0 für den NC braucht – so hat man höchstwahrscheinlich keine 5 in Mathe und eigentlich sollte ein sehr guter Abischnitt doch die Fähigkeit des Lernens wiederspiegeln. Selbst wenn die Grundlagen in der Oberstufe ehr dürftig sein sollten.

Mir ging es bei meiner Aussage weniger um den NC, sondern wohl ehr um die Tatsache, dass das Thema nicht den Stellenwert hat den es aber bräuchte.

#25 |
  0
Gast
Gast

Das ein NC irgendwas über das Grundwissen in Statistik sagt bezweifele ich. Statistik wird im Matheunterricht schon stiefmütterlich behandelt, an der Uni kann man ohne Grundwissen auch nicht viel reißen. Dazu ist die Didaktik wie erwähnt schlecht und der Kurs zu kurz.

#24 |
  0
Dr. Peter Mandry
Dr. Peter Mandry

Das Statistik so stiefmüttlerlich gelehrt wird, liegt wohl meist daran, dass auch die meisten Statistiker die Statisik nicht wirklich verstehen:
Ein Statistiker wird mit einer Bombe beim Einchecken ins Flugzeug erwischt. Er begründete das mit Angst vor Bomben im Flugzeug: ” Das zwei Bomben im Fugzeug sind, ist nun wirklich sehr unwahrscheinlich!”

#23 |
  0
Alexander Warth
Alexander Warth

…mh als Fachfremder finde ich es erschreckend, dass gerade in diesem Fach wo Wirksamkeit, Prognosen, etc nur auf Statistiken aufgebaut werden können, dieses Thema so stiefmütterlich behandelt wird. Andererseits wundert es mich, bei dem NC für Mediziner sollten die Mathefähigkeiten nicht so “schlecht” (auch statistisch gesehen) sein. Verglichen mit NC freien Studiengängen gehört die Statistik ehr zur leichteren Mathekost.

#22 |
  0
Student

1/(1+50)=0,0196

1,96%

#21 |
  0
Gast
Gast

Hallo Herr Freytag, ihre Rechenweise ist korrekt. Die Antwort muss daher lauten: nicht mehr als 2%. Herzliche Grueße

#20 |
  0
Gast
Gast

Wenn es um mögliche Nebenwirkungen geht, ist nicht so viel statistisches Wissen gefordert. Da steht zum Beispiel Häufigkeit 1:10.

Dennoch scheint es sehr schwierig, sich vorzustellen, dass der Fall eintreten kann. “Ich kann mir nicht vorstellen, dass es mit dem Medikament zusammenhängt” ist leider auch eine Realität.

#19 |
  0
Student

Tatsächlich muss nicht jeder ein SPSS Profi sein, aber in der evidenzbasierten Medizin sollte jeder “Player” zumindest die Basisverfahren kennen und den Unterschied zwischen relativen und absoluten Wahrscheinlichkeiten benennen können.
Bei den oft komplexen Fragestellungen und der Unmöglichkeit von “ceteris paribus” Versuchen ist die korrekte Interpretation von Studienergebnissen oft schwierig.
Die Fragen nach der Sensitivität und Spezifizität sind eigentlich gar nicht so schwierig zu berechnen – wer Lust hat:
http://de.wikihow.com/Sensitivit%C3%A4t,-Spezifizit%C3%A4t,-positiver-und-negativer-Vorhersagewert-berechnen

#18 |
  0
Heilpraktikerin Brigitte Deml
Heilpraktikerin Brigitte Deml

Liebe Frau Heckl, ….sie sprechen mir aus der Seele, ….sehr guter Artikel!!!

#17 |
  0

Danke für den Artikel. Ausdrücklich Dankeschön für die Bemerkung #15. Ich sehe es nämlich ähnlich. Klar kann man sich immer und über alles umfassend informieren. Man kann aber auch mal bei wissenschaftlichen Publikationen erwarten, dass auf verständliche Ausdrucksweise geachtet wird. Und bewusste Verschleierung von Risiken oder bewusste Rosarotdarstellung von Effekten sollte als das entlarvt werden, was es ist: Lüge.

