Bayesianische versus diagnostische ärztliche Informationsvermittlung an Patient*innen

Brose, Sarah Frederike (2025): Bayesianische versus diagnostische ärztliche Informationsvermittlung an Patient*innen: der Einfluss von Richtung der statistischen Information und Visualisierung. Dissertation, LMU München: Medizinische Fakultät

Abstract

Obwohl Kommunikation in der Medizin eine zentrale und alltägliche Aufgabe ist, ist das richtige Verständnis von statistischen Informationen, vor allem von Bayesianischen, oftmals eine große Herausforderung. Dabei muss zwischen zwei möglichen Informationsrichtungen unterschieden werden: Bayesianische Informationen (z.B. der Anteil der positiv getesteten Personen unter den erkrankten Personenwagen) und diagnostische Informationen (z.B. der Anteil der erkrankten Personen unter den positiv getesteten Personen). Ziel der Studie war es, den Einfluss der bei einer ärztlichen Kommunikation mit Patient*innen relevanten Parameter Informationsrichtung (Bayesianisch vs. diagnostisch) und Informationsvisualisierung (mit Häufigkeitsnetz vs. ohne Visualisierung) auf das Verständnis der statistischen Information zu überprüfen. Hierzu bearbeiteten 109 Proband*innen als potenzielle Patient*innen jeweils 4 Aufgaben (2⨯2⨯4 Design) im Videoformat, wobei ein*e Ärzt*in ihnen ihr fiktives Untersuchungsergebnis erklärte. Die Zahlen der endokrinologischen Kontexte wurden in Form von natürlichen Häufigkeiten angegeben. Dabei wurde sowohl die Informationsvisualisierung als auch die Informationsrichtung systematisch variiert. Anschließend sollten die Proband*innen den positiven prädiktiven Wert angegeben, wobei dessen Richtigkeit und die hierfür benötigte Zeit ausgewertet wurden. Eine diagnostische Informationsrichtung konnte die Verständnisrichtigkeit erhöhen (72% ohne Visualisierung bzw. 61% mit Häufigkeitsnetz). Auffällig dabei war jedoch, dass eine Visualisierung mittels eines Häufigkeitsnetzes nur bei den Bayesianischen Version von Vorteil war (37% mit Häufigkeitsnetz vs. 10% ohne Visualisierung). Die Zeiten zum Beantworten der Fragen und Häufigkeiten des Videoanschauens verhielten sich dabei konträr zu den Ergebnisrichtigkeiten, sodass die Bearbeitung Bayesianischer Aufgaben ohne Visualisierung am längsten dauerte (Median 106 Sekunden, bei den anderen Versionen 13,5, 14,0 und 14,5 Sekunden). Im nächsten Schritt steht nun an, die Theorie einer guten ärztlichen Kommunikation mit Patient*innen in den medizinischen Alltags zu integrieren.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Themengebiete: 600 Technik, Medizin, angewandte Wissenschaften ; 600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin und Gesundheit
• Fakultäten: Medizinische Fakultät
• Sprache der Hochschulschrift: Deutsch
• Datum der mündlichen Prüfung: 17. Februar 2025
• 1. Bericht­erstatter:in: Schmidmaier, Ralf