Die wichtigste Frage lautet: Prozent wovon?
Ein Test erkennt 90 Prozent der Menschen mit einem bestimmten Befund. Bedeutet ein positives Ergebnis deshalb, dass der Befund mit 90-prozentiger Wahrscheinlichkeit vorliegt? Nein. Der erste Satz beginnt bei den Menschen, die den Befund bereits haben. Der zweite beginnt bei allen Menschen mit positivem Test. Diese Gruppen sind nicht identisch. Wer zwischen ihnen wechselt, ohne den Nenner zu bemerken, beantwortet unabsichtlich eine andere Frage.
In diesem Beitrag arbeiten wir deshalb mit einer festen Bühne: 1000 fiktiven Personen. Einige haben den zuvor definierten Zielbefund, andere nicht. Ein Test teilt beide Gruppen noch einmal in positive und negative Ergebnisse. Daraus entstehen vier Felder. Erst wenn alle vier sichtbar sind, lässt sich erklären, was ein positiver Test in diesem Modell bedeutet. Die Rechnung ist kein persönlicher Risikorechner und kein Ersatz für die Einordnung eines echten Laborbefunds.
Drei Begriffe reichen für den Einstieg. Die Basisrate beschreibt den Anteil mit Zielbefund vor dem Test. Die Sensitivität beschreibt den Anteil positiver Tests innerhalb dieser Gruppe. Die Spezifität beschreibt den Anteil negativer Tests unter den Personen ohne Zielbefund. Ein hoher Wert in einer dieser Spalten beantwortet nicht automatisch die Frage nach der Zusammensetzung aller positiven Ergebnisse.
Zwei Gruppen, derselbe Test, zwei Geschichten
Nehmen wir ausschließlich zur Veranschaulichung eine Sensitivität von 90 Prozent und eine Spezifität von 90 Prozent an. Unter 1000 Personen mit einer Basisrate von einem Prozent befinden sich zehn mit Zielbefund. Neun davon werden positiv getestet, eine Person negativ. Unter den übrigen 990 Personen entstehen bei zehn Prozent falsch positive Ergebnisse: 99. Insgesamt sind damit 108 Tests positiv, aber nur neun dieser positiven Ergebnisse gehören zu Personen mit Zielbefund.
Der Anteil bestätigter Zielbefunde unter den positiven Tests beträgt in diesem fiktiven Beispiel rund 8,3 Prozent. Der Test hat seine angenommene Sensitivität von 90 Prozent dabei nicht verloren. Es gibt schlicht sehr viel mehr Personen ohne Zielbefund, aus denen falsch positive Ergebnisse entstehen können. Das ist die Basisratenfrage: Nicht nur die Fehlerquote zählt, sondern auch die Größe der Gruppe, auf die sie angewendet wird.
Erhöhen wir die Basisrate auf zehn Prozent und lassen beide Testkennwerte unverändert, ergeben sich 90 richtig positive und 90 falsch positive Ergebnisse. Jetzt liegt der Anteil mit Zielbefund unter den positiven Tests bei 50 Prozent. Die folgenden Zahlen sind vollständig fiktiv und keine Ergebnisse der später besprochenen FIT-Studie. Sie zeigen nur die mathematische Wirkung verschiedener Ausgangsanteile.
Auf kleinen Bildschirmen lässt sich die Tabelle seitlich scrollen; per Tastatur nach Fokus mit den Pfeiltasten.
| Basisrate | Richtig positiv | Falsch positiv | Alle positiv | Davon mit Zielbefund |
|---|---|---|---|---|
| 1 % | 9 | 99 | 108 | 8,3 % |
| 10 % | 90 | 90 | 180 | 50,0 % |
| 20 % | 180 | 80 | 260 | 69,2 % |
Die Tabelle ist kein Vergleich dreier realer Versorgungssituationen. Insbesondere setzt sie rechnerisch voraus, dass Sensitivität und Spezifität beim Wechsel der Basisrate gleich bleiben. Bei tatsächlichen Studien können sich mit der Zusammensetzung der untersuchten Menschen auch die Testkennwerte verändern. Das Modell isoliert eine Variable, damit ihr Einfluss sichtbar wird; es behauptet nicht, alle anderen Einflüsse seien in der Praxis konstant.