#16 |
  0
Dr. med.vet. Viola Hebeler
Dr. med.vet. Viola Hebeler

Sehr guter Artikel, allerding denke ich, das Pferd wird von hinten aufgezäumt, wenn von Ärzten verlangt wird, alle möglichen Randgebiete der Medizin ebenso zu beherrschen wie die eigentlichen medizinischen Kernkompetenzen.
Wäre es nicht einfacher, von den Spezialisten zu verlangen, ihre Ergebnisse so zu formulieren, dass ein durchschnittlich gebildeter Arzt sie verstehen kann? Nicht jede/r ist mathematisch begabt, und es ist illusorisch zu meinen, man könne den hohen Prozentsatz an falschen Antworten zu obigem Beispiel per Dekret oder stärkere Betonung in der Ausbildung ändern. Es erscheint mir einfacher, Statistiker dazu anzuhalten, ihre Ergebnisse in verständlicher Form mit einleuchtenden Zahlenbeispielen zu präsentieren. Selbiges würde für mich auch für andere Randgebiete (Medizintechnik, etc.) gelten. Vergleicht man, was ein Mediziner vor einigen Jahrzehnten beherrschen musste und was jetzt verlangt wird, scheint, ein Punkt der Überforderung erreicht zu sein.

#15 |
  0
Günter Schanné
Günter Schanné

Sehr geehrte Frau Heckl,
herzlichen Dank für Ihren ausgezeichneten Artikel.
Auch in der Landwirtschaft werden Statistische Zahlen aus den Erhebungen der SVLFG über die Häufigkeit von Unfällen mit Rindern missbraucht um hunterttausendfaches Leid von Kälbern durch die thermische Zerstörung der Hornknospen ohne Betäubung zu rechtfertigen.

#14 |
  0
Gast
Gast

Sehr gut geschriebener Artikel! Zeigt sich auch an den durchweg sehr schönen Kommentaren die sachlich gebliebenen Reaktionen im Unterschied zu vielen Comments in anderen Bereichen die oft bis unter d Gürtellinie gehen. Auch das ist erschreckend, dass Respekt und Sachlichkeit in diesem Portal trotz hochqualitativer Ausbildung häufig auf d Strecke bleiben. Lob also für diesen Verlauf hier!

#13 |
  0
Gast
Gast

Prävalenz: Anzahl Kranke/Anzahl untersuchte Personen. Hier:
1000 Personen sind da, davon hat 1 die Krankheit.

Von 100 000 (einhundert Tausend) haben 100 (einhundert) die Krankheit.

Der Test misst 5 vom 100 (5%) falsch positiv.

Bei 100 000 (einhundert T.) Personen sind nach der Prävalenz (1/1000) 100 krank.

Also misst der Test bei 100 000 (einhundert Tausend) Personen 105 Kranke.

Bei 100 (einhundert) Personen misst der Test: 0,105 Kranke (null Komma eins null fünf).

Wie ist also die richtige Anwort? Gefragt ist: Wie hoch ist das Risiko, daß der Positive wirklich krank ist?

#12 |
  1
Nichtmedizinische Berufe

Wir erleben es aktuell mit dem Zika-Virus. Ohne dieses Virus beträgt die Inzidenz bei Neugeborenen 1 bis 2 Promille, mit Zika-Virus steigt die Inzidenz auf etwa 1% (wobei nirgends klare Zahlen zu finden sind); d. h. sogar in Epidemiegebieten kommen fast alle Kinder gesund zur Welt. Aber es wird ein Riesentheater gemacht, einfach weil gewisse Leute und Firmen mit den Notstandsmassnahmen (z. B. tonnenweise Insektizide) infolge Panik extrem viel Geld verdienen.

#11 |
  0
Dr. med. Michael Freytag
Dr. med. Michael Freytag

Auch auf die Gefahr hin mich hier als Statistik-Dilettant zu outen:
Aber wie hoch ist das Risiko, dass eine Person, die ein positives Testergebnis hat, wirklich die Krankheit in obigem Beispiel hat?
Wenn ich 1000 teste, muss ich mit 50 Positiven rechnen, davon ist aber aufgrund der Prävalenz nur einer krank. Also dachte ich ca. 2%.
ABER: Aber eigentlich kann man das nicht sicher sagen, denn man weiß ja gar nicht, welche richtig-positiv Rate der Test hat. Wenn diese nur bei 50% liegt, muss ich 2000 testen, um einen richtig Positiven zu finden (der zweite Kranke dieser 2000 Leute wird dann nämlich falsch negativ getestet). In dem Fall habe ich dann 100 falsch Positive und 1 richtig positiven, also 1 % Wahrscheinlichkeit. Korrigiert mich bitte, wenn ich hier Mist schreibe.

