Was bedeutet Evidenz? Einfach erklärt

Evidenz bedeutet in der Medizin nicht „offensichtlich“, sondern „nachprüfbarer Beleg“. Der Begriff folgt dem englischen evidence. Evidenzbasierte Medizin heißt entsprechend, Entscheidungen bewusst auf den besten verfügbaren Beleg zu stützen statt auf Erfahrung, Plausibilität oder Autorität allein. Wie stark ein Beleg ist, hängt vom Studiendesign ab — und genau diese Abstufung macht die Evidenzpyramide sichtbar.

Warum der deutsche Alltagsbegriff in die Irre führt

Im Deutschen bedeutet „evident“ so viel wie augenscheinlich oder offenkundig. Der medizinische Fachbegriff meint fast das Gegenteil: Er bezeichnet gerade den Beleg, der nötig ist, weil etwas eben nicht offenkundig ist. Die klassische Definition beschreibt evidenzbasierte Medizin als den gewissenhaften und wohlüberlegten Gebrauch der jeweils besten verfügbaren Belege für Entscheidungen über die Versorgung einzelner Patienten (Sackett et al., 1996).

Zwei Punkte dieser Definition werden regelmäßig überlesen. Erstens spricht sie von den besten verfügbaren Belegen — nicht von perfekten. Wenn nur Tierdaten existieren, sind Tierdaten die beste verfügbare Evidenz, und die Aussage bleibt entsprechend schwach. Zweitens ersetzt evidenzbasierte Medizin die klinische Erfahrung nicht, sondern verbindet sie mit externen Belegen. Ein Studienergebnis sagt etwas über eine Gruppe, nicht über eine einzelne Person.

Wie ist die Evidenzpyramide aufgebaut?

Die Pyramide ordnet Studientypen danach, wie gut sie ausschließen, dass ein beobachteter Effekt durch etwas anderes als die Behandlung zustande kam. Von oben nach unten:

1. Systematische Übersichtsarbeit mit Metaanalyse — fasst alle auffindbaren Studien zu einer Frage nach festgelegten Regeln zusammen und rechnet sie statistisch zusammen.
2. Randomisierte kontrollierte Studie (RCT) — die stärkste Einzelstudie zur Frage, ob eine Behandlung wirkt.
3. Kohortenstudie — begleitet Gruppen über die Zeit, ohne die Zuteilung zu steuern.
4. Fall-Kontroll-Studie — vergleicht Erkrankte mit Nicht-Erkrankten rückblickend.
5. Fallserie und Einzelfallbericht — beschreibt Verläufe ohne Vergleichsgruppe.
6. Tierstudie — kontrollierbar, aber an einem anderen Organismus.
7. Zellversuch (in vitro) — kontrollierbar, aber ohne Organismus.
8. Expertenmeinung — ohne eigene Datengrundlage.

Diese Reihenfolge ist eine Vereinfachung, und man sollte sie als solche kennen. Neuere Systematiken ordnen nicht mehr allein nach Design, sondern zusätzlich nach der gestellten Frage: Für die Frage „Wirkt diese Behandlung?“ steht der RCT oben, für „Wie häufig ist dieses Problem?“ dagegen eine gut gemachte Bevölkerungsstichprobe (OCEBM, 2011). Und ein methodisch schwacher RCT kann weniger wert sein als eine sorgfältige Kohortenstudie. Die Stufe gibt die Ausgangserwartung vor, nicht das Urteil.

Was macht eine randomisierte kontrollierte Studie aus?

Drei Merkmale, die jeweils eine bestimmte Fehlerquelle ausschalten sollen.

Randomisierung. Der Zufall entscheidet, wer die Prüfsubstanz erhält und wer nicht. Das klingt beliebig, ist aber der entscheidende Kunstgriff: Nur so verteilen sich auch die Eigenschaften gleichmäßig, an die niemand gedacht hat. Ohne Randomisierung landen tendenziell die motivierteren oder weniger schwer Betroffenen in der Behandlungsgruppe, und der gemessene Unterschied bildet dann teilweise diese Vorauswahl ab.

