Basisrate in der Diagnose: Warum Seltenes häufig wirkt

Schafherde grast auf einer Wiese

Wer die Nacht mit Phäochromozytom verbracht hat, wacht auf und hält jede Palpitation mit Schwitzen für einen Nebennierentumor. Das klassische Bild ist frisch im Gedächtnis, und die einfachste Frage bleibt liegen: Wie viele Menschen mit diesem Bild haben tatsächlich diese Krankheit? Die Antwort auf diese Frage hat einen Namen: Basisrate.

NEXO ist ein tägliches medizinisches Diagnosespiel: ein klinischer Fall pro Tag, sechs progressive Hinweise und ICD-10-Nähefeedback in fünf Stufen.

Dieser Leitfaden erklärt, was die Basisrate ist, warum Studierende sie leicht vergessen, was Studien über Ärzte und Prävalenz zeigen und wie man das Denken trainiert, um das Häufige an die richtige Stelle der Liste zu setzen.

Die wichtigsten Punkte

  • Die Basisrate ist die Häufigkeit der Krankheit in der Population, aus der der Patient kommt, bevor irgendein Datum des Falls bekannt ist.
  • In einer Studie mit Medizinstudierenden landete die Epidemiologie auf dem letzten Platz unter den Komponenten, die sie für die Diagnose als wichtig erachten.
  • Assistenzärzte, die eine Krankheit für häufiger hielten, hielten sie in den Fällen für wahrscheinlicher, was den Einsatz der Prävalenz zeigt.
  • Die meisten Hausärzte erkannten, dass derselbe Test beim Patienten mit Symptomen mehr wert ist, unterschätzten aber das Ausmaß des Unterschieds.
  • Die Darstellung der Daten in natürlichen Häufigkeiten verbesserte das bayessche Denken der Studierenden.

Inhalt

Was die Basisrate ist

Die Basisrate ist die Häufigkeit einer Krankheit in der Gruppe, aus der der Patient kommt, bevor man seine Symptome betrachtet. Sie ist der Ausgangspunkt jeder Hypothese. Kopfschmerzen in der Notaufnahme sind viel wahrscheinlicher Migräne oder Spannungskopfschmerz als eine Subarachnoidalblutung, auch wenn die Blutung diejenige ist, die am meisten erschreckt.

Die Basisrate zu vernachlässigen heißt, die Wahrscheinlichkeit nur nach der Ähnlichkeit des Bildes mit dem Lehrbuch zu beurteilen, ohne zu fragen, wie häufig jede Krankheit dort ist. Der Leitfaden zu Heuristiken im klinischen Denken zeigt die Repräsentativität, die Heuristik hinter diesem Fehler. Hier liegt der Fokus auf der Prävalenz selbst.

Warum Studierende zuerst an das Seltene denken

Die Epidemiologie landet auf dem letzten Platz

In einer Querschnittsstudie mit Medizinstudierenden beantworteten die Teilnehmenden diagnostische Szenarien im klassischen Format von Basisratenproblemen (Clarkson und Paruk, 2026). Die Trefferquote lag bei 48,3% im Szenario, das die Unterscheidung von Schlaganfall und Migräne verlangte, und bei 33,3% im Szenario, das die Unterscheidung von Phäochromozytom und Panikstörung verlangte (Clarkson und Paruk, 2026). In der rein bayesschen Aufgabe hatten 41,1% richtig geantwortet, und die Studierenden stufen die Epidemiologie als die am wenigsten wichtige Komponente der Diagnose ein (Clarkson und Paruk, 2026).

Das Medizinstudierendensyndrom

Dieselbe Studie ergab, dass 56,3% der Teilnehmenden berichteten, bei sich selbst schon die Krankheit gefunden zu haben, die sie gerade studierten (Clarkson und Paruk, 2026). Die Autoren schlagen vor, dass ein Teil dieses Phänomens aus demselben Fehler stammt: das Bild abzuwägen und zu vergessen, wie selten die Krankheit ist (Clarkson und Paruk, 2026).

