In der Versorgungswissenschaft, jenem Teilgebiet der Gesundheitsökonomie, das sich damit beschäftigt, ob der richtige Patient zur richtigen Zeit die richtige Therapie erhält, ist es normal, Daten heranzuziehen, die nichts mit dem einzelnen Patienten zu tun haben, sondern nur indirekt auf ihn schließen lassen - es werden Surrogat-Parameter gemessen. Das klingt komplizierter, als es ist. Beispiel: Um die Energie eines Photons zu messen, sind aufwendige Experimente nötig. In der Praxis ist das unmöglich. Daher werden andere Parameter gesucht, die leicht zu erheben sind und höchstwahrscheinlich auch zur richtigen Antwort führen. Etwa die Farbe des Lichts, als Surrogat-Parameter für die Frequenz des Photons.

Dr. Ernest G. Pichlbauer ist unabhängiger Gesundheitsökonom und Publizist.
Dr. Ernest G. Pichlbauer ist unabhängiger Gesundheitsökonom und Publizist.

Surrogat-Parameter sind leicht erhebbar und sollen, sofern die dahinterliegende Hypothese plausibel ist, eine gute Annäherung liefern. Will man wissen, wie viele Diabetiker es gibt, kann man zum Beispiel den Taillenumfang messen - ein sehr leicht zu messender Parameter mit erstaunlicher Aussagekraft. Oder man schätzt anhand der Kraft des Händedrucks die Gebrechlichkeit ab, anhand des Blutdrucks das Schlaganfall-Risiko, anhand der Cholesterinwerte das Herzinfarkt-Risiko etc.

Doch solche Surrogat-Parameter sind trickreich. Wenn nämlich in der Hypothese ein Fehler vorliegt, hat man schnell völlig falsche Aussagen. Nehmen wir den Intelligenzquotienten, einen sehr aufwendig zu erhebenden Parameter. Erstaunlicherweise geht der IQ mit der Schuhgröße einher - je größer die Füße, desto höher der IQ. Und weil Schuhgrößen leichter erhebbar sind, brauchen wir also nur die Schuhgröße zu messen - oder?

Nein, denn die Hypothese ist falsch. Das Alter und die damit verbundene sprachliche Kompetenz führen dazu, dass man, den gleichen Test vorausgesetzt, immer "gescheiter" wird. Die Schuhgröße ist also ein Surrogat-Parameter für das Alter - und wenn man zweimal ums Eck schaut, summiert sich in der Praxis, die immer komplex ist, der Fehler, und man kommt zu falschen Schlüssen.

Genau das passiert gerade beim Messen der Corona-Müdigkeit mithilfe von Mobiltelefondaten. Diese Daten zeigen, dass wir uns mehr bewegen als im Frühjahr 2020 - mehr eigentlich nicht. Doch Medien und Politiker machen daraus klare und einfache Aussagen: Die Mobilität sinkt nicht so stark wie im Frühjahr 2020, also halten sich die Menschen nicht an die Vorschriften, deswegen sinken die Infektionszahlen nicht rasch genug, deswegen müssen die Vorschriften verschärft werden.

Der allgemeine Wunsch, Komplexes möglichst einfach zu erklären und so Schuld und damit Kausalität zuzuweisen, ist verständlich - er darf aber nicht davon ablenken, dass solche Erklärungen nichts Wahres in sich tragen müssen.

Denn was passiert, wenn wir unterstellen, dass diese Daten nur widerspiegeln, dass wir viel häufiger Spazieren gehen - was wir ja sollten? Dass also Mobilität, gemessen über Mobiltelefondaten, eigentlich etwas Richtiges wäre? Dann wäre der Ruf nach verschärften Vorschriften plötzlich völlig falsch, und die Politik müssten eine andere Antwort finden, warum die Corona-Zahlen nicht sinken.