Details

Marie Röder: Stellen Sie sich mal vor, Sie lesen eine Schlagzeile. Kaffee ist schlecht für das Herz. Und nur wenig später eine andere Schlagzeile, die da heißt, Kaffee senkt das Risiko für Herzinfarkte. Beiden Meldungen liegen reale Forschungsergebnisse zugrunde.Wie kann das sein? Warum widersprechen sich Studien? Diese Frage hat mich zum BIH Quest Center for Responsible Research an der Charité geführt. Und hier treffe ich Jess Rohmann. Willkommen im Podcast. Mein Name ist Marie Röder.

Einspieler: Verehrte An- und Abwesende. Einstein on Air – Große Fragen, Berliner Antworten. Der Podcast der Einstein Stiftung Berlin. 

Marie Röder: Jess Rohmann ist Epidemiologin. Das heißt, sie beschäftigt sich mit der Verbreitung und den Ursachen von Krankheiten in der Bevölkerung. Und die Qualität von Studiendaten, das ist ihr Kernthema. 

Jess Rohmann: Gesundheit betrifft uns alle. Und gute Entscheidungen beeinflussen, wie wir uns als Gesellschaft gesundheitlich sind. Und wir brauchen dafür, für diese Entscheidungen, gute Evidenz. Und die Epidemiologie hilft, Studien richtig zu planen und auszuwerten, damit wir eine Verbesserung in der Prävention und auch in der Behandlung haben können. Und am Ende profitieren die Bevölkerung und unsere Gesellschaft davon. Also gute Methoden sind wichtig für die verlässlichen Ergebnisse. 

Röder: Freut mich.

Rohmann: Freut mich auch. 

Röder: So, wir sind jetzt in ihrem Büro. Sieht erstmal aus wie ein ganz normales Büro, kein Labor. Ein Büro mit zwei Schreibtischen, zwei Computern, einer White Wall. Und ich sehe Jonglierbälle. 

Rohmann: Genau.Wenn ich ein bisschen konzentrierter nachdenken muss, finde ich das sehr hilfreich. 

Röder: Wow. Und ich sehe hier auch einen ganz tollen Blick aus dem Fenster auf den Berliner Dom.

Rohmann: Ja. 

Röder: Sieht man auch nicht alle Tage. 

Rohmann: Genau, deswegen kann ich Menschen sehr gut überzeugen, hierher zu kommen für Konsultationen.

Röder: Also wirklich eines der schöneren Büros, die ich gesehen habe. 

Rohmann: Ich bin sehr dankbar dafür. 

Röder: Sie sind ja Epidemiologin für alle Nichtmediziner:innen, was ist Ihre Arbeit? 

Rohmann: Genau. Epidemiologie ist tatsächlich ein sehr großes Feld und wir arbeiten ganz unterschiedlich. Also manche untersuchen Krankheitsausbrüche direkt vor Ort, aber ich arbeite vor allem an Studiendesign und Methoden, vor allem mit großen Gesundheitsdaten aus der Versorgung. Also zum Beispiel aus dem Rettungsdienst oder aus Krankenhäusern. Es gibt viele Beobachtungsdaten aus der medizinischen Versorgung, die man auswerten kann. Und ich versuche, aus diesen Daten verlässliche Erkenntnisse zu gewinnen, und verbinde verschiedene Fachrichtungen dabei.

Röder: Jetzt haben Sie schon eigentlich meine nächste Frage beantwortet. Warum geht uns das eigentlich alle was an, Ihre Arbeit? 

Rohmann: Ja, ich glaube, weil die Gesundheit ist uns allen halt sehr wichtig. Also wenn wir keine Gesundheit haben, können wir auch viele Sachen im Leben einfach nicht tun. Und mein Anlass ist, dass wir gute Entscheidungen brauchen. Und um diese guten Entscheidungen zu haben, brauchen wir gute Evidenz. Die Epidemiologie hilft, Studien richtig zu planen und auszuwerten. Und dadurch können wir bessere Evidenz bekommen. Und dann versuchen wir nicht nur, das Leben länger zu machen, sondern auch wirklich Gesundheit in dem Leben zu bringen. Also auch Qualität des Lebens zu verbessern für die Menschen.

Röder: Qualität im Leben und in den Studiendaten, das ist quasi Ihr Hauptprojekt. Und was Sie sonst noch so machen, haben wir ja zusammengefasst. 