Kontrollgruppe. Ohne Vergleich lässt sich nicht sagen, was ohnehin passiert wäre. Viele Beschwerden bessern sich von selbst, und die Erwartung einer Behandlung verändert das Befinden messbar. In den Studien zu GLP-1-Peptiden verlieren auch die Placebogruppen Gewicht — in STEP-1 im Mittel 2,4 Prozent (Wilding et al., 2021). Wer nur die 14,9 Prozent der Behandlungsgruppe zitiert, überschätzt den Substanzeffekt um genau diese Differenz.

Verblindung. Teilnehmer wissen nicht, in welcher Gruppe sie sind. Bei doppelter Verblindung wissen es auch die Behandelnden nicht, bei dreifacher zusätzlich die Auswertenden. Das verhindert, dass Erwartungen die Berichte über Symptome oder die Bewertung von Befunden verschieben.

Hinzu kommt eine vierte Anforderung, die weniger bekannt ist: Der wichtigste Endpunkt und die Auswertungsmethode müssen vor Studienbeginn festgelegt und öffentlich registriert sein (ICH E9). Ohne diese Festlegung ließe sich nach Abschluss aus vielen gemessenen Werten der günstigste heraussuchen — was praktisch immer ein positives Ergebnis liefert.

Primärer Endpunkt, sekundärer Endpunkt, Surrogatparameter

Der primäre Endpunkt ist die eine Frage, für deren Beantwortung die Studie geplant und deren Teilnehmerzahl darauf berechnet wurde. Er entscheidet über Erfolg oder Misserfolg. Sekundäre Endpunkte sind alle weiteren mitgemessenen Größen; sie erzeugen Hinweise, aber keine tragfähigen Belege, weil bei vielen gleichzeitig geprüften Werten einige allein durch Zufall auffällig werden.

Quer dazu liegt die Unterscheidung zwischen hartem Endpunkt und Surrogatparameter. Ein harter Endpunkt ist ein Ereignis, das für die betroffene Person unmittelbar zählt: Herzinfarkt, Schlaganfall, Dialysepflicht, Tod. Ein Surrogatparameter ist ein Messwert, von dem man annimmt, dass er damit zusammenhängt: HbA1c, Körpergewicht, Blutdruck, ein Hormonspiegel wie IGF-1.

Die Annahme trägt nicht immer. Die klassische Analyse dieses Problems dokumentiert Fälle, in denen ein Wirkstoff den Surrogatparameter verbesserte und die Sterblichkeit dennoch stieg (Fleming und DeMets, 1996). Ein Surrogatparameter zeigt, dass die Substanz im Körper etwas tut. Ob daraus ein Nutzen folgt, ist eine eigene Frage, die eine eigene Studie verlangt.

Was sagen p-Wert und Konfidenzintervall?

Der p-Wert beantwortet eine einzige, eng gefasste Frage: Wie wahrscheinlich wäre ein mindestens so großer Unterschied, wenn die Substanz in Wahrheit keinen Effekt hätte? Bei p = 0,01 wäre ein solches Ergebnis unter dieser Annahme selten. Üblich ist die Schwelle 0,05.

Zwei Fehldeutungen sind so verbreitet, dass sie erwähnt werden müssen. Der p-Wert sagt nichts über die Größe eines Effekts — bei sehr großen Teilnehmerzahlen wird auch ein winziger, praktisch bedeutungsloser Unterschied statistisch signifikant. Und er ist nicht die Wahrscheinlichkeit, dass die Substanz wirkt; er setzt das Gegenteil bereits voraus und rechnet von dort aus. Ein breit getragener Fachkommentar wendet sich deshalb gegen die starre Deutung der 0,05-Schwelle und insbesondere gegen den Schluss von einem nicht signifikanten Ergebnis auf „kein Effekt“ (Amrhein et al., 2019).

