Evidenzbasierte Praxis & Medizinische Statistik — Bradford VTS

Bradford VTS · AKT Mastery Series

Evidenzbasierte Praxis und medizinische Statistik

Denn „Ich habe etwas online gelesen“ reicht im AKT nicht ganz aus.

🔥 Hochprofitable Tipps für AKT ⚡ Intensives Lernen in wenigen Minuten 💎 Verborgene Schätze, die man vergisst zu lehren

Letzte Aktualisierung: April 2026 · Auch bekannt als evidenzbasierte Medizin (EBM)

📥 Downloads

Handouts, Zusammenfassungen und zusätzliches Unterrichtsmaterial – immer griffbereit.

Pfad: Evidenzbasierte Praxis ist auch als evidenzbasierte Medizin oder kurz EBM bekannt.

🌐

Web-Ressourcen

Eine sorgfältig zusammengestellte Mischung aus offiziellen Leitlinien und praxisnahen Fortbildungsressourcen für Allgemeinmediziner. Denn manchmal verbergen sich die wertvollsten Erkenntnisse nicht in den offiziellen Dokumenten.

📘 Kernbereiche EBM & Statistik

CEBM – Oxford Centre for EBM Werkzeuge, Leitfäden und Ressourcen zur kritischen Bewertung EBM-Website von Dr. Chris Cates NNT-Rechner und Erklärung des Cates-Plots – hervorragend GPnotebook – Statistiken Kompakte Referenz für klinische Statistiken Bandelier Evidenzbasierte Gesundheitsversorgung in einfacher Sprache Cochrane Bibliothek Systematische Reviews nach Goldstandard

📗 AKT-Wiederholung & Prüfungsvorbereitung

NHS – Klinische Studien Leitfaden in einfacher Sprache zu Forschungstypen Cambridge EBM Resources Instrumente und Anleitungen zur kritischen Bewertung

📙 Weiterführende Informationen & Tools

NICE – Wie man Evidenz nutzt NICE-Prozesshandbuch für die Evidenzprüfung NNT erklärt — Manchester Interaktiver NNT-Rechner und Erklärung Gesundheitswissen – Studiendesigns Lehrbuch der öffentlichen Gesundheit zum Thema Epidemiologie

⚡

Ein-Minuten-Gedächtnis

Das vor der Klinikprüfung durchlesen – oder am Abend vor einer AKT-Prüfung? Das sind die Dinge, die Ihnen Punkte einbringen.

🧮 Risikoformeln

ARR = CER − EER
NNT = 1 ÷ ARR
RRR = ARR ÷ CER
RR = EER ÷ CER
NNH = 1 ÷ ARI

🔬 Diagnostische Tests

Bedeutung = TP ÷ (TP+FN) → SnNout
Spec = TN ÷ (TN+FP) → SpPin
PPV = TP ÷ (TP+FP) ← fällt bei niedriger Prävalenz
NPV = TN ÷ (TN+FN) ← Stürze mit hoher Prävalenz

📊 Studiendesigns

SR/Metaanalyse → höchste Evidenz
RCT → Goldstandard für die Behandlung
Kohorte → RR & Inzidenz
Fall-Kontroll-Studie → ODER seltene Erkrankungen
Querschnittsstudie → Prävalenz

📈 Grafiken

Kreuzungslinie der Raute im Forest-Plot = nicht signifikant
Trichterasymmetrie = Publikationsbias
Cates-Diagramm: NNT = 100 ÷ gelbe Gesichter
Mittellinie des Boxplots = mittlere
I² >50% = erhebliche Heterogenität

📉 Bedeutung

p < 0.05 = statistisch signifikant
CI schneidet 1.0 (Verhältnis) = nicht signifikant
CI schneidet 0 (Differenz) = nicht signifikant
Mittelwert = Durchschnitt; Median = mittlerer Wert
68-95-99.7-Regel für die Normalverteilung

⚖️ Arten von Vorurteilen

Selektion → nicht repräsentative Stichprobe
Erinnerung → Fälle erinnern sich mehr
Veröffentlichung → nur positive Studien
Vorlaufzeit → Abschirmungsillusion
Abbrecherquote → Studienabbruch verzerrt die Ergebnisse

💡

Warum dies in GP & dem AKT wichtig ist

Evidenzbasierte Medizin und Statistik sind nicht nur Theorie. In Ihrer Sprechstunde spielen die NNTs (Number Needed to Treat) bei jedem Gespräch über Behandlungsoptionen eine Rolle, ob Sie sie nun explizit erwähnen oder nicht. Jeder Bluttest hat eine Sensitivität und Spezifität. Jede neue Leitlinie basiert auf einem Studiendesign, das Einfluss darauf hat, wie viel Vertrauen Sie ihr entgegenbringen sollten.

Im AKT macht dieses Thema einen erheblichen Teil der Endnote aus – laut RCGP-Richtlinien etwa 10–15 % der Prüfung. Es ist einer der wenigen Bereiche, in denen sich bereits eine gezielte, wenn auch geringe Wiederholung auszahlt. sofortViele Kandidaten verlieren hier leicht verdiente Punkte nicht etwa, weil die Konzepte schwierig sind, sondern weil sie sich nie die Zeit genommen haben, sie systematisch zu lernen.

Die Statistikaufgaben im AKT präsentieren häufig eine Tabelle mit Studiendaten und fordern dazu auf, einen Wert zu berechnen, ein Diagramm zu interpretieren oder das beste Studiendesign zu ermitteln. Sie belohnen methodisches Denken, nicht medizinisches Fachwissen. Dadurch sind sie die am einfachsten zu lernenden Noten in der Prüfung.

Sobald man weiß, wie man die NNT berechnet, ein Forest-Plot interpretiert und den Einfluss der Prävalenz auf den PPV versteht, wird eine ganze Kategorie von AKT-Fragen unkompliziert statt beängstigend.

????

Evidenzbasierte Medizin (EBM)

„Als ich Mitte der 1980er Jahre meine Ausbildung absolvierte, verabreichte ich jedem Patienten, der nach einem Herzinfarkt in die Klinik kam, eine intravenöse Lidocain-Infusion. Das war Standard. Alle machten es so. Es schien völlig logisch.“

— Professor Gordon Guyatt, der Arzt, der den Begriff „Evidenzbasierte Medizin“ prägte, beschreibt seine eigene Ausbildung vor der Existenz der EBM.

Später entdeckte er, dass die Methode, in der er ausgebildet worden war – und die Hunderttausende Ärzte weltweit anwandten –, nicht nur nutzlos, sondern potenziell tödlich war. Nicht aus Fahrlässigkeit. Nicht aus Inkompetenz. Sondern weil niemand jemals ordnungsgemäß getestet hatte, ob sie tatsächlich wirkte.

Diese Geschichte ist der Grund, warum es die evidenzbasierte Medizin gibt – und warum sie für jeden Patienten, den Sie jemals sehen werden, von großer Bedeutung ist.

📋 Was ist evidenzbasierte Medizin?

„Der gewissenhafte, explizite und umsichtige Einsatz der aktuell besten wissenschaftlichen Erkenntnisse bei Entscheidungen über die Behandlung einzelner Patienten.“

— David Sackett, BMJ 1996 — die am häufigsten zitierte Definition in der Medizin

In einfachen Worten: Anstatt Patienten nach Gewohnheit, Meinung, Tradition oder dem, was Ihnen Ihr Professor gesagt hat, zu behandeln, verlangt die evidenzbasierte Medizin (EBM), dass Sie klinische Entscheidungen auf der Grundlage der besten verfügbaren Forschung treffen – rigoros durchgeführt, kritisch bewertet und ehrlich interpretiert.

Es ersetzt nicht das klinische Urteilsvermögen – es Informiert EBM basiert auf drei untrennbaren Säulen, die zusammenarbeiten müssen:

🔬

Beste Forschungsergebnisse

Klinisch relevante, qualitativ hochwertige Forschung – insbesondere aus randomisierten kontrollierten Studien (RCTs) und systematischen Übersichtsarbeiten.

🩺

Klinische Expertise

Die Fähigkeiten und Erfahrungen des einzelnen Therapeuten, die er sich über Jahre der Praxis angeeignet hat

🤝

Werte und Präferenzen des Patienten

Die individuellen Umstände des Patienten, seine Werte und das, was ihm am wichtigsten ist

🕰️ Wie entstand EBM? – Eine kurze Geschichte

EBM entstand nicht aus dem Nichts. Es war der Höhepunkt jahrzehntelangen, stillen revolutionären Denkens in Kanada und Großbritannien.

Jahr	Event
1938	John Paul (Yale) prägte den Begriff „klinische Epidemiologie“ – die Idee, dass die Medizin wissenschaftlich an Populationen untersucht werden sollte, nicht nur an einzelnen Patienten.
1967	Die McMaster University (Hamilton, Kanada) eröffnet ihre neue medizinische Fakultät mit einer Abteilung für Klinische Epidemiologie und Biostatistik – damals revolutionär, da sie sich der Anwendung von Forschungsmethoden auf klinische Entscheidungen widmete.
1972	Archie Cochrane, ein schottischer Epidemiologe, veröffentlicht Effektivität und Effizienz: Zufällige Betrachtungen zu Gesundheitsdienstleistungen – ein wegweisender Text, der argumentiert, dass die Medizin ihre eigenen Behandlungen streng prüfen muss. Seine Arbeit führte schließlich zur Gründung der Cochrane Collaboration, die ihm zu Ehren benannt wurde.
1981	David Sackett und seine Kollegen an der McMaster University veröffentlichen eine neunteilige Artikelserie im Canadian Medical Association Journal, in der sie Klinikern beibringen, medizinische Literatur kritisch zu bewerten. Dies markiert den offiziellen Beginn der EBM-Bewegung.
1990	Gordon Guyatt, ein junger Assistenzarzt an der McMaster University, entwirft ein neues Lehrprogramm und nennt es zunächst „Wissenschaftliche Medizin“. Seine Kollegen reagieren entsetzt – die Andeutung, dass die gängige Praxis nicht wissenschaftlich sei, ist zu direkt.
1991	Guyatt benennt den Ansatz um "Evidenzbasierte Medizin" und veröffentlicht den Begriff in einem Leitartikel im ACP Journal Club. Der Ausdruck setzt sich sofort durch.
1992	Die bahnbrechende JAMA-Veröffentlichung — „Evidenzbasierte Medizin: Ein neuer Ansatz für die Lehre der ärztlichen Praxis“ — führte die evidenzbasierte Medizin (EBM) in die Welt ein. Die Reaktion, erinnert sich Guyatt, war anfänglich „Wut“. Kollegen hatten das Gefühl, man wolle ihnen sagen, dass sie keine guten Ärzte seien.
1993	Die Cochrane Collaboration wurde formell gegründet – ein internationales Netzwerk zur Erstellung und Verbreitung systematischer Übersichtsarbeiten zu Evidenz im Gesundheitswesen.
1996	David Sackett veröffentlicht die maßgebliche Drei-Säulen-Definition im BMJ. EBM wird zum Mainstream.
2000er-heute	Evidenzbasierte Medizin (EBM) ist fester Bestandteil der ärztlichen Ausbildung in Großbritannien: Die NICE-Leitlinien, die Richtlinien für gute ärztliche Praxis des GMC und der Lehrplan des RCGP fordern sie alle. Sie bildet die Grundlage für die Ausbildung und Beurteilung aller Ärzte in Großbritannien.

⚠️ Wie sah die Medizin vor der evidenzbasierten Medizin aus? Das Problem, das sie löste

Vor der evidenzbasierten Medizin basierte die Medizin auf dem, was Gordon Guyatt denkwürdigerweise so nannte: "GOBSAT" - Die guten alten Kumpel sitzen um einen TischDie klinischen Leitlinien wurden von erfahrenen Experten verfasst, die ihre persönlichen Meinungen zusammengetragen haben, und was mit Ihrem Patienten geschah, hing ausschließlich davon ab, welcher Arzt ihn gerade behandelte.

Die Welt vor EBM

Medizin basierend auf Expertenmeinungen: Sie behandelten Patienten so, wie Ihr Professor es tat. Autorität beruhte auf Dienstalter, nicht auf Evidenz. Einem Berater, der es seit 30 Jahren „schon immer so gemacht“ hatte, wurde bedingungslos vertraut – selbst wenn diese Methode nie erprobt worden war.
Intuitionsbasierte Medizin: Wenn eine Behandlung physiologisch sinnvoll erschien, wurde sie angewendet. Wenn die Unterdrückung von Herzrhythmusstörungen logisch erschien, wurden diese unterdrückt. Ob dies den Patienten tatsächlich half, wurde selten überprüft.
Anekdotenbasierte Medizin: „Meiner Erfahrung nach …“ war der Beweismaßstab. Einzelfälle prägten die Praxis – selbst wenn es sich dabei um statistische Ausreißer handelte.
Enorme Variation: Derselbe Patient, der sich in zwei verschiedenen Krankenhäusern vorstellt – oder sogar von zwei verschiedenen Ärzten im selben Krankenhaus –, erhält möglicherweise eine völlig unterschiedliche Behandlung für genau dieselbe Erkrankung.

Würden Sie eine Brücke bevorzugen, die auf der Grundlage von „Ich baue seit 30 Jahren Brücken nach dieser Methode, und bisher ist keine eingestürzt“ errichtet wurde? Oder auf der Grundlage bewährter bautechnischer Prinzipien? Die Antwort liegt auf der Hand. Doch in der Geschichte der Medizin wurde zumeist genau diese „Brückenmethode“ angewendet.

🔴 Das Beispiel, das die Medizin veränderte – die CAST-Studie

Dies ist keine hypothetische Frage. Es ist eine der wichtigsten wahren Begebenheiten in der modernen Medizin – und eines der stärksten Argumente, die die evidenzbasierte Medizin je gebraucht hat.

Die Ausgangslage – Die scheinbar unanfechtbare Logik

Herzinfarkte verursachen gefährliche Herzrhythmusstörungen (ventrikuläre Arrhythmien). Ventrikuläre Arrhythmien können zum plötzlichen Herztod führen. Daher: Arrhythmien unterdrücken → plötzlichen Herztod verhindernDies erschien so einleuchtend, dass ab den 1970er Jahren Antiarrhythmika – insbesondere Lidocain, Flecainid und Encainid – in Krankenhäusern weltweit routinemäßig Patienten nach einem Herzinfarkt verabreicht wurden. Nicht nur gelegentlich. Routinemäßig. Als Standardbehandlung.

Der Prozess – Jemand hat ihn tatsächlich getestet

Im Jahr 1987 wurden im Rahmen der CAST-Studie (Cardiac Arrhythmia Suppression Trial) über 1,700 Patienten nach einem Herzinfarkt eingeschlossen und randomisiert entweder mit Antiarrhythmika (Flecainid oder Encainid) oder mit einem Placebo behandelt. Die Medikamente erfüllten ihren Zweck – sie unterdrückten die Herzrhythmusstörungen erfolgreich. Doch dann geschah etwas Unerwartetes.

Das Ergebnis – was niemand erwartet hatte

Patienten, die die Medikamente einnahmen, waren 2.5 mal eher zu sterben als die Patienten der Placebogruppe. Die Studie musste vorzeitig abgebrochen werden, da der Schaden so deutlich war. Die Medikamente hatten genau die Patienten getötet, die sie eigentlich schützen sollten.

NNH = 21. Bei jeweils 21 mit Flecainid oder Encainid behandelten Patienten starb eine weitere Person, die sonst überlebt hätte.