Einspieler: Jess Rohmann wächst in den USA auf. Für ihr Studium in Wisconsin wählt sie eine ungewöhnliche Kombination. Biochemie und Germanistik. 2012 kommt sie für ihren Masterabschluss in Public Health nach Berlin. Ihr Plan? Für ein Jahr bleiben. Seitdem hat sie den Forschungsstandort Berlin nicht mehr verlassen. Während ihrer Promotion in Epidemiologie entdeckt Jess Rohmann die Welt der kausalen Inferenz. Heute arbeitet sie als Teamlead am Quest Center for Responsible Research, am sogenannten Berlin Institute of Health in der Charité. Und sie hat den Einstein-Zirkel „Causal Inference from Observational Health Data“ der Einstein Stiftung Berlin ins Leben gerufen. 

Röder: Was ich mich gefragt habe in Ihrem Arbeitsalltag, arbeiten Sie da eher mit Menschen oder mit Daten? 

Rohmann: Eigentlich mit beidem. Ein großer Teil meiner Arbeit ist die Analyse und Interpretation von Gesundheitsdaten. Aber ich versuche immer im Blick zu behalten, dass hinter den Daten immer Menschen und ihre Gesundheit stehen. Und ich mache mir schon viele Gedanken, wie es zu diesen Daten gekommen ist.Das ist sehr wichtig auch für meine Arbeit. Und ich arbeite eng mit verschiedenen Fachgruppen zusammen, zum Beispiel mit Ärzt:innen, mit anderen Public-Health-Forschenden, Statistiker:innen, Methodiker:innen. Ich habe viel mit Neurolog:innen zu tun gehabt bisher in meiner Arbeit. Und dieser Austausch mit Menschen ist super wichtig, um die Fragen richtig zu stellen und auch die richtigen Fragen zu stellen. Und nur durch die Verbindung von Daten und Fachwissen können wir tatsächlich dann gute Analysen machen. Also ich versuche beides.

Röder: Ich würde gerne mal gemeinsam ein Beispiel entwickeln, das hoffentlich so den Kern Ihrer Arbeit betrifft. Wenn wir uns vorstellen, jemand erleidet einen Schlaganfall und die Person ist jetzt im Krankenhaus. Und dann steht die Entscheidung an, wird die Person in die Reha entlassen oder nach Hause entlassen? Es gibt Studienergebnisse, die nahelegen, dass Personen, die nach Hause entlassen, tatsächlich schneller genesen. Wie blicken Sie auf diesen Case, auf diese Studien? 

Rohmann: Ja, das ist ein sehr gutes Beispiel für die Frage nach Kausalität. Also zuerst schauen wir oft die Daten an und tatsächlich Patient:innen, die nach Hause entlassen werden, scheinen sich besser zu erholen. Aber daraus können wir nicht sofort schließen, dass nach Hause gehen eine bessere Erholung verursacht. Also wir müssen halt zwischen Korrelation und Kausalität unterscheiden. Korrelation bedeutet, dass zwei Dinge gemeinsam auftreten. Wobei Kausalität bedeutet, ein Faktor verursacht tatsächlich eine Veränderung.Also in diesem Fall müssen wir uns fragen, sind die Patient:innen wirklich wegen der Entlassung nach Hause besser genesen? Oder gibt es andere Unterschiede zwischen den Gruppen? Zum Beispiel Patient:innen, die nach Hause gehen, haben vielleicht einen weniger schweren Schlaganfall erlitten. 

Röder: Jetzt haben wir schon ein paar Fachbegriffe gehört. Kausalität, Korrelation, Störfaktoren. Wir schauen uns das nochmal ganz genau an und auch die Frage, was ist eigentlich kausale Inferenz? 

Einspieler: Der Unterschied zwischen einer Korrelation und einer Kausalität ist der zwischen: Hängt zusammen, das ist eine Korrelation, wenn zwei oder mehr Dinge gemeinsam auftreten, oder A verursacht B, das ist die Kausalität, ein direktes Wirkungsverhältnis. Die kausale Inferenz fragt danach, welche Ursache-Wirkungs-Verhältnisse zwischen verschiedenen Variablen bestehen. 

Röder: Und als Epidemiologin arbeiten Sie ja mit Beobachtungsstudien. Das heißt, dass es keine Kontrollgruppe gibt, die zufällig ausgewählt wurde, sondern es wird einfach eine Menge von Patient:innen beobachtet und daraus werden Schlüsse gezogen.Warum sind solche Studien gut? 

