isiken oder Wahrscheinlichkeiten unklar sind. Wir bevorzugen Entscheidungen, bei denen wir glauben, die Lage besser einschätzen zu können – selbst wenn die „klare“ Option objektiv nicht besser ist. In der Forschung führt dieser Bias dazu, dass Studien mit unvollständigen Daten, unsicheren Ergebnissen oder komplexen Designs seltener berücksichtigt oder falsch interpretiert werden. In der klinischen Praxis beeinflusst er, wie wir Diagnosen, Therapien und Risiken bewerten.
Beispiel aus der Notfallmedizin
Situation: Ein Patient kommt mit Brustschmerzen in die Notaufnahme. Zwei diagnostische Wege stehen zur Verfügung:
- Option A: hochsensitiver Troponin-Test, dessen Aussagekraft du gut kennst
- Option B: neuer Biomarker, der in ersten Studien vielversprechend wirkt, aber dessen Genauigkeit in bestimmten Subgruppen noch unklar ist
Ambiguity Bias in Aktion: Obwohl Option B möglicherweise schneller oder genauer sein könnte, tendieren viele automatisch zu Option A – nicht unbedingt, weil sie besser ist, sondern weil sie vertrauter und weniger unklar erscheint. Die Unsicherheit über die Datenlage von Option B führt dazu, dass sie gemieden wird, selbst wenn sie potenziell einen Vorteil bieten könnte.
Konsequenz: Der Ambiguity Bias kann Innovationen ausbremsen, diagnostische Chancen verpassen lassen oder dazu führen, dass man sich zu sehr auf bekannte, aber nicht optimale Strategien verlässt.
Warum das wichtig ist?
Gerade in der Notfallmedizin, wo Entscheidungen unter Zeitdruck fallen, ist es entscheidend, sich dieser Verzerrung bewusst zu sein. Ambiguity Bias bedeutet nicht, dass man Risiken eingehen soll – sondern dass man reflektieren sollte, warum man eine Option bevorzugt: Wegen der Evidenz oder wegen der Vertrautheit?
Sei der Erste der einen Kommentar abgibt