Die Medizin verzichtet auf Wissen aus anderen Disziplinen. Warum bloß?

Summary

Klinische Studien berücksichtigen bislang kaum, wie plausibel eine medizinische Wirkung nach dem vorhandenen wissenschaftlichen Wissen ist. Dadurch können auch unwahrscheinliche oder naturwissenschaftlich nicht plausible Verfahren durch positive Studienergebnisse wissenschaftlich legitimiert erscheinen. Der Beitrag fordert deshalb, Hintergrundwissen und Vortestwahrscheinlichkeit systematisch in die Planung, Finanzierung und Bewertung klinischer Studien einzubeziehen. Dafür wird ein Entscheidungsbaum vorgeschlagen.

Die Medizin verzichtet auf Wissen aus anderen Disziplinen. Warum bloß?

Warum klinische Studien wissenschaftliches Vorwissen brauchen
Christian Weymayr*GWUP-Artikel in der Google-Suche bevorzugt anzeigen lassen.★ Jetzt aktivieren ausblenden

Die Evidenzbasierte Medizin bewertet medizinische Maßnahmen vor allem anhand klinischer Studien – unabhängig davon, wie plausibel eine Wirkung nach dem bisherigen Stand der Wissenschaft ist. Das kann insbesondere bei Verfahren der Komplementär- und Alternativmedizin zu problematischen Ergebnissen führen. Christian Weymayr erläutert am Beispiel von Homöopathie und Akupunktur, warum wissenschaftliches Hintergrundwissen und die Vortestwahrscheinlichkeit stärker berücksichtigt werden sollten. Er zeigt, welche Rolle falsch-positive Studienergebnisse spielen, wie der Satz von Bayes bei ihrer Einordnung helfen kann und wie ein Entscheidungsbaum Hintergrundwissen systematisch in Planung und Bewertung klinischer Studien einbeziehen könnte.

Gerätschaften der Pseudomedozin, eine Lupe und Bücher sowie eine ausgedruckte Statistik.

GWUP - ChatGPT

Der GWUP-Wissenschaftsrat fordert, Erkenntnisse anderer Wissenschaften bei klinischen Prüfungen zu berücksichtigen. Dieses Hintergrundwissen wird bislang von der Methodik der Evidenzbasierten Medizin ignoriert. Deshalb werden beispielsweise Homöopathika nach denselben Standards überprüft wie pharmakologische Präparate. Auf dieses Versagen macht der Wissenschaftsrat in einer Stellungnahme aufmerksam, die hier ausführlicher erläutert wird.

Von Medikamenten und anderen medizinischen Maßnahmen wird erwartet, dass sie ihre Wirksamkeit in klinischen Studien belegen. Die Studien folgen dabei dem Regelwerk der Evidenzbasierten Medizin (EbM). Ursprünglich sollte damit vor allem die Medizinindustrie daran gehindert werden, Medikamente und andere Maßnahmen in die Versorgung zu bringen, bevor man mit hinreichender Sicherheit sagen kann, wie groß deren Nutzen und Schaden sind. Laut EbM-Regelwerk genügt es für einen Wirksamkeitsnachweis demnach nicht, wenn präklinische Studien und/oder ein plausibler Wirkmechanismus annehmen lassen oder zumindest nicht ausschließen, dass die erwünschte Wirkung möglich ist. Doch statt diese Aspekte wenigstens als Bedingung für die Aufnahme klinischer Studien zu definieren, klammert die EbM-Methodik sie komplett aus – nur die Ergebnisse aus hochwertigen klinischen Studien zählen.

Das bedeutet, dass das EbM-Regelwerk für alle Maßnahmen gilt, unabhängig davon, was man bereits über sie weiß. Dieses Hintergrundwissen unterscheidet sich jedoch unter Umständen massiv: Maßnahmen der wissenschaftlich orientierten Medizin stehen im Einklang mit sicherem Wissen, haben in der Regel einen plausiblen Wirkmechanismus, und bauen auf positiven präklinischen Ergebnissen auf. Maßnahmen der Komplementär- und Alternativmedizin (KAM) erfüllen nach allgemeinem Verständnis diese Kriterien nicht oder nur zum Teil. Andernfalls wären sie ja der wissenschaftlich orientierten Medizin zuzurechnen.