Rohmann: Genau, also wenn man eine randomisierte, kontrollierte Studie durchführen kann, ist das der Goldstandard. Und das ist auch richtig so, weil die Randomisierung spart uns viele analytische Schritte, um eine Vergleichbarkeit zwischen zwei oder mehreren Gruppen herzustellen. Das Ding ist, es gibt viele Expositionen, die man nicht randomisieren kann. Also man kann keine schädliche Exposition randomisieren und sagen, eine Gruppe muss rauchen oder eine Gruppe muss Asbest im Raum haben für ein Jahr lang. Das können wir nicht machen, das wäre unethisch. Es gibt aber Menschen, die solche Expositionen im Leben hatten. Und wir können einfach aus dieser Erfahrung, die die Menschen mitbringen, sozusagen aus den Daten, dann sehr vorsichtig und wenn genug Daten da sind, die wir brauchen, wir können diese Daten nutzen, um diesen Fragen nachzugehen. Aber die sind, ich muss sagen, die Methodik ist dann anspruchsvoller. Ist ja logisch, weil man hat nicht dieses tolle Werkzeug Randomisierung, man muss andere Wege gehen und das wird einfach komplexer.

Röder: Und wie gehen Sie vor, wenn Sie jetzt diese versteckten Störvariablen auffinden wollen? Welche Methode verwenden Sie da? 

Rohmann: Also wir können versteckte Einflussfaktoren nicht einfach direkt aus den Daten sehen. Das heißt, wir nutzen unser Wissen, was wir haben. Also nicht unbedingt ich, ich habe natürlich nicht alles Wissen, aber alles Wissen, aber die Experten, die ich dann einbeziehe, brauche ich. Oder auch Literatur brauchen wir. Also was schon vorher untersucht worden ist, das ist für uns sehr nützlich. Und wir nutzen in Kausaler Inferenz sogenannte Kausaler Diagramme, also directed acyclic graphs und diese Kausalen Diagramme helfen uns, unsere Annahmen darzustellen. Also wirklich grafisch, wir zeichnen die und damit können wir dann über mögliche Ursache-Wirkungs-Beziehungen sprechen und tatsächlich die sichtbar machen.

Röder: Ich sehe auch hier in Ihrem Büro haben Sie was hängen, wo drüber steht our DAG. Vielleicht können Sie mir das mal erklären, was wir da sehen, und können wir vielleicht mal ein DAG aufzeichnen? 

Rohmann: Ja, gerne. Also eine DAG vielleicht zuerst, eine DAG ist eine einfache Zeichnung, mit der wir unsere Annahmen über Ursache und Wirkung darstellen. Und die Variablen sind sogenannte Knoten. Und die stehen für verschiedene Vektoren, die wir untersuchen. Und die Pfeile zeigen, in welche Richtung ein Einfluss geht. 

Röder: Dann können wir ja mal ein ganz einfaches DAG vielleicht hier in Ihrem Whiteboard, in Ihrem Büro aufzeichnen. Und dafür hätte ich eine kleine Beobachtung. Und zwar an Tagen, an denen viel Eis verkauft wird, haben Menschen auch mehr Sonnenbrand oder bekommen mehr Sonnenbrand, gehen zum Arzt. Könnte das an diesem vielen Eisverkauf liegen? 

