PSY: Forschungsmethodik 2

0:41 Die Grenze häufig für Kronbachs Alpha ist 0,7, wenn man sagt. Gegner der Biersorte Kronbachs eigentlich so sehr nach Bier. Vielleicht sollten die Statistiker das mal als Marketing-Trick benutzen. Kronbachs Alpha. 0,7 oder mehr Prozent Alkohol und dann steht es für eine hohe Reliabilität.

1:09 Der Frockling-Pod.

1:16 Hallo und herzlich willkommen zurück zu Situs Inversus der Frockling-Podcast. Yes, who's back? Slim Kai ist auch back. Nimmer noch da. Mit mir außerdem hier heute ist Tim. Hi. Und wir tackeln den zweiten Teil der Statistikeinheit in unserem Blog Psychsotz. Wir haben letztes Mal schon sehr viel über, auch sehr viel physikumsrelevante Inhalte gesprochen, die natürlich auch so fürs Leben Weisheiten sind, die man täglich gebrauchen kann.

1:44 Ihr wisst, wie krass viele Fragen im Physikum zu Psychsotz drankommen. Also das ist ja wirklich der Wahnsinn. Das heißt, es lohnt sich einfach wirklich. Ich glaube, kann man nicht unterschätzen.

1:56 Ja, höchst relevant. Und genau da machen wir jetzt weiter. Wir haben in der letzten Folge aufgehört mit den verschiedenen Studiendesigns und gehen jetzt zu Tests und Gütekriterien innerhalb von so verschiedenen Studien. Und quasi, wie werden jetzt die Variablen und Konstrukte gemessen, die man aber nicht direkt messen kann?

2:14 Bei Körpergröße ist ja einfach, da halte ich mir einfach einen Zollstock dran, passt. Aber Guy hatte auch schon in der letzten Folge Dinge genannt, die halt nicht so einfach greifbar sind. Und da ist dann halt die Frage, was ist überhaupt ein psychologischer Test? Und der dient halt eben der Erfassung von quantitativen psychischen Merkmalen, wie jetzt zum Beispiel Intelligenz, Depression oder sowas.

2:36 Und besteht halt aus verschiedenen Items. Und ein Item ist meistens eine Testaufgabe. Das kann eine Frage sein, das kann ein Rechentest sein, je nachdem, was ich halt wissen will. Und diese Items, die werden halt selektiert anhand von Kriterien. Einmal anhand vom Schwierigkeitsindex, also rechne ich jetzt 2 plus 2 oder das Integral von 5x hoch 9.

2:57 Und halt eben, wie gut kann man das Ganze halt oder wie gut trennt diese Variable zwischen dem, was ich trennen will. Jetzt zum Beispiel im Physikum wäre die wichtigste Trennschärfe. Man kann diese Frage erkennen, hat jemand gut gelernt oder hat er nicht gut gelernt. Und diese verschiedenen Kriterien sind halt für erstmal für ein Design von so einer Studie sehr relevant.

3:19 Also es ist quasi Trennschärfen als, oder Merkmale von so Items sehr wichtig. Und das zweite Wichtige, was auch in der Forschung, glaube ich, somit einer der Knackpunkte immer ist, Objektivität. Ganz kurze Werbung.

3:40 Ich benutze eigentlich seit Semester zwei ein Programm namens Anki. Da kann man so mit digitalen Karteikarten lernen, was das Lernen einfach viel effizienter macht. Für das Physikum gibt es ja zum Beispiel auch vorbereitete Decks. Und das Coole ist, dass man Anki selbst nochmal erweitern kann. Und zwar mit sogenannten Add-ons.

3:57 Und da gibt es ein neues von Meditrix, was wir im Team vorab testen durften. Da werden euch dann zum Beispiel im Physikumsdeck von Ankifil zusätzliche Merkilfen und Esusbrücken von Meditrix angezeigt, sodass das Lernen nochmal viel abwechslungsreicher wird und mehr Sinne anspricht.

4:12 Wenn ihr Lust bekommen habt, Meditrix mal auszuprobieren, dann klickt euch jetzt mit dem exklusiven Code SIDUSIS15 15% Rabatt auf euer nächstes Meditrix-Abo. Sidusinversus15. Jetzt sichern. Das war's schon.

4:29 Genau. Ja, ich bin immer objektiv. Genau. Also es geht jetzt natürlich um die Gütekriterien. Und es gibt so die drei großen, die auch in gewisser Weise sogar eine Rangfolge haben, wie Kai vielleicht gleich noch erklären wird. Aber wir starten mal mit der Objektivität. Und das ist so ein bisschen die Basis.

4:51 Also das ist ein Maß dafür, wie unabhängig die Testergebnisse vom Untersucher sind oder vom Studienleiter oder Versuchsleiter. Ja, Kriterien für eine hohe Objektivität sind standardisierte Tests. Oder was auch beispielsweise relevant ist, ist, dass bei der Auswertung, Durchführung, Interpretation stets das gleiche herauskommt.

5:15 Nehmen wir an, beim Fußball würde in derselben Situation quasi immer die gleiche Entscheidung getroffen werden, unabhängig vom Schiedsrichter, dann wäre das objektiv.

5:25 Ganz genau. Auf der Objektivität darauf baut sich dann so ein bisschen die Reliabilität. Reliabilität kann übersetzt werden, vielleicht mit Genauigkeit oder Zuverlässigkeit. Genau definiert ist es als das Maß für die Reproduzierbarkeit von Testergebnissen unter gleichen Bedingungen. Und die Reliabilität schwankt zwischen 0 und 1.

5:47 Die Eins gibt an, dass man gar keine Messfehler hat, wohingegen, wenn die Messwerte nur aus Messfehlern bestehen, dann hat man eine Reliabilität von 0. Und das möchte man möglichst nicht haben. Das heißt, je näher die Reliabilität irgendwie an die Eins ranreicht, desto verwertbarer ist unser Ergebnis.

6:07 Und es gibt verschiedene Arten von Reliabilität, die wir unterscheiden können. Wenn wir zum Beispiel einen Test durchführen, dann könnten wir auf die Parallel Test Reliabilität testen, dass wir zum Beispiel einen Test nicht nur einmal durchführen, sondern auch einen leicht unterschiedlichen Test durchführen und dann schauen, wie sehr diese zwei Tests miteinander zusammenhängen.

6:25 Das kann man dann zum Beispiel mit einem Korrelationskoeffizienten ausdrücken und sagen, okay, wenn diese zwei Tests irgendwie eine Übereinstimmung von über 0,8 als Korrelationskoeffizient haben, dann spricht man von einer guten Reliabilität, aber das hängt auch von ganz vielen unterschiedlichen Faktoren ab.

6:42 Aber zwei Tests, die das gleiche messen sollten, sollten auf jeden Fall miteinander zusammenhängen.

6:46 Und das wäre dann das mit dieser Paralleltest-Reliabilität.

6:49 Das wäre Paralleltest-Reliabilität. Beim Retest, Test, Retest, Reliabilität, dann hat man nur einen Test, aber diesen Test testet man quasi mehrmals. Das heißt, ich führe jetzt zum Beispiel heute einen gewissen Test durch und irgendwie in einer Woche nochmal. Und wenn das, was gemessen werden soll, ein stabiles Merkmal ist, dann sollten meine Ergebnisse ziemlich ähnlich sein über die Zeit.

