Gastbeitrag
Corona-Schnelltests – die Prävalenz macht’s!
Antigen-Schnelltests werden bei der Corona-Diagnostik mehr an Relevanz gewinnen. Die Testergebnisse müssen aber im jeweiligen Testkontext bewertet werden. Für die Aufklärung ihrer Patienten können Ärzte etwa „Icon Arrays“ einsetzen.
Veröffentlicht:
Tropf, tropf, tropf: Auch bei Corona-Schnelltests kommt es für die Aussagekraft auf die Prävalenz an.
© Sven Hoppe / dpa
Mit der dritten Coronavirus-Testverordnung haben Antigen-Schnelltests auf SARS-CoV-2 eine große Relevanz bekommen. Danach können sie zum Screening etwa in Gesundheitseinrichtungen eingesetzt werden, aber auch zum Test von Besuchern in Pflegeeinrichtungen.
Doch entscheidend für die Bewertung der Ergebnisse solcher Tests ist das Verständnis der Testsituation. Denn je nach Anlass und Setting ändert sich die Aussagekraft der Tests, wie wir in der Grafik zeigen. Sie vergleicht Massentests oder Screenings an der Gesamtbevölkerung bei sehr niedrigerer Prävalenz mit gezielteren Tests bei Personen mit COVID-19-Symptomen.
Resultate verständlich darstellen
Zur Darstellung verwenden wir Icon Arrays. Sie beruhen auf natürlichen Häufigkeiten (natural frequencies; Gigerenzer 2011) und stellen Fallzahlen möglichst einfach und konkret dar – hier von richtig positiven, falsch positiven, richtig negativen und falsch negativen Testergebnissen. Wissenschaftliche Studien zeigen, dass Icon Arrays Menschen helfen, Zahlen und Risiken leichter zu verstehen.
Dies wurde im medizinischen Kontext validiert (z.B. McDowell et al. 2019, Garcia-Retamero & Cokeley 2014) und es gilt auch für Personen mit geringeren numerischen Fähigkeiten – also Personen, die Probleme im Umgang mit Zahlen haben – und für Personen mit geringem Interesse an numerischen Informationen (Galesic, Garcia-Retamero & Gigerenzer 2009; Garcia-Retamero, Okan & Cokeley 2012).
© RKI
In der Grafik haben wir zwei verschiedene Testprinzipien simuliert: Einmal sind von 10.000 getesteten Personen fünf (links, Massentest) und einmal 1000 Personen (rechts, zielgerichteter Test) tatsächlich infiziert. Dies führt zu sehr unterschiedlich verlässlichen Testresultaten.
Der Antigen-Schnelltest auf SARS-CoV-2 ist positiv: Wie wahrscheinlich ist es, dass die getestete Person tatsächlich akut infiziert ist? Oder aber der Test ist negativ: Wie wahrscheinlich ist es, dass die getestete Person tatsächlich nicht akut infiziert ist? Wie würden Sie Ihren Patienten und Patientinnen diese Fragen beantworten?
Die Testgruppe ist entscheidend ...
Bei der Antwort müssen unterschiedliche Faktoren berücksichtigt werden. Hier erläutern wir, weshalb die Interpretation von Antigen-Schnelltest-Resultaten nicht nur von den Testgütekriterien abhängt, sondern auch davon, wie weit das SARS-2-Coronavirus in der getesteten Gruppe verbreitet ist.
Die Qualität von Tests wird bekanntlich mit den zwei Testgütekriterien Sensitivität und Spezifität beziffert. Die Sensitivität (Richtig-Positiv-Rate) eines Tests beschreibt seine Fähigkeit, mit SARS-CoV-2 infizierte Personen korrekt zu identifizieren.
Die Spezifität (Richtig-Negativ-Rate) eines Tests beschreibt seine Fähigkeit, diejenigen Personen korrekt zu identifizieren, die nicht mit SARS-CoV-2 infiziert sind. Eine Übersichtsarbeit gibt für Antigen-Schnelltests Sensitivitäten von 29,7 bis 79,8 Prozent und Spezifitäten von 98,8 bis 99,9 Prozent an (Dinnes et al. 2020).
Demgegenüber geben verschiedene Hersteller der Antigen-Tests eher Sensitivitäten von 90 bis 98 Prozent und Spezifitäten von 98 bis 100 Prozent an.
Die Angaben der Hersteller beziehen sich allerdings auf Proben, die laut PCR-Test alle positiv waren. In der Praxis enthalten jedoch nur rund 80 Prozent aller Proben von infizierten Personen das Virus, zum Beispiel aufgrund präanalytischer Fehler etwa beim Abstrich (Kucirka et al. 2020). Daher wird die maximale klinische Sensitivität in der Regel konservativer geschätzt mit 80 Prozent.
... und die Verbreitung des Virus
Diese Testgütekriterien dürfen jedoch nicht isoliert betrachtet werden, denn die Aussagekraft des Tests hängt bedeutend auch davon ab, wie groß der Anteil tatsächlich Infizierter in der getesteten Gruppe ist. In der Gesamtbevölkerung ist der Anteil akut mit SARS-CoV-2 infizierter Personen gering.
