Die Kunst, die Zukunft zu erraten

Stellen Sie sich vor, Sie sind der Kapitän eines Schiffes und müssen entscheiden, ob Sie um ein gefährliches Riff herumsegeln oder das Risiko eines Abkürzungsversuchs durch einen nebligen Kanal eingehen sollen. Sie haben eine Karte, aber sie ist etwas verschwommen. Vielleicht ist das Riff eigentlich eine Sandbank, oder vielleicht ist der Nebel dichter, als Sie denken. In der Welt der Wissenschaft und Medizin stehen Entscheidungsträger jeden Tag genau vor diesem Problem. Sie nutzen „Entscheidungsmodelle“ – mathematische Landkarten –, um die beste Behandlung für Patienten oder die beste Politik für ein Land auszuwählen. Aber diese Karten beruhen auf Vermutungen über die Zukunft, wie etwa, wie wahrscheinlich die Wirksamkeit eines Medikaments ist oder wie hoch die Kosten sein werden.

Um diese Vermutungen klüger zu gestalten, nutzen Wissenschaftler ein Werkzeug namens Value of Information (VOI) – den Wert von Information. Betrachten Sie VOI als einen „Preisschild“ für Wissen. Es stellt die Frage: „Wenn wir die Antwort auf eine bestimmte Frage (wie die genaue Erfolgsrate eines Medikaments) jetzt sofort wüssten, wie viel Geld oder Gesundheit würden wir dadurch sparen, indem wir eine bessere Entscheidung treffen?“ Wenn die Antwort „viel“ lautet, ist es sinnvoll, Geld für eine neue Studie auszuge-geben, um diese Antwort zu finden. Wenn die Antwort „nicht viel“ lautet, sollten wir aufhören zu raten und einfach die beste Option wählen, die uns zur Verfügung steht.

Traditionell müssen Wissenschaftler, um diesen Preisschild zu berechnen, eine spezifische Karte der Zukunft auswählen. Sie müssen sagen: „Ich bin mir zu 100 % sicher, dass der Nebel so dicht ist.“ Aber in der realen Welt ist Evidenz oft unordentlich. Manchmal stützen die Daten gleichzeitig mehrere verschiedene Karten, und keine einzelne ist eindeutig der Gewinner. Hier setzt das neue Paper von Rowan Iskandar an, das einen Weg bietet, mit dem Nebel umzugehen, ohne so zu tun, als wäre er verschwunden.

Das Problem, nur eine Karte zu wählen

Das Paper befasst sich mit einem kniffligen Problem: Was passiert, wenn die Evidenz nicht auf nur eine „perfekte“ Karte deutet, sondern auf eine ganze Familie von vertretbaren Karten?

Stellen Sie sich vor, Sie versuchen, das Gewicht einer Geheimverpackung zu erraten.

• Der alte Weg: Sie wählen eine einzige Vermutung (sagen wir 10 Pfund), berechnen die Kosten, wenn Sie falsch liegen, und entscheiden dann, ob Sie eine Waage kaufen sollten.
• Die Realität: Die Evidenz stützt tatsächlich eine Spanne von Möglichkeiten. Die Box könnte 8, 10 oder 12 Pfund wiegen, und Sie können nicht beweisen, welche Angabe richtig ist. Wenn Sie einfach 10 Pfund annehmen, glauben Sie vielleicht, dass sich der Kauf einer Waage lohnt. Aber wenn die Box tatsächlich 8 Pfund wiegt, ist die Waage vielleicht überhaupt nicht wertvoll genug.

Der Autor argumentiert, dass es wie das Tragen von Scheuklappen ist, eine einzige Vermutung zu erzwingen, wenn man eine Spanne von Möglichkeiten hat. Es mag die Mathematik sauber aussehen lassen, aber es verbirgt die Tatsache, dass Ihre Schlussfolgerung vollständig davon abhängt, welche Vermutung Sie zufällig gewählt haben.

Der neue Ansatz: Der „neblige Umschlag“

Iskandar führt eine neue Methode namens Imprecise-Probability Value of Information (IP-VOI) ein. Anstatt eine einzige Karte zu wählen, hält diese Methode alle vertretbaren Karten gleichzeitig auf dem Tisch. Sie erstellt einen „nebligen Umschlag“ (foggy envelope), der sich um alle möglichen Antworten legt.

So funktioniert es im eigenen „Wundversorgung“-Beispiel des Papers (eine Studie darüber, wie chirurgische Wunden zu verbinden ist, um Infektionen zu vermeiden):

1. Der Aufbau: Die Forscher untersuchten eine Entscheidung darüber, welche Art von Verband verwendet werden sollte. Sie identifizierten 36 verschiedene Wege, die Evidenz zu interpretieren. Einige Karten gingen davon aus, dass das Infektionsrisiko hoch sei; andere nahmen an, dass es niedrig sei. Einige nahmen an, dass die Behandlungen auf eine bestimmte Weise verknüpft seien, andere nicht.
2. Das alte Ergebnis: Wenn man nur eine „Standard“-Karte wählt, besagt die Mathematik, dass der „Expected Value of Perfect Information“ (der erwartete Wert perfekter Information – also wie viel man durch das Wissen über alles gewinnen würde) etwa £152 pro Wunde beträgt. Dies deutet darauf hin, dass eine massive nationale Studie sinnvoll ist.
3. Das neue Ergebnis: Als die Forscher den Umschlag aller 36 Karten betrachteten, war der Wert dieser Information keine einzelne Zahl. Er war eine Spanne: £74 bis £249 pro Wunde.