7:12 Natürlich trifft das nicht darauf zu, wenn ich jetzt irgendwie nochmal einen Test durchführe und was gemessen wird, ist irgendwie meine momentane Stimmung. Also da ist natürlich selbstverständlich, dass sich das im Laufe einer Woche auch verändern kann. Aber meine Intelligenz oder meine Persönlichkeit, Dinge, die eher stabil sind, die sollten sich da eher nicht verändern.

7:30 Und auch hier spricht man wieder so von einem Korrelationskoeffizienten von 0,8. Wenn quasi die Veränderung in einem Test über die Zeit recht niedrig ist, dann spricht das für eine hohe Test-Retest-Reliabilität. Genauso bei Beobachtungsstudien ist es häufig so, dass man nicht nur eine Person ein Verhalten beobachten lässt, sondern mehrere Personen.

7:51 Da spricht man dann von der Interrater-Reliabilität. Und wenn verschiedene Beobachtenden zu genau dem gleichen Ergebnis kommen, dann sagt man, okay, wir haben eine hohe Interrater-Reliabilität.

8:03 Ja, und Interrater-Reliabilität, Kai, das erinnert mich jetzt schon sehr wieder an Objektivität, oder?

8:10 Da hast du ganz genau recht. Das ist quasi eine Unterform und steht auch für die Objektivität, weil die Testergebnisse quasi kaum vom Nutzer des Testinstruments beeinflusst werden können. Bedeutet, ich kann als Versuchsperson das gleiche Verhalten zeigen, aber es ist egal, wer mich beobachtet, alle kommen zum gleichen Ergebnis.

8:29 Und dann ist das einmal Reliabilität, aber gleichzeitig steht es eigentlich auch für eine hohe Objektivität. Und dann den letzten Punkt, die interne Konsistenz, die wird bei Fragebögen eigentlich immer berechnet. Und das ist auch der Grund, warum wir in Fragebögen häufig Items mehrmals vorkommen und die klingen auch sehr ähnlich.

8:47 Wenn ich irgendwie Extroversion oder so messen möchte, dann steht da irgendwie, ich gehe gerne auf Partys, ich bin gesellig, am liebsten bin ich unter Leuten. Und man denkt so, ich kreuze die ganze Zeit das gleiche an. Aber der Grund ist, weil man eben die interne Konsistenz berechnen will, wie sehr hängen Items, die das gleiche messen sollen, miteinander zusammen.

9:04 Und der wichtigste Kennwert dafür ist Kronbachs Alpha. Die Grenze häufig für Kronbachs-Alpha ist 0,7, wenn man sagt. Klingt in der Biersorte Kronbachs eigentlich so sehr nach Bier. Vielleicht sollten die Statistiker das mal als Marketing-Trick. Kronbachs Alpha. 0,7 oder mehr Prozent Alkohol und dann steht das für eine hohe Reliabilität.

9:26 Ja. Das ist zur Reliabilität.

9:29 Ja, aber ich habe noch eine Frage. Und zwar, das, was mir jetzt noch ein bisschen gefehlt hat, ist, dass man zum Beispiel davon sagt, dass wenn du jetzt in der Vorbereitung zum Physikum ein altes Physikum kreuzt. Oder vielleicht auch vier, dann kannst du sagen, dass dein Ergebnis in der richtigen Prüfung sehr ähnlich sein wird.

9:48 Bedeutet, dass die ganzen Physiker ja sehr gut darauf eingestellt sind, die, ja, wir haben eine hohe Retest-Reliabilität. Das heißt, Retest zählt auch, wenn ich verschiedene, weil nämlich, wir haben ja gerade gesagt, dass es die gleiche Versuchsperson sein muss, aber ich kann auch den gleichen Test bei verschiedenen Personen machen und es heißt trotzdem Retest, das ist die Frage.

10:09 Nee, nee. Beim Retest geht es immer darum, dass es die gleiche Person es ist, ja. Und es ist ja theoretisch ist das Physikum immer der gleiche Test, jedenfalls ist das der Anspruch. Natürlich mit anderen Aufgaben. Genau, aber, oder?

10:21 Es ist quasi, ich würde fast sagen, es ist eine Mischung aus Paralleltest und Retest. Weil es ist ja, das Physikum ist ja nicht jedes Jahr gleich, sondern es sind quasi Paralleltests, die sehr ähnlich sind. Und wenn du aber übst und quasi dadurch, dass die Paralleltest-Reliabilität hoch ist und die Retest-Reliabilität auch, dann wirst du wohl im Physikum gut abschneiden, wenn du dich gut vorbereitet hast.

10:42 Okay. So, und das heißt jetzt, die Ikone der Schöpfung der aufeinanderbauenden Testkriterien ist die Validität.

10:50 Genau, und die Validität, ja, es definiert das Maß für die Belastbarkeit einer bestimmten Aussage. Ich merke mir Validität immer ganz simpel mit eigentlich so misst ein Test, so grob das, was er auch zu messen vorgibt. Ergibt das Ganze irgendwie Sinn. Und da gibt es auch nochmal verschiedene Unterformen.

12:25 Wir fangen mal an mit der internen Validität, das ist am ehesten das, was ich gerade beschrieben habe. Nämlich die Frage, werden die beobachtenden Veränderungen der abhängigen Variable tatsächlich von der unabhängigen Variable verursacht? Also, oder gibt es Störgrößen, Zufall etc.? Und dann ist auch die Frage, inwieweit lässt sich dann, inwiefern lässt sich tatsächlich ein kausaler Zusammenhang aus dem Ergebnis ableiten.

12:53 Eine hohe interne Validität wird unter anderem erreicht, indem man Studiengruppen mit ähnlichen Merkmalen hat oder durch besonders valide und verlässliche Messinstrumente und insbesondere auch, indem man so systematische Fehler oder Biases verhindert in der Planung und Durchführung der Studien.

13:14 Und da kommen wir halt wieder darauf zurück, was wir in der letzten Folge gesagt haben, dass man sehr genau wissen muss, was für Variablen es denn so einem Test gibt. Wenn ich meine Variablen kenne und zum Beispiel eine Studiengruppe designe mit ähnlichen Merkmalen, also dass ich quasi möglichst viele Variablen kenne und halt eben auswerte, dann bekomme ich am Ende auch eine hohe Validität, weil ich in der ersten Citus Inversus X positiv Korreliertsfolge aufgepasst habe.

13:41 Ganz genau, so ist das. Und du hast am Ende von der letzten Folge auch noch gesagt, dass die Interventionsstudie oder so Randomized Controlled Trials eben quasi so das beste Studierendesign sind. Und das liegt hauptsächlich daran, dass die eben so eine hohe interne Validität haben.

13:55 Der zweite Flavor quasi an der Stelle ist die externe Validität. Hier ist im Grunde die Frage, lassen sich die Studienergebnisse von so einer kleinen Population auch auf größere Teile der Bevölkerung übertragen, für die diese Studie ja dann auch repräsentativ sein soll. Und das zeichnet sich zum Beispiel eben auch dadurch aus, dass Studienergebnisse in einer separaten zweiten Studie mit anderen Studienteilnehmern aus derselben größeren Population reproduziert werden können.

14:26 Dann gibt es eine prädiktive Validität. Das ist auch was, was, glaube ich, sehr intuitiv ist eigentlich, nämlich die Frage, lassen Sie sich basierend auf den kausalen Zusammenhängen, aus den Testergebnissen, die wir in unserer Studie finden, Aussagen über die Zukunft treffen und die sind dann korrekt natürlich hoffentlich.

14:45 Dann hätte der Test eine hohe prädiktive Validität. Dann gibt es noch die konvergente Validität, das ist einfach die Frage, korrelieren Tests für zusammenhängende Konstrukte auch miteinander. Das erinnert mich wieder so ein bisschen auch an Paralleltest-Reliabilität von der Idee her.

15:02 Genau. Konvergente Validität muss aber nicht nur mit anderen Tests sein, kann sein, aber du kannst zum Beispiel auch sagen, korreliert irgendwie mein Test mit einem physiologischen Maß, mit dem es korrelieren sollte. Das heißt, man schaut einfach, Sachen, die bereits existieren und wo wir wissen, dass die gut sind, korrelieren die mit unserem neuen Messinstrument, was wir gerade versuchen zu validieren.

15:26 Und dann das nächste wäre noch die diskriminante Validität. Die bildet so das Gegenstück zur konvergenten Validität, nämlich Tests für Konstrukte, die nicht zusammenhängen, sollten dann auch nicht miteinander korrelieren. Dann gibt es noch die Inhaltsvalidität, nämlich einfach die Frage, so erfasst mein Test denn eigentlich alles, was so relevant ist für das Konstrukt?

15:47 Und wenn ich beispielsweise suche nach einem guten Beispiel, wenn ich Intelligenz rannehme und nur schaue, wie gut Kai in Mathe ist, erfasst das denn dann alle relevanten Aspekte des Konstrukts Intelligenz.

16:04 Und häufig liest man da in einem Paper irgendwie sowas wie, wir haben fünf ExpertInnen gefragt und meistens hat man nur sich selbst und seine vier Kolleginnen im Büro nebendan gefragt. Aber man schaut quasi drüber, ist quasi das, wie wir theoretisch so ein Konstrukt uns anschauen, ist das eigentlich überhaupt erfasst?

16:20 Und dann zum Beispiel in deinem Beispiel, nur Mathe würde nicht alle Bereiche von Intelligenz, die wir theoretisch kennen, abdecken.

16:27 Der letzte Punkt noch hier in dem Zusammenhang ist eine Änderungssensitivität, die auch für eine Validität spricht. Nämlich die Frage, erfasst ein Test auch Veränderungen eines Konstrukts im Verlauf, zum Beispiel von der Erkrankung oder Therapie, dass dann so der longitudinale Aspekt der Validität.

16:44 Jetzt wieder aus Blick eines Physikanten waren das jetzt sehr viele Buzzwords, die man sehr gut abfragen kann. Aber ich finde, wenn man sich die verschiedenen Definitionen mal anschaut, dann kommt man oft durch den Namen darauf, was es soll. Also da würde ich mich jetzt nicht irgendwie aus der Bahn bringen lassen, dass wir jetzt schon ungefähr 1500 Begriffe genannt haben in dieser Folge.

17:04 Oft sind die genau so, wie man sich denkt. Aber trotzdem.

17:09 Und ihr habt das jetzt mal alles gehört.

17:11 Genau, trotzdem, und ich denke, wenn man es einmal gehört hat, dann ist es besser. Aber um das Ganze jetzt nochmal zu festigen, würden wir gerne einmal einen Test, ein praktisches Beispiel. Eine RCT würden wir jetzt gerne mal durchführen hier mit Kai und Tim, mehr oder weniger. Und zwar diesen Sixteen Personalities-Test, den vielleicht einige schon mal gehört haben.

17:32 Ich kann ihn vorher nicht. MBTI wird er auch häufig genannt. Okay. Und den würden wir jetzt hier gerne mal auseinanderbauen. Ja.

17:38 Kennst du den, Tim? Ja, ich hatte den schon ein paar Mal gemacht tatsächlich. Ich vergesse aber immer, was ich habe. Ich habe irgendwas mit ET, irgendwas. Ich glaube, ich bin ETG.

17:51 Jetzt für jemanden, der den Test nicht kennt, sagt er bitte mal, was jetzt passt. Das ist ein ganz normaler Persönlichkeitstest, der und am Ende. Ja, wahnsinnig lang dauert. Es ist ein langer Test. Also die interne Konsistenz ist sehr hoch, kann ich schon mal vorweg sagen, wo man sehr viele Items hat, die das gleiche messen.

18:06 Aber es ist quasi ein Persönlichkeitstest, wo es vier Kategorien gibt. Und ich vergesse noch immer, was die Kategorien sind, aber die erste ist auf jeden Fall E oder I, introvertiert oder extrovertiert. Und man bekommt am Ende quasi vier Buchstaben zugeordnet. Und dieser Test ist sehr, sehr beliebt, aber nicht in der Wissenschaft, da wird er nämlich ständig auseinandergenommen und kritisiert, weil es ist eigentlich kein guter Test.

18:27 Nein. Und das schon.

18:28 Du hast auch schon getraft. Das schauen wir euch wahrscheinlich noch mehr.

18:32 An warum? Warum ist, oder gehen wir einfach mal die Güte-Kriterien durch? Wie sieht es aus mit der Objektivität?

18:38 Ja, also das ist ja letztendlich, wird es ja von einem Programm einfach ausgewertet. Ja, ich bekomme da die gleichen Fragen, wenn kein gleichen Test macht und die gleichen Antworten gibt. Wird er auch gleich bewertet werden, deshalb Objektivität ist hier auf jeden Fall gegeben.

18:57 Sehr gut, immerhin etwas. Ohne Objektivität wird es auch ziemlich schwer in der Wissenschaft. Schauen wir uns die Reliabilität an. Die interne Konsistenz, wie gesagt, ist wahrscheinlich recht hoch, weil der Test ist sehr lang und man bekommt immer wieder die gleichen Fragen leicht umformuliert, die dadurch aber auch alle stark miteinander zusammenhängen.

19:16 Ich habe aber ein Problem bei diesem Test. Ich kann den nämlich, also ich habe den schon ein paar Mal gemacht, aber so aus Interesse. Und ich bekomme halt immer so ein anderes Ergebnis. Also nicht komplett anders, aber schon so leicht anders.

19:28 Uh, das spricht aber eher dafür, dass die Test-Retest-Reliabilität dann aber nicht besonders hoch ist. Nee, ich glaube, die ist wirklich ziemlich gering. Die ist wahrscheinlich ziemlich niedrig, das habe ich nämlich auch schon häufig gehört. Das heißt, wenn du den Test mehrmals durchführst und jedes Mal bekommst du ein anderes Ergebnis, dann bedeutet das nicht, dass der Test besonders gut ist.

19:46 Ein Satz dazu, warum die Test-Retest-Reliabilität wahrscheinlich niedrig ist, ist, dass du natürlich, jeder liegt auf so einem Spektrum von introvertiert nach extrovertiert. Aber was der Test machst, du bekommst am Ende ein Buchstaben zugeordnet, I oder E. Und wenn du dann irgendwie von 53% extrovertiert auf 47% extrovertiert runtergehst, von einem zum nächsten Mal, bekommst du auf einmal kein E mehr, sondern I mehr.

20:07 Und das ist wahrscheinlich der Grund.

20:08 Haben wir da an der Stelle dann auch ein Validitätsproblem?

20:11 Sicherlich. Also die Validität ist wahrscheinlich insgesamt recht niedrig. Es gibt sehr viele Studien dazu, die quasi sagen, dieser Test sagt eigentlich überhaupt nichts vorher. Und die Validität ist wahrscheinlich das größte Problem.

20:23 Also können wir auch einfach umsetzen.

20:24 Also einerseits prädiktive Validität, dann schlecht. Andererseits auch intern, wenn ich jetzt ein Konstrukt versuche zu messen wie Extroversion oder Introversion, was sich ja nicht durch ein Extrem ausdrücken lässt, ist dann auch ein Problem der internen Validität.

20:40 Da würde ich auf jeden Fall zustimmen. Externe Validität ist hier jetzt wahrscheinlich nicht so relevant. Und konvergente und diskriminante Validität, wenn ich das jetzt gerade auch richtig im Kopf habe, sind auch eher niedrig. Wenn man nämlich diesen MBDI-Test mit anderen besseren Persönlichkeitstests korreliert, sind diese Korrelationen meistens auch sehr niedrig.

20:59 Das heißt, die Frage, die sich viele gestellt haben, ist, was messt dieser Test eigentlich? Und Leo, wahrscheinlich ist er häufig näher dran an einem Horoskop oder an einem Sternzeichen als an einer tatsächlichen Persönlichkeitseigenschaft.

21:11 Das heißt, wenn ich an diesen Test glaube, dann glaube ich daran, dass ich heute eine Million Euro gewinne. Und vermutlich wirst du es.

21:17 Ja, und das ist das.

21:19 Das ist ja wiederum ein falscher Rückschluss. Das nennt man dann, nennen wir das Stereotyp. Da kommen wir auch nochmal drauf übrigens in den kommenden Folgen.

21:28 Ja. Das heißt, ihr habt mitbekommen, weil was ich ganz spannend war, dass jetzt Kai und Tim haben das Ganze in der gleichen Reihenfolge analysiert, in der wir auch diese Begriffe in dieser Folge eingeführt haben, denn die bauen, wie gesagt, aufeinander auf. Und die Objektivität ist die Voraussetzung für die Reliabilität, ist die Voraussetzung für die Validität.

21:48 Das bedeutet, dass man die auch immer in der Reihenfolge ablaufen sollte, wenn man beispielsweise davor steht, da eine Frage zu zu beantworten, kann es keine Validität geben oder eine Objektivität. Und das heißt, so sollte man die auch dann inhaltlich ablaufen.

22:05 Ich stelle mir das häufig vor, wie so eine Zielscheibe und quasi das Bullseye ist quasi hohe. Das ist genau das, was wir erreichen wollen. Und jetzt stellt euch vor, ich werfe irgendwie 10 Datenpfeile und ich werfe die jetzt alle nicht auf die Scheibe, sondern irgendwie gegen die Wand. Aber alle zehn werfe ich perfekt an die gleiche Stelle.

22:25 Ich treffe nur nicht. Dann brauchst du eine neue Brille. Dann brauche ich eine neue Brille und vor allem hatte ich eine sehr hohe Reliabilität, weil ich habe zehnmal sehr genau auf die gleiche Stelle geworfen, aber eine sehr niedrige Validität, weil ich habe zehnmal daneben geworfen.

22:36 Okay.

22:37 Und wenn ich aber quasi alle zehn mitten reinwerfe, dann hatte ich sowohl eine hohe Reliabilität als auch eine hohe Validität.

22:44 Nice. So. Und jetzt wäre noch die Frage, welche Untersuchungsverfahren gibt es denn sonst noch so, abgesehen von Umfragen, in die ich in so Testungen mit einbeziehen kann?

22:59 Ja, da gehen wir jetzt irgendwie auch direkt in einen ganz anderen Bereich rein, wird hier mal kurz umgeswitcht. Es geht nämlich darum, wir befinden uns ja thematisch, zwar jetzt in der Statistik, aber irgendwie ja schon auch in der Psychologie. Und man kann ja noch versuchen, das Gehirn tatsächlich zu messen.

23:20 Und da gibt es so drei wichtige Methoden, würde ich sagen, die auch schon auch angewandt werden, aber schon auch eher wild sind.

23:31 Ja, aber ich glaube, es geht eher darum, dass man anhand jetzt dieser drei Testmethoden, um quasi irgendwie das Gehirn zu messen, um es mal ganz grob zu sagen, jetzt anwenden kann, worauf man achten sollte, wenn man zum Beispiel Items für einen Test auswählt. Weil jetzt diese drei Methoden messen das gleiche Organ, aber auf verschiedene Art und Weise.

23:50 Ja, und sind halt. Für die Forschung vor allem super interessant. Fangen wir mal an mit dem EEG, mit dem Elektroencephalogramm. Das funktioniert so, dass man entweder so einen wilden Helm aufgesetzt bekommt oder direkt die Elektroden aufgeklebt quasi auf den Kopf. Super unangenehm. Man muss nämlich vorher mit so einem Sandsalbe-Sandpapier das bisschen abkratzen, damit das besser leitet.

24:15 Die Kopfhaut und dann klebt man wieder auf. Und dann bekommt man eben letztendlich die Hirnströme. So ein bisschen wie ein EKG fürs Herz, bloß eben ein EEG fürs Gehirn. Er hat dadurch eine sehr, sehr gute zeitliche Auflösung. Ja, also wir können uns im Millisekundenbereich auch bewegen. Die räumliche Auflösung ist dafür super schlecht, weil ich habe ja nur die Elektronen außen auf dem Kopf drauf.

24:42 Und jetzt dann bei den ganzen Wellen zu sagen, das ist aber super genau dieser Kern im Hypothalamus, den wir hier gerade sehen, ist eher unseriös.

24:54 Ja. Und dafür haben wir halt jetzt unsere nächste, unsere nächste Methode, das funktionelle MRT, FMRT, was ja, wie ihr vielleicht schon mal gehört habt, über magnetische Felder arbeitet und kann jetzt darstellen, wie sich der Blutfluss im Gehirn verändert, durch verschiedene, durch verschiedene Eigenschaften von venösem und arteriellem Blut, wie das jetzt, wie sich das verändert, wie auch immer.

25:19 Darauf kann man halt dann zurückschließen, wenn jetzt ein Teil vom Gehirn mehr durchblutet wird, dann wird er wohl aktiver sein. Das heißt, ich kann indirekt die Hirnaktivität messen. Das geht räumlich aufgelöst ziemlich gut, aber wie ihr euch vorstellen könnt, wenn ich jetzt auf einmal zum Beispiel aufwache, dann braucht das Hirn noch ein bisschen und ist zeit, bis da in die Regionen, die ich zum Wachwerden brauche, auch das Blut hinfließt.

25:43 Und vor allem ist ein MRT ja wahnsinnig langsam.

25:46 Genau, ja. Und oben das heißt, bedeutet, ich habe eine sehr hohe räumliche Auflösung und ich kann genau sagen, okay, genau da in dem Gehirn fängt es jetzt mehr an zu arbeiten, aber das dauert halt eine gewisse Zeit, bis ich es darstellen kann. Das ist halt zum Beispiel, wie ich vorhin meinte, von wegen verschiedenen Testmethoden.

26:03 EEG wie auch das F-MRT misst schon irgendwie Gehirnaktivität, aber das eine ist zeitlich auflösend und das andere ist sehr gut räumlich auflösend.