The Lesson

Gordon Guyatt – damals ein junger Kardiologe – hatte jedem Patienten nach einem Herzinfarkt, der auf seine Station kam, persönlich Lidocain-Infusionen verabreicht. Er befolgte die gängigen Behandlungsmethoden. Er war korrekt ausgebildet worden. Er handelte in guter Absicht. Doch ohne die strenge Prüfung einer randomisierten kontrollierten Studie (RCT) konnten weder er noch seine Kollegen wissen, dass die Behandlung schädlich war. Diese Erfahrung wurde zum zentralen Grund dafür, warum er seine Karriere der evidenzbasierten Medizin widmete. Die Geschichte der Medizin, sagte er später, „ist voll von Behandlungen, die größtenteils auf Vermutungen und Intuition statt auf soliden Beweisen beruhten.“

🌐 Wie EBM alles veränderte – Standardisierung und Einheit

Vor der Einführung der evidenzbasierten Medizin (EBM) hing die Behandlung stark vom Wohnort, dem Krankenhaus und dem behandelnden Arzt ab. Derselbe Patient mit derselben Erkrankung konnte in Leeds und London völlig unterschiedliche Behandlungen erhalten. Unterschiedliche Krankenhäuser. Unterschiedliche Länder. Äußerst unterschiedliche Behandlungsergebnisse.

Evidenzbasierte Medizin (EBM) hat dies verändert. Indem sie klinische Entscheidungen auf dieselbe Evidenzbasis – dieselben Studien, dieselben systematischen Übersichtsarbeiten, dieselben Leitlinien – stützte, verlieh sie der Medizin eine gemeinsame Sprache und einen gemeinsamen Standard. Heute sollten ein Patient mit einem Herzinfarkt in Bradford und ein Patient mit einem Herzinfarkt in Bristol im Wesentlichen dieselbe evidenzbasierte Behandlung erhalten. Nicht weil die Ärzte identisch sind, sondern weil die Behandlung auf Evidenz und nicht auf individuellen Präferenzen beruht.

In Großbritannien wird dies umgesetzt durch NICE-Richtlinien, hat das RCGP-Lehrplan, QOF-Indikatoren, klinische Audits und MRCGP-Prüfungen – all dies erfordert und bewertet evidenzbasierte Praxis. Wenn Sie die AKT-Prüfung ablegen, wird Ihre Fähigkeit geprüft, dieses Rahmenwerk anzuwenden.

🌍 Eine Welt ohne EBM – Das internationale Bild

Das Engagement Großbritanniens für evidenzbasierte Medizin (EBM) – durch NICE, den NHS und die postgraduale Ausbildung – ist nicht flächendeckend. In vielen Teilen der Welt hängt die Patientenversorgung nach wie vor stark davon ab, wer den Patienten behandelt, wo er sich vorstellt und wie viel er sich leisten kann. Dieses Verständnis hilft Ihnen zu erkennen, wovor EBM Ihre Patienten schützt.

🔴 Wichtiger Hinweis vor dem Lesen

Die nachfolgend beschriebene Variation spiegelt Folgendes wider: Gesundheitssysteme und -strukturenEs liegt nicht an der Kompetenz oder dem Engagement einzelner Ärzte. In jedem der genannten Länder praktizieren viele brillante und engagierte Mediziner. Das Problem ist das Fehlen der standardisierenden Infrastruktur – Leitlinien, Aufsicht, Ausbildungsrahmen –, die die evidenzbasierte Medizin (EBM) bietet. Einzelne Ärzte können systemische Probleme nicht allein lösen.

Land	Wie die Praxis ohne solide EBM-Rahmenbedingungen variiert
🇮🇳 Indien (Privatsektor)	A 2018 Lanzette Eine Studie ergab Kaiserschnittraten von 40–58 % in Privatkliniken im Vergleich zu 10–14 % in öffentlichen Einrichtungen – oft bedingt durch finanzielle Anreize statt durch klinische Notwendigkeit. Übermäßige Diagnostik und die gleichzeitige Einnahme mehrerer Medikamente (Polypharmazie) sind im privaten Sektor weit verbreitet. Derselbe Krebspatient kann je nach Behandlungsort und finanziellen Möglichkeiten eine völlig unterschiedliche Therapie erhalten.
🇵🇰 Pakistan	Die Einhaltung der Antibiotika-Leitlinien variiert erheblich – die Verschreibungsraten von Antibiotika gehören zu den höchsten in Südasien. Arzneimittelresistente Tuberkulose und Antibiotikaresistenz sind direkte Folgen. Der Zugang zu spezialisierter Versorgung und standardisierten Behandlungspfaden ist stark von geografischer Lage und Einkommen abhängig.
🇳🇬 Nigeria / 🇬🇭 Ghana	Magnesiumsulfat ist die von der WHO empfohlene, evidenzbasierte und kostengünstige Behandlungsmethode für Eklampsie. Studien belegen, dass es die Müttersterblichkeit deutlich senkt. Verfügbarkeit und tatsächliche Anwendung in nigerianischen und ghanaischen Einrichtungen variieren jedoch enorm, abhängig von den Krankenhausressourcen und der Ausbildung des medizinischen Personals – das heißt, ob eine Frau mit Eklampsie überlebt oder stirbt, kann davon abhängen, in welcher Einrichtung sie behandelt wird.
🇸🇩 Sudan / 🇮🇶 Irak	Anhaltende Konflikte und Instabilität haben die Gesundheitsinfrastruktur schwer geschädigt. Im Irak brachen nach 2003 die öffentlichen Gesundheitsdienste zusammen, die Umsetzung von Leitlinien kam zum Erliegen, und der Zugang zu grundlegenden Medikamenten hing vom jeweiligen Standort ab. Im Sudan beeinträchtigten Konflikte Impfprogramme, die Müttergesundheitsversorgung und die Behandlung chronischer Krankheiten. Die unterschiedlichen Behandlungsmethoden in solchen Umgebungen sind keine Frage der Präferenz, sondern hängen von den verfügbaren Ressourcen ab.
🇪🇬 Ägypten / 🇮🇷 Iran	Beide Länder verfügen über medizinische Fakultäten, die qualifizierte Ärzte ausbilden, und haben Leitlinien zur evidenzbasierten Medizin veröffentlicht – deren Umsetzung jedoch zwischen dem öffentlichen und privaten Sektor sowie zwischen städtischen und ländlichen Gebieten uneinheitlich ist. Im Iran haben internationale Sanktionen die Verfügbarkeit von Medikamenten beeinträchtigt und Anpassungen erzwungen, die von evidenzbasierten Protokollen abweichen.
🇷🇴 Rumänien	Rumänien dokumentiert die Praxis von plicul (Der „Umschlag“) – informelle Barzahlungen an Ärzte und Pflegekräfte zur Sicherstellung der Behandlung. Offiziell illegal, aber weit verbreitet. Parlamentarische Untersuchungen und investigative Journalisten haben bestätigt, dass die Qualität der chirurgischen Versorgung davon abhängen kann, wie viel ein Patient privat zahlen kann, unabhängig von seinem Anspruch auf Leistungen des staatlichen Gesundheitsdienstes (NHS). Seit dem EU-Beitritt haben schätzungsweise über 14,000 Ärzte das Land verlassen.
🇺🇸 Vereinigte Staaten	Die USA haben das teuerste Gesundheitssystem der Welt – über 12,000 US-Dollar pro Person und Jahr –, doch die Behandlungsergebnisse sind oft nicht besser als in Großbritannien. Das Dartmouth-Atlas-Projekt dokumentiert enorme regionale Unterschiede in der klinischen Praxis: Derselbe Patient in Miami erhält unter Umständen doppelt so viele Untersuchungen und Eingriffe wie derselbe Patient in Minneapolis, ohne dass sich die Behandlungsergebnisse unterscheiden. Eine Studie des JAMA aus dem Jahr 2019 schätzt, dass 935 Milliarden US-Dollar – etwa ein Viertel der gesamten US-Gesundheitsausgaben – für unnötige Behandlungen verschwendet werden. Die Opioidkrise wurde teilweise dadurch angeheizt, dass Pharmaunternehmen die Verschreibungspraxis außerhalb evidenzbasierter Leitlinien beeinflussten.
🇫🇷 Frankreich	Frankreich verfügt über ein exzellentes Gesundheitssystem – doch die Verschreibungsrate von Antibiotika zählte historisch gesehen zu den höchsten in Europa. Dies ist teilweise auf die kulturelle Erwartung zurückzuführen, dass eine Konsultation stets mit einem Rezept enden sollte. Kampagnen zur Reduzierung dieser Praxis („Antibiotika werden nicht automatisch verschrieben“) haben zwar geholfen, doch das Muster verdeutlicht, wie kultureller und kommerzieller Druck selbst in hochentwickelten Systemen evidenzbasierte Leitlinien außer Kraft setzen kann.
🇮🇹 Italien	Die Qualität der Gesundheitsversorgung in Norditalien (Mailand, Bologna) zählt zu den besten in Europa. In Teilen Süditaliens sieht die Situation ganz anders aus: längere Wartezeiten für Krebsoperationen, weniger konsequente Anwendung von Vorsorgeprogrammen und eine geringere Einhaltung leitlinienbasierter Behandlungsmethoden. Selbst der geografische Standort innerhalb desselben Landes kann die Behandlungsergebnisse erheblich beeinflussen.
🇬🇷 Griechenland / 🇪🇸 Spanien	Die Sparkrise in Griechenland (2010–2015) führte zu Kürzungen der Gesundheitsausgaben um über 25 %, was nachweislich zu Medikamentenengpässen, Personalabbau und Qualitätseinbußen führte. Über 35,000 Beschäftigte im Gesundheitswesen wanderten aus. In Spanien wurden erhebliche regionale Unterschiede bei den Krebsüberlebensraten festgestellt – der Tumor kann sich je nach Wohnort unterschiedlich verhalten, nicht weil sich die Biologie unterscheidet, sondern weil das Gesundheitssystem evidenzbasierte Behandlungsansätze unterschiedlich umsetzt.

💊 Wenn das, was du bekommst, davon abhängt, was du bezahlst

In Gesundheitssystemen ohne robuste EBM-Rahmenbedingungen oder universelle Leistungsansprüche ist der Zusammenhang zwischen Vergütung und Behandlungsqualität oft direkt und dokumentiert:

In einigen indischen Privatkliniken erhalten Patienten mit Brustschmerzen, die sich eine private Behandlung leisten können, unter Umständen sofort eine Herzkatheteruntersuchung und einen Stent. Derselbe Patient muss im öffentlichen Gesundheitssystem hingegen stundenlang auf ein EKG warten.
In Teilen Subsahara-Afrikas hängt es davon ab, welche Einrichtung ein Kind mit schwerer Malaria erreicht und was seine Familie bezahlen kann, ob es eine auf Artemisinin basierende Kombinationstherapie (den evidenzbasierten Standard) oder ein älteres, weniger wirksames Medikament erhält.
In Ländern ohne allgemeinen Zugang zu Medikamenten sind Chemotherapeutika gegen Krebs möglicherweise nur für diejenigen erhältlich, die die Kosten selbst tragen können – was bedeutet, dass identische Krebserkrankungen allein aufgrund des Einkommens dramatisch unterschiedliche Behandlungsergebnisse aufweisen.
In Rumänien und einigen anderen osteuropäischen Ländern ist nachgewiesen, dass die Qualität eines chirurgischen Eingriffs – die Sorgfalt des Chirurgen, die Qualität der Anästhesieüberwachung, sogar die Verfügbarkeit von postoperativer Pflege – von informellen Zahlungen und nicht vom klinischen Bedarf abhängt.

✈️ Die Analogie, die es verdeutlicht

Jedes Mal, wenn Sie in ein Linienflugzeug einsteigen, profitieren Sie von einem der effektivsten Sicherheitssysteme, die die Menschheit je entwickelt hat. Nicht etwa, weil einzelne Piloten außergewöhnlich talentiert wären – obwohl sie es sind. Sondern weil die Luftfahrt auf einem System basiert, das auf Sicherheit beruht. standardisierte, evidenzbasierte ProtokolleJeder Pilot, jede Fluggesellschaft, jedes Land befolgt dieselben Checklisten vor dem Flug, dieselben Landeverfahren, dieselben Notfallprotokolle. Das System schützt Sie, unabhängig davon, welchen Piloten Sie erwischen.

Medizin ohne evidenzbasierte Medizin ist wie Fliegen ohne Checklisten. Ihre Sicherheit hängt allein davon ab, ob Sie zufällig einen guten Piloten bekommen, ob dieser Pilot kürzlich genug trainiert hat, ob er einen guten Tag hat und ob er die neuesten Erkenntnisse von einer vertrauenswürdigen Person erhalten hat.

EBM ersetzt den Zufall durch Systeme. Es ersetzt „meiner Erfahrung nach“ durch „in 15,000 Studien mit 2 Millionen Patienten“. Es ersetzt die Meinung des zufällig ranghöchsten Anwesenden durch die gesammelten Erkenntnisse der kollektiven klinischen Erfahrung der Menschheit. Wäre das nicht auch das Richtige für Ihre Patienten? Würden Ihre Patienten das nicht auch für sich selbst bevorzugen?

💡 Warum das für Sie als angehender Allgemeinmediziner in Großbritannien wichtig ist

Jede NICE-Leitlinie, die Sie befolgen, ist das Ergebnis einer systematischen Evidenzprüfung – jemand hat die Arbeit geleistet, um sicherzustellen, dass Ihre Vorgehensweise durch die besten verfügbaren wissenschaftlichen Erkenntnisse gestützt wird.
Jede AKT-Frage zu Statistik und Forschungsmethoden prüft Ihre Fähigkeit, Evidenz kritisch zu bewerten – ein aktiver Nutzer evidenzbasierter Medizin zu sein, nicht ein passiver Befolger von Anweisungen.
Wenn Sie einem Patienten die NNT erklären, die Grenzen eines Screening-Tests erörtern oder die Verschreibung eines nicht indizierten Antibiotikums ablehnen, praktizieren Sie evidenzbasierte Medizin – bewusst, explizit und umsichtig.
Und wenn Ihnen ein Pharmareferent gegenübersitzt und Ihnen erzählt, dass sein neues Medikament kardiovaskuläre Ereignisse um 35 % reduziert, ist Ihre erste Frage – „35 % relativ oder absolut?“ – genau die Frage, die die evidenzbasierte Medizin gelehrt hat.

Studiendesigns und Hierarchie der Evidenz

Bevor Sie ein Ergebnis interpretieren, müssen Sie Folgendes wissen: wo es herkamUnterschiedliche Studiendesigns beantworten unterschiedliche Fragen, liefern unterschiedliche Statistiken und weisen unterschiedliche Zuverlässigkeitsgrade auf.

Die Beweispyramide

Die stärksten Beweise stehen oben, die schwächsten unten.

Systematische Reviews & Metaanalysen

Randomisierte kontrollierte Studien (RCTs)

Kohortenstudien

Fall-Kontroll-Studien

Querschnittsstudien

Fallberichte & Expertenmeinungen

⬆ Stärkste Beweise | ⬇ Schwächste Beweise

Studiendesign	Anleitung	Am besten geeignet für	erzeugt	Hauptschwäche
Systematische Übersichtsarbeit / Metaanalyse	-	Die beste Gesamtevidenz zu einer Frage	Gepoolte Effektstärke	Nur so gut wie die zugrundeliegenden Studien; Heterogenität
RCT (Randomisierte kontrollierte Studie)	vorwärts	Wirkt Behandlung X?	RR, ARR, NNT	Teurer, künstlicher Rahmen, ethische Probleme
Kohortenstudie	Vorwärts (prospektiv) oder rückwärts (retrospektiv)	Führt die Exposition zu dem Ergebnis? Zu deren Häufigkeit?	Relatives Risiko (RR), Inzidenz	Abnutzung; auf Dauer teuer; verwirrend
Fall-Kontroll-Studie	rückwärts	Seltene Erkrankungen; Risikofaktoren	Quotenverhältnis (OR)	Erinnerungsverzerrung; Inzidenz kann nicht direkt berechnet werden
Querschnittsstudie	Einzelner Schnappschuss	Wie verbreitet ist X derzeit? (Prävalenz)	Prävalenz	Kausalität kann nicht nachgewiesen werden; zeitliche Unklarheit
Fallbericht / Expertenmeinung	-	Hypothesenbildung; seltene Ereignisse	Nur Beschreibung	Sehr anfällig für Verzerrungen; nicht verallgemeinerbar

📖 Qualitative vs. quantitative Forschung

Quantitative Forschung

Beantwortet Fragen wie „Wie viele?“ oder „Wie viel?“. Verwendet Zahlen, Statistiken und strukturierte Daten. Beispiele: RCTs, Kohortenstudien, Umfragen mit numerischen Ergebnissen. Generiert p-Werte, Konfidenzintervalle und NNTs.

