Bayes-Theorem
Synonyme: Satz von Bayes, Formel von Bayes
Englisch: Bayes’ theorem
Definition
Das Bayes-Theorem beschreibt die mathematische Beziehung zwischen a-priori-Wahrscheinlichkeiten und bedingten Wahrscheinlichkeiten. Es ermöglicht die Aktualisierung der Wahrscheinlichkeit einer Hypothese (z. B. das Vorliegen einer Erkrankung) auf Basis neuer Information (z. B. eines Testergebnisses).
In der medizinischen Diagnostik verknüpft es die Prätestwahrscheinlichkeit mit den Testeigenschaften (insbesondere Sensitivität und Spezifität) und liefert daraus die Posttestwahrscheinlichkeit.
Hintergrund
Das Bayes-Theorem basiert auf dem Konzept der bedingten Wahrscheinlichkeit und beschreibt einen iterativen Erkenntnisprozess: Vorwissen wird durch neue Information angepasst.
In der klinischen Praxis entspricht dies der strukturierten Diagnostik. Ausgangspunkt ist die Prätestwahrscheinlichkeit, die sich aus Prävalenz, Risikoprofil, Anamnese und klinischem Befund ergibt. Diagnostische Tests liefern keine absoluten Aussagen, sondern verschieben diese Wahrscheinlichkeit in Abhängigkeit von ihrer Testgüte:
- Sensitivität: Wahrscheinlichkeit eines positiven Testergebnisses bei Erkrankten
- Spezifität: Wahrscheinlichkeit eines negativen Testergebnisses bei Gesunden
In der praktischen Anwendung werden häufig Likelihood Ratios verwendet, da sie direkt quantifizieren, wie stark ein Testergebnis die bestehende Wahrscheinlichkeit verändert.
Formel
Im diagnostischen Kontext wird typischerweise definiert:
- A = Erkrankung vorhanden
- B = Testergebnis positiv
Die Formel lautet:
wobei:
- P(A) = Prätestwahrscheinlichkeit
- P(B|A) = Sensitivität
- P(B) = Gesamtwahrscheinlichkeit
Die Gesamtwahrscheinlichkeit eines positiven Testergebnisses ergibt sich aus:
Sie umfasst sowohl richtig-positive als auch falsch-positive Ergebnisse und ist entscheidend für die korrekte Interpretation eines Testergebnisses.
Klinische Anwendung
Das Bayes-Theorem ist die theoretische Grundlage jeder rationalen Diagnostik. In der Praxis läuft es meist implizit ab, ist aber entscheidend für folgende Aspekte:
Interpretation diagnostischer Tests
Ein Testergebnis ist nur im Kontext der Prätestwahrscheinlichkeit sinnvoll interpretierbar. Bei niedriger Prätestwahrscheinlichkeit führt selbst ein spezifischer Test häufig zu falsch-positiven Ergebnissen. Umgekehrt kann ein negativer Test eine Erkrankung bei hoher Prätestwahrscheinlichkeit nicht sicher ausschließen.
Stufendiagnostik
Diagnostik erfolgt sequenziell: Anamnese und klinische Untersuchung sind bereits Teil der Wahrscheinlichkeitsanpassung. Jeder weitere Test stellt eine gezielte Modifikation der bestehenden Wahrscheinlichkeit dar.
Screening
Im populationsbasierten Screening führt eine niedrige Prävalenz zu einem niedrigen positiven prädiktiven Wert, auch bei guter Testgüte. Die hohe Rate falsch-positiver Ergebnisse ist dabei Ausdruck derselben bayesschen Zusammenhänge wie bei der individuellen Testinterpretation, jedoch auf Populationsebene.
Klinische Entscheidungsfindung
Therapieentscheidungen basieren nicht auf diagnostischer Sicherheit, sondern auf Wahrscheinlichkeits-Schwellen (decision thresholds). Diagnostische Tests dienen dazu, die Posttestwahrscheinlichkeit gezielt über oder unter solche Interventionsschwellen zu verschieben.
Ein häufiger Denkfehler ist dabei der Prävalenzfehler ("base rate neglect"): Die Prätestwahrscheinlichkeit wird nicht ausreichend berücksichtigt, wodurch die Aussagekraft von Testergebnissen systematisch überschätzt wird.
Beispiel
Ein D-Dimer-Test bei Verdacht auf Lungenembolie illustriert das Prinzip:
- Bei niedriger Prätestwahrscheinlichkeit kann ein negativer Test die Posttestwahrscheinlichkeit unter die Ausschlussschwelle senken, sodass keine weitere Diagnostik erforderlich ist.
- Bei hoher Prätestwahrscheinlichkeit reicht ein negativer Test hingegen nicht aus, da die Posttestwahrscheinlichkeit oberhalb der klinisch akzeptablen Ausschlussschwelle verbleibt. In diesem Fall ist eine weiterführende Bildgebung notwendig.
Limitationen
Die Prätestwahrscheinlichkeit ist oft nur näherungsweise bestimmbar und unterliegt kognitiven Verzerrungen. Sensitivität und Spezifität sind populations- und settingsabhängig und damit nicht konstant. Viele diagnostische Verfahren sind nicht unabhängig voneinander, was die sequentielle Anwendung verzerren kann. Die Anwendung erfolgt im klinischen Alltag meist heuristisch und nicht formal-mathematisch.
Literatur
- Bours, Bayes' rule in diagnosis, J Clin Epidemiol, 2021
- Weatherall, Information provided by diagnostic and screening tests: improving probabilities, Postgrad Med J, 2018
- Akobeng, Understanding diagnostic tests 2: likelihood ratios, pre- and post-test probabilities and their use in clinical practice, Acta Paediatr, 2007
- Nixon et al., From pre-test and post-test probabilities to medical decision making, BMC Med Inform Decis Mak, 2024