Sind Mediziner oft nicht in der Lage, statistische Ergebnisse zu verstehen oder ihren Patienten zu vermitteln?

Ein kürzlich erschienener Nachrichtenartikel der BBC fasst die Arbeit von Gerd Gigerenzer zusammen , der argumentiert (meine Hervorhebung):

...nicht nur, dass Ärzte und Zahnärzte nicht für jede Behandlungsoption die relevanten Statistiken abspulen können. Selbst wenn ihnen die Informationen vorgelegt werden, sagt Gigerenzer, können sie oft keinen Sinn darin erkennen.

In einem Beispiel, das auf echten Studien mit echten Ärzten basiert und die Statistiken des Mammographie-Screenings verwendet, zitiert er die Ergebnisse (meine Hervorhebung):

In einer Sitzung antwortete fast die Hälfte der Gruppe von 160 Gynäkologen, dass die Chance der Frau, an Krebs zu erkranken, bei neun zu zehn liege. Nur 21 % sagten, dass die Zahl eins zu zehn sei – was die richtige Antwort ist. Das ist ein schlechteres Ergebnis, als wenn die Ärzte willkürlich geantwortet hätten.

Sind Mediziner also oft nicht in der Lage, die Implikationen wichtiger Statistiken zu verstehen oder zu kommunizieren?

Ich würde dies als Statistik markieren, wenn das Tag nicht veraltet wäre. Dies ist eine Frage, bei der das Etikett bei jedem Kriterium eindeutig verdient ist.
Sollte sich diese Frage ändern in: Versteht irgendjemand außer professionellen Statistikern Statistiken ? Das Herumpicken von Ärzten ist Teil eines allgemeinen Angriffs auf die Ärzteschaft, der mehr schadet als nützt. Oder suchen Sie vielleicht das nächste Mal, wenn Sie medizinischen Rat brauchen, einen Statistiker auf.
Ja, das ist allgemein bekannt. Es gab mehrere Studien . Ein großartiger TED-Vortrag und eine Brustkrebs-Früherkennungsstudie (kann den Link jetzt nicht finden). Sie erhalten bessere Ergebnisse, wenn Sie die Frage neu formulieren (d. h. anstatt anzugeben, wie häufig die Krankheit auftritt, geben Sie diesen Wert als Anzahl von Personen an. Von 100.000 Frauen über 50 haben 1.000 BC. Wenn alle gescreent werden, 90 % mit BC werden positiv getestet, 9% ohne BC werden ebenfalls positiv getestet...
Wie hoch ist die Wahrscheinlichkeit, dass eine zufällig positiv getestete Frau tatsächlich Brustkrebs hat? . Wenn Sie es so formulieren, können Ärzte (und die meisten anderen Menschen) häufiger zur richtigen Antwort kommen. (Aber ja. Die meisten ärgern sich über Statistiken)
Matt, angesichts der Quelle, was sind deine Gründe, an der Behauptung zu zweifeln? Dies würde auch helfen, herauszufinden, was Sie mit "sind oft unfähig" meinen ...
@P_S Der Grund, an der Behauptung zu zweifeln, ist das Vertrauen, das normalerweise in Mediziner gesetzt wird, um gute Ratschläge zu geben. Wenn Gigerenzer Recht hat, ist dieses weit verbreitete Vertrauen völlig fehl am Platz. Obwohl ich ziemlich zuversichtlich bin, dass er Recht hat, ist es immer noch eine große und bedeutende Behauptung, die angesichts ihrer großen Auswirkungen skeptische Aufmerksamkeit verdient.
Ich habe Gigerenzers Buch zu diesem Thema irgendwo in meinem Bücherregal. Darin zitiert er eine Reihe von Befragungen von Ärzten, bei denen ähnliche Fehler gemacht wurden. Wenn die aktuelle Antwort nicht ausreicht, werde ich sie suchen.
Ein weiteres interessantes Thema sind Framing-Effekte: Ärzte empfehlen eher eine Operation, bei der eine Erfolgswahrscheinlichkeit von 90 % angegeben wird, als bei einer Operation, bei der eine Erfolgswahrscheinlichkeit von 10 % angegeben wird.

Antworten (1)

Die kurze Antwort lautet „ja“.

Das Studium

Hier ist eine weitere Beschreibung der (glaube ich) gleichen Studien aus Leonard Mlodinows „ The Drunkard’s Walk “:

In Studien in Deutschland und den Vereinigten Staaten haben Forscher Ärzte gebeten, die Wahrscheinlichkeit abzuschätzen, dass eine asymptomatische Frau im Alter zwischen 40 und 50 Jahren, die ein positives Mammogramm hat, tatsächlich Brustkrebs hat, wenn 7 Prozent der Mammogramme dort Krebs zeigen ist keine. Außerdem wurde den Ärzten mitgeteilt, dass die tatsächliche Inzidenz bei etwa 0,8 Prozent und die Falsch-Negativ-Rate bei etwa 10 Prozent liege. Alles in allem kann man mit Bayes' Methoden feststellen, dass ein positives Mammogramm nur in etwa 9 Prozent der Fälle auf Krebs zurückzuführen ist. In der deutschen Gruppe kam jedoch ein Drittel der Ärzte zu dem Schluss, dass die Wahrscheinlichkeit bei etwa 90 Prozent lag, und der Median lag bei 70 Prozent. In der amerikanischen Gruppe schätzten 95 von 100 Ärzten die Wahrscheinlichkeit auf etwa 75 Prozent ein.

Ähnliche Ergebnisse wurden von (kleineren) Studien von 1978 bis 2014 berichtet .