Ihre 1000-Personen-Matrix
Verändern Sie einen Wert und beobachten Sie die vier Ergebnisgruppen. Alle Eingaben sind frei gewählte Annahmen. Es werden keine persönlichen Gesundheitsdaten benötigt, gespeichert oder übertragen. Dezimalkomma und Dezimalpunkt sind möglich, jeweils mit höchstens zwei Nachkommastellen.
Fiktives Rechenmodell, keine Diagnose
Jedes Symbol steht für eine von 1000 Modellpersonen. Symbolzahlen werden je Ausgangsgruppe gerundet; Dezimalwerte im Text sind die auf höchstens drei Nachkommastellen dargestellten Erwartungswerte. Gerechnet wird mit voller Präzision. Es gibt keine individuelle Vorhersage und keine Therapieempfehlung.
Einige Einstellungen erzeugen Bruchteile von Personen. Das ist kein Fehler, sondern ein Erwartungswert: 2,5 steht für den rechnerischen Mittelwert unter den gesetzten Annahmen, nicht für eine tatsächlich halb gezählte Person. Die Iconmatrix muss dagegen ganze Symbole darstellen. Sie rundet zunächst die Zahl mit Zielbefund und anschließend die positiven Ergebnisse innerhalb beider Gruppen. Deshalb können Symbolzahlen von den rechnerischen Dezimalwerten leicht abweichen. Die Textausgabe bleibt für die Formel maßgeblich.
Probieren Sie auch Grenzfälle aus. Bei einer Basisrate von null kann im Modell kein richtig positives Ergebnis entstehen. Sind zugleich alle Tests negativ, ist der Anteil richtig positiver unter positiven Tests nicht null Prozent, sondern nicht definiert: Es gibt keine positiven Ergebnisse als Nenner. Eine gute Darstellung macht diesen Unterschied ausdrücklich, statt eine scheinbar präzise Zahl auszugeben.
Zwei Achsen, die man nicht vertauschen darf
Die erste Blickrichtung ist vom Zielbefund zum Test: Wie viele der Betroffenen werden erkannt? Die zweite führt vom Test zurück zum Zielbefund: Wie viele der positiv Getesteten haben ihn tatsächlich? Der positive Vorhersagewert ist die zweite Größe. Die Rechnung lautet: richtig positive Ergebnisse geteilt durch die Summe aus richtig positiven und falsch positiven Ergebnissen. Beide Größen können mit Prozentzeichen erscheinen, obwohl ihre Nenner verschieden sind.
Auch bei negativen Ergebnissen hilft diese Trennung. Die Zahl falsch negativer Ergebnisse entsteht innerhalb der Personen mit Zielbefund. Sie lässt sich nicht allein aus dem Anteil positiver Tests ablesen. Eine geringe Positivrate kann zu einer niedrigen Basisrate passen, aber auch zu anderen Testannahmen. Ohne Ausgangsgruppe, Zielbefund und Vergleichsuntersuchung bleibt die einzelne Prozentangabe unvollständig.
Was eine reale FIT-Studie dazu beiträgt
Ein konkreter Forschungsbezug stammt aus einer am 19. Februar 2026 in Scientific Reports veröffentlichten Arbeit von Mirza und Mitautorinnen und Mitautoren. Sie untersuchten falsch positive Ergebnisse eines fäkalen immunchemischen Tests, kurz FIT. Die prospektiv eingeschlossene Krankenhauskohorte umfasste 929 Personen im Alter von 50 bis 75 Jahren am Qilu Hospital der Shandong University in China. Die Rekrutierung erfolgte zwischen April 2020 und April 2021. Alle Teilnehmenden durchliefen nach dem FIT eine Magen- und eine Darmspiegelung.
Wichtig ist die genaue Zieldefinition: Als fortgeschrittene Neoplasie, in der Arbeit AN abgekürzt, zählten ein fortgeschrittenes Adenom oder ein kolorektales Karzinom. Ein positives FIT-Ergebnis ohne diesen Zielbefund in der Darmspiegelung galt als falsch positiv für AN. Das bedeutet nicht, dass keinerlei anderer Befund vorlag. Genau diese Unterscheidung macht die Studie für das Lesen von Teststatistiken interessant: Ein Fehlerbegriff ist immer an einen festgelegten Zielbefund gebunden.
