idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Mathematikdidaktiker:innen aus Regensburg und Mediziner:innen des Klinikums der Ludwig-Maximilians-Universität München haben herausgefunden, dass diagnostische Urteile mithilfe von natürlichen Häufigkeiten und Häufigkeitsbäumen nicht nur öfter korrekt, sondern sogar schneller erfolgen können. Darüber informieren die Forscher:innen nun in einem Artikel in Advances in Health Sciences Education.
Statistische Aussagen korrekt zu lesen will gelernt sein. US-Präsident Trump verkündete etwa im Oktober 2020, dass sich 85% der Menschen, die eine Maske tragen, mit Corona infizieren. „Bei dieser Aussage handelte es sich um eine Verwechslung bedingter Wahrscheinlichkeiten“, sagt Mathematikdidaktikerin Dr. Karin Binder. Tatsächlich habe der frühere US-Präsident die beiden bedingten Wahrscheinlichkeiten „Wie wahrscheinlich ist es, dass ein Maskenträger Corona bekommt?“ vs. „Wie wahrscheinlich ist es, dass ein Corona-Infizierter Maske getragen hat?“ verwechselt. Ähnliche Verwechslungen passieren auch Medizinstudierenden und sogar Ärztinnen und Ärzten. Solche Verwechslungen - und wie man diesen vorbeugen kann - haben die Mathematikdidaktiker*innen Dr. Karin Binder und Professor Dr. Stefan Krauss von der Universität Regensburg zusammen mit den Ärzt:innen und Medizindidaktiker:innen Professor Dr. Ralf Schmidmaier und Dr. Leah Braun vom Klinikum der LMU München untersucht.
Hierzu legen sie Versuchspersonen beispielsweise die folgenden Informationen zum Mammographie-Screening zur Brustkrebsfrüherkennung vor: Eine Frau ist symptomfrei und möchte gerne am Screening teilnehmen. In ihrer Altersklasse liegt die Wahrscheinlichkeit für Brustkrebs bei einem Prozent. Durch das Screening wird die Erkrankung mit einer Wahrscheinlichkeit von 80 Prozent erkannt, wenn die Frau Brustkrebs hat. Wenn die Frau hingegen völlig gesund ist, erhält sie mit einer Wahrscheinlichkeit von etwa 9,6 Prozent fälschlicherweise ein positives Testergebnis. Nun sollten die Medizinstudierenden in der Studie die folgende Frage beantworten: Wie wahrscheinlich ist es, dass eine Frau tatsächlich an Brustkrebs erkrankt ist, wenn Sie ein positives Ergebnis in der Mammographie erhält? Die richtige Lösung kann beispielsweise mithilfe der Formel von Bayes errechnet werden und beträgt knapp 8 Prozent.
Wie bereits aus früheren Studien bekannt war, zeigte sich einerseits, dass Medizinstudierende die statistischen Informationen besser verstehen, wenn diese als sogenannte natürliche Häufigkeiten (z. B. „80 von 100 erkrankten Frauen erhalten ein positives Ergebnis in der Mammographie“) statt in Form von Wahrscheinlichkeiten (z. B. „80% der erkrankten Frauen erhalten ein positives Ergebnis in der Mammographie“) kommuniziert werden. Eine zusätzliche Visualisierung mit Häufigkeitsbäumen (siehe Abbildung) kann ebenfalls dazu beitragen, dass Medizinstudierende die korrekte Lösung finden: Insgesamt erhalten 80 Frauen mit Brustkrebs und 950 Frauen ohne Brustkrebs ein positives Testergebnis – das sind 1.030 Frauen mit einem positivem Testergebnis in der Mammographie. Von diesen 1.030 Frauen sind jedoch nur 80 erkrankt, was dem Prozentsatz von etwa acht Prozent entspricht.
In ihrem Artikel, der jetzt in Advances in Health Sciences Education publiziert wurde, zeigten die Forscher:innen nun, dass natürliche Häufigkeiten und Häufigkeitsbäume nicht nur zu einem höheren Anteil korrekter Diagnosen führen, sondern dass diese auch schneller erfolgten. Da sowohl Korrektheit als auch Schnelligkeit von Diagnosen im Alltag eines Arztes oder einer Ärztin äußerst wichtig sind, wurde der Anteil richtiger Antworten und die Zeitspanne, die für die Beantwortung jeder Aufgabe benötigt wird, zu einem gemeinsamen Maß, der „Diagnoseeffizienz“, zusammengefasst. Die berechnete Diagnoseeffizienz kann anschaulich wie folgt interpretiert werden:
„Stellen Sie sich zwei Schlangen von Medizinstudierenden vor“, sagt Karin Binder. In der linken Schlange müssen die Studierenden die Aufgabe in Wahrscheinlichkeiten und ohne Baum lösen. Die Studierenden rechts erhalten die Informationen in Form natürlicher Häufigkeiten und einem Baumdiagramm. Nun müssen die Studierenden nacheinander die Aufgabe lösen. Sobald sie eine Antwort niedergeschrieben haben, ist der nächste Student in der Schlange dran … so lange, bis die erste richtige Antwort kommt.
In der Variante mit Wahrscheinlichkeiten ohne Baum dauert das über eine Stunde und 16 Minuten, denn erst etwa der/die 17. Medizinstudierende kann für die Aufgabe eine korrekte Lösung angeben. In der Variante mit Häufigkeiten und Baum ist die erste richtige Antwort schon nach knapp fünf Minuten auf dem Tisch, denn hier lösen ca. 60% der Versuchspersonen die Aufgabe richtig und benötigen dafür durchschnittlich knapp drei Minuten. Die Erkenntnisse sollen bei der Weiterentwicklung medizinischer Curricula helfen und zur Verbesserung der Ausbildung von Medizinstudierenden führen.
Dr. Karin Binder
Universität Regensburg
Fakultät für Mathematik
Telefon +49 941 943-2786
karin.binder@ur.de
https://link.springer.com/article/10.1007/s10459-020-10025-8
https://doi.org/10.1007/s10459-020-10025-8
https://www.uni-regensburg.de/mathematik/didaktik-mathematik/team/karin-binder/i...
Baum
Karin Binder
Schlange
Karin Binder
Criteria of this press release:
Journalists, Scientists and scholars, Students
Mathematics, Medicine
transregional, national
Research projects, Studies and teaching
German
Baum
Karin Binder
Schlange
Karin Binder
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
