Verbesserung der diagnostischen Effizienz mit Häufigkeitsdoppelbäumen und Häufigkeitsnetzen in Bayes’schen Reasoning

Einleitung Statistische Informationen spielen in der Medizin bei der Diagnosestellung eine wesentliche Rolle. Auch in der Endokrinologie und bei Kalzium- und Knochenstoffwechselerkrankungen spielt die Kompetenz zu statistischen Beurteilungen eine zentrale Rolle, da die Wertigkeit von Befunden stark davon abhängt, ob es sich um Volkskrankheiten oder Rare Diseases handelt. Dieser Aspekt kann in der täglichen klinischen Praxis eine Herausforderung darstellen. Medizinstudenten haben oft Probleme mit Situationen, in denen sie Bayes´sche Schlüsse ziehen müssen. Die Darstellung statistischer Informationen als natürliche Häufigkeiten anstelle von Wahrscheinlichkeiten und deren Visualisierung, beispielsweise mit Doppelbäumen oder Netzen, führt zu einer höheren Genauigkeit bei der Lösung dieser Aufgaben. Doppelbäume und Netze, die bereits die korrekte Lösung der Aufgabe enthalten, so dass die Lösung aus den Diagrammen abgelesen werden kann, sind jedoch in der medizinischen Ausbildung noch nicht untersucht worden. Diese Studie untersuchte den Einfluss des Informationsformats (Wahrscheinlichkeiten vs. Häufigkeiten) und der Visualisierung (Doppelbaum vs. Netz) auf die Genauigkeit und Geschwindigkeit der Bayes´schen Urteile.

Methode Insgesamt 142 Medizinstudenten verschiedener medizinischer Fakultäten (München, Kiel, Göttingen, Erlangen, Nürnberg, Berlin, Regensburg) in Deutschland sagten Posteriorwahrscheinlichkeiten in 4 verschiedenen medizinischen Bayes´schen Schlussfolgerungsaufgaben voraus, was ein 3-faktorielles 2×2×4 Design ergab. Die diagnostische Effizienz für die verschiedenen Versionen wurde als Medianzeit geteilt durch den Prozentsatz der richtigen Schlussfolgerungen dargestellt.

Ergebnisse Häufigkeitsvisualisierungen führten zu einer signifikant höheren Genauigkeit und schnelleren Beurteilungen als Wahrscheinlichkeitsvisualisierungen. Die Teilnehmer lösten 80% der Aufgaben im Häufigkeitsdoppelbaum und im Häufigkeitsnetz richtig. Visualisierungen mit Wahrscheinlichkeiten führten ebenfalls zu relativ hohen Leistungsraten: 73% im Wahrscheinlichkeitsdoppelbaum und 70% im Wahrscheinlichkeitsnetz. Die mediane Zeit für eine korrekte Schlussfolgerung war am schnellsten beim Häufigkeit-Doppelbaum (2:08 min), gefolgt vom Häufigkeitsnetz und dem Wahrscheinlichkeits-Doppelbaum (beide 2:26 min) und dem Wahrscheinlichkeitsnetz (2:33 min). Die Art der Visualisierung führte nicht zu einem signifikanten Unterschied.

Diskussion Häufigkeitsdoppelbäume und Häufigkeitsnetze helfen, Bayes´sche Aufgaben genauer und auch schneller zu beantworten als die jeweiligen Wahrscheinlichkeitsvisualisierungen. Überraschenderweise war der Effekt des Informationsformats (Wahrscheinlichkeiten vs. Häufigkeiten) auf die Leistung in früheren Studien höher. Zukünftige Studien sollen die Kompetenz von Kommunikation der statistischen Informationen an Laien/Patient*innen untersuchen.

Keywords Bayesian reasoning, double-tree, medical education, net diagram

Korrespondenzadresse Alexandra Kunzelmann, Ludwig-Maximilians-Universität München, Klinik für Innere Medizin 4, Kornblumenweg 12, 85435 Erding, Deutschland, E-Mail: [e-mail]

Publication History

Article published online:
08 September 2022