Das Protokoll verwendete zwei Stuhlproben. Ein Ergebnis war positiv, wenn mindestens eine Probe den Schwellenwert von 10 µg/g erreichte. Die Ergebnisse sind deshalb nicht beliebig auf andere Testsysteme, Schwellenwerte oder Ein-Proben-Verfahren übertragbar. Für AN berichtet die Arbeit 64,6 Prozent Sensitivität und 87,6 Prozent Spezifität. Der positive Vorhersagewert betrug dagegen 28,2 Prozent. Diese Unterschiede sind kein Widerspruch, sondern beantworten verschiedene Fragen.
Auf kleinen Bildschirmen lässt sich die Tabelle seitlich scrollen; per Tastatur nach Fokus mit den Pfeiltasten.
| Aspekt | Originalpublikation | Aussagegrenze |
|---|---|---|
| Publikation | Mirza et al., Scientific Reports, 19.02.2026 | Eine Studie, keine Leitlinie |
| Design und Population | Prospektive Krankenhauskohorte, 929 Personen, 50–75 Jahre, China | Auch symptomatische Personen; keine repräsentative Bevölkerungskohorte |
| Verfahren | Zwei Proben; mindestens eine ≥ 10 µg/g; Darmspiegelung als Referenz | Andere Protokolle können andere Kennwerte ergeben |
| Zielbefund | AN: fortgeschrittenes Adenom oder kolorektales Karzinom | Nicht gleichbedeutend mit ausschließlich Krebs |
| Beobachtete Vierfelderzahlen | 42 richtig positiv, 107 falsch positiv, 23 falsch negativ, 757 richtig negativ | Gilt für AN in dieser Kohorte, nicht für persönliche Wahrscheinlichkeiten |
Die absoluten Zahlen machen die Nenner sichtbar. Von 65 Personen mit AN waren 42 FIT-positiv: 42 geteilt durch 65 ergibt die berichtete Sensitivität von rund 64,6 Prozent. Unter 864 Personen ohne AN waren 757 FIT-negativ: Das ergibt rund 87,6 Prozent Spezifität. Unter allen 149 positiv Getesteten hatten 42 den Zielbefund: Daraus folgen rund 28,2 Prozent positiver Vorhersagewert. Die übrigen 107 positiven Ergebnisse hatten keine AN als Referenzbefund.
Es ist sinnvoller, diese nachvollziehbaren Vierfelderzahlen zu benutzen, als jede Fehlerquote isoliert zu übernehmen. Der Ergebnistext nennt außerdem 11,63 Prozent als falsch positive Rate, während 107 von 864 rechnerisch rund 12,4 Prozent ergeben. Der Artikel weist deshalb auf die abweichende Angabe hin und übernimmt sie nicht als verbindliche Kennzahl. Auch für eine wissenschaftliche Quelle bleibt die Kontrolle von Zähler und Nenner notwendig.
Wo die Rechnung aufhört und Einordnung beginnt
Die Autorengruppe beschreibt ausdrücklich eine eingeschränkte Übertragbarkeit auf echte bevölkerungsbasierte Früherkennung: Es handelt sich um eine Krankenhauskohorte einschließlich symptomatischer Menschen und mit möglicher Auswahlverzerrung. Der beobachtete Anteil mit AN, 65 von 929, entspricht rund sieben Prozent. Das ist ein Kohortenmerkmal und kein persönlicher Vortestwert für Menschen, die diesen Artikel lesen. Wer diesen Anteil ungeprüft in ein individuelles Risiko umdeutet, verlässt die Aussage der Studie.
Die Arbeit untersucht außerdem Zusammenhänge zwischen Merkmalen und falsch positiven FIT-Ergebnissen. Solche Assoziationen sind keine automatisch bewiesenen Ursachen. Für unsere Leseraufgabe braucht es daraus weder eine zusätzliche Risikoliste noch einen selbst gebauten Gesundheitswert. Entscheidend ist, dass „falsch positiv für AN“ nicht „gesund“ und „positiv“ nicht „Krebsdiagnose“ bedeutet. Die engere Zieldefinition muss in jeder Zusammenfassung erhalten bleiben.
Ein Rechenmodell entscheidet auch nicht, welcher reale Test sinnvoll ist oder welche Untersuchung auf einen Befund folgen soll. Dazu fehlen ihm unter anderem der klinische Anlass und die konkrete Untersuchungssituation. Es kann Ihnen helfen, eine Formulierung zu prüfen und im Gespräch nach dem richtigen Nenner zu fragen. Medizinische Entscheidungen ergeben sich daraus nicht. Für persönliche Befunde ist die zuständige Fachperson der richtige Ansprechpartner.