Das Negieren des Hintergrundwissens in der EbM-Methodik hat weitreichende Folgen: Statt, wie es angemessen wäre, nur mit dem Glauben an die Wirksamkeit der KAM zu argumentieren, führen deren Verfechter vermeintlich positive Ergebnisse klinischer Studien an. So erscheinen in der Bevölkerung KAM-Verfahren wissenschaftlich legitimiert. Das adelt KAM nicht nur und birgt die Gefahr, dass geprüfte Maßnahmen vernachlässigt werden. Diese scheinbare Legitimierung untergräbt auch generell das Vertrauen in die Wissenschaft – denn was soll man von einer Wissenschaft halten, die selbst eindeutig esoterische Verfahren ernsthaft prüft und ihnen unter Umständen sogar eine Wirksamkeit bescheinigt?

Extremfall Homöopathie

Zur Illustration ist ein Extrembeispiel hilfreich: Homöopathika in höheren Potenzen enthalten keinen Wirkstoff mehr. Dennoch werden sie in klinischen Studien nach denselben Standards geprüft, wie pharmakologisch wirksame Substanzen. Solche Präparate ohne Wirkstoff werden also, sofern sie das Label „Homöopathikum“ tragen und eine Wirkung für sich reklamieren, in klinischen Studien als Verum getestet. Als Placebo-Kontrolle dienen dann ebenfalls Präparate ohne Wirkstoff, weil man weiß, dass sie nicht wirken. Ein Präparat ohne Wirkstoff in derselben Studie einmal als potenzielle Arznei und einmal als Placebo anzusehen, trägt für mich schizophrene Züge. Und es hat auch ganz praktische Implikationen: Angenommen, jemand hat womöglich Verum und Placebo vertauscht – niemand könnte sie wieder korrekt zuordnen, da sie stofflich ja identisch sind.

Mit dem Ausblenden von Hintergrundwissen negiert die EbM auch das Gefälle zwischen der Fehleranfälligkeit selbst der besten klinischen Studien und der Robustheit anderer naturwissenschaftlicher Erkenntnisse. Sie geht davon aus, dass klinische Studien sogar Naturgesetze, etwa dass ein nicht mehr vorhandener Wirkstoff auch nicht wirken kann, infrage stellen können. Das ist irrational und vermessen.

Es gibt in der KAM natürlich nicht nur solche Extremfälle wie die Homöopathie. Bei vielen Maßnahmen schließt das Hintergrundwissen eine Wirksamkeit nicht gänzlich aus, macht sie aber unwahrscheinlich. Das gilt etwa dann, wenn Substanzen zwar in pharmakologisch relevanten Dosen, aber ohne plausiblen Wirkmechanismus eingesetzt werden, oder eine echte stoffliche oder mechanische Interaktion stattfindet, aber auf der Grundlage höchstspekulativer Annahmen. Bei der Akupunktur beispielsweise findet durch das Stechen mit Nadeln eine echte Interaktion statt, deren spezifische Wirkung jedoch auf anatomisch nicht nachweisbaren Bahnen beruht. Das Hintergrundwissen macht die Annahme, dass Akupunktur spezifisch wirken könnte, deshalb unwahrscheinlich.

Auch in Fällen wie er Akupunktur kann Hintergrundwissen dazu beitragen, die Ergebnisse klinischer Studien angemessen zu interpretieren. Man könnte dann beispielsweise einen besonders großen Effekt und/oder ein besonders robustes Ergebnis zu fordern.

