Dr. Stefan Lang am 02. März 2026

Statistik in der Medizin verstehen und anwenden

Kategorie Daten auswerten & darstellen

Du hast Daten. Viele Daten. Und spätestens mit Beginn deiner Promotion wird klar: Ohne solide Statistik und saubere Datenanalyse kommst du nicht weit. Trotzdem fühlt sich Statistik in der Medizin wie ein notwendiges Übel an – abstrakt, schlecht erklärt und nebulös. Genau hier setzt dieser Übersichtsartikel an. Er zeigt dir, auf welche statistischen Themen du in deiner medizinischen Promotion oder in deinem Paper achten solltest. Im Detail nachlesen kannst du das alles dann in den verlinkten Blogbeiträgen.

Wenn du in Medizin, Biologie oder Life Science forschst, willst du keine Mathematiker beeindrucken, sondern wissenschaftlich belastbare Aussagen treffen und diese überzeugend schreiben. Gut gemachte Statistik macht deine Ergebnisse glaubwürdig und publizierbar. Schlecht gemachte Statistik torpediert dein ganzes Projekt.

Daten zusammenfassen: Was Zahlen wirklich aussagen

Mittelwert oder Median?

Zusammenfassende Statistiken sind meist das Erste, was Leser sehen. Welche Fehler werden hier häufig gemacht? Der Mittelwert zum Beispiel ist nur dann sinnvoll, wenn deine Daten halbwegs symmetrisch verteilt sind. Bei Ausreißern (z. B. Krankenhausaufenthaltsdauer) wird er schnell irreführend. Der Median ist robuster und oft ehrlicher, wird aber zu selten genutzt. Entsprechend sollte dann die Fehleranalyse gewählt werden und du musst dich entscheiden, ob du die Standardabweichung oder den mittleren Fehler (Standardfehler) berechnest (Statistik: Standardabweichung oder Standardfehler nach Gusto?).

Prozent richtig einsetzen

Prozentwerte sind beliebt, aber gefährlich: Ohne klare Bezugsgröße sagen sie wenig aus. „30 % Anstieg“ klingt dramatisch. Damit Leser und Leserin aber die Aussagekraft des Prozentwertes beurteilen können, benötigen sie den Stichprobenumfang. Im Labor wurde mir einmal dieser Witz erzählt: „33% oft he mice survived, 33% died, and the last one escaped.”

Daten vergleichen und Signifikanz

Was sind Daten im Scientific Writing?

Wenn man seine Daten vergleichen oder bildlich darstellen möchte, sollte man zuerst diese Fragen beantworten können: Habe ich kategorische oder numerische Daten? Sind sie kategorisch, kann man wiederum in nominal und ordinal unterscheiden. Sind sie numerisch, können sie kontinuierlich oder diskret sein. Klingt kompliziert? Keine Panik: Wenn du den Blogbeitrag „Data, was sind Daten im Scientific Writing?“ liest, weißt du in 3 Minuten mehr.

Konfidenzintervall oder p-Wert?

Wenn du zum Beispiel die Ergebnisse einzelner Versuchsgruppen vergleichst, möchtest du natürlich wissen, ob der Unterschied zufällig oder signifikant ist. Wann nimmst du aber für deinen Originalartikel oder deine Doktorarbeit das Konfidenzintervall oder den P-Wert beim Scientific Writing?

• P-Wert: Wahrscheinlichkeit, dass ein Unterschied allein auf dem Zufall beruht (oder eben nicht); abstrakter Wert, aber sehr übersichtlich
• Konfidenzintervall: Wertebereich, der einen Parameter mit 95%-igen Wahrscheinlichkeit enthält; konkrete Mess-Werte

Power-Analyse und Störfaktoren

Hat deine Studie genügend Power, um signifikante Ergebnisse hervorbringen zu können? Eine saubere Power-Analyse gehört vor die Datenerhebung – nicht in den Diskussionsteil. Ebenso zentral: der Umgang mit Confoundern. Störfaktoren loswerden – wie macht man das? Es gibt vier Methoden, die du im Vorfeld anwenden oder zumindest nachträglich diskutieren kannst (Randomisierung, Einschluss- und Ausschlusskriterien, Matching, Adjustieren).

Statistik vs. Story

Statistik ersetzt kein Denken. Klar, nur die Statistik verrät uns, ob zum Beispiel eine Behandlung tatsächlich funktionierte, ob wir einen wirklichen Effekt beobachten konnten oder nur zufällig auftretende Variationen. Aber so wichtig die statistische Analyse in Paper oder Doktorarbeit auch ist – denke auch an die Story hinter den Daten. Der Text sollte also immer eine bedeutsame Message mitteilen, die Statistik kann man als Zusatzinformation z.B. in Klammern zuordnen. Statistik ist wichtig – aber die ‚Story‘ auch.

Risiko und Wahrscheinlichkeit: Klinische Effekte korrekt kommunizieren

Chi-Quadrat-Test verstehen

Beim Chi-Quadrat-Test geht es um die erwartete und tatsächliche Häufigkeit. Er sagt aber nichts über Kausalität und ist bei kleinen Fallzahlen schnell überfordert. Trotzdem wird er beinahe inflationär eingesetzt.

Risk Ratio und Odds Ratio

Die Verwechslung von Risk Ratio und Odds Ratio hat großes Fehlerpotenzial (gleiches gilt natürlich auch für Risk und Odds: „„Problems arise for clinicians or authors when they interpret the odds ratio as a risk ratio, as the efficacy of protective interventions or the strength of disease determinate associations will be overestimated. (…) As they use different measures of disease frequency, it is important they are not treated as interchangeable.“ O’Connor AM. 2013. Interpretation of odds and risk ratios. J Vet Intern Med. 27(3):600-3

Häufigkeiten und Zeitverläufe: Mehr als nur Zählen

Kaplan-Meier richtig lesen

Kaplan-Meier-Kurven sind kein dekoratives Element. Sie zeigen „Zeit bis Ereignis“ – unter Berücksichtigung von Zensierung. Wer hier Kurven vergleicht, ohne das zugrunde liegende Modell zu verstehen, interpretiert schnell zu viel.

Inzidenz und Prävalenz

Ein häufiger Anfängerfehler: Inzidenz (neue Fälle) und Prävalenz (alle Fälle) werden vermischt. Für klinische und epidemiologische Aussagen ist diese Unterscheidung zentral. In einer Dissertation oder einem Paper sollte man die Erkrankungsrate oder den Anteil der Fälle an einem bestimmten Kollektiv nennen, also Inzidenz oder Prävalenz.

Per-Protocol vs. Intention-to-Treat

Bei der Per-Protocol-Analyse werden ausschließlich diejenigen Probanden berücksichtigt, die sich zu 100% prüfplankonform verhalten haben. Bei der Intention-to-treat-Analyse werden alle Probanden, die zu Studienbeginn einer bestimmten Untersuchungsgruppe zugeteilt waren, bei der Auswertung am Studienende berücksichtigt. Es gibt in klinischen Publikationen Gründe für beide Prinzipien, aber man sollte den Unterschied Per-Protocol vs. Intention-to-Treat kennen.

Fazit: Statistik als Werkzeug, nicht als Selbstzweck

Wenn du Statistik als Werkzeug begreifst und nicht als Pflichtübung, schreibst du eine bessere Dissertation oder ein besseres Paper und bist langfristig erfolgreicher. Genau dabei soll dieser Bereich des Blogs helfen.