Detektionsbias

Auch bekannt als: Surveillance Bias Ascertainment Bias in Outcomes Überwachungsbias

Statistical Error ID: detection_bias

Definition

Detektionsbias tritt auf, wenn der Prozess der Identifikation oder Messung von Ergebnissen sich systematisch zwischen den Vergleichsgruppen unterscheidet. Wenn eine Gruppe engmaschiger überwacht, häufiger getestet oder von Bewertenden beurteilt wird, die die Behandlungszuweisung kennen, spiegeln Unterschiede in erkannten Ergebnissen möglicherweise die Überwachungsintensität wider statt genuine Behandlungseffekte.

Beispiele

In einer Studie zur Arzneimittelsicherheit erhalten Patienten unter dem experimentellen Medikament monatliche Bluttests, während die Kontrollgruppe jährlich getestet wird. Die Medikamentengruppe zeigt eine höhere Rate an Leberenzymveränderungen, was aber großteils daran liegt, dass Auffälligkeiten durch die intensivere Testung häufiger entdeckt wurden.

Eine Studie vergleicht Depressionsraten bei Büroangestellten und Fabrikarbeitern. Die Angestellten erhalten als Teil ihres Betriebsgesundheitsprogramms regelmäßige psychologische Screenings, während Fabrikarbeiter nur bei eigenem Arztbesuch diagnostiziert werden. Die Studie kommt zu dem Schluss, Büroangestellte seien häufiger depressiv – dabei wurden Depressionen in dieser Gruppe schlicht öfter aktiv gesucht und gefunden.

In einer epidemiologischen Untersuchung zu Diabetes in zwei Stadtteilen wird im wohlhabenderen Viertel ein kostenloses mobiles Testangebot eingerichtet, während im ärmeren Viertel keine zusätzlichen Screenings stattfinden. Die Ergebnisse zeigen eine scheinbar höhere Diabetesprävalenz im reichen Viertel – ein Artefakt der intensiveren Diagnostik, nicht der tatsächlichen Krankheitshäufigkeit.

Prüfschritte

Prüfschritte

Binäre Ja/Nein-Fragen, die eine KI beantworten muss, um ein Argumentationsmuster in einem Text zu erkennen.

Jeder der 452 Aspekte hat Prüfschritte — einfache Ja/Nein-Fragen, die systematisch erkennen sollen, ob ein Muster in einem Text vorkommt. Für Ad Hominem: "Greift das Argument eine Person statt ihre Behauptung an?" Für falsche Dichotomie: "Werden nur zwei Optionen präsentiert, obwohl mehr existieren?"

Im Glossar ansehen →

Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:

1

Wurden Ergebnisse in der Behandlungs- und Kontrollgruppe unterschiedlich erfasst?
Typ: binary
2

Erhielt eine Gruppe häufigere Überwachung, Tests oder Nachbeobachtung als die andere?
Typ: binary
3

Könnte das Wissen um die Gruppenzugehörigkeit beeinflusst haben, wie Ergebnisse erkannt oder klassifiziert wurden?
Typ: binary
4

Waren die Ergebnisbewertenden gegenüber der Gruppenzugehörigkeit der Teilnehmenden verblindet?
Typ: binary

Beschreibung

Warum es funktioniert

Je genauer man hinsieht, desto mehr findet man. Wenn eine Gruppe intensiver beobachtet wird als eine andere, werden mehr Ergebnisse in dieser Gruppe entdeckt, unabhängig davon, ob die tatsächliche Rate differiert. Diese Asymmetrie in der Beobachtung wird leicht mit einem realen Unterschied verwechselt.

Wie man entgegnet

Identische Nachbeobachtungspläne, Testprotokolle und Bewertungskriterien für alle Gruppen sicherstellen. Ergebnisbewertende gegenüber der Gruppenzugehörigkeit verblinden. Adjudikationskomitees mit vordefinierten Kriterien zur Standardisierung der Ergebnisklassifikation einsetzen.

Auch bekannt als

Surveillance Bias Ascertainment Bias in Outcomes Überwachungsbias

Praxiskontext

Screening-Programme erzeugen Detektionsbias auf Bevölkerungsebene. Länder, die aggressiv auf Prostatakrebs screenen, entdecken mehr Fälle und berichten höhere Inzidenz, doch vieles davon spiegelt Überdiagnose langsam wachsender Tumoren wider, die nie Schaden verursacht hätten.