Das Thema

Das Problem in diesen Fällen ist die bedingte Wahrscheinlichkeit. Im Allgemeinen ist die bedingte Wahrscheinlichkeit die Wahrscheinlichkeit eines Ereignisses bei einem anderen Ereignis (oder einer anderen Bedingung). Beispielsweise beträgt die Wahrscheinlichkeit, mit zwei sechsseitigen Würfeln zwei Sechsen zu würfeln, 1 zu 36; Die bedingte Wahrscheinlichkeit, zwei Sechsen mit zwei sechsseitigen Würfeln zu werfen, wenn der erste bereits eine Sechs zeigt, beträgt jedoch nur 1 zu 6.

Bei jedem medizinischen Test haben Sie Fragen zur bedingten Wahrscheinlichkeit. Oft ist die über einen Test angegebene Zahl seine Genauigkeit; Beispielsweise kann ein HIV-Test in 99 % der Fälle das richtige Ergebnis liefern. Das heißt, wenn Sie HIV haben, haben Sie eine Chance von 99 %, dass Sie korrekt als HIV-positiv diagnostiziert werden; und wenn Sie dies nicht tun, haben Sie eine 99%ige Chance, korrekt als HIV-negativ diagnostiziert zu werden. Der Trugschluss besteht darin anzunehmen, dass dies bedeutet, dass bei einer HIV-Diagnose eine Wahrscheinlichkeit von 99 % besteht, dass Sie tatsächlich HIV-positiv sind. In Wirklichkeit ist die Wahrscheinlichkeit viel geringer und hängt stark von Ihrer Risikogruppe ab; es können durchaus 10 % oder 1 % oder sogar darunter sein (auf die Berechnungsdetails möchte ich hier nicht eingehen).

Der Fehler besteht darin, anzunehmen, dass die Wahrscheinlichkeit, dass Sie bei positiver Diagnose richtig diagnostiziert werden, und die Wahrscheinlichkeit, dass Sie bei Diagnose positiv sind, gleich sind. Sie können dies an einem naheliegenden Beispiel sehen: Wenn Sie ein professioneller Fußballspieler sind, sind Sie mit hoher Wahrscheinlichkeit ein Mann. Aber selbst wenn Sie ein Mann sind, ist es sehr unwahrscheinlich, dass Sie ein professioneller Fußballspieler sind. Der Grund dafür ist, dass es ziemlich viele Männer und sehr wenige Fußballspieler gibt; Gleiches gilt für das HIV-Beispiel, da die wenigsten Menschen überhaupt HIV-positiv sind.

Kommt das in der Praxis vor?

Endlich - eine Chance, anekdotische Beweise (relativ) ungestraft zu verwenden! Ja, es kommt vor. Mlodinow schreibt in seinem oben erwähnten Buch über einen ähnlichen Fall, in dem er eine falsche HIV-Diagnose erhielt. Und bei mir selbst wurde bei einem Familienmitglied ein „eindeutig bösartiger“ Tumor diagnostiziert. Und – als Randbemerkung – obwohl ich kurz zuvor von dem Thema gelesen hatte, kam ich nicht auf die Idee, das Urteil des Arztes anzuzweifeln, bis sich nach der Operation herausstellte, dass der Tumor gutartig war.

Geht es um Ärzte?

Nein. Ärzte unterliegen diesem Irrtum, und natürlich sind sie eine Gruppe, die sich nicht irren darf. Aber die Menschen haben im Allgemeinen eine schlechte Intuition für viele probabilistische Aufgaben, einschließlich dieser. Tatsächlich ist der gebräuchliche Name für diesen speziellen Irrtum der Irrtum des Staatsanwalts , der einen Hinweis darauf gibt, wer sonst noch betroffen sein könnte. Der verlinkte Wikipedia-Artikel enthält Erklärungen und Beispiele von Rechtsfällen, in denen dies eine entscheidende (und sehr destruktive) Rolle spielte.

Kannst du Ärzten jetzt nicht vertrauen?

Nun, kannst du jemandem vertrauen? Ich erwarte von den meisten Ärzten, dass sie in ihren Kernaufgaben kompetent sind. Sie sind jedoch nur Menschen, und die meisten von ihnen wurden nicht explizit in Wahrscheinlichkeitstheorie geschult. Seien Sie daher mit einer gesunden Skepsis konfrontiert, wenn Sie mit Zahlen konfrontiert werden, die Risiken und Wahrscheinlichkeitsrechnungen beschreiben, egal ob sie von Ärzten, Anwälten und anderen, manchmal sogar Mathematikern stammen.

Dies ist eine einigermaßen gute Antwort, lässt jedoch ein wichtiges Problem aus. Die Art und Weise, wie Sie die Zahlen kommunizieren, ist entscheidend dafür, wie gut sie verstanden werden. Mit Mlodinows Beispiel können Sie mit der Formel von Bayes das richtige Ergebnis erzielen, aber selbst wenn die Formel vor ihnen liegt, können die meisten Menschen sie nicht anwenden. Gigerenzer zeigte, dass das Problem nicht angeboren ist, indem er eine andere Art zur Beschreibung der Zahlen verwendete und zeigte, dass die Menschen dann ohne weitere Berechnung zu den richtigen Schlussfolgerungen gelangten.
@matt_black Sicher, die Art und Weise, wie das Problem vor jemand gestellt wird, ist entscheidend dafür, wie er es angeht. Ich denke jedoch, dass es in erster Linie um die Frage ging, wie Ärzte statistische Ergebnisse verstehen und kommunizieren, wenn sie sie erhalten ...
Sind Mediziner oft nicht in der Lage, statistische Ergebnisse zu verstehen oder ihren Patienten zu vermitteln?
AntwortenHierDatenschutz-Bestimmungen1y, 0v