#10 |
  0
Thomas Krekel
Thomas Krekel

Ohne jeden Zweifel ist Statistik ein wichtiges Instrument. Es dient zur unabhängigen Meinungsbildung. Besonders wichtig für Obrigkeitshörige und der Pharmalobby nahestehende.

#9 |
  5
Nichtmedizinische Berufe

Sehr guter Beitrag, den sich manch anderer Autor in diesem Forum zu Herzen nehmen sollte.

#8 |
  2
Dr. Joachim Bedynek
Dr. Joachim Bedynek

Ich finde, dass gerade in Statistik-Kursen die Didaktik und Methodik schlecht ist.

#7 |
  1
Dr.med Klaus Schwarzmaier
Dr.med Klaus Schwarzmaier

Ich erinnere mich noch mit Schaudern an die langweilige Statistik-Vorlesung.
Die muß einfach besser werden, so daß Studenten den Sinn verstehen. Die wolölen ja durchaus wissen wie wirksam was sit. Da gehört auch ein kritisches Hinterfragen des Studiendesigns dazu.
Hallo Med-Statistik-Dozenten!!! Das kann man doch auch spannend machen, wenn man die Fallstricke aufzeigt, erklärt wie Zahlen zustande kommen und was schon bei geringen Änderungen an den Ergebnissen abgelesen werden kann ( Reduktion von 2,1 auf 1,1 ergibt eine 50% Reduktion !! Toll.)
Zeigt auf wie die NTT (Number to treat) zustande kommt und wie man selbst einigrmaßen überprüfen kann, ob das Ganze auf einer soliden Basis steht. Zeigt die Gefahren (und auch Vorteile) von retrospektive Studien auf!
Nochmal: Studenten wollen wissen wie valide die Daten sind. Wichtiger als das selbst ausrechnen zu können ist es Tricks und methodische Fehler zu verstehen.

#6 |
  0

Statistiken sind wie Computer: Bleibst Du nicht am Ball, kommst Du bald nicht mehr mit. Hoffentlich bleibt da noch Zeit zum Studium – nein nicht statistischer Begriffe und Regeln, einfach des konkreten Patienten.

#5 |
  5

“Wollen Sie lieber an einer Krankheit mit 20-prozentiger Sterbewahrscheinlichkeit oder an einer mit 80-prozentiger Überlebenswahrscheinlichkeit leiden?” wurde in einer repräsentativen Studie gefragt.
Weit mehr als die Hälfte aller Befragten entschied sich für die zweite Variante, obwohl es sich um ein und dieselbe Krankheit gehandelt hatte.

#4 |
  1
Prof. Dr. med. Wulf-D.E. Miersch
Prof. Dr. med. Wulf-D.E. Miersch

Die Werke von Hans-Hermann Dubben und Hans-Peter Beck-Bornholdt “Der Hund der Eier legt”-“Mit an Wahrscheinlichkeit grenzender Sicherheit”- “Der Schein der Weisen” sollten medizinische Pflichtliteratur sein. So läßt sich Statistik amüsant erlernen. Siehe auch “Statistical Errors” nature feb 2015

#3 |
  0
Annika Kryzinski
Annika Kryzinski

Sehr guter Artikel und schön, dass mal auf das Problem aufmerksam gemacht wird!

#2 |
  0
Student der Humanmedizin

Schöner Artikel ! Prof Gerd Gigerenzer hat im Januar bei uns an der Charité zum Thema ärztliche RISIKOKOMPETENZ gesprochen und deutliche Impulse gesetzt dass Thema verstärkt in die Lehre aufgenommen wird.
Youtube: https://www.youtube.com/watch?v=zdOBJW2zlKU
Es tut sich also endlich was !

#1 |
  0


Copyright © 2017 DocCheck Medical Services GmbH
Sprache:
DocCheck folgen: