Keine Allergie-News verpassen!

Abonnieren Sie unseren kostenlosen Newsletter!

Sie wollen stets zu Allergien und Intoleranzen informiert werden? Abonnieren Sie kostenlos unseren MeinAllergiePortal-Newsletter!

 

x

Corona Dashboards Zahlen

Prof. Sebastian Hafenbrädl zum Thema: Corona-Dashboards - was sagen die Zahlen aus, was nicht?

Corona-Dashboards: Was sagen die Zahlen aus, was nicht?

Seit Wochen schaut die Nation gebannt auf die sogenannten Corona-Dashboards des Johns Hopkins Institute und des Robert-Koch-Instituts. Insbesondere die steigenden Zahlen der mit dem Coronavirus SARS-CoV-2 Infizierten sind für viele beängstigend. Aber verstehen wir wirklich alle, was diese Zahlen aussagen? Und sind wir uns auch darüber im Klaren, was sie nicht aussagen? Dazu befragte MeinAllergiePortal keinen Mediziner, sondern einen Experten für Risiko-Kommunikation, Prof. Sebastian Hafenbrädl, IESE Business School München.

Autor: Sabine Jossé M. A.

Interviewpartner: Prof. Sebastian Hafenbrädl

Herr Prof. Hafenbrädl, seit einiger Zeit schaut die Öffentlichkeit auf das „COVID-19-Dashboard“ des Johns Hopkins Institute mit Informationen zu „total tests conducted“, „confirmed cases“ und „total deaths“, sowie auf die Fallzahlen, die das Robert-Koch-Institut veröffentlicht „COVID-19: Fallzahlen in Deutschland und weltweit“.

Welche Aussagen kann man diesen Zahlen entnehmen und welche nicht?

Es besteht die Gefahr, aus diesen Zahlen mehr herauszulesen, als darin steckt. Aus meiner Sicht ist das kein Problem dieser Zahlen, die tun genau das, was sie tun sollen: sie dokumentieren und bringen Rohdaten übersichtlich zusammen.

Was die Zahlen jedoch nicht erlauben, ist eine präzise Antwort auf viele der Fragen zu liefern, die wir alle haben. Wir wollen zum Beispiel wissen, wie viele Menschen wirklich mit dem Virus infiziert sind, wie viele potentiell schon eine Immunität aufgebaut haben, und wie viele der Erkrankten schwerwiegende Symptome erleiden oder sogar daran sterben. Die Antworten auf diese Fragen lassen sich aber leider nicht einfach, intuitiv und automatisch aus diesen Zahlen in den Dashboards ableiten. Denn da gibt es viel Unsicherheit, zum Beispiel über die Anzahl der Tests, die durchgeführt wurden, nach welchen Kriterien ausgewählt wird, wer getestet wird, die Qualität der Tests, und so weiter. Zu sagen, dass es Unsicherheit gibt, bedeutet keineswegs, dass man sich nicht sicher ist, ob man die Zahlen richtig versteht oder interpretiert. Im Gegenteil, es bedeutet, dass man sich sicher ist, dass die Zahlen es einem nicht erlauben, präzise Antworten zu den wichtigen Fragen abzuleiten.

Anzeige

 

Heißt das, dass diese „Corona Dashboards“ im Grunde keine Basis für die Einschätzung des Coronavirus darstellen?

Nein, keineswegs. Nur weil sich aus den Dashboards nicht präzise und vollkommen unsicherheits-freie Antworten ableiten lassen, heisst das nicht, dass sie keine Basis für die Einschätzung darstellen. Solange es keine präziseren Studien der Bevölkerung gibt, stellen sie vielleicht sogar den wichtigsten Teil der Datenbasis da, auf der Experten mit Ihren Modellen aufsetzen können. Ich denke ein Schwarz-Weiss-Denken ist nicht sehr hilfreich. Es gibt viele Grautöne zwischen einer Situation, in der wir keinerlei Datenbasis haben und vollkommen im Dunkeln tappen, und einer Situation mit perfekter Datenbasis, die es uns erlaubt, präzise Antworten auf alle Fragen abzuleiten. Wir wissen einiges, und die Fallzahlen spielen dabei eine wichtige Rolle, und doch wissen wir nicht alles, und können auf einige Fragen nur weniger präzise Antworten ableiten als wir gerne würden. Jeden Tag bekommen wir neue und bessere Daten, neue Studien, die unser Verständnis vergrössern, und so werden wir jeden Tag ein wenig sicherer. Aber insbesondere in so einer neuen Situation müssen wir akzeptieren, dass wir nur mit Unsicherheit behaftete Antworten bekommen können, und dass wir darauf basierend Entscheidungen treffen müssen.

