Epidemiologie klingt nach einem speziellen Fach der öffentlichen Gesundheit. Besser versteht man sie als das gesammelte Wissen darüber, wie Bevölkerungsgesundheitsdaten Menschen täuschen – aufgeschrieben von einem Fach, das wiederholt getäuscht wurde und daraus gelernt hat.
Das macht sie direkt relevant für alle, die mit Gesundheitsdaten arbeiten – eine heute viel größere Gruppe als die Menschen, die sich selbst Epidemiologen nennen.
Die Disziplin, die dich davor bewahren soll, dich selbst zu täuschen
Gesundheitsdaten haben Eigenschaften, die die gewöhnliche analytische Intuition außer Kraft setzen.
Menschen werden Expositionen nicht zufällig zugeteilt. Kranke Menschen suchen Behandlung auf, also ist das Erscheinen in einem Datensatz nicht unabhängig davon, krank zu sein. Eine Messung findet statt, weil jemand entschieden hat zu messen, und diese Entscheidung trägt Information. Ergebnisse brauchen Jahre. Und die Population, die die Daten erzeugt hat, ist nicht die Population, auf die die Schlussfolgerung angewendet wird.
Die Methoden gibt es, weil die naheliegende Analyse oft genug falsch war, um über ein Jahrhundert hinweg wiederholt echten Schaden anzurichten.
Der Future of Jobs Report 2025 des World Economic Forum stellte fest, dass 92 Prozent der Arbeitgeber in medizinischen und Gesundheitsdienstleistungen sagen, KI- und Big-Data-Kompetenzen würden wichtiger. Diese Nachfrage wird größtenteils von Menschen gedeckt, die an Daten ausgebildet wurden, die sich überhaupt nicht wie Gesundheitsdaten verhalten.
Was die Fachrichtung abdeckt
Der Umfang: wie sich Krankheiten ausbreiten, Prävention, Bevölkerungsgesundheit, Biostatistik, Gesundheitspolitik und Ungleichheit.
Vier Kompetenzen.
Studiendesign. Kohorte, Fall-Kontroll-Studie, Querschnitt, randomisiert. Welche Frage jedes Design beantworten kann und welche nicht. Die meisten analytischen Streitfragen klären sich auf dieser Ebene, nicht bei der Statistik.
Maße für Zusammenhang und Wirkung. Relatives und absolutes Risiko, Odds Ratios, Numbers Needed to Treat. Zu verstehen, warum eine große relative Veränderung absolut trivial sein kann – die am häufigsten ausgenutzte Lücke in der Gesundheitsberichterstattung.
Bias und Confounding. Die systematischen Wege, auf denen eine Studie falschliegen kann, und was sich jeweils dagegen tun lässt.
Bevölkerungsgesundheit und Prävention. Screening, Impfung, Surveillance und die Logik hinter Interventionen auf Bevölkerungsebene.
Vier Fehler, die sich ständig wiederholen
Confounding als Kausalität gelesen. Zwei Dinge bewegen sich gemeinsam, weil ein drittes beide antreibt. In Gesundheitsdaten ist dieses Dritte sehr oft Alter, sozioökonomische Benachteiligung oder Ausgangsschwere – und alle drei hängen stark mit fast jedem Ergebnis zusammen.
Selektionseffekte in Routinedaten. Elektronische Akten enthalten Menschen, die Behandlung gesucht haben und getestet wurden. Ein Modell, das auf diesen Daten trainiert wird, lernt über die getestete Population, nicht über die allgemeine. Das lässt sich nicht durch mehr Daten beheben, denn mehr Daten aus derselben Quelle tragen dieselbe Selektion in sich.
Vernachlässigung der Basisrate bei der Testleistung. Der folgenreichste Fehler auf dieser Liste. Ein Test mit exzellenter Sensitivität und Spezifität liefert überwiegend falsch-positive Ergebnisse, wenn die Erkrankung selten ist, weil die Zahl der Menschen ohne die Erkrankung so viel größer ist. Wer eine Diagnostik, ein Screening-Programm oder eine Vorhersagewarnung bewertet, braucht das – und es fehlt routinemäßig in Produktaussagen.
