gms | German Medical Science

Einführung/Fragestellung: Ärztinnen und Ärzte sollen als medizinische Experten „[…] über diagnostische Verfahren, ihre Ergebnisse und Risiken aufklären […] können.“ (NKLM 2015, 5.3.1.5; http://www.nklm.de). Dies erfordert komplexe Inferenzen mithilfe des Bayes-Theorems, die jedoch oft mit schwerwiegenden Fehleinschätzungen einhergehen. Kognitionspsychologische Ergebnisse zeigen, dass natürliche Häufigkeiten [1] und Visualisierung mit Baumdiagrammen [2] Bayesianische Inferenzen unterstützen können. In der vorliegenden Studie wurde untersucht, welche Visualisierungen Inferenzen im Bayesianischen 2-Test-Fall tatsächlich unterstützen.

Methode: In zwei Einzelstudien bearbeiteten Medizinstudierende (N=388) in einem Papier-und-Bleistift-Test je zwei Aufgaben zur Schätzung eines positiven Vorhersagewertes. In Studie 1 wurden unterschiedliche Kombinationen von Text und/oder Baumdiagramm für zwei verschiedene diagnostische Kontexte variiert. In Studie 2 wurden die Effekte von reduzierten und markierten Baumdiagrammen auf die Lösungsfindung untersucht. In beiden Studien wurde darüber hinaus das Informationsformat systematisch variiert (Wahrscheinlichkeiten z.B. „80%“ vs. natürliche Häufigkeiten z.B. „80 von 100“).

Ergebnisse: Die Studien zeigen, dass natürliche Häufigkeiten und Häufigkeitsbäume die Lösungsfindung deutlich unterstützen, während Wahrscheinlichkeitsversionen nur selten korrekt gelöst wurden (Lösungsrate 5%). Studie 1 spricht dafür, dass die alleinige Visualisierung des Problems durch einen Häufigkeitsbaum bereits ausreicht, um zur korrekten Lösung zu gelangen. Die höchste Performanz erzielten Häufigkeitsbäume, bei denen die zur Lösungsfindung erforderlichen Äste markiert sind (Lösungsrate 67%).

Diskussion: Die im medizinischen Curriculum üblicherweise verwendeten Wahrscheinlichkeitsversionen schneiden durchgehend schlecht ab. Die Ergebnisse zeigen, dass medizinische Entscheidungsfindungsprozesse sehr gut mithilfe von (markierten) Häufigkeitsbäumen unterstützt werden können.