Qualitative Forschung

Beantwortet die Fragen „Warum?“ und „Wie?“. Nutzt Worte, Themen und Interviews. Beispiele: Fokusgruppen, ethnografische Studien, Grounded Theory. Erforscht die Erfahrungen und Überzeugungen der Patienten.

Im AKT: Eine Frage zu Einstellungen, Erfahrungen oder dem Krankheitsverständnis der Patienten → qualitativ. Eine Frage zu Häufigkeiten, Ergebnissen oder Wirksamkeit → quantitativ.

🔬 Systematische Übersichtsarbeit vs. Metaanalyse – Nicht dasselbe

Systematische Überprüfung: Eine sorgfältige, strukturierte Literaturrecherche, die alle relevanten Studien zu einer Fragestellung identifiziert, auswählt und kritisch bewertet. Das Ergebnis ist eine qualitative Zusammenfassung der Evidenz.

Meta-Analyse: Eine systematische Übersichtsarbeit, die noch einen Schritt weiter geht – sie mathematisch Pools Die quantitativen Ergebnisse mehrerer Studien werden zu einer einzigen kombinierten Schätzung zusammengeführt. Nicht alle systematischen Übersichtsarbeiten beinhalten eine Metaanalyse (z. B. wenn die Studien zu heterogen sind, um sie zusammenzufassen).

Man kann sich eine systematische Übersichtsarbeit wie das Lesen aller Bücher zu einem Thema und das Verfassen eines Berichts vorstellen. Eine Metaanalyse ist dieser Bericht, ergänzt durch eine Formel am Ende, die die Schlussfolgerungen aller Autoren zu einem Durchschnittswert zusammenfasst.

🔄 Das PICO-Framework

PICO ist das Standard-Rahmenwerk zur Strukturierung einer klinischen Forschungsfrage – es wird verwendet, um die Literatur zu durchsuchen und Studien zu entwerfen.

Brief	Steht für	Beispiel
P	Bevölkerung / Patient	Erwachsene mit Typ-2-Diabetes
I	Intervention	SGLT2-Inhibitoren
C	Vergleich	Metformin allein
O	Ergebnis	Kardiovaskuläre Ereignisse nach 5 Jahren

Im Rahmen des AKT wird möglicherweise ein Szenario vorgestellt und gefragt, welches Studiendesign die PICO-Frage am besten beantwortet. Ordnen Sie den Ergebnistyp mithilfe der obigen Tabelle dem richtigen Studiendesign zu.

🎲 Merkmale des RCT-Designs (häufig getestet)

Funktion	Was es bedeutet	Warum es wichtig ist
Randomisierung	Teilnehmer wurden per Zufall Gruppen zugeteilt	Beseitigt Selektionsverzerrungen; gleicht Störfaktoren aus
Einfachjalousie	Die Teilnehmer kennen ihre Zuteilung nicht.	Reduziert den Placebo-Effekt und die Verzerrung durch die Studienteilnehmer.
Doppelrollo	Weder die Teilnehmer noch die Forscher kennen die Zuteilung.	Eliminiert Beobachter- UND Teilnehmerverzerrungen
Dreifachblind	Teilnehmer, Ermittler UND Datenanalysten verblindet	Maximale Bias-Reduzierung
Intention-to-Treat (ITT)	Analysiert wurden sie in ihrer ursprünglichen Gruppe, unabhängig von der Einhaltung der Vorgaben.	Erhält die Randomisierung; spiegelt die reale Nutzung wider
Gemäß Protokoll	Bewertet wurden nur diejenigen, die das Protokoll vollständig durchlaufen hatten.	Zeigt biologische Wirksamkeit, überschätzt aber den Nutzen im realen Leben.
Crossover-Design	Die Teilnehmer erhalten beide Behandlungen nacheinander.	Jeder Mensch agiert als seine eigene Kontrollperson; benötigt eine Auswaschphase
Zuteilungsverschleierung	Die Person, die Teilnehmer rekrutiert, kann erst sehen, welcher Gruppe der nächste Teilnehmer zugeteilt wird. nachdem Sie wurden eingeschrieben.	Verhindert, dass der Rekrutierer unbewusst (oder absichtlich) gesündere Patienten der Behandlungsgruppe zuweist – eine Form der Selektionsverzerrung, die durch Randomisierung allein nicht verhindert werden kann.
Cluster RCT	Ganze Gruppen (z. B. Hausarztpraxen, Stadtteile, Schulen) werden randomisiert, nicht einzelne Personen.	Wird verwendet, wenn eine individuelle Randomisierung unpraktisch ist (z. B. bei der Erprobung eines neuen Beratungsstils). Erfordert größere Stichprobenumfänge und eine statistische Anpassung an den Clustering-Effekt.

⚠️ AKT-Falle – ITT vs. Per-Protocol

Die Behandlungsabsicht gibt mehr konservativ Die (niedrigere) Schätzung der Wirksamkeit – da sie auch Teilnehmer mit mangelnder Therapietreue einschließt – ist für klinische Entscheidungen die bevorzugte Analysemethode. Die Per-Protocol-Analyse überschätzt die Wirksamkeit, ist aber hilfreich, um den biologischen Mechanismus zu verstehen.

⚖️ Überlegenheits-, Nichtunterlegenheits- und Äquivalenzstudien

Nicht alle Studien stellen dieselbe Frage. Der AKT prüft gelegentlich, ob Sie verstehen, was eine Studie eigentlich zeigen sollte – und warum das bei der Interpretation ihrer Ergebnisse wichtig ist.

Versuchstyp	Die gestellte Frage	Gemeinsamer Kontext
Überlegenheitsstudie	"Ist die neue Behandlung besser als der Komparator?	Die meisten Standard-RCTs – Tests eines wirklich neuen Medikaments oder Ansatzes
Nichtunterlegenheitsstudie	"Ist die neue Behandlung nicht schlimmer als den Vergleichswert um mehr als einen vorab festgelegten kleinen Abstand?“	Neues Medikament mit weniger Nebenwirkungen, geringeren Kosten oder einfacherer Anwendung – Ziel ist es zu zeigen, dass es „gut genug“ ist.
Äquivalenzversuch	"Sind die beiden Behandlungen im wesentlichen das gleiche?"	Biosimilars; Generika; verschiedene Verabreichungswege

💡 Warum Nichtunterlegenheitsstudien in der Allgemeinmedizin wichtig sind

Ein neues Antikoagulans könnte sich in der Schlaganfallprävention als „nicht unterlegen“ gegenüber Warfarin erweisen – nicht besser, aber auch nicht wesentlich schlechter – und dabei einfacher anzuwenden sein (keine INR-Überwachung). Das ist ein klinisch wertvoller Befund, selbst wenn das Medikament Warfarin nicht übertrifft. Die AKT-Prüfung könnte Sie bitten, die Ergebnisse einer Nichtunterlegenheitsstudie korrekt zu interpretieren.

⚠️ AKT Trap

Eine Nichtunterlegenheitsstudie, die „keinen signifikanten Unterschied“ zeigt, ist kein Frontalunterricht. Das ist dasselbe wie bei einer Überlegenheitsstudie, die „keinen signifikanten Unterschied“ zeigt. In einer Überlegenheitsstudie bedeutet ein nicht signifikantes Ergebnis, dass der Nachweis einer besseren Wirksamkeit des neuen Medikaments nicht erbracht werden konnte. In einer Nichtunterlegenheitsstudie ist ein nicht signifikanter Unterschied genau das, was man sich erhofft hat.

Forschungsverzerrung, Validität und Reliabilität

Art der Verzerrung	Definition	Welche Studiendesigns?	Wie man es reduziert
Auswahlverzerrung	Die Teilnehmer sind nicht repräsentativ für die Zielpopulation.	Alle Arten	Randomisierung; sorgfältige Stichprobenziehung
Rückruf-Bias	Erkrankte Personen erinnern sich lebhafter an frühere Expositionen als die Kontrollgruppe.	Fall-Kontroll-Studien	Objektive Datenquellen; standardisierte Fragestellung
Publikationsbias	Positive/signifikante Studien werden häufiger veröffentlicht als negative.	Metaanalysen (erkannt durch Funnel-Plot)	Studienregistrierung; Suche nach grauer Literatur
Abnutzungsbias	Der Verlust von Teilnehmern im Verlauf der Nachbeobachtung verfälscht die Ergebnisse (die Abbrecher unterscheiden sich von denjenigen, die die Studie abgeschlossen haben).	Kohortenstudien, RCTs	Intention-to-treat-Analyse; Minimierung von Studienabbrüchen
Vorlaufzeitverzerrung	Screening vermittelt die Illusion eines verbesserten Überlebens durch die frühere Erkennung der Krankheit.	Screening-Studien	Verwenden Sie die krankheitsspezifische Mortalität, nicht das Überleben ab Diagnose.
Längenverzerrung	Durch das Screening werden mehr langsam wachsende (weniger aggressive) Erkrankungen erkannt.	Screening-Studien	RCTs mit krankheitsspezifischen Ergebnissen
Beobachter-/Bewertungsbias	Die Kenntnis der Behandlungszuordnung beeinflusst die Ergebnisbewertung	RCTs	Blendung (einfach, doppelt, dreifach)
Hawthorne-Effekt	Die Teilnehmer ändern ihr Verhalten, weil sie wissen, dass sie beobachtet werden.	Alle Arten, insbesondere Beobachtungsstudien	Kontrollgruppen; verblindete Beobachter
Verifikationsbias	Nur Patienten mit einem positiven Testergebnis erhalten den Goldstandard-Bestätigungstest – daher erscheint die Sensitivität fälschlicherweise hoch und die Spezifität fälschlicherweise niedrig.	Studien zu diagnostischen Tests	Stellen Sie sicher, dass alle Patienten (positiv und negativ) den Goldstandard-Test erhalten.
Verwirrend	Eine dritte Variable steht sowohl mit der Exposition als auch mit dem Ergebnis in Zusammenhang und verzerrt so den scheinbaren Zusammenhang.	Beobachtende Studien	Randomisierung (RCTs); Stratifizierung; multivariate Analyse

Klassisches Beispiel für einen Störfaktor: „Der Eiscremeabsatz steht im Zusammenhang mit Ertrinkungsfällen.“ Ist Eiscreme gefährlich? Nein – beides steigt im Sommer. Die Jahreszeit ist der Störfaktor. Dies verdeutlicht, warum Korrelation nicht gleich Kausalität ist und warum Störfaktoren kontrolliert werden müssen.

🔀 Verwirrend – Wenn zwei Dinge zusammenhängen, es aber nicht tun

Störfaktoren gehören zu den wichtigsten Konzepten der Forschungsmethodik – und sind einer der häufigsten Gründe dafür, dass scheinbar überzeugende Beobachtungsbefunde sich als falsch erweisen. Der Kerngedanke ist einfach: Zwei Dinge können scheinbar miteinander verbunden sein, nicht weil sie sich direkt gegenseitig beeinflussen, sondern weil beide mit einer verborgenen dritten Variable verknüpft sind.

🔴 Die Kerndefinition

A Störfaktor (oder Störvariable) ist eine dritte Variable, die unabhängig mit beide die Exposition und Das Ergebnis. Es erzeugt eine trügerische (falsche) Assoziation – oder verschleiert eine reale – zwischen der Exposition und dem untersuchten Ergebnis.

Stellen Sie sich vor, Sie stellen fest, dass Menschen, die Feuerzeuge bei sich tragen, ein höheres Risiko für Lungenkrebs haben. Sollten wir Feuerzeuge verbieten? Nein – der wahre Übeltäter ist das Rauchen. Rauchen steht sowohl mit dem Besitz eines Feuerzeugs als auch mit der Entstehung von Lungenkrebs in Zusammenhang. Rauchen ist der Störfaktor. Der Zusammenhang zwischen Feuerzeugen und Lungenkrebs lässt sich vollständig dadurch erklären.

Klassische Beispiele

Offensichtlicher Zusammenhang	Der Verwirrer	Warum es alles erklärt
Eiscremeverkäufe → Ertrinkungstode	Heißes Wetter (Sommer)	Heißes Wetter führt sowohl zu vermehrtem Eiscremekonsum als auch zu vermehrtem Schwimmen → mehr Ertrinkungsfällen. Eiscreme verursacht kein Ertrinken.
Kaffeekonsum → Lungenkrebs	Rauchen	Raucher trinken im Durchschnitt mehr Kaffee. Frühe Studien brachten Kaffee mit Krebs in Verbindung – bis der Einfluss des Rauchens berücksichtigt wurde.
Das Mitführen eines Feuerzeugs → Lungenkrebs	Rauchen	Raucher tragen Feuerzeuge bei sich. Das Feuerzeug hat keine biologische Wirkung – das Rauchen hingegen schon.
Graue Haare → Herzkrankheit	Alter	Sowohl graue Haare als auch Herzerkrankungen nehmen mit dem Alter zu. Das Alter ist der Störfaktor – nicht die Haarfarbe.
Schuhgröße → Lesefähigkeit (bei Kindern)	Alter	Ältere Kinder haben größere Füße UND können besser lesen. Das Alter erklärt beides.

📐 Die drei Kriterien für einen echten Störfaktor

Eine Variable ist ein Störfaktor, wenn sie die folgenden Bedingungen erfüllt: alle drei davon:

Es ist verbunden mit dem Belichtung (das, was du studierst)
Es ist verbunden mit dem Ergebnisse (das Ergebnis, das Sie messen)
kein Frontalunterricht. auf dem kausalen Pfad zwischen Exposition und Ergebnis (es handelt sich um eine separate dritte Variable, nicht um einen Zwischenschritt)

💡 Wie man Störfaktoren kontrolliert

Randomisierung (in randomisierten kontrollierten Studien) – Verteilt bekannte und unbekannte Störfaktoren gleichmäßig auf die Gruppen. Dies bietet den stärksten Schutz.
Beschränkung — nur Teilnehmer aufnehmen, die hinsichtlich des Störfaktors vergleichbar sind (z. B. nur Nichtraucher in der Kaffeestudie)
Abgleichen — Paare von Fällen und Kontrollen hinsichtlich der Störvariable
Schichtung — Analysiere die Ergebnisse separat für jede Stufe des Störfaktors
Multivariate statistische Anpassung — mehrere Störfaktoren gleichzeitig statistisch berücksichtigen

⚠️ Warum Störfaktoren hauptsächlich in Beobachtungsstudien ein Problem darstellen

In einer gut durchgeführten randomisierten kontrollierten Studie (RCT) werden Störfaktoren (bekannte wie unbekannte) durch die Randomisierung gleichmäßig auf die Gruppen verteilt – wodurch Störfaktoren als Erklärung für Unterschiede ausgeschlossen werden. In Kohorten- und Fall-Kontroll-Studien können nur bekannte und gemessene Störfaktoren berücksichtigt werden. Nicht gemessene Störfaktoren bleiben stets eine mögliche Erklärung für beobachtete Zusammenhänge – weshalb Beobachtungsstudien niemals einen Kausalzusammenhang endgültig beweisen können.

✅ Validität und Reliabilität – Was ist der Unterschied?

Interne Gültigkeit

Misst die Studie tatsächlich das, was sie innerhalb der untersuchten Population zu messen vorgibt? Sind die Ergebnisse von fehlen uns die Worte. Ist die Studie vertrauenswürdig? Bedroht durch Verzerrungen und Störfaktoren.

Externe Validität (Generalisierbarkeit)

Lassen sich die Ergebnisse auf andere Bevölkerungsgruppen oder reale Gegebenheiten übertragen? Eine streng kontrollierte randomisierte kontrollierte Studie in einem spezialisierten Zentrum spiegelt möglicherweise nicht die Realität in der Primärversorgung wider.