26:13 Und dann gibt es noch was, das ist so ein bisschen wie das F-MRT, aber die Technik ist ganz anders. Nämlich das PED, das Positronen-Emissionstomografie, ist oft ein CT eigentlich. Und das erfasst Stoffwechselaktivität beispielsweise. Und das funktioniert in der Regel durch radioaktive Marker, die eben diese Positronen auch aussenden.

26:37 Und dann sieht man zum Beispiel, wo gerade besonders viel Glucose verstoffwechselt wird. Man kann also gut wie so L-biochemische Prozesse darstellen. Man hat hier auch wieder eine gute räumliche Auflösung, zeitliche Auflösung eher gering.

26:52 Ja, und an sich wird mir jetzt im Total nicht abgefragt, wie das funktioniert, sondern man muss sich einfach nur darüber Gedanken machen, was das sind alles verschiedene Dinge, die gleiche, ja, mehr oder weniger das gleiche Gehirn, zumindest mal messen, aber halt eben ganz viele verschiedene Möglichkeiten bieten.

27:09 So, und wenn ich jetzt das Gehirn messen möchte, dann brauche ich dafür Probanden. Und diese Probanden, die sollte man sich, weil wir wollen ja gut und schön arbeiten. Die muss man sich ja irgendwie aussuchen, dass das Ganze auch eine, halt eben, die Dartscheibe halt eben auch trifft. Und deswegen muss man sich auch vorher, wenn man so eine Studie designt, Gedanken machen, wie suche ich mir denn jetzt diese Stichprobe aus?

27:35 Und da gibt es ganz viele unterschiedliche Arten und Weisen, wie wir an eine Stichprobe rankommen können. Manche sind repräsentativer als andere. Die beste Stichprobenart ist vermutlich die Zufallsstichprobe. Da passiert es nämlich ganz zufällig, wie wir Leute aus unserer Population in unsere Stichprobe bekommen.

27:53 Da kann ich euch ein Beispiel geben. Es gibt, man hat zum Beispiel eine Datenbank von allen Patienten in einem Krankenhaus und wählt dann zufällig, zum Beispiel mit einem random Number Generator im Internet oder so, 100 Patienten innen aus, um dann die Wirksamkeit eines neuen Medikaments zu testen.

28:11 Ein bisschen anders ist dann die Klumpenstrichprobe. Nee, das klingt auch einfach schon sehr unelegant. Schlecht gewordet, wirklich. Katastroph. Heißt, man wählt quasi, es ist immer noch zufällig, aber man wählt eben zufällig Klumpen aus. Beispiel dafür wäre, ich wähle zufällig drei Krankenhäuser aus einer Region aus und nehme dann aber alle PatientInnen, die in diesen Krankenhäusern sind.

28:35 Also ich nehme zwar die Klumpen zufällig, aber was in den Klumpen sind, ist, da wird nicht nochmal zufällig ausgewählt.

28:42 Und das ist ein bisschen effizienter, weil da muss man nicht in al Krankenhäusern, sondern nur in drei und es ist einfach ein bisschen leichter für die Versuchsleitung. Es gibt auch die geschichtete Stichprobe, die hat den großen Vorteil, dass man bestimmte Facetten der Stichprobe gleichmäßig abbilden kann.

29:00 Zum Beispiel die Altersgruppe, wenn einen das interessiert. Zum Beispiel kann man dann alle PatientInnen nach Altersgruppenschichten, zum Beispiel Minderjährige, 19 bis 35, 35 oder 36 bis 50 und dann älter als 51 oder so, und dann wird aus jeder Altersgruppe eine zufällige Stichprobe gezogen. Und so kann man dann sicherstellen, dass aus allen Altersgruppen alle Leute irgendwie gleich häufig vertreten sind.

29:26 Was in der Realität, glaube ich, sehr häufig vorkommt, ist eine konsekutive Stichprobe. Wenn sich zum Beispiel eine Uniklinik denkt, wir wollen eine Stichprobe machen mit Patienten, die Schlaganfall haben und zu uns in die Notaufnahme kommen, dann werden einfach nacheinander die Patienten eingeschlossen, die eben zum Beispiel in einem bestimmten Monat, wo eben die Studie läuft, kommen.

29:49 Und das wird einfach konsekutiv gemacht. Da wird einfach genommen, wer kommt.

29:55 Es gibt noch die Quotenstichprobe, die ist ähnlich zur Geschichtenstichprobe, die ich gerade eben vorgestellt habe, aber weniger zufällig. Das heißt, ich will in einer Quotenstichprobe, dass eine bestimmte Quote, die mich interessiert, erfüllt ist. Jetzt sagen wir, ich würde gerne 50 Männer und 50 Frauen in meiner Stichprobe haben.

30:15 Und die ersten 49 Leute, die zu mir kamen, waren alle Männer. Das bedeutet, ich werde ab dann nur noch einen weiteren Mann rekrutieren und alle Männer, die ab dann zu mir kommen, werde ich ablehnen, bis ich dann auch noch 50 weitere Frauen quasi erhoben habe. Und das macht man zum Beispiel dann, wenn eben geschlechtsspezifische Unterschiede besonders wichtig sind.

30:36 Und dann gibt es noch, ja, mit gewisser Ähnlichkeit zur geschichteten Stichprobe, aber schon nochmal anders, die mehrstufige Stichprobe. Da geht es einfach darum, wir haben nicht nur einmal eine zufällige Auswahl, sondern ganz oft hintereinander. Zum Beispiel wählen wir zuerst zufällig zehn Krankenhäuser in einem Land aus.

30:57 Danach wählen wir in diesen Krankenhäusern beispielsweise zufällig zwei, drei Stationen aus und von diesen Stationen wählen wir dann wieder zufällig PatientInnen aus. Und dann schauen wir uns die Qualität der Patientenversorgung an. Das wäre jetzt mehrstufig. Wir haben quasi ganz viele Zufallsstichproben hintereinander geschalten.

31:20 Das heißt aber mehrstufig. Ich kann ja auf jeder Stufe verschiedene Stichprobenarten anwenden. Ich könnte ja auch sagen, ich mache erst eine Klumpen und dann eine Geschichtete und dann eine konsekutive.

31:30 Das kannst du dir nur zusammenmischen und super. Ja, eine Stichprobe, über die haben wir gar nicht gesprochen, die wird aber zumindest in der Psychologie fast immer verwendet. Das nennt man häufig Gelegenheitsstichprobe. Da geht man in seine Vorlesung rein und gibt seinen 150 Studierenden, die vor einem sitzen, einen Test.

31:46 Die sind dann in der Psychologie zwar alle sehr gut gebildet und manchmal auch weiblich und auch recht jung, aber an die kommt man halt gut ran. Auch meistens intelligent, bestenfalls? Hoffentlich. Und das ist nicht so repräsentativ, aber häufig einfach zu machen und deswegen wird sehr häufig gemacht.

32:00 Fair.

32:01 Jetzt haben wir sehr viel gestichtprobt und jetzt haben wir wieder Ergebnisse von unseren Interventionen und die nächste Art und Weise, wie man die betrachten kann, löst zumindest bei mir persönlich BTBS aus, bei sehr vielen anderen Medizinern wahrscheinlich auch. Aber die Vierfeldertafel. Ja, komm, kurz wieder setzen, kurz wieder Luft holen.