Falsch-positive Ergebnisse sind unvermeidlich

Warum kann man es nicht einfach beim Status quo belassen? Schließlich sehen einige Vertreter der evidenzbasierten Medizin, mit denen ich darüber diskutiert habe, schlicht keine Notwendigkeit, die Methodik anzupassen. Sie argumentieren, dass es ja ausreichend viele Studien und Reviews gibt, die KAM korrekt einordnen. Das sehe ich anders. Zum einen kommt es aufgrund der grundsätzlichen Fehleranfälligkeit klinischer Studien zwangsläufig zu falsch-positiven Ergebnissen. In einem viel zitierten Aufsatz kommt John P.A. Ioannidis zu dem Schluss, dass die meisten Ergebnisse klinischer Studien falsch sind (Ioannidis, 2005). Auch wenn er Studien zu KAM mit keiner Silbe erwähnt, darf man seine Schlussfolgerung so verstehen, dass die Ergebnisse von KAM-Studien noch viel häufiger falsch sind – aber natürlich trotzdem publiziert und zitiert werden. Klinische Studien sind deshalb potenziell irreführend und dann kontraproduktiv.

Zum anderen interpretieren KAM-Vertreter positive Studienergebnisse als Beleg für die Wirksamkeit ihrer Maßnahmen. Mit Erfolg: Zwei Anwendungen der Akupunktur sind sogar Kassenleistung, sie müssen also von den gesetzlichen Krankenkassen bezahlt werden. Immerhin soll Kassen demnächst verboten werden, freiwillig für homöopathische Behandlungen zu bezahlen, wobei diese Entscheidung allerdings nicht mit dem Hintergrundwissen, sondern mit nicht ausreichend überzeugenden Studienergebnissen begründet wird.

So heißt es im Bericht der Finanzkommission Gesundheit in der Reformempfehlung 20, der Streichung der Erstattung von homöopathischen Leistungen: Die Versorgungsqualität würde sich dadurch nicht verschlechtern, „da es keinerlei belastbare Belege für die Wirksamkeit homöopathischer Leistungen gibt, die über einen Placebo-Effekt hinausgehen“. Sie hätten besser geschrieben: „… da Präparate ohne Wirkstoff nicht wirken können.“ So wie Berichte von fliegenden Elefanten nicht deshalb unglaubwürdig wären, weil die Fotos von solchen Erscheinungen nicht aussagekräftig genug wären, sondern weil Elefanten nicht fliegen können.

Immer weitere Studien gefordert

Eine der Folgen der Argumentation mit Studien ist, dass sie immer weitere Studien generiert: So hatte die Bayerische Staatsregierung die TU München 2019 beauftragt, in einer hochwertigen klinischen Studie für mehrere hunderttausend Euro die Frage zu klären, ob Homöopathika die Menge an Antibiotika bei Blasenentzündungen reduzieren können. In einem Statement begrüßte der Deutsche Zentralverein homöopathischer Ärzte (DZVhÄ) die Studie, obwohl die Rekrutierung von Probanden mangels Resonanz abgebrochen wurde (DZVhÄ 2024). Das etwas unrühmliche Ende ist für den DZVhÄ letztlich zu verschmerzen, denn schon die Genehmigung der Studie durch die Ethikkommission der TUM ist für die Homöopathen ein Erfolg. In seinem Statement wehrt sich der DZVhÄ auch gegen Kritik: „Die grundsätzliche Behauptung, Homöopathie wirke nicht über den Placebo-Effekt hinaus, ist sachlich und fachlich falsch. Ein systematisches Review von sechs Metaanalysen spricht im Ergebnis für eine über Placebo hinausgehende Wirkung der Homöopathie.“ Für den Laien bleibt am Ende hängen: Die einen sagen so, die anderen so.

Nicht nur der bayerische Landtag, auch anerkannte Institutionen der Evidenzbasierten Medizin fordern klinische Studien zu KAM explizit ein. So zitierte das Ärzteblatt im April 2026 das Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen zu seinem Gutachten über Akupunktur gegen Migräne: „Die Akupunktur-Forschung wurde ein Stück weit abgehängt“, sagte Stefan Sauerland, Leiter des IQWiG-Ressorts Nichtmedikamentöse Verfahren. „Man hat es versäumt, in Studien zu untersuchen, ob die Akupunktur auch mit anderen und moderneren Varianten der medikamentösen Migräneprophylaxe Schritt halten kann“, so der IQWiG-Experte (Ärzteblatt 2026).