Zuverlässigkeit (Reproduzierbarkeit)

Liefert der Test bei Wiederholung unter gleichen Bedingungen konsistente Ergebnisse? Gemessen wird dies durch die Interrater-Reliabilität (Kappa-Koeffizient) oder die Test-Retest-Reliabilität.

Kappa-Statistik (κ)

Misst die Übereinstimmung zwischen zwei Beurteilern, die über den Zufall hinausgeht. κ = 1 (perfekte Übereinstimmung); κ = 0 (Übereinstimmung nicht besser als zufällig); κ < 0 (schlechter als zufällig).

Risikomessung und Behandlungseffekt

Dies ist die am stärksten getestetes Gebiet In der AKT-Statistik müssen Sie diese Formeln auswendig kennen und sie unter Prüfungsbedingungen auf Testdatentabellen anwenden können.

Stellen Sie sich vor, Sie sind im Casino. Die Lotterie verspricht Ihnen doppelte Gewinnchancen – klingt fantastisch. Aber wenn sich Ihre Chance von 1 zu 1 Million auf 2 zu 1 Million erhöht, beträgt die relative Verbesserung zwar 100 %, der absolute Unterschied ist aber praktisch vernachlässigbar. Genau das ist der Unterschied zwischen dem relativen Wiederkaufswert (RRR) und dem absoluten Wiederkaufswert (ARR). Pharmaunternehmen geben gerne den RRR an. Fragen Sie aber immer nach dem ARR.

Die wichtigsten Kennzahlen

Absolute Risikominderung (ARR)

ARR = CER − EER

Der tatsächliche Unterschied in den Ereignisraten zwischen den Gruppen. Die klinisch ehrlichste Kennzahl.

Relative Risikoreduktion (RRR)

RRR = (CER − EER) ÷ CER

Klingt oft beeindruckender – kann aber irreführend sein, wenn man das Ausgangsrisiko nicht kennt. Alternative Formel: RRR = 1 − RR (da RR = EER÷CER, RRR = 1 − dieser Wert).

Relatives Risiko (RR)

RR = EER ÷ CER

Wird in Kohortenstudien und randomisierten kontrollierten Studien (RCTs) verwendet. RR von 1 = kein Effekt; <1 = reduziertes Risiko; >1 = erhöhtes Risiko.

Anzahl der zu behandelnden Patienten (NNT)

NNT = 1 ÷ ARR

Wie viele Patienten müssen behandelt werden, um ein negatives Ergebnis zu verhindern? Weniger Patienten sind wirksamer. Immer aufrunden.

Anzahl der zum Schaden erforderlichen Werte (NNH)

NNH = 1 ÷ ARI

Wie viele Patienten müssen behandelt werden, um eine zusätzliche Nebenwirkung zu verursachen? Je höher die Anzahl, desto sicherer die Behandlung.

Absolute Risikoerhöhung (ARI)

ARI = EER − CER

Das zusätzliche Risiko, das durch eine schädliche Exposition oder eine Nebenwirkung der Behandlung entsteht.

📊 NNT-Interpretation — Was bedeuten die Zahlen eigentlich?

⚠️ Häufiger Irrtum — Niedrigere NNT = Besser (nicht schlechter)

NNT gibt an, wie viele Patienten Sie behandeln müssen. dank One um davon zu profitieren. Also die Weniger Je mehr Patienten behandelt werden müssen, um einen Nutzen zu erzielen, desto wirksamer ist die Behandlung. NNT = 2 bedeutet, dass jeder zweite Patient profitiert – das ist hervorragend. NNT = 100 bedeutet, dass nur einer von 100 Patienten profitiert – deutlich weniger wirksam.

Stellen Sie sich vor, Sie verteilen Regenschirme an einem Regentag. NNT = 2 → Sie verteilen 2 Regenschirme, 1 Person bleibt trocken – sehr effektiv. NNT = 100 → Sie verteilen 100 Regenschirme, nur 1 Person bleibt trocken – ziemlich ernüchternd.

NNT-Bereich	Grobe Interpretation	Beispielkontext
<10	Sehr effektiv	Antibiotika zur Behandlung bestimmter Infektionen; einige Akutbehandlungen
10 – 50	Mäßige Wirkung	Viele gängige vorbeugende Medikamente
> 100	Schwacher Effekt	Einige präventive Strategien auf Bevölkerungsebene

⚠️ Diese Bands sind informell – der Kontext ist entscheidend.

Diese Schwellenwerte sind kein Frontalunterricht. Die Empfehlungen von NICE oder RCGP sind lediglich grobe Lehrmittel. Die „richtige“ NNT ist immer kontextabhängig.

Eine NNT von 100 könnten sich dennoch lohnen. wenn die verhinderte Folge der Tod oder eine schwere, irreversible Schädigung ist
Eine NNT von 5 ist möglicherweise nicht akzeptabel wenn die Behandlung häufige oder schwerwiegende Nebenwirkungen hat

Einzeiler-Regel: Die NNT (Number Needed to Treat) gibt an, wie viele Patienten behandelt werden müssen, damit ein Patient profitiert – je niedriger der Wert, desto stärker die Wirkung. Wägen Sie dies jedoch immer gegen den Schweregrad der Erkrankung und die Belastung durch die Behandlung ab.

🔄 Verwechseln Sie NNT nicht mit prozentualem Nutzen

Wenn 60 von 100 Patienten profitieren, entspricht das einer ARR von 60 % (= 0.6), woraus sich eine NNT von 1 ÷ 0.6 ≈ ergibt. 1.7 — ein hervorragendes Ergebnis. Die NNT (Number Needed to Treat) ist nicht die Anzahl derer, die davon profitieren, sondern die Anzahl derer, die behandelt werden, um … dank One Vorteil.

📖 Odds Ratio & Hazard Ratio — Wann werden diese verwendet?

Messen	Benutzt in	Dolmetschen
Relatives Risiko (RR)	Kohortenstudien, RCTs	Vergleicht das Risiko in zwei Gruppen direkt. Intuitiver als OR.
Quotenverhältnis (OR)	Fall-Kontroll-Studien	Vergleicht die Wahrscheinlichkeit einer Exposition in Fall- und Kontrollgruppen. Fügt eine Näherung des relativen Risikos (RR) bei seltenen Erkrankungen hinzu.
Hazard Ratio (HR)	Überlebenszeitanalyse (Zeit bis zum Ereignis)	Ähnlich wie RR, aber berücksichtigt für wann Die Ereignisse treten im Zeitverlauf auf. HR <1 = reduziertes Risiko in der Behandlungsgruppe.

⚠️ AKT-Falle — ODER ≠ RR

Bei häufigen Erkrankungen überschätzt die Odds Ratio (OR) das Risiko im Vergleich zum relativen Risiko (RR). Bei seltenen Erkrankungen (Prävalenz <10 %) sind sie annähernd gleich. Eine Fall-Kontroll-Studie liefert eine OR – Sie kann keine Die Inzidenz oder das relative Risiko (RR) lassen sich direkt aus einer Fall-Kontroll-Studie berechnen.

🧮 Beispielrechnung – Berechnung der NNT aus Studiendaten

🎯 Szenario: Statin-Studie

Eine 5-jährige randomisierte, kontrollierte Studie (RCT) zeigt, dass bei Patienten mit hohem kardiovaskulärem Risiko 6 % in der Placebo-Gruppe einen Herzinfarkt erlitten, verglichen mit 4 % in der Statin-Gruppe.

1 CER (Kontrollereignisrate) = 6 % = 0.06 EER (Experimentelle Ereignisrate) = 4 % = 0.04

2 ARR = CER − EER = 0.06 − 0.04 = 0.02 (2%)

3 NNT = 1 ÷ ARR = 1 ÷ 0.02 = 50
Behandeln Sie 50 Patienten über 5 Jahre, um 1 Herzinfarkt zu verhindern.

4 RRR = ARR ÷ CER = 0.02 ÷ 0.06 = 33%
Klingt beeindruckend! Aber der absolute Nutzen beträgt nur 2 %.

5 RR = EER ÷ CER = 0.04 ÷ 0.06 = 0.67
Die Statin-Gruppe hatte ein Risiko von 67 % im Vergleich zur Placebo-Gruppe – eine relative Risikoreduktion von 33 %.

💡 Das klinische Fazit

Wenn ein Patient fragt: „Wird mir dieses Statin helfen?“, verwenden Sie die NNT (Number Needed to Treat). „Wenn 50 Personen wie Sie diese Tablette 5 Jahre lang einnehmen, wird ein Herzinfarkt verhindert. Für Sie persönlich entspricht das einem absoluten Nutzen von 2 %.“ Das ist wesentlich ehrlicher als „Es reduziert Ihr Risiko um 33 %.“

💬 Kommunikation von Risiken an Patienten (AKT-Favorit)

Der AKT prüft häufig, wie Sie Patienten statistische Informationen erklären würden. Es gibt vier Hauptformate:

Format	Beispiel	Am besten geeignet für
Eigenfrequenz	„5 von 100 Personen“	Am einfachsten für Patienten zu verstehen
Prozentsatz	"5 % der Bevölkerung"	Weit verbreitet, kann aber irreführend sein
NNT	„20 Behandlungen können 1 Ereignis verhindern“	Kommuniziert den absoluten Nutzen klar und deutlich.
Cates Handlung	Visuelles Raster von 100 Gesichtern	Bestes visuelles Hilfsmittel für die gemeinsame Entscheidungsfindung

🚨 Verwenden Sie RRR niemals allein bei der Risikokommunikation.

Die Aussage „Dies reduziert Ihr Risiko um 33 %“ ohne Angabe des Basisrisikos ist irreführend. Eine relative Risikoreduktion (RRR) von 33 % bei einem Basisrisiko von 0.3 % bedeutet einen absoluten Nutzen von 0.1 %. Geben Sie die RRR immer zusammen mit dem Basisrisiko an oder verwenden Sie stattdessen die absolute Risikoreduktion (ARR) bzw. die NNT (Number Needed to Treat).

💊 Der Trick der Pharmareferenten – Wie Pharmaunternehmen Statistiken manipulieren

Die Vertreter von Pharmaunternehmen sind darauf geschult, Studiendaten im günstigsten Licht darzustellen. Sie bedienen sich dabei eines einfachen, aber effektiven statistischen Tricks:

Nutzen → angegeben als relative Risikoreduktion (RRR) — weil es größer und beeindruckender klingt
Schäden → angegeben als absolute Risikoerhöhung (ARI) — weil es kleiner und weniger besorgniserregend klingt.

Ausgearbeitetes Beispiel – ein fiktiver Besuch eines Statin-Vertreters

Ein neues Statin reduziert Herzinfarkte innerhalb von 5 Jahren von 2 % auf 1 %, erhöht aber Myopathien von 1 % auf 2 %.

Was der Vertreter sagt	Was es tatsächlich bedeutet
„Dieses Medikament reduziert Herzinfarkte um 50%"	RRR = 50 % – aber ARR beträgt nur 1%NNT = 100. 100 Personen müssen 5 Jahre lang behandelt werden, um 1 Herzinfarkt zu verhindern.
„Das Myopathierisiko erhöht sich nur um 1%"	ARI = 1 % – aber das ist eigentlich ein Verdoppelung des Myopathierisikos (Relative Risikosteigerung = 100%).

Die ehrliche Version: „Wenn 100 Patienten dieses Medikament 5 Jahre lang einnehmen, erleidet eine Person zusätzlich keinen Herzinfarkt – und eine weitere Person entwickelt eine Myopathie.“ Dieselben Daten. Völlig anderer Eindruck.

Das Gegenmittel: immer fragen — „Was ist der absolute Unterschied?“ Wenn ein Vertreter eine relative Zahl nennt, rechnen Sie diese selbst um: ARR = CER − EER, dann NNT = 1 ÷ ARR. Dies gilt gleichermaßen für Leistungen. und schadet.

Diagnostische Tests & Screening — Die 2×2-Tabelle

Die 2×2-Kontingenztabelle bildet die Grundlage aller diagnostischen Statistiken. Wer diese Tabelle erstellen und interpretieren kann, kann die meisten diagnostischen AKT-Fragen beantworten.

Die 2×2-Tabelle

	AKTUELLER KRANKHEITSSTATUS
TESTERGEBNIS	Krankheit Gegenwart	Krankheit Abwesend
Positiv getestet	Richtig positiv (TP) Testergebnis: JA → Krankheit vorhanden ✓	Falsch positiv (FP) Testergebnis: JA → keine Krankheit ✗
Test negativ	Falsch negativ (FN) Testergebnis: NEIN → Krankheit vorhanden ✗	Richtig negativ (TN) Testergebnis: NEIN → keine Krankheit ✓

Sensitivität

TP ÷ (TP + FN)

Anteil der Erkrankten, die positiv getestet wurden. „Wie gut ist das System darin, Krankheiten anzustecken?“

Spezifität

TN ÷ (TN + FP)

Anteil der Menschen OHNE Krankheit, die negativ getestet wurden. „Wie gut eignet sich der Test zum Ausschluss einer Krankheit?“

Positiver Vorhersagewert (PPV)

TP ÷ (TP + FP)

Die Wahrscheinlichkeit, dass ein positives Testergebnis tatsächlich eine Erkrankung bedeutet. Wird von der Prävalenz beeinflusst.

Negativer Vorhersagewert (NPV)

TN ÷ (TN + FN)

Die Wahrscheinlichkeit, dass ein negatives Testergebnis tatsächlich bedeutet, dass keine Krankheit vorliegt. Wird von der Prävalenz beeinflusst.

🧠 Schnauze & SpPin – Die Gedächtnisstützen (und warum sie funktionieren)

Schnauze

Snaus: Ein sehr Senpositiver Test, wenn Nnegativ, regiert die Krankheit Außen.

Bei sehr hoher Sensitivität bedeutet ein negatives Testergebnis, dass die Erkrankung sehr unwahrscheinlich ist (niedrige Rate falsch-negativer Ergebnisse). Verwenden Sie einen sensitiven Test zum Screening und Ausschluss der Erkrankung.

SpPin

Spin: Ein sehr Spspezifischer Test, wenn Ppositiv, regiert die Krankheit In.

Bei sehr hoher Spezifität bedeutet ein positives Testergebnis, dass die Erkrankung sehr wahrscheinlich ist (niedrige Rate falsch positiver Ergebnisse). Zur Bestätigung der Diagnose sollte ein spezifischer Test durchgeführt werden.

Sensitivität ist wie ein extrem empfindlicher Rauchmelder – er schlägt bei allem Alarm, sogar bei verbranntem Toast. Ein echtes Feuer wird er nie verpassen (SnNout). Spezifität hingegen ist ein präzise kalibrierter Alarm, der nur bei tatsächlichen Bränden auslöst – wenn er losgeht, können Sie sicher sein, dass es wirklich brennt (SpPin).

📊 Der Einfluss der Prävalenz auf PPV und NPV – ein wichtiges Thema für die Weiterbildung

Dies ist eines der wichtigsten und am besten erprobten Konzepte in der diagnostischen Statistik. Sensitivität und Spezifität sind feste Eigenschaften des Tests. Der positive und negative Vorhersagewert hingegen verändern sich dramatisch, je nachdem, wie häufig die Erkrankung in der untersuchten Population vorkommt.

Stellen Sie sich vor, Sie verwenden denselben Schwangerschaftstest in einer Kinderwunschklinik (60 % der Frauen sind schwanger) und einmal in einer beliebigen Hausarztpraxis (5 % der Frauen könnten schwanger sein). Derselbe Test – dieselbe Sensitivität/Spezifität. Doch ein positives Ergebnis hat in den beiden Umgebungen eine ganz andere Bedeutung.