Es ist vollkommen verständlich, dass sich Menschen nach präzisen Antworten sehnen, um ein Gefühl von Sicherheit oder Kontrolle zu erlangen. Diese Sehnsucht scheint einige dazu zu verleiten, sich an diesen Zahlen festklammern, und zu versuchen, geringste Änderungen zum Vortag oder Unterschiede zwischen Ländern und Regionen zu interpretieren.

Natürlich kann ich mich nur einreihen in die lange Liste der Wissenschaftler, die hoffen, dass wir bald aussagekräftigere Zahlen bekommen – vielleicht sogar von einer zufällig ausgewählten Stichprobe, was die Interpretation der Zahlen stark vereinfachen würde. Aber bis dahin sind wir gut beraten, zu akzeptieren, dass Unsicherheit besteht, dass es verschiedene Szenarien gibt, und wir es im Moment noch nicht wissen können, welches der Szenarien sich irgendwann als richtig herausstellen wird.

Zu den Corona-Tests: Bedeutet ein positiver Corona-Test, dass man zwangsläufig auch Symptome entwickelt? Und umgekehrt: Was kann die Ursache dafür sein, dass ein Test negativ ausfällt, obwohl man mit SARS-CoV-2 infiziert ist?

Ich bin kein Mediziner oder Epidemiologe, deshalb will ich Erklärungen über die Symptomatik meinen Kollegen aus diesen Fachgebieten überlassen. Aufgrund meiner Forschungsergebnisse kann ich etwas dazu sagen, wie Menschen mit Unsicherheit umgehen und wie sie Informationen interpretieren, wie zum Beispiel die Information eines positiven Testergebnisses. Wir tendieren oft dazu, Testergebnissen zu viel Vertrauen zu schenken – und vergessen leicht, dass Tests meistens nicht perfekt sind und Fehler machen. Dann kann ein positives Testergebnis auch bedeuten, dass man gar nicht infiziert ist, das nennt man falsch positiv. Das gleiche kann auch andersherum passieren. Man erhält ein negatives Testergebnis, obwohl man infiziert ist.

 

Welche Konsequenz haben falsch positive oder falsch negative Testergebnisse und welche Rolle spielen dabei Sensitivität und Spezifität?

Die Tests sind zwar gut, aber leider gibt es nur sehr selten perfekte Tests. Hin und wieder machen die meisten Tests Fehler. Die erste Art von Fehler, die ein Test machen kann, ist anzuschlagen, auch wenn er nicht anschlagen sollte. Die Falsch-Positiv-Rate eines Tests beschreibt, wie häufig der Test anschlägt, wenn er nicht anschlagen sollte. Wenn man die Datenblätter der Tests anschaut, deren Gebrauchsanweisung, dann findet man dort aber oft nicht die Falsch-Positiv-Rate, sondern die Spezifität. Die Spezifität ist das Komplement der Falsch-Positiv-Rate. Eine Spezifität von zum Beispiel 98 Prozent sagt daher, dass bei 98 Prozent derer, die nicht infiziert sind, auch ein negatives Testergebnis rauskommt. Und im Umkehrschluss heißt das, dass man bei 2 Prozent der Nicht-Infizierten einen positiven Test erhält, daher eine Falsch-Positiv-Rate von 2 Prozent.