Das Curriculum verstärkt das Seltene

Im Studium bekommt jede Krankheit eine Vorlesung, und die Vorlesung über die seltene Krankheit ist meist die einprägsamste. Das Ergebnis ist ein Gedächtnis, in dem das Seltene genauso viel Platz einnimmt wie das Häufige. Das zu korrigieren verlangt, die Häufigkeit zusammen mit dem Bild zu erinnern.

Herde brauner und schwarzer Pferde, die auf einer grünen Wiese weiden, mit Bäumen und Hügeln im Hintergrund.
Wenn du Hufe hörst, denk zuerst an Pferde: Der Spruch fasst die Basisrate zusammen. Bildnachweis: Izvora, gemeinfrei, via Wikimedia Commons (Dateiseite).

Was Ärzte mit der Prävalenz machen

Assistenzärzte nutzen, was sie über die Prävalenz denken

In einer Studie mit Assistenzärzten der Inneren Medizin beurteilte jeder Teilnehmende die Wahrscheinlichkeit mehrerer Hypothesen in uneindeutigen Fällen und schätzte danach die Prävalenz dieser Krankheiten auf der Station ein (Rottman et al., 2016). Wer eine Krankheit für häufiger hielt, neigte dazu, sie in den Fällen für wahrscheinlicher zu halten, ein Zeichen dafür, dass die Prävalenz ins Denken einfloss (Rottman et al., 2016). Im Verlauf der drei Jahre der Assistenzzeit wurden die Prävalenzschätzungen konsistenter, aber nicht genauer (Rottman et al., 2016).

Hypothesen folgen der Inzidenz und den erinnerten Fällen

In einem klassischen Experiment bildeten Ärzte Hypothesen für klinische Geschichten, in denen zwei Krankheiten plausibel waren, eine häufiger und weniger schwer, eine andere seltener und schwerer (Weber et al., 1993). Die Reihenfolge und die Häufigkeit der Hypothesen folgten der Inzidenz der Krankheiten, mit wenig Hinweis auf eine Vernachlässigung der Basisrate (Weber et al., 1993). Wenn zuvor ein ähnlicher Fall diagnostiziert worden war, erschien die Hypothese früher, und die Erfahrung wirkte vor allem auf diesem Weg (Weber et al., 1993).

Die gemeinsame Lesart ist ermutigend: Der erfahrene Arzt nutzt die Prävalenz, zum großen Teil weil er schon viele häufige Fälle gesehen hat. Der Student hat dieses Repertoire noch nicht und muss sich deshalb bewusst an die Basisrate erinnern.

Dieselbe Untersuchung in verschiedenen Populationen

In einer Studie mit Hausärzten und Studierenden der Betriebswirtschaftslehre schätzte jeder Teilnehmer die Krebschance nach einer auffälligen Mammografie bei zwei Frauen: eine mit Symptomen und eine asymptomatische im Screening (Austin, 2019). Unter den Ärzten berücksichtigten 88% die Basisrate und schätzten einen höheren prädiktiven Wert für die Frau mit Symptomen (Austin, 2019). Im Durchschnitt schätzten die Ärzte jedoch einen Unterschied von 27 Punkten, während der tatsächliche Unterschied 55 Punkte oder mehr betrug (Austin, 2019).

Das heißt, die Richtung stimmte und die Größe nicht. Der Leitfaden zur Prätest-Wahrscheinlichkeit zeigt die Rechnung, die von der Basisrate zum prädiktiven Wert führt.

Gruppe von Zebras, die in hohem grünem Gras stehen, mit Bäumen im Hintergrund, in einer Savanne.
In der Savanne sind die Zebras das Häufige: Die Basisrate hängt davon ab, wo man ist. Bild: Sandra Aceng, CC BY-SA 4.0 (Lizenz), via Wikimedia Commons (Dateiseite).