32:20 Wie viel Feldertafel hat, wie man sich denken kann, vier Felder, die ein bisschen meine Ergebnisse mit meinem Test in Zusammenhang bringen. Und zwar ist es eine Tabelle, die halt in der Mitte diese vier Felder hat. Und jetzt muss man sich quasi anschauen, wie diese, was quasi in den Zeilen und in den Spalten jeweils steht.

32:46 Und das, was ich wissen will, ist quasi, ich teste Menschen mit einem Test, irgendeine Krankheit von mir aus. Und wie viele von den Leuten, die es wirklich haben, habe ich jetzt positiv getestet und wie viele sind mir durch die Lappen gegangen? Und andersrum, wie viele gesunde habe ich aus Versehen positiv getestet und wie viele habe ich exakt als nicht erkrankt erkannt.

33:11 Genau, also hier rollen wir das Ganze nochmal auf. Also es ist quasi immer die, es gibt zwei Merkmale, die man unterscheiden kann. Und das eine, beziehungsweise es gibt zwei Klassen an Merkmalen, ja. Also die eine Frage ist meistens, ist eine Person gesund oder krank? Und die andere Frage ist, ist der Test positiv?

33:33 Und positiv bedeutet meistens, Test positiv heißt, Krankheit ist da. Oder ist der Test negativ, sagt also aus, dass die Krankheit nicht da ist. Und dann gibt es eben einfach zweimal zwei Kombinationen für das Ganze und so kommt die Vier-Feldertafel zustande. Wenn der Test positiv ist und die Person tatsächlich erkrankt ist, ist er richtig positiv.

33:54 Wenn der Test positiv ist, die Person aber nicht erkrankt ist, also gesund, ist er falsch positiv. Wenn der Test negativ ist und die Person erkrankt ist, dann ist er falsch negativ, weil der Test ja sagt, die Person wäre gesund. Und wenn der Test negativ ist und die Person tatsächlich gesund ist, ist er dann richtig negativ.

34:13 So haben wir unsere vier Felder. Und was jetzt erstmal für den Test super relevant ist, ist die Sensitivität und die Spezifität.

34:25 Genau so ist es. Fangen wir mit der Sensitivität an. Das sind quasi die richtig positiven Ergebnisse. Man kann dazu auch sagen, die Empfindlichkeit des Tests oder anders gesagt die Trefferquote. Also quasi der Anteil derer, die bei einem Test richtigerweise als positiv getestet wurden, im Verhältnis zu allen, die erkrankt sind.

34:47 Und als kleine Eselsbrücke, wie man sich das merken kann mit der Sensitivität, man kann sagen, ja, wenn ich im Fußball eine richtige Sense auspacke, dann gewinne ich, dann habe ich nämlich eine hohe Trefferquote. Das ist eine Sense. Eine Sense? Ja, wenn du halt gut unter den Ball schießt, sagst du das nicht?

35:04 Nee. Ja, vielleicht hast du keine so gute Sense. Ja, wahrscheinlich eher nicht. Die Spezifität im Gegensatz konzentriert sich auf die richtig negativen Ergebnisse, also quasi überall da, wo der Test negativ ist und die Person gesund ist, also wo wir auch quasi ein gutes Ergebnis erzielt haben, weil wir quasi zu allen, die gesund sind, auch sagen, ey, da ist nichts falsch mit dir.

35:27 Das heißt, wenn die Spezifität hoch ist und wenn die Sensitivität hoch ist, dann haben wir einen richtig guten Test.

35:33 Jetzt hatten wir schon über Sensitivität und Spezifität geredet. Was aber für den Patienten, die Patientin vor euch eigentlich oft viel relevanter ist, ist die Frage, okay, ich habe jetzt hier ein positives Testergebnis, aber bin ich denn jetzt wirklich krank? Und der positive prädiktive Wert oder auch positive Vorhersagewert sagt letztendlich aus, wie wahrscheinlich ist es denn, bei positiven Testergebnissen tatsächlich krank zu sein.

36:02 Rechnerisch teilt man also die richtig Positiven durch alle mit positivem Testergebnis, sowohl richtig positive als auch falsch positive. Und hier ist es jetzt vielleicht schwer zu verstehen zunächst, aber wichtig zu verstehen, dass das von der Prävalenz der Erkrankung abhängt. Und zwar ist die Prävalenz ist ja die Frage quasi, wie viele in der Bevölkerung sind erkrankt und wenn ich mehr Erkrankte in meiner Population habe, dann werde ich zwangsläufig immer auch mehr richtig positive Ergebnisse haben.

36:38 Und wenn ich mehr richtig positive Ergebnisse habe, erhöht sich automatisch der positive Vorhersagewert. Klar, könnte auch sein, dass die Falschpositiven sich erhöhen. Die sind auch abhängig von der, aber das ist dann wiederum ja abhängig von Sensitivität und Spezifität, die ja eher Aussagen über den Test treffen.

37:00 So, wie auch immer, positiver, prädiktive Wert, super wichtig, gerade auch für Screening-Tests oder so, wo man dann sagt, so, hey, klar, wir haben jetzt einen positiven Screening-Test, aber du bist nur mit 50% Wahrscheinlichkeit wirklich krank und wir schieben jetzt noch einen zweiten Test hinterher.

37:17 Genau. Das Pendant dazu ist quasi der negativ prädiktive Wert, der negative Vorhersagewert, nämlich die Wahrscheinlichkeit, wenn der Test negativ ist, tatsächlich auch gesund zu sein. Dann auch abhängig von der Prävalenz der Erkrankungen.

37:34 So, und diese vier Geschichten, die jetzt Kai und Tim aufbereitet haben, die sind ganz besonders entscheidend für den Fachbereich der Epidemiologie, die sich quasi Krankheiten beispielsweise oder eine Exposition in verschiedenen Gruppen anschauen, primär einfach in zwei Gruppen. Und da geht es halt bei den Epidemiologen meistens um die Bevölkerung beispielsweise eines Landes.

38:02 Und die wollen dann sich hier anschauen, ist jetzt jemand krank, ist ja jemand nicht krank, gibt es Risikofaktoren, wie gut sind Tests. Auch jetzt zum Beispiel in der Corona-Pandemie war das halt auch sehr entscheidend. Und um halt eben sagen zu können, sind jetzt wirklich 100.000 Leute krank, nur weil ich 100.000 Leute positiv getestet habe, genau dafür brauchen eben diese Leute eine Vierfelder-Tafel.

38:22 Und was dann so das große Ding von den Epidemiologinnen und Epidemiologen dieser Welt ist, ist zu schauen, welche Gruppe hat denn jetzt was für ein Risiko, um beispielsweise krank zu werden.

38:32 Und bei den Gruppen, die unterteilt man oft irgendwie danach, ob sie irgendeinem Risikofaktor gegenüber exponiert sind oder nicht. Genau. Typisch beispielsweise Rauchen oder Nichtrauchen. Das wäre dann einmal die Rauchergruppe wäre exponiert gegenüber dem Risikofaktor, die Nicht-Rauchergruppe eben nicht exponiert.

38:50 Was gibt es eigentlich Schöneres als Vierfeldertafeln im Leben? Okay, da kam nichts mehr. Dann gehen wir doch einfach weiter. Wir finden ja was so toll. Wir haben eine schöne Vierfeldertafel vor uns und was uns interessiert, ist dann zum Beispiel das absolute Risiko und das relative Risiko. Das absolute Risiko gibt das Erkrankungsrisiko in einer bestimmten Population an, zum Beispiel die Anzahl der Neuerkrankungen pro Jahr pro 100.000 Einwohner.

