Präventionsmedizin
Die Unterscheidung zwischen "gesund" und "krank" ist manchmal schwer
Normaler Befund, noch normal – oder sicher pathologisch? Ein streitbarer Präventionsmediziner weist auf die Probleme der Kategorisierung in "gesund" und "krank" hin.
Veröffentlicht:
Kindliche Doktorspiele. Im echten Arztalltag ist es dagegen oft nicht ganz so leicht zwischen "gesund" und "krank" zu unterscheiden.
© famveldman / stock.adobe.com
WIESBADEN. Im klinischen Alltag dienen Grenzwerte zur Unterscheidung von gesund und krank. Selbst bei Standardlaborwerten gebe es aber oft nur sehr begrenzt Daten zur natürlichen Variabilität, etwa in Bezug auf Geschlecht und Alter oder Herkunft und Lebensraum. Nach jahrzehntelanger Anwendung wurde zum Beispiel erst kürzlich festgestellt, dass der glykolysierte Hämoglobinwert (HbA1c) bei Afroamerikanern mit Sichelzellerkrankung systematisch unterschätzt wurde.
Zudem sei meist kaum bekannt, ob die Laborwerte tatsächlich mit klinischen Endpunkten korrelieren, so Professor John P.A. Ioannidis, Stanford Universität in Kalifornien. Der streitbare Präventionsmediziner argumentierte beim europäischen Internistenkongress in Wiesbaden gegen den Trend, immer mehr zu screenen, immer früher zu diagnostizieren, immer früher zu therapieren.
Daten können personalisierte Medizin befeuern
Gerade die "Präzisionsmedizin" mit riesigen Datenmengen scheint die Möglichkeit zu bieten, aufgrund von massenhaft gesammelten Patientendaten eine hochgradig personalisierte Medizin anzubieten. Mit der Fülle an genomischen, proteomischen oder metabolischen Daten sei es aber noch schwieriger, überhaupt zu definieren, was normal ist, so Ioannidis. Häufig bedeute Big data nur die Ansammlung von immer mehr irrelevanten Daten, die aber immer neue Screeningmaßnahmen unterstützen sollen.
Nicht nur moderne, auch länger etablierte Tests haben ihre Tücken: So wird der Patient Health Questionnaire-9 (PHQ-9) in vielen Bereichen empfohlen, um die häufige Begleiterkrankung Depression zu erkennen. In Studien werden aber bis heute ganz unterschiedliche Cut-off-Werte verwendet.
Ergibt der häufig verwendete Schwellenwert für eine depressive Symptomatik von 10 Punkten keine ausreichende Sensitivität, neigten die Autoren in vielen Studien dazu, niedrigere Werte zu verwenden, um entsprechend bessere Ergebnisse zu erzielen. "Die Auswahl des Cut-offs wird optimiert, um das Screening besser aussehen zu lassen", erläuterte Ioannidis. Das bedeutet in der Praxis: "Wenn wir uns nicht einigen können, was normal ist, ist es einfacher, mehr Leute abnorm zu machen."
Viele Fehldiagnosen
Aufgrund der weiter gefassten Definition von abnormen Befunden wird dann eine Vorform der Erkrankung definiert, zum Beispiel die milde kognitive Einschränkung (MCI) als Vorform der Alzheimer Demenz oder der Prädiabetes als Vorstufe zum Diabetes mellitus. Einige Jahre später wird diese Situation schließlich zur Erkrankung erklärt.
Das führt für Ioannidis klar zu einer großen Zahl von Menschen mit einer Fehldiagnose mit der Folge einer überzogenen Medikalisierung, aber auch anderen schwerwiegenden Konsequenzen für die Patienten wie einer Stigmatisierung bei der Diagnose etwa einer MCI. Gleichzeitig wird ein massiver Druck aufgebaut, dass die Befunde, die vor Kurzem noch im Normbereich lagen, nun als Präerkrankung oder neue Frühform einer Erkrankung weiter untersucht werden müssen.
"Wir sind unter Druck", so der Präventionsmediziner. "Wir sollen immer mehr Sceeningtests durchführen, immer früher diagnostizieren, immer früher behandeln und die Maßnahmen auch noch präzise auf jeden Patienten individuell anpassen." Ioannidis riet zu Zurückhaltung: "Denken Sie nach, bevor Sie testen, denken Sie nach, bevor Sie behandeln!"