Natürliche Häufigkeiten: das Hilfsmittel, das hilft

Personen zählen, nicht Prozentsätze

Natürliche Häufigkeit bedeutet, das Problem als Zählung von Personen zu schreiben, zum Beispiel "von tausend Personen haben zehn die Krankheit", statt als bedingte Prozentsätze. In einer Studie mit 577 Medizinstudenten lag die Trefferquote bei einer bayesianischen Aufgabe bei 34% mit bedingten Wahrscheinlichkeiten und bei 68% mit natürlichen Häufigkeiten, ohne Training (Feufel et al., 2023). Nach einem kurzen Training erreichte die Trefferquote 89%, wenn die Daten in natürlichen Häufigkeiten vorlagen (Feufel et al., 2023).

Der Häufigkeitsbaum

In einer Studie mit 111 Medizinstudenten hatte die Version mit Häufigkeitsbaum die kürzeste mediane Zeit bis zu einer richtigen Antwort, nämlich 2 Minuten und 55 Sekunden, gegenüber 9 Minuten und 59 Sekunden im Text mit Wahrscheinlichkeiten (Binder et al., 2021). Die Autoren schließen, dass der Häufigkeitsbaum sicherere und schnellere Urteile ermöglicht (Binder et al., 2021).

Wie man das Denken in Prävalenz trainiert

Fragen Sie "Wo bin ich?" vor "Was ist es?"

Vor der ersten Hypothese ordnen Sie den Patienten ein: Ambulanz oder Notaufnahme, Kind oder älterer Mensch, Stadt oder endemische Region. Derselbe Thoraxschmerz hat eine andere wahrscheinliche Liste in der Ambulanz eines jungen Menschen und in der Notaufnahme eines älteren Menschen.

Ordnen Sie die Liste nach Häufigkeit und Schwere

Schreiben Sie zwei Spalten: die häufigsten Hypothesen für dieses Szenario und die schweren, die nicht übersehen werden dürfen. Untersuchen Sie die schweren, aber setzen Sie sie nicht an die Spitze der Wahrscheinlichkeit ohne Daten, die sie stützen. Der Leitfaden zur Differenzialdiagnose zeigt, wie man diese Liste erstellt.

Lernen Sie die Häufigkeit zusammen mit dem Krankheitsbild

Wenn Sie eine Krankheit wiederholen, notieren Sie, wie häufig sie im Szenario ist, in dem Sie behandeln werden. Eine Zeile genügt.

Verwenden Sie natürliche Häufigkeiten

Bei einer Untersuchung schreiben Sie die Zahlen als Zählung von Personen um. Die Rechnung wird sichtbar und der Skalenfehler nimmt ab (Feufel et al., 2023).

Ändern Sie das Szenario und sehen Sie, wie sich die Liste ändert

Nehmen Sie ein Krankheitsbild, etwa Fieber bei einem Reisenden, und erstellen Sie die Liste für zwei verschiedene Regionen neu. Die Übung zeigt, wie die Basisrate die Reihenfolge der Hypothesen verändert.

Epidemiologische Szenarien in NEXO

In NEXO kommt der Fall in bis zu sechs Hinweisen, und bei jeder Hypothese zeigt die Nähe in der ICD-10 in fünf Stufen, in welchem Kapitel, welcher Gruppe oder welcher Kategorie die Hypothese gelandet ist. So kann man erkennen, wann man zu einer seltenen Krankheit aus einem anderen Kapitel gesprungen ist, während der Fall auf etwas Häufiges hindeutete.

Der Modus Kontinente versammelt Fälle nach regionaler Epidemiologie, was es ermöglicht, die Übung zu trainieren, das Szenario zu ändern und zu sehen, wie sich die Liste der Hypothesen mitverändert. Das Archiv auf dem Bildschirm Modi versammelt die früheren Tagesfälle. Wie jeder Modus freigeschaltet wird, steht auf der Seite Wirtschaft von NEXO.

Wenn Sie eine Fakultät, eine Liga oder eine Weiterbildung koordinieren und die Basisrate mit der Gruppe anhand desselben Falls besprechen möchten, lernen Sie NEXO Closer kennen. Forschende, die bayesianisches Denken untersuchen, können Studien über NEXO Researcher vorschlagen. Ärztinnen und Ärzte, die Fälle ihres Fachgebiets prüfen, nehmen über NEXO Curator teil, und wer Gesundheitsinhalte in den sozialen Medien erstellt, kann über NEXO Creators mitmachen.