39:19 Was dann die Inzidenz ist, was ist nochmal der Unterschied zwischen Inzidenz und Prävalenz?

39:24 Ja, das werde ich häufig gefragt. Die Inzidenz ist letztendlich, die bezieht sich immer auf einen Zeitraum. Und beispielsweise, also eigentlich auf einen Zeitraum und auch auf eine Population. Wir sagen zum Beispiel in Deutschland in einem Jahr kommen so und so viele Fälle von einer Krankheit dazu, ja, also es geht um das Neuauftreten.

39:49 Gleichzeitig geht es bei der Prävalenz, die bezieht sich nicht auf einen Zeitraum, sondern auf einen Zeitpunkt. Zum Beispiel jetzt am 24. Juni 2024, wie häufig ist Tuberkulose in Deutschland? Ja, dann würde ich sagen, wir haben eine Prävalenz von, ich weiß es wirklich gar nicht, vielleicht ein Prozent, wahrscheinlich weniger.

40:12 Genau. Und da geht es quasi darum, wie häufig ist die Krankheit zu einem bestimmten Zeitpunkt.

40:17 Genau, und das absolute Risiko ist wirklich wörtlich absolut. Das entspricht nämlich dem Verhältnis von allen Erkrankten verglichen mit allen in der Population, die wir uns anschauen. Und dann neben dem absoluten Risiko können wir uns auch noch das relative Risiko anschauen. Und das vergleicht das Risiko der Exponierten mit dem der Nicht-Exponierten.

40:36 Du hast vorhin das Beispiel gebracht mit Leuten, die rauchen oder nicht rauchen. Und dann kann man das Rechner quasi so ausrechnen, indem man das Risiko bei Rauchern teilt durch das Risiko bei Nicht-Rauchern. Und das gibt dann an, um wie viel größer ist denn das Risiko für eine Erkrankung bei Rauchern im Vergleich zu Nichtrauchern.

40:56 Und dann schließlich, wenn man wirklich besonders viel Mathe machen will, kann man auch noch das zuschreibbare Risiko ausrechnen, auch Überschussrisiko genannt. Und das ist der Anteil des Risikos, der tatsächlich auf den Risikofaktor zurückzuführen ist. Und dann wäre das quasi rechnerisch wieder das Risiko der Raucher oder der Exponierten minus das Risiko der Nichtraucher.

41:18 Und dann gibt es noch eine Größe, die mir regelmäßig Fragen aufgegeben hat, nämlich die Ortsratio, auch mit Groß R abgekürzt. Und die Ortsratio ist eigentlich nichts anderes als die Chance, dass ein Ereignis eintritt. Die bezeichnet man in der Statistik in der Regel als P, geteilt durch die Chance oder Wahrscheinlichkeit eben, dass ein Ereignis nicht eintritt, das wird in der Regel als Q bezeichnet.

41:47 Weil wir teilen, also dann P durch Q. Und das sagt uns dann letztendlich das Verhältnis der Chancen zum Beispiel zweier Gruppen für das Auftreten eines Ereignisses. Und was die Ortsratio aber eigentlich macht, ist, sie erlaubt uns, das relative Risiko, was Kai ja gerade beschrieben hat, abzuschätzen, wenn die Inzidenz unbekannt ist.

42:16 Das ist insbesondere zum Beispiel bei einfachen Fallkontrollstudien der Fall. Und eine Ortsratio von 1 bedeutet, die Chancen für die beiden Gruppen sind quasi gleich. Eine Ortsratio von über eins ist, dass die Wahrscheinlichkeit für die Exponierten größer ist, dass ein Ereignis eintritt. Und eine Ortsratio unter 1 bedeutet, dass die Chance der Exponierten kleiner ist oder eben umgekehrt, dass die Chance der Nicht-Exponierten größer ist, dass das Ereignis eintritt.

42:45 Das heißt, sehr wahrscheinlich wäre in einer Studie die Lungenkrebs untersucht, die Ortsratio größer 1. Für die Exponierten, also für die Raucher. Genau, für Raucher gegen Nichtraucher.

42:54 Dann würde ich ausgehen. Okay.

42:56 Stark. Jetzt wollen wir, Torika aber gerade als Mediziner, auch das Risiko reduzieren durch Interventionen aller Art. Und jetzt ist die Frage noch, wie wir das darstellen können in unseren Studien, wie toll denn unsere Interventionen sind. Egal was man so tut. Zum Beispiel, ich habe eine Gruppe, die hat Bluthochdruck und den einen gebe ich Bluthochdruckmedikamenten und den anderen nicht.

43:23 Und jetzt möchte ich gerne wissen, wie stark hat sich denn das Risiko, einem Herzinfarkt zu sterben, verringert? Wie kann ich das schön darstellen?

43:32 Du kannst eine ganz einfache Subtraktion erstmal rechnen und das einfach Interventionseffekt nennen. Das ist nämlich einfach der Unterschied zwischen der Interventionsgruppe und der Kontrollgruppe. Und das war es ehrlich gesagt auch schon. Und es war einfacher als erwartet. Ja, so einfache Statistik.

43:49 Als nächstes gibt es das, das habe ich davor noch nie gehört, dass die Intention-to-Tree-Analyse, da vergleicht man quasi alle Teilnehmer basierend auf ihrer ursprünglichen Gruppenzuweisung, unabhängig davon, ob sie die zugewiesene Behandlung auch vollständig erhalten haben, Entschuldigung. Das heißt, wir können ja Leute zum Beispiel in einer Experimentalgruppe stecken, aber das bedeutet ja noch lange nicht, dass sie die Behandlung auch wirklich machen.

44:16 Und wenn man aber die trotzdem in die Analyse mit reinrechnet, dann kann man quasi Verzerrungen durch die Nichtbefolgung der Behandlung minimieren und so die Alltagsbedingungen ein bisschen realistischer abbilden. Kann man sich auch mal anschauen. Und dann zu guter Letzt gibt es jetzt von meiner Seite noch die absolute Risikoreduktion.

44:33 Das ist einfach das Risiko der Kontrollgruppe minus, das Risiko der Interventionsgruppe und auch noch die relative Risikoreduktion. Also quasi auch hier wieder wie vorhin Risiko der Interventionsgruppe geteilt durch das Risiko der Kontrollgruppe. Das ziehen wir dann aber noch von 1 ab, um quasi die prozentuale Abnahme zu bekommen.

44:53 Da würde ich nur auch wieder ein bisschen aufpassen, weil diese relative Risikoreduktion kann manchmal extrem misleading sein, was der Fall ist, weil dann das ursprüngliche Risiko wahrscheinlich sehr gering ist und dadurch dann aber dieser prozentuale Unterschied viel größer erscheinen kann, als er eigentlich ist und wahrscheinlich das gar nicht so wieder.

45:15 Gab es da nicht mal irgendeinen Vorfall, als die zweite Generation Pille auf den Markt kam, dass dann irgendwie stand, irgendwie doppelt so viele Frauen sterben an Thrombose, wobei da halt das relative Risiko dargestellt wurde. Und es war nicht eine von zehntausend, sondern zwei. Wo man sich denkt, das Doppelte klingt natürlich absolut geisteskrank, da muss man sofort aufhören.