Konkurrierende Risiken und „unsterbliche Zeit“. Subtilere Probleme rund um den Umgang mit Zeit, die beide aus dem Nichts beeindruckend aussehende Effekte erzeugen. Sie tauchen häufig in Analysen von Routinedaten auf, bei Menschen, die ihnen noch nie begegnet sind.
Wo das in der Domäne steht
Öffentliche Gesundheit und Epidemiologie ist die vierte von zehn Fachrichtungen in der Domäne Medizin und Healthtech von Astra Trainer, und sie ist das methodische Rückgrat der darüberliegenden: klinische Forschung und klinische Studien, medizinische KI und Bildgebung sowie Präzisionsmedizin hängen alle davon ab.
Für Partner, deren Leute aus der Datenwissenschaft statt aus dem Gesundheitswesen kommen, wird sie meist zusammen mit der Domäne KI, Daten und Computing eingeplant, wo Data Science und Analytics die statistische Maschinerie abdeckt. Diese Kombination zählt, denn die Maschinerie ohne die Epidemiologie erzeugt selbstsichere Fehler. Hier findest du die zehn Fachrichtungen.
Gesundheitliche Ungleichheit als fachlicher Inhalt
Die eigene Beschreibung dieser Fachrichtung schließt Ungleichheit ein, und sie gehört dort als Methode hin, nicht als Kommentar.
Drei Gründe, warum das fachlich ist.
Sie ist fast überall ein Confounder. Die sozioökonomische Stellung hängt mit Exposition, Zugang zur Versorgung, der Vollständigkeit der Dokumentation und dem Ergebnis zusammen. Eine Analyse, die sie weglässt, schreibt ihre Effekte allem anderen im Modell zu.
Sie bestimmt, wer in den Daten steckt. Gruppen mit schlechterem Zugang zur Versorgung sind in klinischen Datensätzen unterrepräsentiert. Modelle, die auf diesen Datensätzen trainiert wurden, funktionieren gerade für die Gruppen schlechter, die ohnehin weniger erhalten – und das Versagen bleibt in aggregierten Leistungskennzahlen unsichtbar.
Aggregierte Leistung verdeckt Versagen in Untergruppen. Ein Modell kann insgesamt gut abschneiden und für eine Untergruppe schlecht – und eine Gesamtkennzahl zeigt das nicht. Stratifizierte Auswertung ist eine methodische Notwendigkeit, kein ethisches Extra.
Ein Schulungsprogramm, das das richtig lehrt, formt Menschen, die Systeme so bewerten, dass sie Probleme vor dem Einsatz erkennen. Eines, das es als Wertebekenntnis behandelt, formt Menschen, die zustimmen, dass es wichtig ist, aber nicht wissen, wie man es prüft.
Die Rollen im Überblick
Epidemiologen und Analysten für öffentliche Gesundheit in Behörden und Gesundheitssystemen.
Biostatistiker, in Studien, Forschung und Gesundheitssystemen.
Gesundheitsdatenwissenschaftler, die mit Populations- und Routinedaten arbeiten.
Personal für Surveillance und Ausbruchsbekämpfung.
Gesundheitsökonomen und Outcomes-Forscher, bei denen dieselben Methoden Erstattungs- und Nutzenargumente stützen.
Regulatory- und HTA-Analysten, die von Herstellern eingereichte Evidenz bewerten.
Studienstatistiker und Methodiker, mit Verbindung zur Fachrichtung klinische Forschung.
Politikanalysten in Behörden und bei Versicherern, die Entscheidungen treffen, die auf diesen Methoden beruhen – ob sie sie verstehen oder nicht.
Wen man dafür weiterbilden kann
Data Scientists und Statistiker, die in den Gesundheitsbereich wechseln. Die größte Gruppe und die mit der größten Lücke gemessen an den Konsequenzen. Sie haben die technische Maschinerie und fehlen bei den fachspezifischen Fehlerquellen – genau das ist der Inhalt dieser Fachrichtung.
Klinisches Personal, das in analytische Rollen wechselt. Bringt das klinische Verständnis mit und braucht die Methoden. Die komplementäre Umschulung – und in der Regel die zuverlässigere, weil klinische Intuition unplausible Ergebnisse erkennt.