Szenario	Prävalenz	PPV	NPV
Screening der Allgemeinbevölkerung auf eine seltene Krankheit (z. B. HIV bei niedrigem Risiko)	1%	NIEDRIG (~16 %)	HOCH (~99.9%)
Testung in einer Spezialklinik für Hochrisikopatienten	50%	HOCH (~95%)	HOCH (~95%)

🔴 Wichtige Regeln, die Sie sich merken sollten

Mit steigender Prävalenz steigt der positive Vorhersagewert (PPV) und der negative Vorhersagewert (NPV) sinkt.
Mit sinkender Prävalenz sinkt der positive prädiktive Wert (PPV) und der negative prädiktive Wert (NPV) steigt.
In einer Population mit niedriger Prävalenz sind die meisten positiven Ergebnisse falsch positiv (niedriger positiver Vorhersagewert) – selbst bei einem hochspezifischen Test.
Ein negatives Testergebnis in einer Population mit hoher Prävalenz kann dennoch dazu führen, dass die Krankheit übersehen wird (niedrigerer negativer Vorhersagewert).

📐 Likelihood-Ratios – Wenn Sie tiefer in die Materie einsteigen wollen

Likelihood-Ratios (LRs) kombinieren Sensitivität und Spezifität zu einer einzigen Zahl, die angibt, wie stark ein Testergebnis die Wahrscheinlichkeit einer Erkrankung verändert. Sie sind komplexer als PPV/NPV, aber dennoch nützlich – und werden gelegentlich in AKT getestet.

Positives Likelihood-Verhältnis (LR+)

LR+ = Sensitivität ÷ (1 − Spezifität)

Wie viel wahrscheinlicher ein positives Testergebnis bei einer Erkrankung im Vergleich zu keiner Erkrankung ist. LR+ >10 = starker Hinweis auf eine Erkrankung.

Negatives Likelihood-Verhältnis (LR−)

LR− = (1 − Sensitivität) ÷ Spezifität

Wie viel wahrscheinlicher ein negatives Testergebnis bei Erkrankung im Vergleich zu keiner Erkrankung ist. LR− <0.1 = starker Hinweis gegen die Erkrankung.

LR+	Auswirkung auf die Wahrscheinlichkeit nach dem Test
> 10	Großer und oft eindeutiger Anstieg der Wahrscheinlichkeit
5-10	Moderater Anstieg
2-5	Kleine Erhöhung
1	Keine Änderung (Test ist nutzlos)
0.1-0.5	Geringfügiger bis mäßiger Rückgang
<0.1	Starker Rückgang – starkes negatives Ausschlusskriterium

Fagans Nomogramm verwendet Likelihood-Ratios (LRs) grafisch – man zieht eine Linie von der Vortestwahrscheinlichkeit durch die LR, um die Nachtestwahrscheinlichkeit abzulesen. Wenn Sie dies im AKT sehen, denken Sie daran: Ein positives Testergebnis verändert die Wahrscheinlichkeit. upEin negatives Testergebnis verschiebt es nach unten.

Bevölkerungsstatistik und Epidemiologie

Häufigkeit

Neuinfektionen ÷ Risikopopulation × Multiplikator

Maßnahmen Risiko. Zählt nur NEUE Fälle innerhalb eines definierten Zeitraums.

Punktprävalenz

Alle bestehenden Fälle ÷ Gesamtbevölkerung

Maßnahmen KrankheitslastZählt ALLE Fälle (neue und alte) zu einem bestimmten Zeitpunkt (Zeitpunkt T). Auch geschrieben als: Fälle zum Zeitpunkt T ÷ Bevölkerung zum Zeitpunkt T.

Die Inzidenz bezeichnet die Anzahl der neuen Schüler, die in diesem Jahr an eine Schule eintreten. Die Prävalenz bezeichnet die Gesamtzahl der Schüler, die sich aktuell an der Schule befinden (neue und bereits bestehende). Eine chronische Erkrankung mit niedriger Inzidenz kann dennoch eine hohe Prävalenz aufweisen, wenn Betroffene jahrelang damit leben.

📊 Standardisierte Mortalitätsrate (SMR)

SMR-Formel

(Beobachtete Todesfälle ÷ Erwartete Todesfälle) × 100

Beim Vergleich der Sterblichkeit zwischen verschiedenen Bevölkerungsgruppen werden Alter und Geschlecht berücksichtigt.

SMR-Wert	Dolmetschen
= 100	Die Sterblichkeit entspricht der der Referenzpopulation.
> 100	Übersterblichkeit (höher als erwartet)
<100	Geringere Sterblichkeit als erwartet

AKT-Fragetyp: „Eine Bergbaugemeinde hat eine SMR von 145. Was bedeutet das?“ → Übersterblichkeit – 45 % mehr Todesfälle als in einer vergleichbaren Allgemeinbevölkerung zu erwarten wären.

🎯 Screening – Vorlaufzeit- und Längenverzerrung (Wichtige AKT-Fallen)

🔴 Lieferzeitabweichung

Durch Vorsorgeuntersuchungen wird eine Krankheit früher erkannt, wodurch der Eindruck entsteht, die Überlebenszeit habe sich verbessert – selbst wenn der Patient zum gleichen Zeitpunkt stirbt. Die „Überlebenszeit ab Diagnose“ wurde lediglich durch die Früherkennung verlängert, nicht durch einen tatsächlichen Behandlungserfolg. Der Patient lebt nicht länger; er weiß nur länger Bescheid.

🟠 Längenbias

Screeningprogramme erkennen eher langsam fortschreitende, indolente Erkrankungen (die eine längere „erkennbare präklinische Phase“ aufweisen) als aggressive, schnell fortschreitende Erkrankungen. Dadurch erscheint das Screening bei schweren Erkrankungen effektiver, als es tatsächlich ist.

Vorlaufzeitverzerrung: Stellen Sie sich vor, Sie wissen, dass Sie mit 60 Jahren sterben werden. Ohne Vorsorgeuntersuchung erfahren Sie es mit 55, mit Vorsorgeuntersuchung mit 40. Die Vorsorgeuntersuchung schien Ihnen 15 zusätzliche Lebensjahre ab der Diagnose zu schenken – doch Sie sterben trotzdem mit 60.

✅ Wilson & Jungner-Screening-Kriterien

Bevor ein Screening-Programm eingeführt wird, muss es die Wilson-&-Jungner-Kriterien (ursprünglich 1968 veröffentlicht, immer noch Standard) erfüllen. Der AKT prüft sowohl die Kenntnis dieser Kriterien als auch deren Anwendung auf Fallbeispiele.

#	Kriterium	Was das in der Praxis bedeutet
1	Wichtiges Gesundheitsproblem	Die Erkrankung ist mit einer signifikanten Morbidität oder Mortalität verbunden – ein Screening lohnt sich.
2	Akzeptierte Behandlungsmethoden verfügbar	Es bringt nichts, eine Krankheit zu diagnostizieren, die man nicht behandeln kann.
3	Einrichtungen für Diagnose und Behandlung sind vorhanden	Die Infrastruktur muss vor dem Start vorhanden sein.
4	Erkennbares latentes oder frühes Stadium	Die Krankheit muss eine nachweisbare präsymptomatische Phase aufweisen.
5	Geeigneter Test verfügbar	Der Test muss von der Bevölkerung akzeptiert, sicher und hinreichend genau sein.
6	Für die Bevölkerung akzeptabler Test	Die Menschen müssen bereit sein, sich dem zu unterziehen – invasive oder unangenehme Tests könnten die Bereitschaft zur Teilnahme verhindern.
7	Naturgeschichte ausreichend verstanden	Man muss wissen, wie die Krankheit unbehandelt fortschreitet.
8	Vereinbarte Richtlinie darüber, wer behandelt werden soll	Klare Protokolle sind erforderlich – nicht nur für die Erkennung, sondern auch für die weiteren Schritte.
9	Kosteneffiziente Lösung	Die Kosten für die Ermittlung jedes einzelnen Falls müssen gegen den Nutzen abgewogen werden.
10	Kontinuierlicher Prozess, keine einmalige Aktion	Die Vorsorgeuntersuchungen müssen fortlaufend sein – die Krankheitsfälle nehmen weiter zu

⚠️ AKT-Anwendung – Warum das PSA-Screening diese Kriterien nicht erfüllt

PSA-Screening zur Früherkennung von Prostatakrebs ist kein Frontalunterricht. Die PSA-Untersuchung ist Teil des nationalen Screening-Programms des NHS, da sie mit den Kriterien 5 und 7 Schwierigkeiten hat: Der PSA-Test ist nicht ausreichend genau (geringe Spezifität → viele falsch-positive Ergebnisse), und viele niedriggradige Prostatakarzinome verlaufen so, dass sie zu Lebzeiten des Patienten keine Symptome verursachen. Dies führt direkt zu Überdiagnosen (siehe unten).

Merkhilfe: Stellen Sie sich die Kriterien als drei Gruppen vor – die Krankheit (wichtig, verstanden, hat eine latente Phase), der Test (geeignet, akzeptabel, genau), das System (Behandlungsmöglichkeiten bestehen, Einrichtungen sind vorhanden, Richtlinien wurden vereinbart, kosteneffektiv, kontinuierlich).

🔍 Überdiagnostik – Probleme finden, die keine Probleme verursacht hätten

Überdiagnose liegt vor, wenn eine tatsächliche Krankheit festgestellt wird – eine Krankheit, die wirklich existiert –, diese Krankheit aber… haben niemals Symptome, Schäden oder den Tod verursacht. Wenn die Krankheit unentdeckt bleibt, kann sie zu Lebzeiten des Patienten auftreten. Es handelt sich nicht um ein falsch positives Ergebnis (die Krankheit ist real), sondern um ein echtes positives Ergebnis, das nicht hätte entdeckt werden müssen.

🔴 Warum das wichtig ist

Überdiagnostik macht aus gesunden Menschen Patienten. Sie setzt sie den Ängsten, Nebenwirkungen und Risiken einer Behandlung aus, die ihnen nie geschadet hätte. Dies ist einer der gravierendsten Nachteile von Screening-Programmen – und einer, den die AKT-Studie direkt untersucht.

Anforderungen	Beispiel für Überdiagnose
Prostatakrebs	Viele niedriggradige Tumore, die durch den PSA-Test entdeckt werden, würden nie fortschreiten oder Symptome verursachen – die Männer sterben. und sie nicht ab Sie
Schilddrüsenkrebs	Ultraschalluntersuchungen entdecken winzige papilläre Schilddrüsenkarzinome, die fast ausnahmslos indolent verlaufen – die Erkennungsrate ist stark gestiegen, die Sterblichkeitsrate jedoch unverändert.
DCIS (Brust)	Duktales Carcinoma in situ, das durch Mammographie entdeckt wurde – einige würden nie zu invasivem Krebs werden

Überdiagnostik ist, als würde man einen winzigen Riss in einer Wand entdecken, der niemals zum Einsturz des Hauses geführt hätte – doch nun, da man ihn entdeckt hat, fühlt man sich gezwungen, ihn zu reparieren. Der Riss war real; der Schaden entstand durch die Behandlung, nicht durch den Riss selbst.

Überdiagnostik vs. Übertherapie

Überdiagnose = die Entdeckung einer Krankheit, die keiner Entdeckung bedurfte. Überbehandlung Die Behandlung einer Krankheit, die keiner Behandlung bedarf (was auf eine Überdiagnose zurückzuführen sein oder unabhängig davon auftreten kann). Es handelt sich um verwandte, aber unterschiedliche Konzepte.

🔢 Altersstandardisierung

Beim Vergleich von Krankheitsraten oder Sterblichkeitsraten zwischen verschiedenen Bevölkerungsgruppen (z. B. verschiedenen Ländern, verschiedenen Zeiträumen) muss berücksichtigt werden, dass diese Bevölkerungsgruppen unterschiedliche Altersstrukturen aufweisen können. Ältere Bevölkerungsgruppen haben naturgemäß eine höhere Sterblichkeitsrate, selbst wenn ihr Gesundheitszustand gleich gut ist.

Schlüsselkonzept

Die Altersstandardisierung ist ein statistisches Verfahren, das den verzerrenden Einfluss unterschiedlicher Altersverteilungen beim Vergleich von Gesundheitsergebnissen zwischen Populationen beseitigt. Sie liefert eine Rate, die zu beobachten wäre, wenn beide Populationen die gleiche Altersstruktur aufwiesen (die „Standardpopulation“).

🎗️ Krebsstatistik – Wissenswertes von AKT

Das AKT prüft gelegentlich spezifische Krebsstatistiken. Sie benötigen keine umfassenden onkologischen Kenntnisse – aber diese wichtigen Zahlen tauchen immer wieder auf und sind wissenswert.

Krebs	Schlüsselstatistik	Warum es wichtig ist
Hodenkrebs	>98% 10-Jahres-Überlebensrate	Eine der am besten behandelbaren Krebsarten – wichtig zu wissen für die Beratung junger Männer
Lungenkrebs	Häufigste Krebstodesursache (Vereinigtes Königreich)	Obwohl es nicht die häufigste Krebsart ist, tötet sie mehr Menschen als jede andere Krebsart.

⚠️ Überlebensrate vs. Sterberate – Verwechseln Sie diese nicht!

Eine Krebserkrankung kann ein hohes Risiko haben. Häufigkeit (häufig) aber niedrig Sterblichkeit (Behandelbar), wie Brustkrebs. Oder es kann seltener auftreten, aber eine sehr hohe Sterblichkeitsrate aufweisen, wie Bauchspeicheldrüsenkrebs. Der AKT-Test prüft möglicherweise Ihre Fähigkeit, Krebsstatistiken richtig zu interpretieren – gehen Sie nicht davon aus, dass die häufigste Krebsart auch die tödlichste ist.

⚖️ Ungleichheiten im Gesundheitswesen

Gesundheitliche Ungleichheiten beschreiben ungerechte, vermeidbare Unterschiede im Gesundheitszustand verschiedener Bevölkerungsgruppen. Sie stehen im Mittelpunkt der britischen Gesundheitspolitik und werden im Akt im Kontext von Epidemiologie und sozialen Determinanten der Gesundheit behandelt.

Definition

Ungleichheiten im Gesundheitswesen sind ungerechte, vermeidbare Unterschiede im Gesundheitszustand oder in der Verteilung der Gesundheitsdeterminanten zwischen verschiedenen BevölkerungsgruppenSie sind „vermeidbar“, weil sie auf soziale, wirtschaftliche oder umweltbedingte Bedingungen zurückzuführen sind, die prinzipiell verändert werden könnten – und nicht auf Zufall oder biologische Variation.

Typ	Beispiele in Großbritannien
Sozioökonomisch	Geringere Lebenserwartung in benachteiligten Gebieten; höhere Raten von Herz-Kreislauf-Erkrankungen, Diabetes und psychischen Erkrankungen in ärmeren Gemeinschaften
Geografisch	„Nord-Süd-Gefälle“ – schlechtere Gesundheitsergebnisse in Teilen Nordenglands im Vergleich zum Süden
Ethnisch	Höhere Raten von Typ-2-Diabetes in südasiatischen Bevölkerungsgruppen; höheres kardiovaskuläres Risiko in schwarzen Bevölkerungsgruppen
Geschlecht	Männer haben eine geringere Lebenserwartung, Frauen hingegen mehr Jahre mit Krankheit (Morbidität).

Im AKT (Aktive Transformationsansatz) werden gesundheitliche Ungleichheiten häufig als Fragen zu den sozialen Determinanten der Gesundheit oder zur Interpretation von Bevölkerungsdaten, die Unterschiede zwischen Gruppen aufzeigen, behandelt. Wichtigstes Instrument: die Murmeltier-Testbericht (Gerechte Gesellschaft, gesundes Leben) und das Konzept von verhältnismäßiger Universalismus — universelle Dienstleistungen, die denjenigen mit größerem Bedarf intensiver angeboten werden.