Von Bayes zu Science-Based Medicine

Dass Hintergrundwissen berücksichtigt werden sollte, hatte bereits im 18. Jahrhundert der englische Mathematiker, Statistiker, Philosoph und presbyterianische Pfarrer Thomas Bayes in seinen Überlegungen zur Wahrscheinlichkeitsrechnung angemerkt. Er setzte sich mit der Vortestwahrscheinlichkeit auseinander, einer Größe also, die auf Hintergrundwissen beruht. In seinem 1764 posthum veröffentlichten Aufsatz „An essay towards solving a problem in the doctrine of chances“ formuliert er das heute als Satz von Bayes bekannte Postulat, dass die Vortestwahrscheinlichkeit Einfluss auf die Interpretation von Testergebnissen hat.

Seit vielen Jahren setzt sich auch ein Zusammenschluss von Experten unter dem Begriff „Science-Based Medicine“ (SBM) dafür ein, für die Bewertung medizinischer Maßnahmen nicht nur klinische Studien, sondern zusätzlich Erkenntnisse anderer Wissenschaften heranzuziehen.

Auf der SBM-Homepage heißt es:

„Evidenzbasierte Medizin hat einen lebendigen und positiven Einfluss darauf, wie wir Medizin praktizieren, aber sie hat in der Praxis Grenzen und Probleme: Oft überbewertet sie den Wert der Evidenz von klinischen Studien alleine, was einige ungewollte Konsequenzen hat, wie die Ausgabe von Steuerzahlergeld für ‚mehr Forschung‘ von zweifelhaftem Wert. Die Idee von SBM ist nicht, mit EBM zu konkurrieren, sondern sie mit einem breiteren Blick aufzuwerten: Um die Frage, was wirkt, zu beantworten, müssen wir dem gesamten wissenschaftlichen Wissen aus allen relevanten Disziplinen mehr Gewicht geben.“

Und sie betonen die aktuelle Bedeutung von SBM:

„Wir halten diese Mission für wichtiger denn je, da seit der ‚Make-America-healthy-again‘-Bewegung die Leichtgläubigkeit gegenüber Pseudowissenschaft, Quacksalberei und Anti-Impf-Fehlinformationen selbst in höchsten Führungskreisen des US Department of Health and Human Services so verbreitet wie nie ist.“ (SBM 2026)

Modellierung der Vortestwahrscheinlichkeit

Der Einfluss des Hintergrundwissens lässt sich auch mathematisch modellieren. Um die Wahrscheinlichkeit, dass ein Studienergebnis „wahr“ ist, ermitteln zu können, wird üblicherweise der p-Wert herangezogen. Kritikern zufolge ist das zwar eine praktische, aber zu weitgehende Deutung des p-Wertes. (Ich möchte an dieser Stelle etwas ausführlicher auf den p-Wert eingehen, weil er am Ende bei der Operationalisierung noch eine Rolle spielt.) Schon der „Erfinder“ des p-Wertes, der britische Statistiker Ronald Fisher, maß seinem p-Wert keineswegs die Bedeutung zu, die er heute hat. Fisher sah den p-Wert vielmehr als informellen Hinweis dafür an, „ob sich ein zweiter Blick lohnt“, wie die Statistikerin Regina Nuzzo 2014 in Nature schrieb (Nuzzo 2014). Für Fisher war der p-Wert nur „Teil eines fließenden, nicht-numerischen Prozesses, der verschiedene Daten zusammen betrachtet und Hintergrundwissen berücksichtigt“.