Häufige Fragen

Was ist die Vernachlässigung der Basisrate?

Es bedeutet, die Wahrscheinlichkeit einer Krankheit nach der Ähnlichkeit des Bildes zu beurteilen und zu vergessen, wie häufig sie ist. In einer Studie mit Studierenden wurde die Epidemiologie als die am wenigsten wichtige Komponente der Diagnose eingestuft (Clarkson und Paruk, 2026).

Vergessen auch erfahrene Ärztinnen und Ärzte die Basisrate?

Studien zeigen die Nutzung der Prävalenz: Assistenzärztinnen und -ärzte hielten das für wahrscheinlicher, was sie für häufiger hielten (Rottman et al., 2016), und Ärztinnen und Ärzte bildeten Hypothesen in der Reihenfolge der Inzidenz (Weber et al., 1993).

Warum ist dieselbe Untersuchung bei Patientinnen und Patienten mit Symptomen mehr wert?

Weil die Chance auf eine Krankheit vor der Untersuchung höher ist. Hausärztinnen und Hausärzte trafen die Richtung dieses Unterschieds richtig, unterschätzten aber das Ausmaß (Austin, 2019).

Wie rechnet man am einfachsten?

Mit natürlichen Häufigkeiten. Damit verdoppelte sich die Trefferquote von Studierenden bei einer bayesianischen Aufgabe im Vergleich zu bedingten Wahrscheinlichkeiten (Feufel et al., 2023).

Wie hilft NEXO beim Training der Basisrate?

Die Nähe in der ICD-10 zeigt, wo die Hypothese gelandet ist, und Continentes sammelt Fälle nach regionaler Epidemiologie. Um das Spiel kennenzulernen, lesen Sie was NEXO ist.

Checkliste zur Basisrate

  1. Verorten Sie die Patientin oder den Patienten vor der ersten Hypothese.
  2. Listen Sie die häufigen Hypothesen für dieses Szenario auf.
  3. Listen Sie die schweren getrennt auf, die nicht übersehen werden dürfen.
  4. Fordern Sie Belege für die seltene Hypothese, bevor Sie sie an die Spitze setzen.
  5. Notieren Sie die Häufigkeit jeder Krankheit, die Sie lernen.
  6. Schreiben Sie Untersuchungen in natürlichen Häufigkeiten um.
  7. Erstellen Sie die Liste ab und zu in einem anderen Szenario neu.

Möchten Sie mit verschiedenen Szenarien trainieren? Spielen Sie den Fall des Tages bei NEXO.

Referenzen

  1. Clarkson RC, Paruk N. Medical student syndrome: a bayesian reasoning failure. BMC Med Educ. 2026. https://pubmed.ncbi.nlm.nih.gov/41840426/
  2. Rottman BM, Prochaska MT, Deaño RC. Bayesian reasoning in residents' preliminary diagnoses. Cogn Res Princ Implic. 2016. https://pubmed.ncbi.nlm.nih.gov/28180156/
  3. Weber EU, Böckenholt U, Hilton DJ, Wallace B. Determinants of diagnostic hypothesis generation: effects of information, base rates, and experience. J Exp Psychol Learn Mem Cogn. 1993. https://pubmed.ncbi.nlm.nih.gov/8409853/
  4. Austin LC. Physician and Nonphysician Estimates of Positive Predictive Value in Diagnostic v. Mass Screening Mammography: An Examination of Bayesian Reasoning. Med Decis Making. 2019. https://pubmed.ncbi.nlm.nih.gov/30678607/
  5. Feufel MA, Keller N, Kendel F, Spies CD. Boosting for insight and/or boosting for agency? How to maximize accurate test interpretation with natural frequencies. BMC Med Educ. 2023. https://pubmed.ncbi.nlm.nih.gov/36747214/
  6. Binder K, Krauss S, Schmidmaier R, Braun LT. Natural frequency trees improve diagnostic efficiency in Bayesian reasoning. Adv Health Sci Educ Theory Pract. 2021. https://pubmed.ncbi.nlm.nih.gov/33599875/

Zurück zum Blog