gms | German Medical Science

56. Kongress für Allgemeinmedizin und Familienmedizin

Deutsche Gesellschaft für Allgemeinmedizin und Familienmedizin (DEGAM)

15. - 17.09.2022, Greifswald

Think Bayes: eine Einführung in bayessche Statistik für Hausärzt:innen und Gesundheitswissenschaftler:innen

Meeting Abstract

Suche in Medline nach

  • presenting/speaker Jörg Haasenritter - Philipps-Universität Marburg, Abteilung für Allgemeinmedizin, Marburg, Deutschland

Deutsche Gesellschaft für Allgemeinmedizin und Familienmedizin. 56. Kongress für Allgemeinmedizin und Familienmedizin. Greifswald, 15.-17.09.2022. Düsseldorf: German Medical Science GMS Publishing House; 2022. DocWS-26-01

doi: 10.3205/22degam293, urn:nbn:de:0183-22degam2932

Veröffentlicht: 15. September 2022

© 2022 Haasenritter.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Hintergrund: Der Satz des Bayes ist ein wichtiger Satz der Wahrscheinlichkeitsrechnung. Er ist vielen wissenschaftlich interessierten Allgemeinmediziner:innen vor allem für die Interpretation diagnostischer Tests bekannt. Seine Anwendung macht deutlich, dass die Wahrscheinlichkeit einer Erkrankung gegeben ein bestimmtes Testergebnis (Nachtestwahrscheinlichkeit) nicht nur von der Sensitivität und Spezifität des Tests, sondern auch von der Vortestwahrscheinlichkeit (Prävalenz der Erkrankung im jeweiligen Diagnosekontext) abhängt. Die grundsätzliche Vorgehensweise, eigene Annahmen zur Wahrscheinlichkeit einer Hypothese im Lichte neuer Daten zu aktualisieren, kann auch auf klinische Studien übertragen werden. Deren Analyse wird (noch) dominiert von der sogenannten frequentistischen/klassischen Statistik. Viele ihrer Kernkonzepte (Hypothesentest, p-Wert, Konfidenzinterval, Signifikanzniveau, Alpha- und Beta-Fehler) sind weder intuitiv noch leicht verständlich und werden häufig auch von erfahrenen Leser:innen wissenschaftlicher Publikationen falsch verstanden. Fragen wir etwa nach der Wirksamkeit einer Intervention, so nennt uns der frequentistische p-Wert die Wahrscheinlichkeit unserer (oder noch extremerer) Daten unter der Voraussetzung, dass die Interventionen keinen Effekt hat. Der bayessche Ansatz nennt uns dagegen Wahrscheinlichkeiten zur möglichen Größe des Effekts (Posterior), gegeben unsere diesbezüglichen Vorannahmen (Prior) und die Daten. Die bayessche Statistik entwickelt ihre Attraktivität u.a. daraus, dass Vorgehensweise und Interpretation der Ergebnisse besser zu unserem intuitiven Denken und zur Entscheidungsfindung passt. In der medizinischen Forschung und Leitlinienentwicklung gewinnt sie zunehmend an Bedeutung.

Zielgruppe: Allgemeinmediziner:innen und Gesundheitswissenschaftler:innen, die Bayessche Statistik kennen lernen möchten.

Didaktische Methode: Theoretischer Input mit vielen Möglichkeiten zu (hinter-)fragen, Übungsbeispiele, Diskussion. Anhand einfacher Beispiele (z.B. Münzwurf) und klinischer Studien werden die Vorgehensweise und Kernkonzepte der Bayesschen Statistik vorgestellt und denen der frequentistischen Statistik gegenübergestellt.

Ziele: Die Teilnehmer:innen verstehen Kernkonzepte und Vorgehensweise der Bayesschen Statistik und die Unterschiede zur klassischen/frequentistischen Statistik. Sie sind befähigt entsprechende Publikation angemessen zu würdigen.

Geschätzte Anzahl Teilnehmern:innen: 15–20

Kurzvorstellung des/r Workshop Leiters/in: Jörg Haasenritter hat jahrelange Erfahrungen in der frequentistischen Datenanalyse und lehrt in diesem Bereich. Sein Interesse gilt zudem der klinischen Entscheidungsfindung, der Leitlinienentwicklung und seit einigen Jahren der bayesschen Statistik.