Nach allgemeiner Übereinkunft hinsichtlich klinischer Studien beträgt bei einem p-Wert von 0,05 die Wahrscheinlichkeit, dass die Arbeitshypothese „unwahr“ ist, 5 Prozent, dass sie „wahr“ ist, 95 Prozent. Bezieht man das Hintergrundwissen mit ein, kommt man jedoch zu anderen Ergebnissen, wie Regina Nuzzo schreibt: Legt das Hintergrundwissen nahe, dass die Vortestwahrscheinlichkeit 5 Prozent beträgt, dann beträgt bei einem p-Wert von 0,05 die Wahrscheinlichkeit, dass die Arbeitshypothese „wahr“ ist, nicht 95 Prozent, sondern nur 11 Prozent Ein laut p-Wert scheinbar signifikant positives Ergebnis ist also ziemlich sicher falsch-positiv. Selbst bei einem hochsignifikanten p-Wert von 0,01 ist das Ergebnis nur zu 30 Prozent „wahr“.

Erst bei sehr hohen Vortestwahrscheinlichkeiten, etwa wenn bei der Suche nach neuen Arzneimitteln das Wirkprinzip plausibel ist und Zellkulturexperimente sowie Tierversuche bereits überzeugende Ergebnisse gebracht haben, ist der p-Wert einigermaßen verlässlich: Bei einer Vortestwahrscheinlichkeit von 90 Prozent ist das Ergebnis bei einem p-Wert von 0,05 tatsächlich mit einer Wahrscheinlichkeit von 96 Prozent „wahr“, bei einem p-Wert von 0,01 zu 99 Prozent.

Dieses Modell nimmt an, dass sich das Hintergrundwissen über die Vortestwahrscheinlichkeit präzise beziffern lässt. Das ist nur ausnahmsweise der Fall, etwa wenn sicheres Hintergrundwissen die Wirksamkeit einer Maßnahme definitiv ausschließt, wie bei Homöopathika in höheren Potenzen. Dann ist die Vortestwahrscheinlichkeit 0 und das in der Studie ermittelte Ergebnis samt p-Wert irrelevant. Wenn aber eine echte Interaktion stattfindet, und so das Hintergrundwissen eine Wirksamkeit nicht vollkommen ausschließt, sondern nur unwahrscheinlich macht, lässt sich dieser Umstand schwer in Zahlen fassen.

In der Diagnose alltäglich

Während Hintergrundwissen von der evidenzbasierten Medizin auf Studienebene nicht, beziehungsweise nur in Placebo-Kontrollen berücksichtigt wird, fließt es als Vortestwahrscheinlichkeit in der Diagnose sehr wohl in die Interpretation von Testergebnissen ein. Zwei Beispiele:

Ein Covid-Test hat eine bestimmte, testinhärente Genauigkeit. Berücksichtigt man die Vortestwahrscheinlichkeit, also ob jemand aufgrund von Symptomen oder Kontakten mit Infizierten vermutlich eher krank oder gesund ist, wirkt sich das erheblich auf die Interpretation des Testergebnisses aus: War die getestete Person in den letzten zwei Wochen durchgehend alleine zu Hause, ist ein negativer Covid-Test sehr wahrscheinlich korrekt, ein positiver Covid-Test dagegen sehr wahrscheinlich falsch-positiv. Hatte sie dagegen mehrfachen, engen Kontakt mit Infizierten, ist ein positiver Covid-Test wahrscheinlich korrekt, ein negativer Test wahrscheinlich falsch-negativ.
Die 2017 erschienene Nationale Versorgungsleitlinie zu koronaren Herzkrankheiten empfiehlt, das weitere Vorgehen an die Vortestwahrscheinlichkeit anzupassen (Albus 2017). Die lässt sich an einem Score ablesen, in den verschiedene Untersuchungsergebnisse einfließen. Bei einem niedrigen Score-Wert soll die Ärztin erst einmal anderen möglichen Ursachen für die Beschwerden nachgehen. Bei mittleren Score-Werten soll eine Diagnose den Verdacht auf eine koronare Herzkrankheit bestätigen oder entkräften. Bei hohen Score-Werten soll auf die Diagnose verzichtet und gleich mit der Behandlung begonnen werden.
Die Forderung, dass die Vortestwahrscheinlichkeit, somit das Hintergrundwissen, auch in der Medizin zur Interpretation von Testergebnissen herangezogen werden sollte, wurde seitdem immer wieder erhoben. Warren S. Browner zog eine Analogie zwischen der Vortestwahrscheinlichkeit bei der Interpretation von Diagnosetests und von Studienergebnissen und mahnte an, dass auch bei Studien das Hintergrundwissen einbezogen werden sollte (Browner 1987).