Das Konfidenzintervall ist informativer, weil es die Größe mitliefert. Es benennt den Bereich, in dem der wahre Wert bei wiederholter Durchführung der Studie mit der angegebenen Häufigkeit läge — üblich sind 95 Prozent. In SELECT lag die Risikoreduktion für schwere kardiovaskuläre Ereignisse bei einer Hazard Ratio von 0,80 mit einem 95-Prozent-Intervall von 0,72 bis 0,90 (Lincoff et al., 2023). Zwei Dinge lassen sich daran ablesen: Der Bereich enthält die 1,0 nicht, das Ergebnis ist also signifikant. Und er ist schmal, die Schätzung damit präzise. Ein Intervall von 0,40 bis 0,99 wäre ebenfalls signifikant, aber so weit, dass die tatsächliche Effektgröße weitgehend offen bliebe.

Zwei Beispiele nebeneinander

Semaglutid, SELECT. Randomisierte, placebokontrollierte, doppelblinde Studie mit 17.604 Teilnehmern über eine mediane Beobachtungszeit von rund 40 Monaten. Primärer Endpunkt: kardiovaskulärer Tod, nicht-tödlicher Herzinfarkt oder Schlaganfall — ein harter Endpunkt. Ergebnis: 20 Prozent Risikoreduktion, Hazard Ratio 0,80 (95-Prozent-Intervall 0,72–0,90). Evidenzstufe: RCT, oberes Drittel der Pyramide. Details im Profil zu Semaglutid.

BPC-157. Rund 200 auf PubMed indexierte Arbeiten, überwiegend Rattenmodelle, dazu Zellversuche. Eine unabhängige Übersichtsarbeit hält fest, dass abgeschlossene klinische Studien zur Wirksamkeit am Menschen fehlen, und quantifiziert zugleich eine methodische Auffälligkeit: Mehr als 80 Prozent der Publikationen tragen dieselbe Arbeitsgruppe als Erst- oder Letztautor (Józwiak et al., 2025). Belastbar ist eine präklinische Toxikologie an vier Tierarten (Xu et al., 2020). Evidenzstufe: Tierstudie und in vitro, unteres Drittel. Details im Profil zu BPC-157.

Der Unterschied liegt nicht darin, dass die eine Substanz wirkt und die andere nicht. Er liegt darin, dass die eine Frage beantwortet ist und die andere nicht gestellt wurde.

Warum heißt „keine Studien“ nicht „sicher“?

Weil unerwünschte Wirkungen nur dann sichtbar werden, wenn jemand systematisch nach ihnen sucht, sie mit einer Vergleichsgruppe abgleicht und die Ergebnisse veröffentlicht. Fehlt dieses Verfahren, entsteht keine leere Risikobilanz, sondern gar keine.

Dazu kommt ein Größenordnungsproblem. Eine Nebenwirkung, die bei einem von tausend Behandelten auftritt, bleibt in einer Studie mit 40 Teilnehmern über vier Wochen mit hoher Wahrscheinlichkeit unentdeckt — auch dann, wenn sie existiert. Erst Zulassungsprogramme mit Tausenden Teilnehmern und die anschließende Überwachung im Markt machen seltene Ereignisse überhaupt auffindbar.

Und schließlich ist die Wahrscheinlichkeit, dass eine vielversprechende Substanz die Strecke von der ersten Studie am Menschen bis zur Zulassung schafft, gering: Eine Auswertung von über 400.000 Registereinträgen beziffert sie über alle Indikationen hinweg auf 13,8 Prozent (Wong et al., 2019). Der überwiegende Teil scheitert an fehlender Wirksamkeit oder an Sicherheitsproblemen, die vorher nicht sichtbar waren. Eine Substanz, die diese Strecke nie angetreten hat, hat damit auch die Prüfungen nicht bestanden — sie ist ihnen ausgewichen.

---

Dieser Beitrag erklärt methodische Grundlagen und ist keine medizinische Beratung. Er enthält keine Anwendungs- oder Dosierungsempfehlung.