Medizinische Tests sind in ihren Ergebnissen fehlerbehaftet. Immer. Gute Tests machen wenig Fehler. Schlechte Tests machen viele Fehler.
Aber Fehler ist nicht gleich Fehler. Bei derartigen Tests sind zwei Fehlerdimensionen zu unterscheiden. Zum einen die Genauigkeit, mit der ein Test infizierte Menschen als infiziert erkennt. Hierbei handelt es sich um die sogenannte Sensitivität. Zum anderen die Genauigkeit, mit der ein Test nicht infizierte Menschen auch als nicht infiziert erkennt. Dies ist die sogenannte Spezifität. Beide Größen werden in Prozent angegeben.
Der Vollständigkeit halber sei an dieser Stelle erwähnt, dass sowohl Sensitivität als auch Spezifität eines Tests von weiteren Parametern abhängen, wie z.B. der „Signalstärke“, also von der Anzahl der Krankheitserreger, die sich in einer Probe befinden. Dies spielt aber für die im Folgenden beschriebenen grundsätzlichen Zusammenhänge keine Rolle.
Wenn beispielsweise ein Test eine Sensitivität von 99,7% und eine Spezifität von 98,6% aufweist, ist dies ein sehr guter Test, weil beide Werte nahe 100% liegen.
Bezogen auf 1.000 infizierte Menschen würde eine Sensitivität von 99,7% beispielsweise bedeuten, dass der Test im Durchschnitt 997 von diesen 1.000 Infizierten auch als infiziert erkennt. Das hieße, drei Infizierte würden ein negatives Testergebnis erhalten, obwohl sie infiziert sind, und wären damit falsch-negativ.
Bezogen auf 1.000 nicht infizierte Menschen würde eine Spezifität von 98,6% bedeuten, dass der Test im Durchschnitt 986 Menschen als nicht infiziert erkennt. Das wiederum hieße, 14 Menschen würden ein positives Testergebnis erhalten, obwohl sie gar nicht infiziert sind, und wären damit falsch-positiv.
Im Klartext heißt das, bei jedem Test gibt es eine gewisse Wahrscheinlichkeit, dass infizierte Menschen als nicht-infiziert in die Statistik eingehen und nicht-infizierte Menschen als infiziert in die Statistik eingehen. Diese Fehler müssten aus einer akkuraten Statistik herausgerechnet werden. Wie groß diese Wahrscheinlichkeit ist, wird durch die Sensitivität und die Spezifität des jeweiligen Tests ausgedrückt.
Mit obigem Beispiel wurden bereits die beiden möglichen Extremszenarien beschrieben:
Durchseuchung in der Bevölkerung 100%, d.h. von 1.000 getesteten Menschen sind 1.000 infiziert. Dabei werden 997 Menschen auch als infiziert erkannt und 3 nicht. Die Statistik zeigt 997 Infizierte.
Durchseuchung in der Bevölkerung 0%, d.h. von 1.000 getesteten Menschen sind 1.000 nicht infiziert. Dabei werden 986 Menschen als nicht-infiziert erkannt, aber 14 Menschen erhalten ein als falsch-positives Testergebnis. Die Statistik zeigt 14 Infizierte, die aber gar nicht infiziert sind.
Das heißt im Klartext, je geringer die Durchseuchung in der Bevölkerung, desto mehr treten die falsch-positiven Testergebnisse in Erscheinung. „BSR 17: Corona-Statistik condensed“ weiterlesen