Screening Zahlen verständlich erklärt
Screening-Programme gehören zu den wichtigsten Instrumenten der Gesundheitsvorsorge. Ob Mammographie zur Brustkrebserkennung, Darmspiegelung oder Blutdruckmessung, Screening-Untersuchungen sollen Krankheiten frühzeitig entdecken. Doch die Zahlen, die mit Screening-Programmen verbunden sind, werden oft missverstanden. Sensitivität, Spezifität, positive prädiktive Wert, Überdiagnose, Screening-Paradoxon, Falsch-Positive und Falsch-Negative, die Effektivität von Screening-Tests wird durch viele unterschiedliche Kennzahlen beschrieben. Um fundierte Entscheidungen über die Teilnahme an Screening-Programmen treffen zu können, ist es notwendig, diese Zahlen richtig einzuordnen.
Grundlegende Screening-Kennzahlen verstehen
Ein Screening-Test teilt Menschen in zwei Gruppen ein: Test positiv oder Test negativ. Im besten Fall entspricht dieses Ergebnis der Realität. Doch Tests sind nicht perfekt. Die Sensitivität eines Tests gibt an, wie viele Menschen mit der Krankheit auch wirklich positiv getestet werden. Eine hohe Sensitivität bedeutet, dass wenige Erkrankte übersehen werden. Die Spezifität hingegen beschreibt, wie viele Menschen ohne die Krankheit auch negativ getestet werden. Eine hohe Spezifität bedeutet weniger Falsch-Positive.
Ein konkretes Beispiel verdeutlicht dies: Ein Screening-Test auf eine bestimmte Krankheit hat eine Sensitivität von 95 Prozent und eine Spezifität von 90 Prozent. Das bedeutet, dass von 100 kranken Menschen 95 korrekt erkannt werden, aber auch 5 übersehen werden. Von 100 gesunden Menschen werden 90 korrekt als gesund erkannt, aber 10 erhalten fälschlicherweise ein positives Ergebnis. Diese beiden Kennzahlen sagen jedoch nichts darüber aus, wie wahrscheinlich es ist, dass eine Person mit positivem Test wirklich krank ist. Hier kommt der positive prädiktive Wert ins Spiel, der stark von der Häufigkeit der Krankheit in der Bevölkerung abhängt.
Wer Warum Prozentangaben schnell täuschen können verstehen möchte, sollte sich bewusst machen, dass diese Kennzahlen isoliert betrachtet irreführend wirken können. Die Interpretation muss immer im Kontext der Erkrankungshäufigkeit erfolgen.
Das Screening-Paradoxon und Überdiagnose
Ein faszinierendes Phänomen bei Screening-Programmen ist das sogenannte Screening-Paradoxon. Selbst wenn ein Test sehr sensitiv und spezifisch ist, können bei seltenen Erkrankungen die meisten positiven Testergebnisse Falsch-Positive sein. Stellen Sie sich vor, eine Krankheit tritt in der Bevölkerung bei 1 von 10.000 Menschen auf. Ein Test mit 99 Prozent Sensitivität und 99 Prozent Spezifität wird bei 1 Million Screening-Untersuchungen etwa 100 echte Fälle entdecken, aber auch etwa 10.000 Falsch-Positive produzieren. Der positive prädiktive Wert liegt dann bei nur etwa 1 Prozent. Das bedeutet, dass von 100 Menschen mit positivem Testergebnis nur einer tatsächlich krank ist.
Überdiagnose ist ein weiteres kritisches Konzept. Screening kann Erkrankungen entdecken, die niemals zu Symptomen oder zum Tod geführt hätten. Ein Mensch mit langsam wachsendem Tumor könnte sein Leben lang beschwerdefrei bleiben, wird aber durch Screening diagnostiziert und behandelt. Diese unnötige Behandlung belastet den Patienten psychisch und körperlich, ohne seinen Gesundheitszustand zu verbessern. Um Überdiagnose zu beurteilen, müssen Studien die langfristigen Auswirkungen von Screening-Programmen untersuchen. Wer Studiengrößen und Aussagekraft einordnen kann, wird erkennen, dass aussagekräftige Aussagen zu Überdiagnose große, lange laufende Studien erfordern.
Absolute versus relative Risikoreduktion
Ein häufiger Fehler bei der Interpretation von Screening-Ergebnissen ist die Verwechslung von absoluter und relativer Risikoreduktion. Wenn ein Screening-Programm die Sterblichkeit durch eine bestimmte Krankheit um 30 Prozent senkt, klingt das beeindruckend. Doch wenn die Krankheit ohnehin sehr selten ist und nur 1 von 1.000 Menschen betroffen wäre, bedeutet die 30-Prozent-Reduktion, dass statt 1 von 1.000 nur noch 0,7 von 1.000 Menschen sterben. Die absolute Risikoreduktion beträgt dann nur 0,3 von 1.000 oder 0,03 Prozent. Absolute und relative Risiken unterscheiden ist deshalb essentiell für die richtige Einschätzung von Screening-Nutzen.
Wer Statistik in Gesundheitsmeldungen verstehen möchte, sollte in Pressemitteilungen zu Screening-Studien immer nach beiden Angaben suchen und diese kritisch vergleichen. Medienberichte verwenden häufig die relative Risikoreduktion, da diese größer und beeindruckender wirkt.
Wissenschaftlicher Hintergrund
Die mathematischen Grundlagen von Screening-Tests stammen aus der Diagnostik und Epidemiologie. Das Bayes-Theorem erklärt, warum der positive prädiktive Wert von der Prävalenz der Erkrankung abhängt. Große randomisierte kontrollierte Studien haben gezeigt, dass viele Screening-Programme weniger nutzen bringen als früher angenommen. Die Cochrane-Collaboration hat zahlreiche Screening-Programme systematisch bewertet und dabei sowohl Nutzen als auch Schaden dokumentiert. Moderne Screening-Forschung berücksichtigt daher neben Mortalitätsreduktion auch Überdiagnose, psychische Belastung durch falsch-positive Ergebnisse und Komplikationen durch weitere diagnostische Maßnahmen.
Fazit
Screening-Zahlen erfordern kritisches Denken und mathematisches Verständnis. Sensitivität und Spezifität allein sagen wenig aus, der Kontext der Erkrankungshäufigkeit ist entscheidend. Überdiagnose und das Screening-Paradoxon zeigen, dass mehr Tests nicht automatisch bessere Gesundheit bedeuten. Wer absolute und relative Risiken unterscheidet und die Qualität der zugrundeliegenden Studien hinterfragt, kann bessere Entscheidungen über die Teilnahme an Screening-Programmen treffen. Gesundheitsmündigkeit bedeutet, diese Zahlen nicht einfach zu akzeptieren, sondern sie zu verstehen und einzuordnen.