Operationalisierung des Hintergrundwissens

Wie also ließe sich die Berücksichtigung des Hintergrundwissens operationalisieren? Erwähnt wurde bereits die Effektstärke, die umso höher sein sollte, je unwahrscheinlicher eine Behauptung ist. Ein zweiter Hebel wäre der p-Wert, der trotz aller bereits erwähnten Einschränkungen allgemein als das Maß für die Korrektheit einer Behauptung angesehen wird. Die Frage ist, wann ein größerer Effekt und/oder eine höhere Signifikanzschwelle gefordert werden müsste.

Ich möchte einen einfachen Entscheidungsbaum vorschlagen, der Fragen stellt, die mithilfe des Hintergrundwissens mit Ja oder Nein beantwortet werden können (Abbildung 1). Der Entscheidungsbaum ist hierarchisch aufgebaut, weil auch die Evidenzebenen einer Hierarchie folgen. So kann es für eine Annahme, die sicherem Wissen widerspricht, auch kein plausibles Wirkmodell geben, und vermeintlich positive präklinische Studien besitzen keine Aussagekraft. Gemäß der Regel, dass ein Beweis umso überzeugender sein muss, je unwahrscheinlicher die Behauptung ist, ändert sich die Signifikanz des p-Werts je nach Evidenzebene.
Der Entscheidungsbaum sollte routinemäßig bei der Planung klinischer Studien, beim Erstellen eines Votums der Ethikkommission und auch beim Bewilligen von Finanzmitteln zum Einsatz kommen. Bei bereits abgeschlossenen Studien sollte er ebenfalls berücksichtigt werden, damit das Ergebnis korrekt interpretiert werden kann.

Entscheidungsbaum für die Prüfung von Hypothesen

Autor Literatur

Zurück Weiter

Dr. Christian Weymayr

Dr. Christian Weymayr ist Biologe, Medizinjournalist und Theaterautor. Mit Alternativmedizin hat er sich unter anderem in seinem Buch „Die Homöopathie-Lüge“ auseinandergesetzt. Er ist Mitglied im Wissenschaftsrat der GWUP und im EbM-Netzwerk.

Literatur

Albus C.; Barkhausen J.; Fleck E.; Haasenritter J.; Lindner O.; Silber S. on behalf of the German National Disease Management Guideline „Chronic CHD“ development group (2017): Klinische Leitlinie: Diagnostik der chronischen koronaren Herzkrankheit. Dtsch Arztebl Int 114, S. 712-719.
Browner, W.S.; Newman T.B. (1987): Are all significant P values created equal? The analogy between diagnostic tests and clinical research. Journal of the American Medical Association (JAMA) 257 (18), S. 2459-2463.
Deutsches Ärzteblatt (2026): Akupunktur für Migräneprophylaxe: Nutzen allenfalls für kleinen Anwendungsbereich belegt.
DZVhÄ (2024): Die langsame Patientinnen-Rekrutierung führte zum Ende der bayerischen Homöopathie-Studie.
Finanzkommission Gesundheit (2026): Erster Bericht der Finanzkommission Gesundheit, Empfehlungen zur Stabilisierung des Beitragssatzes zur Gesetzlichen Krankenversicherung ab 2027.
Ioannidis, JPA (2005): Why most published research ﬁndings are false. PLoS Med 2(8): e124.
Nuzzo, R. (2014): „Statistical Errors“. Nature 506, S. 150-152.
SBM (2026): Exploring issues and controversies in the relationship between science and medicine.

Die Medizin verzichtet auf Wissen aus anderen Disziplinen. Warum bloß?

Summary