Diese Spanne erzählt eine viel reichhaltigere Geschichte.

• Wenn der Entscheidungsschwellenwert (die Menge an Geld, die man einsparen muss, um eine Studie zu rechtfertigen) bei £50 liegt, ist die Studie unabhängig davon, welche Karte wahr ist, lohnenswert. Der gesamte Umschlag liegt über der Linie.
• Wenn der Schwellenwert bei £100 liegt, überschneidet der Umschlag die Linie. Das bedeutet, die Antwort ist annahmeabhängig (assumption-dependent). Wenn das Infektionsrisiko niedrig ist, lohnt sich die Studie nicht. Wenn es hoch ist, schon. Eine Analyse mit einer einzelnen Karte hätte diese Unsicherheit übersehen und könnte zu einer falschen Entscheidung geführt haben.

Das „Garantierte“ vs. das „Beste Schätzmaß“

Das Paper führt auch eine kluge Methode ein, um selbst dann eine Entscheidung zu treffen, wenn man unsicher ist. Es nutzt eine Regel namens „Lower-Expectation“ (oder das Denken im „Worst-Case“-Szenario). Anstatt zu fragen: „Was ist der durchschnittliche Gewinn?“, fragt es: „Was ist der garantierte Gewinn, selbst wenn die pessimistischste Karte zutrifft?“

Im Beispiel der Wundversorgung:

• Der „durchschnittliche“ Gewinn aus einer perfekten Studie war £152.
• Der „garantierte“ Gewinn (der Wert, den man erhält, selbst wenn die Evidenz auf der pessimistischen Seite liegt) war £122.

Dies ist ein entscheidender Unterschied. Es hilft Entscheidungsträgern zu sehen, ob eine Empfehlung robust (stabil über alle Möglichkeiten hinweg) oder fragil (funktioniert nur, wenn man die optimistischste Karte wählt) ist.

Was das Paper herausfindet (und was nicht)

Die Hauptfindung ist, dass diese neue Methode nicht nur eine andere Zahl liefert, sondern die Art der gestellten Frage verändert.

• Es findet heraus: Im Fall der nationalen Wundversorgung war die Schlussfolgerung, dass „eine Studie lohnenswert ist“, robust. Selbst die Worst-Case-Karte sagte, dass die Studie wertvoll sei.
• Es findet heraus: Für kleinere Gruppen (wie ein einzelnes Krankenhaus) wurde die Schlussfolgerung jedoch annahmeabhängig. Der Umschlag zeigte eine „Break-Even“-Zone, in der die Entscheidung davon abhing, welche Karte man glaubte.
• Es stellt klar: Das Paper argumentiert gegen die Idee, dass man immer einfach eine „beste“ Karte wählen und den Rest ignorieren kann. Es zeigt, dass dies einen irreführenden Eindruck von Sicherheit vermitteln kann. Wenn Ihr Ergebnis mit einer einzelnen Karte £150 beträgt, der Umschlag aber £74–£249 zeigt, wissen Sie nicht, ob Sie auf der sicheren Seite sind oder in Schwierigkeiten stecken.
• Es stellt klar: Dies ist kein Wundermittel, das die Unsicherheit vollständig beseitigt. Das Paper räumt ein, dass die Berechnung dieser Werte rechenintensiv ist (es braucht viel Computerleistung, um 36 Simulationen statt nur einer durchzuführen) und dass die Ergebnisse Simulationen sind, keine absoluten Beweise. Es stellt zudem klar, dass diese Methode für Fälle gedacht ist, in denen man den verschiedenen Karten keine Wahrscheinlichkeiten zuordnen kann (d. h. man weiß nicht, wie wahrscheinlich jede Karte ist). Wenn man diese Gewichtungen zuordnen kann, funktionieren die alten Methoden weiterhin.

Das Fazit

Dieses Paper ist wie eine neue Brille für Entscheidungsträger. Die alten Brillen ließen sie eine einzige, scharfe Linie sehen, an der die Antwort liegt. Die neuen Brillen zeigen eine verschwommene, schattierte Zone. Während eine verschwommene Zone auf den ersten Blick weniger zufriedenstellend erscheinen mag, ist sie tatsächlich ehrlicher. Sie sagt dem Entscheidungsträger: „Hier ist der Bereich dessen, was die Evidenz unterstützt. Wenn Ihre Entscheidung innerhalb dieser Zone sicher ist, führen Sie sie aus. Wenn Ihre Entscheidung nur am äußersten Rand der Zone funktioniert, seien Sie vorsichtig – Sie setzen dann eher auf eine Vermutung als auf eine Tatsache.“

Durch die Verwendung dieses „Umschlag“-Ansatzes können Wissenschaftler aufhören, so zu tun, als wüssten sie mehr, als sie tatsächlich wissen, und stattdessen Forschungsentscheidungen treffen, die wirklich robust sind, egal wie sich der Nebel lichtet.