Die zweite Art von Fehlern, die ein Test machen kann, ist nicht anzuschlagen, auch wenn er anschlagen sollte. Die Falsch-Negativ-Rate beschreibt, wie häufig diese Fehler auftreten. In den Datenblättern der Tests findet man auch hier oft nicht die Falsch-Negativ-Rate, sondern ihr Komplement, die Trefferquote oder Sensitivität. Die Sensitivität eines Tests beschreibt, wie häufig der Test anschlägt, wenn er auch anschlagen sollte. Eine Sensitivität von zum Beispiel 99 Prozent sagt daher, dass bei 99 Prozent derer, die infiziert sind, auch ein positives Testergebnis herauskommt. Das bedeutet, dass bei 1 Prozent der Infizierten der Test nicht anschlägt, also ein negatives Testergebnis herauskommt.

Wie sind diesbezüglich die unterschiedlichen Testmethoden zu beurteilen, insbesondere im Hinblick auf deren Sensitivität und Spezifität?

Zum jetzigen Zeitpunkt scheint sich kein klares Bild abzuzeichnen, welcher Test mit welchen Kennzahlen irgendwann auch in großen Stückzahlen für jedermann zur Verfügung stehen wird. Aber auch unabhängig davon, wichtig ist nicht die Beurteilung von einzelnen Tests auswendig zu lernen, sondern das Prinzip zu verstehen, so dass man dann selbst die verschiedenen Tests beurteilen kann, sobald diese verfügbar sind. Das klingt erstmal kompliziert, ist aber kein Hexenwerk, wenn man sich einmal darauf einlässt, das selbst durchzudenken.

Ich nehme mal an, dass sich viele noch nie damit beschäftigt haben, wie man Testergebnisse interpretiert, was denn zum Beispiel ein positiver Test tatsächlich aussagt. Und es gibt erprobte Wege, wie wir es uns ein bisschen einfacher machen können, oder wie wir Fehler vermeiden können, dazu komme ich gleich.

Denn der Moment wird kommen, an dem wir mit Tests und Testergebnissen konfrontiert werden, möglicherweise auch außerhalb dieses Kontexts, in dem kompetente Ärzte das Testergebnis übermitteln und zur Interpretation zur Verfügung stehen. Und die Forschung zeigt, dass es auch erfahrenen Ärzten nicht immer leicht fällt, die Tests mit ihren statistischen Kennzahlen richtig zu interpretieren. Es gibt viele verschiedene Tests, daher ist es erstmal wichtig die Kennzahlen des Tests, den man verwendet, in Erfahrung zu bringen, also die Sensitivität und Spezifität, die ich oben beschrieben habe, herauszufinden.

Nehmen wir einmal an, wir hätten einen Test mit einer Sensitivität von 99 Prozent und einer Spezifität von 98 Prozent. Nun mache ich einen Test, und bekomme ein positives Ergebnis. Was ist denn nun die Wahrscheinlichkeit, dass ich auch mit dem Virus infiziert bin?

Vielen ist gar nicht klar, dass es noch nicht ausreicht, die beiden Informationen über den Test, die Sensitivität und Spezifität, zu haben, um diese Frage zu beantworten. Man braucht noch eine weitere Information: Wie viele Leute sind denn im Durchschnitt mit dem Virus infiziert? Die Prävalenz des Viruses in der Bevölkerung, oder noch besser in der spezifischen Risikogruppe der getesteten Person.

Anzeige

 

Wozu braucht man neben Sensitivität und Spezifität auch noch die Prävalenz?

Die Bedeutung der Prävalenz macht folgendes Beispiel klar. Nehmen wir an, 10.000 Menschen machen einen Test.

Wie viele werden einen positiven Test bekommen? 99 Prozent derer (das war die Sensitivität), die tatsächlich infiziert sind. Und 2 Prozent derer (das Komplement der 98% Spezifität), die nicht infiziert sind. Um die Frage zu beantworten, was ein positiver Test bedeutet, müssen wir also vorher wissen, wie viele der Getesteten tatsächlich infiziert sind.