Politik- und Behördenanalysten. Interpretieren häufig epidemiologische Evidenz ohne formale Ausbildung darin.
Manager im Gesundheitswesen, die mit Leistungs- und Ergebnisdaten arbeiten, die alle oben genannten Probleme in sich tragen.
Journalisten und Kommunikationspersonal in Gesundheitsorganisationen, wo allein die Unterscheidung zwischen relativem und absolutem Risiko die Qualität der Berichterstattung verändert.
Analysten bei Versicherern und Kostenträgern, die mit Abrechnungsdaten arbeiten.
Was das ist und was nicht. Diese Fachrichtung baut methodische Kompetenz für die Analyse von Bevölkerungsgesundheitsdaten auf. Sie ist keine klinische Ausbildung und unterstützt keine Entscheidungen über einzelne Patienten – die Unterscheidung zwischen Schlussfolgerungen auf Bevölkerungs- und auf Individualebene ist selbst eines der Dinge, die dieses Fach durchsetzen soll. Die Ausübung öffentlicher Gesundheit in offiziellen Rollen unterliegt in vielen Rechtsräumen zudem eigenen Registrierungs- und Qualifikationsanforderungen.
Was du mitnehmen solltest
Epidemiologie ist die aufgezeichnete Geschichte davon, wie Gesundheitsdaten täuschen – das macht sie für weit mehr Menschen nützlich als nur für die öffentliche Gesundheit.
Confounding, Selektionseffekte, Basisraten und der Umgang mit Zeit verursachen mehr Fehlschlüsse als jede Modellentscheidung, und keines dieser Probleme lässt sich durch mehr Daten beheben.
Die Vernachlässigung der Basisrate ist der folgenreichste Einzelfehler, weil sie einen guten Test je nach einer Tatsache über die Population nutzlos oder nützlich erscheinen lässt – eine Tatsache, die Produktaussagen routinemäßig weglassen.
Gesundheitliche Ungleichheit ist ein Confounder, ein Problem der Datenverfügbarkeit und ein Problem der Leistung in Untergruppen – das macht sie zur Methode, nicht zum Kommentar.
Und Data Scientists, die in den Gesundheitsbereich einsteigen, sind die Gruppe mit der größten Ausbildungslücke gemessen daran, was ihre Arbeit entscheidet.
Warum brauchen Data Scientists Epidemiologie?
Weil Gesundheitsdaten die gewöhnliche analytische Intuition außer Kraft setzen. Menschen werden Expositionen nicht zufällig zugeteilt, das Erscheinen in einem Datensatz hängt davon ab, Behandlung gesucht zu haben, und schon die Messung selbst trägt Information. Die Methoden gibt es, weil die naheliegende Analyse häufig falsch ist.
Was ist der folgenreichste Fehler?
Die Vernachlässigung der Basisrate. Ein Test mit exzellenter Sensitivität und Spezifität liefert überwiegend falsch-positive Ergebnisse, wenn die Erkrankung selten ist – und Produktaussagen lassen die Prävalenz, die das bestimmt, routinemäßig weg.
Ist gesundheitliche Ungleichheit ein fachliches Thema?
Ja. Sie ist bei fast jeder Analyse ein Confounder, sie bestimmt, wer in klinischen Datensätzen erscheint, und sie erzeugt Versagen in Untergruppen, das aggregierte Leistungskennzahlen verdecken. Stratifizierte Auswertung ist eine methodische Notwendigkeit.
Wer eignet sich am besten für den Wechsel in diese Rollen?
Klinisches Personal, das in die Analyse wechselt, weil klinische Intuition unplausible Ergebnisse erkennt, und Data Scientists, die in den Gesundheitsbereich wechseln und die Maschinerie mitbringen, aber die fachspezifischen Fehlerquellen brauchen.
Wo ist das in der Domäne eingeordnet?
Die vierte von zehn Fachrichtungen in der Domäne Medizin und Healthtech von Astra Trainer, und das methodische Rückgrat unter klinischer Forschung, medizinischer KI und Präzisionsmedizin. Hier findest du sie.