Datenverteilung und statistische Signifikanz

Maße der zentralen Tendenz

Messen	Definition	Am besten verwendet, wenn	Achtung
Bedeuten	Summe aller Werte ÷ Anzahl der Werte	Die Daten sind normalverteilt	Leicht durch Ausreißer verzerrt
Median	Mittlerer Wert bei sortierter Reihenfolge. Falls ein gerade Zahl Bei einer Wertemenge ist der Median der Durchschnitt der beiden mittleren Werte.	Verzerrte Daten (z. B. Einkommen, Krankenhausaufenthaltsdauer)	Ignoriert die tatsächlichen Werte an Extrempunkten
Model	Am häufigsten vorkommender Wert	Kategorische Daten; bimodale Verteilungen	Kann bei kontinuierlichen Daten bedeutungslos sein.
Abdeckung	Maximum − Minimum	Schnelles Verständnis der Ausbreitung	Ausschließlich durch Ausreißer bestimmt
IQR (Interquartilsabstand)	75. Perzentil − 25. Perzentil	In Kombination mit dem Median für schiefe Daten	Ignoriert die oberen und unteren 25 %
Standardabweichung (SD)	Durchschnittliche Abweichung vom Mittelwert	Normalverteilte Daten	Irreführend, wenn die Daten nicht normalverteilt sind.

🗂️ Datentypen — Nominal-, Ordinal-, Intervall- und Verhältnisdaten

Verstehe was tippe Die Art der verfügbaren Daten bestimmt, welche zusammenfassenden Statistiken und statistischen Tests geeignet sind. Der AKT-Test prüft dies – üblicherweise durch die Vorlage eines Datensatzes und die Frage, welcher Test oder welche Kennzahl anzuwenden ist.

Typ	Definition	Beispiele	Analogie
Nominal	Kategorien ohne natürliche Ordnung	Blutgruppe (A, B, AB, O); Geschlecht; Augenfarbe; Todesursache	Eine Obstschale – Äpfel und Bananen sind einfach nur verschieden, keines ist „mehr“.
Ordinal	Geordnete Kategorien, aber die Lücken zwischen ihnen sind kein Frontalunterricht. notwendigerweise gleich	NYHA-Herzinsuffizienzklasse (I–IV); Schmerzskala (leicht/mittel/stark); Likert-Skala	Rennpositionen – 1., 2., 3. Wir kennen die Reihenfolge, aber der Abstand zwischen Platz 1 und 2 kann sich deutlich vom Abstand zwischen Platz 2 und 3 unterscheiden.
Intervall	Geordnet mit gleichen Abständen zwischen den Werten, aber Es gibt keine wahre Nullstelle.	Temperatur in °C; Kalenderdaten; IQ-Werte	Ein Thermometer – 0 °C bedeutet nicht „keine Temperatur“. Man kann nicht absolut sagen, dass 20 °C „doppelt so warm“ wie 10 °C sind.
Ratio	Geordnete, gleichmäßige Abstände, UND ein absoluter Nullpunkt	Größe, Gewicht, Blutdruck, Alter, Einkommen, Medikamentendosis	Geld – 0 £ bedeutet, dass Sie wirklich nichts besitzen. 40 £ sind doppelt so viel wie 20 £.

💡 Warum das für die AKT wichtig ist

Nominal-/Ordinaldaten → Verwenden Sie nichtparametrische Tests, Modus oder Median für Mittelwerte
Intervall-/Verhältnisdaten (normalverteilt) → Mittelwert, Standardabweichung, parametrische Tests können verwendet werden
Ihnen Erarbeiten Ein Mittelwert kann nicht sinnvoll berechnet werden. bei nominalen Daten (z. B. ist „mittlere Blutgruppe“ Unsinn) oder bei Intervallskalendaten proportionale Aussagen treffen (man kann nicht sagen, dass jemand mit einem IQ von 120 „doppelt so klug“ ist wie jemand mit 60).

🔬 Parametrische vs. nichtparametrische Tests

Statistische Tests lassen sich in zwei Kategorien einteilen, je nachdem, welche Annahmen sie über Ihre Daten treffen. Der AKT-Test ermittelt, welcher Test für ein bestimmtes Szenario geeignet ist – Sie müssen die Berechnungen nicht selbst durchführen, sondern nur wissen, wann welcher Test anzuwenden ist.

Der Kernunterschied

Parametrische Tests Es wird angenommen, dass die Daten normalverteilt sind (oder dass die Stichprobe groß genug ist, dass dies keine große Rolle spielt) und dass die Daten mindestens intervallskaliert sind. Nichtparametrische Tests Sie treffen keine solchen Annahmen – sie arbeiten mit Rängen oder Kategorien und eignen sich für schiefe Daten, kleine Stichproben oder ordinale/nominale Daten.

Parametrische Tests sind wie ein Rezept, das nur funktioniert, wenn der Ofen exakt die richtige Temperatur hat. Nicht-parametrische Tests sind toleranter – sie funktionieren auch dann, wenn der Ofen etwas zu heiß oder zu kalt ist.

Zweck	Parametrischer Test	Nichtparametrisches Äquivalent
Vergleichen Sie die Mittelwerte zweier unabhängiger Gruppen	Unabhängiger T-Test	Mann-Whitney-U-Test
Vergleich bedeutet: gleiche Gruppe, 2 Zeitpunkte	Gepaarter t-Test	Wilcoxon-Signed-Rang-Test
Vergleichen Sie die Mittelwerte von 3 oder mehr Gruppen	ANOVA (Varianzanalyse)	Kruskal-Wallis-Test
Korrelation zwischen zwei stetigen Variablen	Pearson Korrelation	Spearman-Rangkorrelation
Vergleich von Anteilen / kategorialen Daten	-	Chi-Quadrat-Test (χ²)

⚠️ AKT-Entscheidungsregeln

Daten sind verdreht or nicht normalverteilt → nichtparametrische Verfahren verwenden
Kleine Stichprobengröße (und die Normalverteilung ist unsicher) → nichtparametrische Verfahren verwenden
Daten sind Ordinal- (z. B. Schmerzskalen, Likert-Skala) → nichtparametrische Verfahren verwenden
Vergleich Anteile oder Kategorien → Chi-Quadrat-Test
Große Stichprobe, stetig, annähernd normalverteilt → parametrischer Test ist geeignet

🔔 Normalverteilung – Die 68-95-99.7-Regel

Eine Normalverteilung ist eine symmetrische, glockenförmige Kurve. Mittelwert, Median und Modus sind alle gleich und liegen in der Mitte.

Abdeckung	% der enthaltenen Werte
Mittelwert ± 1 Standardabweichungen	68%
Mittelwert ± 2 Standardabweichungen	95%
Mittelwert ± 3 Standardabweichungen	99.7%

Anwendung von AKT: Referenzbereiche für Bluttests werden üblicherweise als Mittelwert ± 2 Standardabweichungen definiert – das bedeutet, dass 5 % der gesunden Bevölkerung außerhalb des Normbereichs liegen. Aus diesem Grund ist bei einem asymptomatischen Patienten ein leicht abweichendes Ergebnis oft nicht behandlungsbedürftig.

⚠️ Verzerrte Daten

Bei rechtsschief verteilten Daten (z. B. Einkommen, Wartezeiten beim Hausarzt, Serumbilirubinwerte auf einer Station) wird der Mittelwert durch einige wenige Ausreißer nach rechts verschoben. In diesem Fall sollte man die mittlere — es repräsentiert den typischen Wert besser. Das AKT testet diese Unterscheidung besonders gern.

📉 P-Werte und Konfidenzintervalle – Was sie wirklich bedeuten

P-Werte

Der p-Wert ist die Wahrscheinlichkeit, Ergebnisse zu beobachten, die mindestens so extrem sind wie die beobachteten. wenn die Nullhypothese wahr ist (d. h. wenn es keine tatsächliche Wirkung gibt). Es ist kein Frontalunterricht. die Wahrscheinlichkeit, dass die Nullhypothese richtig ist.

p-Wert	Dolmetschen
p <0.05	Statistisch signifikant – die Wahrscheinlichkeit, dass dieses Ergebnis zufällig zustande gekommen ist, liegt unter 5 %.
p> 0.05	Statistisch nicht signifikant – das Ergebnis könnte zufallsbedingt sein.
p = 0.01	Die Wahrscheinlichkeit, dieses Ergebnis zu erzielen, liegt bei 1 %, falls kein tatsächlicher Effekt auftritt.

Konfidenzintervalle (CIs)

Ein 95%-Konfidenzintervall bedeutet: Wenn man die Studie 100 Mal wiederholen würde, läge der wahre Populationswert in 95 Fällen innerhalb dieses Bereichs.

Ein CI ist wie eine Wettervorhersage, die besagt: „Erwarten Sie morgen Temperaturen zwischen 14 °C und 22 °C.“ Das bedeutet nicht, dass die Temperatur definitiv in diesem Bereich liegen wird – aber man ist sich zu 95 % sicher, dass sie es tun wird.

🔴 Die am häufigsten getestete Regel — Überschreitet das CI die magische Zahl?

Für einen Verhältnis (RR, OR, HR): wenn das 95%-KI Folgendes umfasst 1.0 → statistisch nicht signifikant
Für einen Unterschied (mittlere Differenz, ARR): wenn das 95%-Konfidenzintervall Folgendes umfasst 0 → statistisch nicht signifikant
Wenn das CI (bei Verhältnissen) durchgehend über 1 liegt → signifikant erhöhtes Risiko
Wenn das CI (bei Verhältnissen) durchgehend unter 1 liegt → signifikant reduziertes Risiko

❌ Fehler 1. und 2. Art – Falschmeldung vs. Fehlalarm

Fehler 1. Art (α — Alpha)

Die Nullhypothese wird verworfen, obwohl sie zutrifft. Anders ausgedrückt: Man schließt fälschlicherweise auf die Wirksamkeit einer Behandlung. Die sogenannte Falsch-Positiv-Rate liegt üblicherweise bei 5 % (α = 0.05, p < 0.05).

„Wolf rufen“ – Alarm schlagen, obwohl kein Wolf da ist.

Fehler 2. Art (β — Beta)

Die Nullhypothese wird fälschlicherweise nicht verworfen. Anders ausgedrückt: Ein tatsächlicher Behandlungseffekt wird übersehen. Die Falsch-Negativ-Rate liegt üblicherweise bei 20 % (β = 0.2, Teststärke = 80 %).

„Den Wolf übersehen“ – sagen, es gäbe keinen Wolf, obwohl einer da ist.

Statistische Macht

Power = 1 − β. Sie ist die Wahrscheinlichkeit, einen tatsächlichen Effekt korrekt zu erkennen. Höhere Power bedeutet geringere Wahrscheinlichkeit, einen realen Effekt zu übersehen. Die Power steigt mit größeren Stichprobenumfängen. Eine gut konzipierte Studie benötigt eine Power von mindestens 80 %.

⚡ Statistische Signifikanz ≠ Klinische Relevanz

Dies ist eine der wichtigsten und am häufigsten geprüften Nuancen in der AKT-Statistik – und eine, die viele Auszubildende übersehen.

🔴 Die Kernregel

Ein Ergebnis kann sein statistisch signifikant (p < 0.05) während klinisch bedeutungslosStatistische Signifikanz besagt lediglich, dass das Ergebnis wahrscheinlich nicht auf Zufall beruht – sie besagt nichts die Frage, ob der Effekt groß genug ist, um in der Praxis von Bedeutung zu sein.

Eine Studie mit 50,000 Patienten ergab, dass ein neues Antihypertensivum den systolischen Blutdruck um 1 mmHg senkt (p = 0.001). Hochsignifikant – aber würden Sie Ihre Verschreibungspraxis aufgrund einer Blutdrucksenkung um 1 mmHg ändern? Wohl kaum. Der niedrige p-Wert ist auf die enorme Stichprobengröße zurückzuführen, nicht auf die Bedeutung des Effekts.

Szenario	Statistisch signifikant?	Klinisch relevant?
Der Blutdruck sinkt um 1 mmHg, n=50,000, p=0.001	Ja	Nein
Der Blutdruck sinkt um 15 mmHg, n=30, p=0.08	Nein	Wahrscheinlich ja
Der Blutdruck sinkt um 12 mmHg, n=500, p=0.02	Ja	Ja

💡 Was Sie stattdessen verwenden sollten

Immer auf die schauen Effektgröße (ARR, NNT, mittlere Differenz) zusammen mit p-Werten und Konfidenzintervallen. Ein enges Konfidenzintervall, das Null oder Eins ausschließt, ist aussagekräftiger als ein p-Wert allein – es gibt sowohl die Richtung als auch die Präzision des Effekts an.

📏 Breite des Konfidenzintervalls – Präzision auf einen Blick

Enges CI → präzise Schätzung → hohes Vertrauen, dass der wahre Wert nahe am Schätzwert liegt (in der Regel basierend auf einer großen Stichprobe)
Wide CI → unsichere Schätzung → der wahre Wert kann in einem breiten Bereich liegen (üblicherweise aufgrund einer kleinen oder heterogenen Stichprobe)

Beispiel: RR = 1.5 (95 %-KI 1.4–1.6) → präzise, überzeugend. RR = 1.5 (95 %-KI 0.6–3.8) → breit gefächert, unsicher – und überschreitet 1.0, daher nicht einmal signifikant.

📈 Regression zur Mitte – Der versteckte Störfaktor in der klinischen Praxis

Regression zum Mittelwert ist die statistische Tendenz, dass ein Extremwert bei einer zweiten Messung näher am Durchschnitt liegt. unabhängig von jeglicher InterventionSie ist eine der am meisten unterschätzten Quellen für irreführende Schlussfolgerungen in der Medizin.

🔴 Warum es klinisch relevant ist

Patienten werden oft genau dann untersucht oder behandelt, wenn ihre Symptome oder Messwerte am stärksten ausgeprägt sind. Aufgrund natürlicher Schwankungen verbessern sich diese Messwerte bei einer erneuten Untersuchung wahrscheinlich ohnehin – nicht unbedingt aufgrund Ihrer Intervention. Ohne Kontrollgruppe lässt sich eine Regression zur Mitte nicht von einem tatsächlichen Behandlungseffekt unterscheiden.

Szenario	Was wie ein Behandlungseffekt aussieht	Was tatsächlich geschehen könnte
Der Patient hatte bei einer Messung sehr hohen Blutdruck → begann mit der medikamentösen Behandlung → Blutdruck war beim nächsten Besuch niedriger	Das Medikament wirkt	Der erste Messwert könnte ein Ausreißer gewesen sein; der Blutdruck wäre bei einer Wiederholungsmessung ohnehin niedriger gewesen.
Ein Schüler schneidet bei einem Test sehr schlecht ab → erhält Nachhilfe → schneidet beim nächsten Mal besser ab	Studiengebühren geholfen	Das schlechte Ergebnis war möglicherweise nicht repräsentativ; die natürliche Leistung tendiert dazu, sich ihrem Durchschnitt anzunähern.
Patient mit schwerem Ekzemschub beginnt mit einer neuen Creme → Schub bessert sich	Die Creme ist wirksam	Schwere Krankheitsschübe bessern sich im Laufe der Zeit in der Regel unabhängig von der Behandlung.

Stellen Sie sich vor, Sie messen die Größe einer Person nur, wenn sie auf einem Kasten steht. Sie wirkt sehr groß. Wenn Sie sie das nächste Mal normal messen, scheint sie „geschrumpft“ zu sein. Die Messung hat sich verändert, die Person nicht. Das ist Regression zum Mittelwert.

💡 Wie man sich davor schützen kann

Nehmen mehrere Basismessungen und verwenden Sie den Durchschnittswert vor Behandlungsbeginn.
Verwenden Kontrollgruppe — Die Regression zur Mitte betrifft beide Gruppen gleichermaßen, daher ist jeder Unterschied zwischen den Gruppen mit größerer Wahrscheinlichkeit auf einen tatsächlichen Behandlungseffekt zurückzuführen.
Dies ist eines der stärksten Argumente für RCTs gegenüber unkontrollierten Vorher-Nachher-Studien

Statistische Grafiken – Worauf Sie achten sollten

Die AKT präsentiert regelmäßig Grafiken und bittet Sie, diese zu interpretieren. Lernen Sie, die wichtigsten Merkmale jedes Grafiktyps zu erkennen – versuchen Sie nicht, alles zu interpretieren. Eine gezielte Beobachtung genügt.