Ein kurzer Lesecheck für die nächste Testmeldung
Beginnen Sie nicht mit dem größten Prozentwert, sondern mit der untersuchten Gruppe. Waren es Menschen aus einer Klinik, einer Früherkennungseinladung oder einer ausgewählten Risikogruppe? Benennen Sie danach den Zielbefund möglichst wortgetreu. Ein zusammengesetzter Endpunkt wie AN ist nicht austauschbar mit einer einzelnen Erkrankung. Erst dann lohnt es sich, nach dem Testprotokoll und der Referenzuntersuchung zu schauen.
Schreiben Sie anschließend vier absolute Zahlen auf, sofern sie verfügbar sind: richtig positiv, falsch positiv, falsch negativ und richtig negativ. Kontrollieren Sie, welche Summe den Nenner bildet. Eine Sensitivitätsangabe benötigt die Personen mit Zielbefund; ein positiver Vorhersagewert benötigt die Personen mit positivem Test. Wenn eine Meldung nur „Trefferquote“ sagt, bleibt unklar, welche dieser Größen gemeint ist.
Trennen Sie zuletzt Beobachtung und Beispiel. Die 929 Personen der Originalstudie sind beobachtete Teilnehmende. Die 1000 Personen des Rechners sind eine frei gewählte Modellgröße. Weder machen wir aus den einen durch Hochrechnung eine neue Studienpopulation, noch dienen die anderen als Beleg für ein Testprodukt. Der Nutzen der Matrix liegt im Wechsel der Perspektive: Dieselbe Prozentangabe erzählt erst dann eine verständliche Geschichte, wenn klar ist, wer gezählt wurde.
Häufige Fragen
Bedeutet 90 Prozent Sensitivität eine 90-prozentige Befundwahrscheinlichkeit?
Nein. Sensitivität bezieht sich auf Menschen mit Zielbefund. Die Befundwahrscheinlichkeit unter positiv Getesteten hat einen anderen Nenner und hängt im Modell auch von Basisrate und Spezifität ab.
Sind die 1000 Personen echte Studienteilnehmende?
Nein. Sie sind eine fiktive Rechengröße. Die besprochene FIT-Studie untersuchte 929 Personen. Der Rechner übernimmt keine Studienwerte als Voreinstellung.
Was war in der FIT-Studie der Zielbefund?
Fortgeschrittene Neoplasie, also fortgeschrittenes Adenom oder kolorektales Karzinom. Ein positiver FIT ohne diesen Zielbefund war falsch positiv für AN, nicht zwingend ohne jeden anderen Befund.
Warum zeigt die Matrix manchmal gerundete Symbolzahlen?
Jedes Symbol steht für eine ganze Modellperson. Die Rechnung liefert dagegen auch Bruchteile als Erwartungswerte. Der Begleittext nennt die Dezimalwerte und die gerundeten Symbolzahlen getrennt.
Gilt der beobachtete Vorhersagewert für mich persönlich?
Nein. Die 28,2 Prozent stammen aus einer Krankenhauskohorte in China mit einem bestimmten Zwei-Proben-Protokoll. Sie sind keine persönliche Wahrscheinlichkeit und keine allgemeine deutsche Screeningkennzahl.
Was passiert, wenn kein Test positiv ist?
Der positive Vorhersagewert ist dann nicht definiert, weil sein Nenner null ist. Der Rechner gibt ausdrücklich diese Erklärung aus und erfindet keinen Prozentwert.
Originalquelle und Methodentransparenz
Mirza IA, Meng FY, Han Z, et al. Risk factors associated with false-positive fecal immunochemical test results in colorectal cancer screening. Scientific Reports (2026). Veröffentlicht am 19.02.2026. DOI: 10.1038/s41598-026-40251-w.
Geprüft: veröffentlichter Originalvolltext, Methoden, Haupttabellen, Ergebnisse, Abbildungslegenden und Diskussion. Kein Korrekturverweis im geprüften Crossref-Datensatz; kein Anspruch auf vollständigen Korrekturregisterabgleich. Keine Nachnutzung von Originalabbildungen. Die eigenen Tabellen fassen Fakten beziehungsweise eigene fiktive Rechnungen zusammen. Der Rechner ist eine deterministische Modellrechnung und kein validiertes medizinisches Instrument.