Wären zum Beispiel 1 Prozent der 10.000 infiziert, also 100, dann würden sowohl 99 (99 Prozent von den 100) tatsächlich Infizierten einen positiven Test bekommen, als auch 2 Prozent der 9900 Nicht-Infizierten, also 198. Das bedeutet insgesamt 297 (198 + 99) positive Tests, und davon sind nur 99 tatsächlich infiziert, also jeder dritte.

Lassen Sie uns ein zweites Beispiel ansehen: Wären nun zum Beispiel 20 Prozent infiziert, also 2.000 der 10.000 Personen, dann würden davon 99 Prozent, also 1980, einen positiven Test bekommen. Gleichzeitig wären dann 8000 Personen nicht infiziert, und 160 davon (2 Prozent) würden auch einen positiven Test bekommen. Also insgesamt 1980 + 160 = 2140 positive Tests, und davon 1980 (about 92.5 Prozent) tatsächlich Infizierte. Gleichzeitig auch 20 Infizierte, die einen negativen Test bekommen.

Worum es hier nicht geht, ist, die genauen Zahlen zu studieren. Das sind nur Beispiele. Aber was die Forschung gezeigt hat ist, dass es sehr viel einfacher ist, selbst für erfahrene Ärzte, Juristen und Manager, diese Zusammenhänge zu verstehen, wenn wir die Zahlen in ein verständliches Format bringen.

Das gängige Format dieser Zahlen sind Prozentwerte, wie ich sie vorhin auch eingeführt habe, die Spezifität in meinem Beispiel war 98 Prozent, die Sensitivität war 99 Prozent. Was diese Prozentzahlen ein bisschen verstecken ist, worauf sie sich beziehen. Prozent von was.

Das wird viel einfacher zu verstehen wenn wir die Prozentzahlen in ein anderes Format überführen, wie ich das vorher gemacht habe, als ich die 10.000 Getesteten eingeführt habe. Danach wurden die Zahlen plötzlich konkret, es ging um eine konkrete Anzahl von Menschen aus diesen 10.000. Dieses Format wird in der Forschung zur Risikokompetenz relative Häufigkeiten genannt, da es die Zahlen automatisch in Relation zueinander setzt.

Wie lautet vor diesem Hintergrund Ihre Empfehlung zu den Corona-Tests? Sollten nur die Menschen mit Symptomen getestet werden oder alle?

Wenn es ausreichend Tests gibt, und wir der präzisen Beantwortung der vorher diskutierten Fragen näher kommen wollen, dann sollten natürlich alle getestet werden. Und in der besten aller Welten sollten dann auch alle selbst verstehen können, was ihr Testergebnis denn bedeutet.

Um auf die Corona-Dashboards zurückzukommen: Bedeutet das, dass sich unter den als infiziert Gemeldeten zwangsläufig eine gewisse Anzahl falsch positiv Getesteter befindet und dass auf diesen Zahlen basierende Hochrechnungen auch deshalb fragwürdig sind, weil man die Prävalenz nicht kennt?

Fragwürdig sind die Hochrechnungen ja keinesfalls. Sie sind mit Unsicherheit behaftet, das ist etwas ganz anderes. Klar werden die Falsch-Positiven und die Falsch-Negativen Tests auch eine Rolle spielen bei dieser Unsicherheit. Mir erscheint die Rolle allerdings eher klein, im Vergleich zu anderen Faktoren, wie zum Beispiel der Anzahl der Tests, wer für einen Test ausgewählt wird und wer nicht, und nach welchen Kriterien ausgewählt wird. Und bei vielen der als infiziert gemeldeten wurde ja nicht nur ein Test durchgeführt, sondern es gibt auch eine ärztliche Diagnose dazu.

Herr Prof. Hafenbrädl, herzlichen Dank für dieses Interview!

 

Wichtiger Hinweis

Unsere Beiträge beinhalten lediglich allgemeine Informationen und Hinweise. Sie dienen nicht der Selbstdiagnose, Selbstbehandlung oder Selbstmedikation und ersetzen nicht den Arztbesuch. Die Beantwortung individueller Fragen durch unsere Experten ist leider nicht möglich.