45:39 Aber wenn man überlegt, eins zu zehn. oder hunderttausend, ich weiß, ich weiß die Zahl nicht mehr, ne? Also nicht drauf besten lagen, aber es war auf jeden Fall so, dass man sich gedacht hat: Ach ja gut, das absolute Risiko ist quasi dann nicht so. Genau, das ist ja wirklich so, wo man sich denkt, ja gut, das ist ja jetzt, also es ist natürlich.

45:51 Das ist natürlich schlimm für die zweite Frau, aber es ist jetzt nicht so, dass man da irgendwelche gesellschaftlichen Schlüsse draus ziehen muss.

45:56 Und deswegen stellen wir auch immer gefühlt 20 verschiedene Koeffizienten vor, die man berechnen kann, weil alle eben ein bisschen was Unterschiedliches aussagen und wir dann eben uns nicht nur auf einen verlassen, sondern alle so ein bisschen miteinander abwägen und dann das absolute, aber auch das relative Risiko uns anschauen, dann wissen wir schon viel mehr.

46:15 Was für die Medizin noch super relevant ist, gerade auch im Public Health-Bereich, würde ich sagen, ist die Number Needed to Treat oder auch kurz NNT. Die gibt an, wie viele Patienten in einem bestimmten Zeitraum therapiert werden müssen, damit statistisch gesehen genau ein Ereignis verhindert wird. Bedeutet, wie häufig muss ich zum Beispiel, ja, nehmen wir ein Cardio-Beispiel für den Leo, wie häufig muss ich Kardio vertieren, damit es bei einem Patienten geholfen hat.

46:50 Und jetzt hat Kai ja gerade schon die absolute Risikoreduktion erklärt. Die Name Needed to Treat ist dann der Kehrwert. Lass uns nochmal kurz erklären, Kai. Gottes Willen.

47:04 Die absolute Risikoreduktion ist das Risiko der Kontrollgruppe minus das Risiko der Interventionsgruppe. Gibt also quasi an, ob das Risiko insgesamt in der Interventionsgruppe niedriger ist. Und wenn das sehr klein ist, dann ist der Kehrwert sehr groß. Das heißt, eine kleine Veränderung bedeutet, wir brauchen recht viele Leute.

47:26 Und auf der anderen Seite, wenn der Unterschied aber sehr groß ist, das heißt, das Risiko wurde sehr stark verringert durch die Intervention, dann brauchen wir sehr wenige Leute und eine niedrige NNT spricht ja auch für eine sehr effektive Therapie dann.

47:39 Einfach eine bisschen plastischere Darstellung, ne?

47:41 Super viel Sinn, ja. Also das bedeutet, bei einer Number Needed to Treat von 1 verhindert quasi wirklich jede durchgeführte Therapie das Eintret eines Ereignisses. Ja, wenn ich sage, die Number Needed to Treat ist 3, dann muss ich quasi durchschnittlich drei Behandlungen machen, damit es einem mal geholfen hat.

48:00 Natürlich alles auch statistisch bewertet, ja. Dann gibt es noch sowas, was sehr ähnlich ist, nämlich die Number needed to screen. Es gibt quasi an, wie viele Patienten in einem bestimmten Zeitraum eine Screening-Untersuchung bekommen müssen, damit statistisch gesehen genau ein Krankheitsfall bekannt wird.

48:19 Es ist ja das Gleiche, nur bei dem einen gucke ich nur, bei dem anderen mache ich auch was, ne? Ist ja grundsätzlich das Gleiche.

48:24 Und dann gibt es noch das quasi den bösen Bruder, nämlich die Number Needed to Harm. Und da geht es darum, wie viele Patienten in einem bestimmten Zeitraum einem Risikofaktor ausgesetzt sein müssen, damit statistisch gesehen genau ein Krankheitsfall auftritt. Bedeutet, wenn ein Risikofaktor besonders schlimm ist, sagen wir, keine Ahnung, vielleicht ist es Asbesta-Exposition und du schläfst die ganze Zeit in diesem Raum, dann ist die Number Needed to Harm wahrscheinlich nicht so groß.

48:55 Ja. Und ich glaube, das, was da ganz besonders spannend ist, ist diese Number Needed to Harm, weil auch Medikamente haben, geh Nebenwirkungen, gegen die Number Needed to Tree zu stellen. Und man dann halt merkt, okay, vielleicht kann ich ein paar Leuten helfen, aber ich schade vielmehr mit den Nebenwirkungen.

49:10 Dann muss man halt abwägen, ob das nicht vielleicht doch was ist, was man nochmal überarbeiten sollte.

49:14 Muss man vielleicht nochmal drüber.

49:16 Muss man nochmal drüber. So, also was haben wir heute gelernt? Wir haben angefangen damit, dass es eine Pyramide gibt, in deren Basis die Objektivität liegt. Da obendrauf baut die Reliabilität auf und die Krönung der Schöpfung ist die Validität. Dann haben wir uns mit dem PTBS jedes Statistikers beschäftigt, der viel Feldertafel, und haben gelernt, dass die Sensitivität, quasi die Empfindlichkeit des Tests angibt, die Spezitivität die Fähigkeit, quasi negative oder gesunde Probanden zu erkennen, dass der positiv-prädiktive Wert, abhängig von der Prävalenz, die Genauigkeit des Tests angibt und der negative prädiktive Wert die Trennschärfe.

50:00 Des Weiteren haben wir gelernt, wie wir dann durch Interventionen verschiedene Risikoreduktionen angeben können, wobei man da ganz besonders auf die absolute Risikoreduktion, die relative Risikoreduktion und die Number Needed to Treat schauen sollte. So, das jetzt, das war die zweite Folge zu Statistik und Forschungsmethoden von Situs Inversus und positiv korreliert.

50:25 Heute mit, ich würde gerne vorlesen, ich würde gerne am Ende raten, wer das Skript geschrieben hat, weil da steht nämlich heute mit Leo Deo, Tim Bim und Kai Ei. Das war von mir, ja. Da hätte ich mir was gedacht. Da war tatsächlich, also da war der positiv prädiktiv wäre eins gewesen, wenn man da einen Test draus gemacht hätte, Pre-Test-Wahrscheinlichkeit auch 100%.

50:46 Wir würden uns sehr freuen, wenn ihr dranbleibt für den dritten Teil von unserer Statistikreihe. Wenn euch die ersten beiden Folgen schon gut gefallen hat, dann schreibt uns das gerne auf der Fockling-Podcast oder PositivKorreliert, je nachdem, welcher Seite ihr folgt, bestenfalls ja beiden. Lasst gerne mal ein paar Sternchen da auf Spotify, Apple Podcast oder ähnlichem.

51:08 Das würde uns sehr helfen. Wenn ihr Lust habt, die dritte Folge direkt angezeigt zu bekommen, dann kann man auch folgen in der Podcast-App eures Vertrauens. Ansonsten freuen wir uns auf die nächste Folge. Kai und Tim werden wieder da sein mit mir hier. Und bin mal gespannt, wie hoch die Wahrscheinlichkeit ist, dass ihr wieder einschaltet.

51:26 0,999.

51:29 Das ist doch schon mal gut. Alliho. Dann wünsche ich euch Spaß, gell? Bis zum nächsten Mal. Ciao, ciao. Ciao, bis dann.