Für unser Beispiel wird die Wahrscheinlichkeit, dass eine Person mit einem positiven Testergebnis tatsächlich mit dem Virus infiziert ist, mit 4/(4+200) 0,019 (1,9 Prozent) für Massenuntersuchungen angenommen und mit 800/(800+180) 0,816 (81,6 Prozent) für gezieltere Untersuchungen. Idealerweise sollte ein positives Testergebnis durch einen zusätzlichen PCR-Test bestätigt werden.
Die Wahrscheinlichkeit, dass eine Person mit negativem Testergebnis tatsächlich nicht infiziert ist, beträgt 9,795/(9,795+1) 0,9999 (99,99 Prozent) bei Massenuntersuchungen und 8,820/(8,820+200) 0,978 (97,8 Prozent) bei gezielten Untersuchungen.
Positive Resultate bei höherer Prävalenz zuverlässiger
Je nach Testansatz beträgt die Wahrscheinlichkeit, dass eine Person trotz negativen Testergebnisses infiziert ist somit 0,01 Prozent (Massentest) oder 2,2 Prozent (zielgerichteter Test).
Zusammenfassend bedeutet das für die klinische Praxis: Je niedriger die Prävalenz, desto unsicherer sind positive Testresultate und je höher die Prävalenz, desto unsicherer sind negative Testresultate. Bei Massentests, also bei niedriger Prävalenz, werden viele falsch positive Testergebnisse mit SARS-CoV-2-Antigen-Schnelltests erzeugt.
Dagegen sind positive Testresultate bei gezielterem Testen (etwa von symptomatischen Personen), also bei höherer Prävalenz, verlässlicher. Die Aussagekraft der Tests hängt somit stark vom Testansatz und der Verbreitung des Virus ab.
Auf einen Blick
Was Ärzte zu Corona-Tests wissen sollten
Über die Autoren
Das Team um Frau Dr. Jenny1,3,4 ist seit Juli dieses Jahres für fachöffentlichkeitsgerichtete Wissenschaftskommunikation des Robert Koch-Instituts zuständig. Das interdisziplinäre Kommunikations-, Forschungs- und Transferteam ist derzeit auf Themen rund um die COVID-19-Pandemie fokussiert, wird künftig jedoch sämtliche Themenbereiche des RKI abdecken.
Die Kognitionswissenschaftlerin Frau Dr. Jenny leitet die Gruppe, die Chemikerin Dr. Ines Lein1,4 koordiniert und schreibt für die (Fach-)Öffentlichkeit, die Mikrobiologin Dr. Esther-Maria Antão1 leitet das Museum am RKI und ist für Grafik und Design verantwortlich und die Kognitionspsychologin Dr. Christina Leuker1,3 forscht zu Themen rund um Informationssuche, Risikowahrnehmung und Kommunikation.
Herr Dr. von Kleist2 ist Bioinformatiker und Mathematiker und leitet die Fachgruppe Bioinformatik am RKI. Er beschäftigt sich derzeit mit der bioinformatischen Analyse von SARS-CoV-2-Genomen, der Inzidenz-Schätzung und der Modellierung von Test- und Containment-Strategien.
- 1: Projektgruppe Wissenschaftskommunikation, Robert Koch-Institut, Berlin
- 2: Bioinformatik, Robert Koch-Institut, Berlin
- 3: Adaptive Rationalität, Max-Planck-Institut für Bildungsforschung, Berlin
- 4: Harding-Zentrum für Risikokompetenz, Fakultät für Gesundheitswissenschaften, Universität Potsdam
Referenzen
- Dinnes, J., Deeks, J. J., Adriano, A., Berhane, S., Davenport, C., Dittrich, S., ... & Dretzke, J. (2020). Rapid, point of care antigen and molecular based tests for diagnosis of SARS CoV 2 infection. Cochrane Database of Systematic Reviews, (8). 2020 Aug 26, https://doi.org/10.1002/14651858.CD013705
- Galesic, M., Garcia-Retamero, R., & Gigerenzer, G. (2009). Using icon arrays to communicate medical risks: Overcoming low numeracy. Health Psychology, 28(2), 210–216. https://doi.org/10.1037/a0014474
- Garcia Retamero, R., & Cokely, E. T. (2014). The influence of skills, message frame, and visual aids on prevention of sexually transmitted diseases. Journal of Behavioral Decision Making, 27(2), 179-189. https://doi.org/10.1002/bdm.1797
- Garcia-Retamero, R., Okan, Y., & Cokely, E. T. (2012). Using visual aids to improve communication of risks about health: a review. The Scientific World Journal, 2012. https://doi.org/10.1100/2012/562637
- Gigerenzer, G. (2011). What are natural frequencies? BMJ, 343, d6386. https://doi.org/10.1136/bmj.d6386
- Kucirka, L. M., Lauer, S. A., Laeyendecker, O., Boon, D., & Lessler, J. (2020). Variation in false-negative rate of reverse transcriptase polymerase chain reaction–based SARS-CoV-2 tests by time since exposure. Annals of Internal Medicine. https://doi.org/10.7326/M20-1495
- McDowell, M. E., Gigerenzer, G., Wegwarth, O., & Rebitschek, F. G. (2019). Effect of tabular and icon fact box formats on comprehension of benefits and harms of prostate cancer screening: A randomized trial. Medical Decision Making, 39, 41-56. https://doi.org/10.1177/0272989X18818166