Diagrammtyp	Hauptnutzen	Worauf man achten sollte
Waldgrundstück	Ergebnisse der Metaanalyse	Hat das Diamant Überschreiten Sie die vertikale Linie der Wirkungslosigkeit?
Trichterplot	Erkennung von Publikationsbias / Überwachung von Ausreißern in der Allgemeinmedizin	Ist die Handlung asymmetrisch? (Lücke = fehlende unveröffentlichte Studien)
Cates-Plot	NNT visuell an Patienten kommunizieren	Zähle die farbigen „Vorteils“-Seiten; NNT = 100 ÷ diese Seiten
Die Abbé-Verschwörung	Untersuchung der Heterogenität in Metaanalysen	Punkt auf der Diagonalen = Null-Behandlungseffekt
Boxplot	Datenverteilung und -streuung	Mittellinie = mittlere (nicht Mittelwert); Punkte außerhalb der Whisker = Ausreißer
Fagans Nomogramm	Vortest → Nachtestwahrscheinlichkeit	Ziehen Sie eine Linie von der Vortestwahrscheinlichkeit durch LR, um die Nachtestwahrscheinlichkeit abzulesen.
Stamm-Blatt-Diagramm	Verteilung — erhält die ursprünglichen Werte	Ähnlich einem Histogramm, zeigt aber einzelne Datenpunkte an.
Kaplan-Meier-Kurve	Überlebenszeitanalyse – Zeit bis zum Ereignis	Die Schrittzahlen sinken, wenn Ereignisse eintreten; Kurven, die frühzeitig auseinanderlaufen und sich nicht weiter voneinander entfernen, deuten auf einen anhaltenden Behandlungserfolg hin.
Histogramm	Verteilung kontinuierlicher Daten	Kurvenform: symmetrisch = Normalverteilung; schief = Median statt Mittelwert verwenden.

🌲 Waldparzellen – Im Detail

Wie man eine Waldgrundrisskarte liest

Jedes Quadrat = eine Studie. Die Größe des Quadrats entspricht der Gewichtung der Studie (die üblicherweise von der Stichprobengröße abhängt).
Horizontale Linien = 95%-Konfidenzintervall für diese Studie
Der Diamant Unten = die gepoolte Gesamtschätzung. Ihre Breite = das gepoolte 95%-Konfidenzintervall.
Vertikale Linie bei 1.0 = „Linie ohne Wirkung“ (für Verhältnisse). Wenn eine CI-Linie oder die Raute überschreitet diese LinieDas Ergebnis ist nicht statistisch signifikant

Heterogenität – Die I²-Statistik

I² misst, wie viel der Variation zwischen den Studien auf echte Heterogenität (tatsächliche Unterschiede) und nicht auf Zufall zurückzuführen ist.
I² < 25 % = geringe Heterogenität ✓
I² = 25–50 % = mäßige Heterogenität
I² > 50 % = erhebliche Heterogenität – zusammengefasstes Ergebnis ist weniger zuverlässig ⚠️

Man kann sich die Raute als das endgültige Urteil der Jury vorstellen. Überschreitet die Raute die vertikale „Grenze der Uneinigkeit“, ist die Jury uneins – es kommt zu keinem eindeutigen Ergebnis. Die I²-Statistik gibt an, ob die Geschworenen sich überhaupt über denselben Fall einig waren.

📯 Trichterdiagramme – Überwachung von Publikationsbias und Ausreißern in der Allgemeinbevölkerung

Trichterdiagramme kommen im AKT in zwei völlig unterschiedlichen Kontexten vor – stellen Sie sicher, dass Sie beide erkennen.

In der Metaanalyse (Publikationsbias)

Die Effektstärke (x-Achse) wird gegen die Präzision bzw. Größe der Studie (y-Achse) aufgetragen. Ein symmetrischer, umgekehrter Trichter deutet auf keine Verzerrung hin. Ein asymmetrischer Trichter mit einer Lücke unten links deutet auf fehlende kleine negative Studien und damit auf einen Publikationsbias hin.

Leistungsüberwachung in der Praxis

Vergleicht Hausarztpraxen anhand von Kennzahlen (z. B. Überweisungsraten, Sterblichkeit). Datenpunkte außerhalb der Trichterlinien sind Statistische Ausreißer Eine Untersuchung ist gerechtfertigt – dies ist jedoch nicht unbedingt ein Beweis für mangelhafte Leistung.

😊 Cates-Diagramme – Wie man die NNT visuell extrahiert

Ein Cates-Diagramm (manchmal auch „Smiley-Face-Diagramm“ genannt) verwendet ein Raster aus 100 Gesichtern, um Patienten zu helfen, den absoluten Nutzen und Schaden zu visualisieren.

Jedes der 100 Gesichter repräsentiert eine Person pro 100 Behandelten.
Gelb/grüne Gesichter = Personen, die davon profitierten (verhinderte Ereignisse)
Rote Gesichter = Menschen, die Schaden erlitten haben
Graue/einfache Gesichter = Es hat in beiden Fällen keinen Effekt

NNT aus Cates Plot

NNT = 100 ÷ Anzahl der Nutzenseiten

Beispiel: 4 gelbe Seiten → NNT = 100 ÷ 4 = 25

📉 Kaplan-Meier-Überlebenskurven – Wie man sie liest

Kaplan-Meier-Kurven (KM-Kurven) zeigen die Wahrscheinlichkeit, im Zeitverlauf zu überleben (oder ereignisfrei zu bleiben). Sie werden in AKT-Fragen zu Krebsstudien, Herz-Kreislauf-Studien und allen Forschungsarbeiten verwendet, die die Zeit bis zum Eintreten eines Ereignisses erfassen.

Funktion	Was es bedeutet
Die Y-Achse	Die Überlebenswahrscheinlichkeit (oder ereignisfreie Überlebenswahrscheinlichkeit) beginnt bei 1.0 (100 %) und nimmt mit der Zeit ab.
Die X-Achse	Zeit (Tage, Monate, Jahre)
Jeder Abwärtsschritt	Ein Ereignis ist eingetreten (z. B. Tod, Rückfall). Größere Schritte bedeuten mehr Ereignisse zu diesem Zeitpunkt.
Markierungen auf der Linie	Zensierte Patienten – Patienten, die für die Nachbeobachtung nicht mehr erreichbar waren oder deren Studie beendet wurde. Keine Ereignisse.
Zwei Kurven, die frühzeitig auseinanderlaufen und sich nicht mehr trennen	Deutet auf einen anhaltenden Behandlungserfolg während der gesamten Nachbeobachtung hin.
Kurven kreuzen	Dies deutet darauf hin, dass das Risiko im Zeitverlauf nicht proportional ist – was die Interpretation erschwert.
Medianes Überleben	Der Zeitpunkt, an dem die Überlebenskurve die 50%-Marke überschreitet – der Zeitpunkt, an dem die Hälfte der Patienten das Ereignis erlitten hat.

Link zum Gefahrenverhältnis

Das Log-Rank-Test vergleicht zwei Kaplan-Meier-Kurven statistisch. Hazard Ratio (HR) fasst den Gesamtunterschied zwischen den Kurven zusammen. HR < 1 bedeutet, dass in der Behandlungsgruppe im Zeitverlauf weniger Ereignisse auftreten. Bei einer deutlichen Überlappung der Kurven liegt die HR nahe bei 1 (kein Nutzen).

Man kann sich die KM-Kurve wie eine abwärtsführende Treppe vorstellen. Jede Stufe nach unten entspricht dem Auftreten des Ereignisses bei einer Person. Eine wirksame Behandlung sorgt dafür, dass die Betroffenen länger auf den höheren Stufen verweilen – die Treppe der behandelten Gruppe sinkt langsamer ab.

📊 Histogramme – Verteilung auf einen Blick

Ein Histogramm veranschaulicht die Verteilung einer stetigen Variablen (z. B. Alter, Blutdruck, BMI), indem es Werte in Intervalle (Klassen) einteilt und die Anzahl der Beobachtungen in jedem Intervall darstellt. Im Gegensatz zu einem Balkendiagramm berühren sich die Balken – da die Daten stetig sind.

Shape	Bedeutung	Mittelwert oder Median verwenden?
Symmetrische Glockenform	Normalverteilung – Mittelwert, Median und Modus sind alle gleich	Entweder – aber üblicherweise Mittelwert ± Standardabweichung
Rechtsschiefe (positive Schiefe)	Langer Ausläufer nach rechts – einige sehr hohe Werte ziehen den Mittelwert nach oben	Median (repräsentativer)
Linksschiefe (negative Schiefe)	Langer Ausläufer nach links – einige sehr niedrige Werte drücken den Mittelwert nach unten	Median (repräsentativer)
Bimodal (zwei Gipfel)	Zwei unterschiedliche Untergruppen in den Daten	Melden Sie beide Spitzenwerte separat.

AKT-Tipp: Weist ein Histogramm eine positive Schiefe auf, ist das korrekte Maß der zentralen Tendenz die mittlereWenn es eine Normalverteilung aufweist, bedeuten Ist angemessen.

Qualitätsverbesserung und klinisches Audit

Werkzeug	Zweck	Hauptfunktionen
Klinisches Audit	Die Praxis anhand expliziter Standards messen; Lücken identifizieren und schließen.	Erfordert einen definierten Standard. Nutzt den PDSA-Zyklus. Beinhaltet das Schließen des Regelkreises (erneutes Audit). Sie hilft nicht nur Forschung – ohne Hypothese wird kein neues Wissen generiert.
Analyse signifikanter Ereignisse (SEA)	Systematische multidisziplinäre Überprüfung eines einzelnen bedeutenden Ereignisses	Schuldzuweisungsfrei. Fokus auf Systemlernen, nicht auf individuelles Versagen. Im Team geteilt. Lernerfahrungen und Maßnahmen werden dokumentiert.
Ursachenanalyse (RCA)	Detaillierte Untersuchung schwerwiegender Vorfälle	Strukturierter als SEA. Wendet die „5-Why“-Methode an. Identifiziert beitragende und grundlegende Ursachen. Häufig bei schwerwiegenden Ereignissen oder ernsthaften Schäden.
QOF-Ausnahmeberichterstattung	Angemessener Ausschluss von Patienten aus QOF-Indikatoren	Klinisch angemessen bei: maximal tolerierter Therapie, informierter Ablehnung durch den Patienten, extremer Gebrechlichkeit oder klinischer Kontraindikation.

🔄 Klinische Prüfung vs. Forschung – Wesentliche Unterschiede

Funktion	Klinisches Audit	Forschung
Zweck	Die Versorgung durch Vergleich mit Standards verbessern	Neues Wissen generieren
Hypothese	Keine – Vergleich mit dem bestehenden Standard	Hat immer eine Hypothese
Ethikgenehmigung	Normalerweise nicht erforderlich	Normalerweise erforderlich
Zustimmung	Normalerweise nicht erforderlich	Normalerweise erforderlich
Randomisierung	Nie	Kann randomisierte kontrollierte Studien (RCTs) umfassen
Endresultat	Serviceverbesserung; Aktionsplan	Neue Erkenntnisse; Veröffentlichung

AKT-Falle: „Ein Hausarzt möchte untersuchen, ob ein neues Antibiotikum in seiner Praxis bessere Heilungsraten erzielt als die Standardbehandlung.“ → Das ist Forschungsprojekte (Generiert neues Wissen, stellt eine Hypothese auf, erfordert ethische Überlegungen). „Ein Hausarzt misst, ob die Asthma-Kontrollrate seiner Praxis den NICE-Standard von 80 % erfüllt.“ → Dies ist Prüfung.

🔁 PDSA-Zyklus

Der Plan-Do-Study-Act (PDSA)-Zyklus ist der Rahmen für kontinuierliche Verbesserung, der bei klinischen Audits und Qualitätsverbesserungen eingesetzt wird.

Praktikum	Was geschieht
Hallenplan	Die Frage definieren, den Standard festlegen, die Datenerhebung planen
Do	Die Änderung umsetzen oder die aktuelle Praxis messen
Studie	Ergebnisse analysieren; mit dem Standard vergleichen; Lücken identifizieren
Handlung	Verbesserungen umsetzen; erneutes Audit planen, um den Kreislauf zu schließen

Klinische Berechnungen (AKT-Formeldatenbank)

Diese Formeln tauchen immer wieder in AKT-Berechnungsaufgaben auf. Lernen Sie jede einzelne und kennen Sie die klinischen Grenzwerte, die ein Eingreifen erforderlich machen.

Body Mass Index (BMI)

Gewicht (kg) ÷ Höhe² (m²)

Untergewicht <18.5 | Normalgewicht 18.5–24.9 | Übergewicht 25–29.9 | Adipositas ≥30 | Morbide Adipositas ≥40

Knöchel-Arm-Druckindex (ABPI)

Höchster systolischer Blutdruck am Knöchel ÷ Höchster systolischer Blutdruck am Oberarm

Normal: 1.0–1.3 | PAVK: <0.9 | Schwere PAVK: <0.5 | Nicht komprimierbar (verkalkt): >1.3

Alkoholeinheiten

(Volumen in ml × Alkoholgehalt %) ÷ 1000

z. B. 750 ml × 12 % ÷ 1000 = 9 Einheiten. Geringes Risiko: ≤ 14 Einheiten/Woche für beide Geschlechter. Keine sichere Dosis in der Schwangerschaft.

Nicht-HDL-Cholesterin

Gesamtcholesterin − HDL-Cholesterin

Zielwert: <2.5 mmol/l bei Patienten unter Statintherapie (NICE-Leitlinie). Umfasst alle atherogenen Lipoproteine.

Pädiatrisches Arzneimitteldosisvolumen

(Gewünschte Dosis ÷ Verfügbare Stärke) × Volumen

Beispiel: Ein Kind benötigt 250 mg, die Suspension enthält 125 mg/5 ml: (250 ÷ 125) × 5 ml = 10 ml

Prozentualer Gewichtsverlust (Neugeborene)

[(Geburtsgewicht − Aktuelles Gewicht) ÷ Geburtsgewicht] × 100

Ein Gewichtsverlust von über 10 % in den ersten 5 Tagen erfordert eine ärztliche Untersuchung. Ein Gewichtsverlust von bis zu 10 % ist normal; die Blutzuckerwerte sollten bis zum 10.–14. Tag wieder ausgeglichen sein.

Cockcroft-Gault (CrCl)

[(140−Alter) × Gewicht (kg)] ÷ Kreatinin (µmol/L) × K

K = 1.23 (Männer), 1.04 (Frauen). Schätzwerte für die Kreatinin-Clearance – werden zur Dosierung von Medikamenten bei Niereninsuffizienz verwendet.

🧮 ABPI-Beispielrechnung

🎯 Szenario: Frau T., 72 Jahre, mit Beinschmerzen beim Gehen

1 Knöcheldruck (höchster Wert von DP/PT): 90 mmHg | Oberarmdruck (höchster Wert am Arm): 130 mmHg

2 ABPI = 90 ÷ 130 = 0.69

3 ABPI 0.69 = Periphere arterielle Verschlusskrankheit bestätigt (Grenzwert <0.9)

4 Kompressionsverbände sind KONTRAINDIZIERT — siehe Gefäßchirurgie

🍷 Beispiele aus der Alkohol-Einheit

Trinken	Volumen (ml)	Alkoholgehalt%	Berechnung	Einheit
Großes Weinglas	250 ml	13%	250 × 13 ÷ 1000	3.25
Flasche Wein	750 ml	12%	750 × 12 ÷ 1000	9.0
Pint Lager (stark)	568 ml	5%	568 × 5 ÷ 1000	2.84
Einzel-Spirituosenmaß	25 ml	40%	25 × 40 ÷ 1000	1.0

Empfehlung für risikoarmes Trinken: ≤14 Einheiten pro Woche (Männer und Frauen), verteilt auf mindestens 3 Tage, mit 2–3 alkoholfreien Tagen pro Woche. Dies sollten Sie in einem Beratungsgespräch zur Reduzierung des Alkoholkonsums besprechen.

🧮

Ausgearbeitete Beispiele

🎯 Beispiel 1: Berechnung aller Risikokennzahlen aus einer Testtabelle

In einer randomisierten, kontrollierten Studie (RCT) werden Patienten randomisiert entweder mit Medikament X oder mit einem Placebo behandelt. Nach drei Jahren erlitten 80 von 500 Patienten in der Placebogruppe einen Schlaganfall; in der Medikamentengruppe erlitten 40 von 500 Patienten einen Schlaganfall.

1CER = 80/500 = 0.16 (16 %) EER = 40/500 = 0.08 (8 %)

2ARR = 0.16 − 0.08 = 0.08 (8%)

3NNT = 1 ÷ 0.08 = 12.5 → auf 13 aufrunden

4RRR = 0.08 ÷ 0.16 = 0.5 = 50%

5RR = 0.08 ÷ 0.16 = 0.5 (Medikament X halbiert das Schlaganfallrisiko)

🎯 Beispiel 2: Erstellen einer 2×2-Tabelle und Berechnen von Sensitivität und Spezifität

Ein neuer Test wird an 200 Patienten durchgeführt, von denen 100 die Krankheit haben. Der Test identifiziert 85 der 100 Erkrankten korrekt und 80 der 100 Nicht-Erkrankten korrekt.

1TP = 85 | FN = 15 | TN = 80 | FP = 20

2Sensitivität = TP ÷ (TP+FN) = 85 ÷ (85+15) = 85/100 = 85%

3Spezifität = TN ÷ (TN+FP) = 80 ÷ (80+20) = 80/100 = 80%

4PPV = TP ÷ (TP+FP) = 85 ÷ (85+20) = 85/105 = 81%

5NPV = TN ÷ (TN+FN) = 80 ÷ (80+15) = 80/95 = 84%

🎯 Beispiel 3: Berechnung der pädiatrischen Dosis

Ein Kind benötigt 300 mg Amoxicillin. Die verfügbare Suspension enthält 250 mg/5 ml. Welches Volumen sollte verabreicht werden?

1Formel: (Gewünschte Dosis ÷ Verfügbare Stärke) × Volumen

2(300 ÷ 250) × 5 = 1.2 × 5 = 6 ml

📋

Formelsammlung & Merkhilfen

Risiko- und Behandlungsformeln

ARR = CER − EER RRR = ARR ÷ CER RR = EER ÷ CER NNT = 1 ÷ ARR NNH = 1 ÷ ARI

Diagnosetests

Sensitivität = TP ÷ (TP+FN) Spezifität = TN ÷ (TN+FP) PPV = TP ÷ (TP+FP) NPV = TN ÷ (TN+FN)

Bevölkerungs- und klinische Formeln

SMR = (Beobachtet ÷ Erwartet) × 100 BMI = Wt(kg) ÷ Ht²(m) ABPI = Knöchel-SBP ÷ Brachial-SBP Alkohol = (Vol × Alkoholgehalt%) ÷ 1000

🧠 Meister-Gedächtnishilfen

Schnauze: Sensitiver Test – Negatives Ergebnis schließt Krankheit aus (Screening)
SpPin: Spezifischer Test – Positive Regeln bei Erkrankung (Bestätigung)
CI kreuzt 1.0 (Verhältnis) oder 0 (Differenz) → nicht signifikant
Waldparzellen-Diamant kreuzt Linie → nicht signifikant
Trichterasymmetrie → Publikationsbias (oder GP-Ausreißer im Leistungskontext)
Mittellinie des Boxplots → MEDIAN (nicht Mittelwert)
68-95-99.7 → ±1SD, ±2SD, ±3SD in Normalverteilung
I² >50% → erhebliche Heterogenität
ODER aus der Fall-Kontroll-Studie | RR aus der Kohorte | Prävalenz aus Querschnittsstudien
Prüfung ≠ Forschung (Prüfmaßnahmen vs. Standard; Forschung generiert neues Wissen)

📊 Merkhilfe für Studiendesigns: „Bei Fällen: OR — Bei Kohorten: RR“

Fallkontrolle → ODER (Odds Ratio) — Rückblick auf die Expositionen
Kohorte → RR (Relatives Risiko) — ausgehend von der Exposition
Querschnitt → Prävalenz – Momentaufnahme
RCT / SR → Goldstandard für Behandlungsfragen

🎓

Trainer & Lehrtipps

Häufige blinde Flecken von Auszubildenden zu diesem Thema

Auszubildende lernen die NNT oft als Formel, ohne ihre klinische Bedeutung zu verstehen – stellen Sie sicher, dass sie sie in einem für Patienten verständlichen Satz erklären können.
Die Unterscheidung zwischen Sensitivität/Spezifität (Testeigenschaften) und PPV/NPV (beeinflusst von der Prävalenz) ist schlecht verstanden – die Analogie zum Schwangerschaftstest funktioniert gut.
Viele Auszubildende wissen, wie eine Waldparzelle aussieht, können sie aber nicht erklären. was Zu betrachten ist – der Fokus liegt auf dem Diamanten und darauf, ob er die Grenze der Wirkungslosigkeit überschreitet.
Der Lieferzeitbias wird häufig mit dem Längenbias verwechselt – verwenden Sie Diagramme oder Zeitleisten, um den Unterschied zu verdeutlichen.
Auszubildende verwechseln regelmäßig klinische Audits mit Forschung – nutzen Sie die eigenen Beispiele des RCGP aus den Beurteilungen.

Tutorial-Ideen & Diskussionsanregungen

„Hier ist die Zusammenfassungstabelle einer Medikamentenstudie – können Sie mir die NNT nennen und mir sagen, ob Sie es diesem Patienten verschreiben würden?“
„Schauen Sie sich diese Waldplot-Datei an. Ist die Maßnahme wirksam? Wie sicher sind Sie sich Ihrer Antwort?“
„Ihr Patient hat einen positiven FIT-Test. Der positive Vorhersagewert (PPV) in einer Niedrigrisikopopulation liegt bei etwa 3 %. Wie erklären Sie ihm das?“
„Wir sehen viele hohe PSA-Werte. Was ist das Problem bei der Verwendung von PSA als Screening-Test?“
„Ein Kollege möchte unsere Sepsis-Ergebnisse mit denen des Krankenhauses vergleichen. Handelt es sich dabei um eine Prüfung oder um Forschung? Ist dafür eine Ethikprüfung erforderlich?“
„Wie würden Sie einem Patienten, der fragt: ‚Ist es sicher?‘, eine Wahrscheinlichkeit von 1 zu 50 für eine Nebenwirkung erklären?“

Reflexionsfragen für Tutorien

Wie erklären Sie Ihren Patienten derzeit das Risiko? Verwenden Sie absolute oder relative Zahlen?
Können Sie sich an eine kürzlich veröffentlichte klinische Leitlinie erinnern, in der eine signifikante NNT angegeben wurde – wie lautete diese und wie hat sie Ihre Praxis beeinflusst?
Haben Sie schon einmal einen Test bestellt, dessen Sensitivität/Spezifität Sie nicht kannten? Wie haben Sie das Ergebnis interpretiert?
Warum könnte ein Pharmaunternehmen seine Studienergebnisse als RRR anstatt als ARR präsentieren?

🔥 AKT High-Yield-Tipps

Dies sind die Prüfungsmuster, die in den AKT-Prüfungen immer wieder vorkommen. Wenn Sie diese auswendig lernen, werden Sie Punkte erzielen.

🎯 NNT-Berechnung

Prozentsätze sollten immer zuerst in Dezimalzahlen umgewandelt werden. ARR = 5 % → NNT = 1 ÷ 0.05 = 20. Immer runden. up auf die nächste ganze Zahl gerundet. Eine niedrigere NNT bedeutet eine wirksamere Behandlung.

🎯 CI überschreitet die magische Zahl

Für Verhältnisse (RR, OR, HR): CI-Kreuzungen 1.0 = nicht signifikant. Für Unterschiede: CI-Kreuzungen 0 = nicht signifikant. Dies taucht in fast jeder Frage zur Waldplot-Analyse auf.

🎯 Studiendesign-Matching

Seltene Krankheit → Fallkontrolle → ODER. Neue Exposition in Zukunft → Kohorte → RR. Prävalenz-Momentaufnahme → QuerschnittsflächenBeste Evidenz für die Behandlung → RCT or SR/Metaanalyse.

🎯 Sensitivität vs. Spezifität – Welches ist wann das richtige?

Screening-Test → hohe Empfindlichkeit gewünscht (keine Fälle verpassen → SnNout). Bestätigungstest → hohe Spezifität erwünscht (keine falsch positiven Ergebnisse erwünscht → SpPin).

🎯 PPV sinkt in Populationen mit niedriger Prävalenz

Selbst ein hochspezifischer Test (99 %) hat in Umgebungen mit niedriger Prävalenz einen geringen positiven Vorhersagewert. Die meisten positiven Ergebnisse bei Bevölkerungsscreenings sind falsch positiv. Deshalb screenen wir nicht alle Menschen auf alles.

🎯 Waldgrundstück-Diamant

Besitzt das Diamant Die gepoolte Schätzung überschreitet die vertikale Linie für keinen Effekt → das Gesamtergebnis ist nicht statistisch signifikant. Wenn I² > 50 % → erhebliche Heterogenität → das gepoolte Ergebnis ist weniger zuverlässig.

🎯 Asymmetrie im Trichterdiagramm

Eine Lücke unten links in einem Funnel-Plot deutet auf einen Publikationsbias hin – kleine, negative Studien wurden nicht veröffentlicht. Dies führt zu einer Überbewertung des scheinbaren Behandlungseffekts in der Metaanalyse.

🎯 Boxplot – Immer Median, nicht Mittelwert

Die Linie innerhalb Die Box ist die mittlereDie Box entspricht dem Interquartilsabstand (IQR, mittlere 50 %). Punkte oder Kreise außerhalb der Whisker stellen Ausreißer dar.

🎯 RRR klingt beeindruckender als ARR

Pharmaunternehmen geben gerne das relative Risiko (RRR) an, weil es höher klingt. Ein RRR von 50 % klingt fantastisch – bis man weiß, dass das Basisrisiko nur 2 % betrug (→ ARR = 1 %, NNT = 100). Fragen Sie immer: Wie hoch war das Basisrisiko?

🎯 Median – Verwendung bei verzerrten Daten

Schiefe Verteilungen (Einkommen, Krankenhausaufenthalt, Serumbilirubin) → Nutzung mittlere Nicht der Mittelwert. Der Mittelwert wird durch Ausreißer verzerrt; der Median nicht.

🎯 Audit vs Research

Prüfung: Maßnahmen gegen eine vorhandenen Standard; keine Ethik erforderlich; keine Hypothese. Forschung: generiert neu Wissen; bedarf der Ethikgenehmigung; beinhaltet eine Hypothese. Ein zentrales Unterscheidungsmerkmal, das die AKT wiederholt prüft.

🎯 Intention to Treat (ITT)

Die ITT-Analyse umfasst alle randomisierten Teilnehmer unabhängig von der Adhärenz. Dies ergibt eine konservativ Die Wirksamkeitseinschätzung ist realistischer für die klinische Praxis. Die Per-Protocol-Analyse überschätzt den Effekt.

🎯 ABPI-Grenzwert

Ein Knöchel-Arm-Index (ABI) < 0.9 deutet auf eine periphere arterielle Verschlusskrankheit hin. Ein ABI > 1.3 bedeutet, dass die Gefäße nicht komprimierbar (verkalkt) sind – das Ergebnis ist in diesem Fall unzuverlässig. Kompressionsverbände sind kontraindiziert, wenn der ABI < 0.8 ist (bitte beachten Sie die entsprechenden Leitlinien).

🎯 Cates-Plot NNT

Zähle die Gewinnseiten (meist gelb oder grün). NNT = 100 ÷ (Anzahl der Gewinnseiten). 5 gelbe Seiten → NNT = 20.

⚠️

Häufige Fehler und Fallen für Auszubildende

Dies sind Fehler, die in den Bewertungsschemata der AKT-Prüfungen immer wieder auftreten. Jeder einzelne dieser Fehler bedeutet einen tatsächlichen Punktverlust für echte Kandidaten.

Vergessen, Prozentsätze vor der Berechnung der NNT in Dezimalzahlen umzurechnen (z. B. ARR = 5 % → man muss 0.05 und nicht 5 verwenden, um NNT = 20 und nicht 0.2 zu erhalten).
Runden NNT nach unten statt up (NNT = 12.5 → Antwort ist 13, nicht 12)
Die Verwechslung von RRR und ARR und die Angabe der eindrucksvoller klingenden relativen Zahl als klinischer Nutzen
Zu sagen, ein Ergebnis sei „signifikant“, wenn der Konfidenzintervallwert gerade so 1.0 erreicht – das muss nicht enthalten 1.0 ist signifikant
Die Aussage, dass die Mittellinie im Boxplot der Mittelwert ist, trifft immer zu. mittlere
Verwechslung von Sensitivität und PPV – die Sensitivität ist eine feste Eigenschaft des Tests; der PPV hängt von der Prävalenz ab.
Die Annahme, ein hochspezifischer Test liefere in einer Population mit geringer Prävalenz ein zuverlässiges positives Ergebnis, ist falsch (niedriger positiver Vorhersagewert).
Verwechslung von Odds Ratio (OR) und relativem Risiko (RR) – ORs können nicht direkt als RRs verwendet werden, außer bei seltenen Erkrankungen.
Wenn man sagt, eine Fall-Kontroll-Studie generiere ein relatives Risiko (RR), dann generiert sie tatsächlich eine Odds Ratio (OR), weil man mit Fällen und Kontrollen beginnt, nicht mit einer exponierten Kohorte.
Verwechslung von klinischem Audit und Forschung – Behauptung, ein Audit benötige eine ethische Genehmigung
Die Fehlinterpretation des Vorlaufzeitbias als Beweis dafür, dass ein Screening-Programm die Überlebensrate tatsächlich verbessert
Das Vergessen, dass I² > 50 % in einem Forest-Plot ist, wirft Bedenken hinsichtlich der Gültigkeit des zusammengefassten Ergebnisses auf.
Wenn man den Mittelwert zur Beschreibung schiefer Daten verwendet (z. B. Einkommen, Krankenhausaufenthaltsdauer), sollte man den Median verwenden.

🏁 Wichtigste Erkenntnisse

NNT = 1 ÷ ARR. Prozentangaben immer in Dezimalzahlen umrechnen. Immer aufrunden. Niedrigere NNT = bessere Behandlung.
ARR ist klinisch zuverlässig. RRR klingt beeindruckend, kann aber irreführend sein. RRR sollte immer mit dem Basisrisiko kombiniert werden.
Sensitivität und Spezifität sind feste Eigenschaften eines Tests. PPV und NPV ändern sich mit der Krankheitsprävalenz.
SnNout: Sensible Tests schließen bei negativem Ergebnis AUS. SpPin: Spezifische Tests bestätigen bei positivem Ergebnis EIN.
Die Raute im Forest-Plot schneidet die Linie ohne Effekt → Ergebnis statistisch nicht signifikant. I² > 50 % → Bedenken hinsichtlich Heterogenität.
Asymmetrie im Trichterdiagramm → Publikationsbias. Punkte außerhalb der Trichtergrenzen bei der Leistungsüberwachung → Ausreißerpraktiken.
Das Konfidenzintervall für ein Verhältnis, das 1.0 einschließt, ist nicht signifikant. Das Konfidenzintervall für eine Differenz, das 0 einschließt, ist ebenfalls nicht signifikant.
Fall-Kontroll-Studie → Odds Ratio (OR). Kohortenstudie → relatives Risiko (RR). Querschnittstudie → Prävalenz. Randomisierte kontrollierte Studie (RCT)/Systematische Studie (SR) → Goldstandard für die Behandlung.
Schiefe Daten → Median statt Mittelwert verwenden. Die Mittellinie im Boxplot entspricht dem Median. Punkte außerhalb der Whisker stellen Ausreißer dar.
Klinische Audits messen die Einhaltung von Standards – keine Ethik erforderlich, keine Hypothese. Forschung generiert neues Wissen – Ethik ist erforderlich.

Statistikaufgaben im AKT gehören zu den am besten zu lernenden Punkten in der Prüfung. Ein paar Stunden mit dieser Seite und einigen Übungsaufgaben zahlen sich mehr als aus.