Rohmann: Genau, also es klingt vielleicht lustig, das Beispiel, aber tatsächlich kommen oft solche Fragen vor, weil man sieht, was in den Daten. Also man sieht, ich schreibe jetzt „Eisverkauf“. Eisverkauf, das ist eine Variable oder ein Knoten hier im DAG. Dann zeichne ich hier „Sonnenbrand“. Okay, Sonnenbrand.Und unsere Forschungsfrage ist: Verursacht Eisverkauf Sonnenbrand? Also ich habe jetzt ein Pfeil gezeichnet mit einem Fragezeichen drüber, weil wir wissen nicht, ob dieser Pfeil da ist. Das möchten wir rausfinden und wir möchten quantifizieren, wenn es da einen Effekt gibt, wie groß ist dieser Effekt? Okay, und dann die Frage ist: Gibt es irgendwas, was wir wissen, das sowohl Eisverkauf als auch Sonnenbrand verursacht? Also ich weiß, ich gehe zum Eisladen, wenn die Sonne scheint, und es gibt warme Temperaturen. Und auch wenn die Sonne scheint, die Sonne verursacht Sonnenbrand, wenn man sich lange in der Sonne aufhält. Also es gibt eine dritte Variable, die ich jetzt zeichne, und das ist die Sonne oder man könnte vielleicht sagen, warme Temperaturen, so als Proxy. Und die Sonne verursacht mehr Eisverkauf. Also ich habe jetzt ein Pfeil gezeichnet von Sonne nach Eisverkauf und dann einen weiteren Pfeil von Sonne nach Sonnenbrand. Also jetzt sehen wir ein Dreieck, wo dann eine dritte Variable sowohl unsere Exposition „Eisverkauf“ als auch unsere Outcome „Sonnenbrand“ verursacht. Und sobald man sieht in diesen Abbildungen, dass es einen anderen Weg gibt, von Eisverkauf nach Sonnenbrand zu kommen, über Pfeile, auch wenn diese Pfeile auch gegen die kausale Richtung gehen, also rückwärts, dann habe ich eine Störvariable. Also in diesem Fall gibt es einen Weg, also jetzt zeichne ich mit einer anderen Farbe den Weg von Eisverkauf rückwärts durch dieses Pfeil hoch zu der Sonne und dann wieder runter zum Sonnenbrand. Und das ist ein offener Pfad, was jetzt Eisverkauf mit Sonnenbrand verbindet über die Sonne. Und das kann komplett diese gesehene Assoziation von Eisverkauf und Sonnenbrand in den Daten erklären. Und das heißt, diese Forschungsfrage „Gibt es einen Effekt?“ Wahrscheinlich gar keinen Effekt. Es ist nur, dass wir diese dritte Variable Sonne nicht gemessen oder nicht berücksichtigt haben. Vielleicht haben wir eine Spalte in unserem Datensatz: War es einen sonnigen Tag? Ja oder nein? Und wenn wir das haben, dann können wir das mit berücksichtigen.Und wir würden dann sehen, dass es keinen Effekt gibt. Also man kann ruhig Eis essen, ohne von dem Eis Sonnenbrand zu bekommen. 

Röder: Sehr beruhigend.

Rohmann: Das war natürlich ein sehr einfaches Beispiel. Aber wie Sie hier sehen, ich habe noch ein paar andere Abbildungen. Und da sieht man, weil die Gesundheit einfach kompliziert ist, also die Menschen, wir, unsere Körper sind kompliziert.Es gibt viele Prozesse, die man gleichzeitig berücksichtigen muss. Wir haben dann einfach viel mehr Variablen. Und wir können dann nur so viel per Hand zeichnen. Und es gibt tatsächlich Programme. Also diese DAGs sind mit einem beliebten Programm DAGGITY gezeichnet. Und das kann man dann online, das ist kostenlos, also jeder kann DAGGITY ausprobieren online. Und kann dann die Variablen gut hin und her verschieben. Ich versuche, eine Zeitachse zu nutzen. Also die Variablen, die zuerst passieren, mache ich dann links, so ein bisschen wie man liest. Und die Variablen, die später kommen, zeichne ich weiter rechts. Und dann muss man einfach gucken, dass man keine Pfeile haben, die gegen die Zeitachse gehen. Weil das wäre natürlich nicht plausibel. Das war es aus der Zukunft, was aus der Vergangenheit verursacht. Und wenn hier, wenn jemand meine Abbildung anguckt, meinen DAG anguckt und sagt, hey, ich bin aber nicht mit diesem Pfeil einverstanden. Wir können gucken, was passiert, wenn wir den Pfeil ändern, ändert irgendwas an meiner Analyse, was ich dann machen muss. Und wenn nicht, dann ist dieser einzelne Pfeil vielleicht nicht so relevant zu berücksichtigen. Aber wenn es vielleicht den Effekt komplett ändert, dann müssen wir darüber sprechen.  Gibt es mehr Evidenz für den Pfeil in eine Richtung oder eine andere Richtung? 

Röder: Also am Anfang dieser Folge habe ich ein Beispiel genannt von Schlagzeilen. Die eine Schlagzeile heißt da zum Beispiel, Kaffee kann das Risiko für Herzinfarkt senken. Und dann eine andere Studie, wo es wiederum heißt, Kaffee ist schlecht fürs Herz. Wie blicken Sie denn auf diese Studien? 

Rohmann: Also ich würde sagen, erstens, da gibt es große Interesse, wenn man so viele verschiedene Studien sieht. Also die Menschen wollen wissen, soll ich meinen Kaffee trinken oder nicht? Also das ist, glaube ich, verständlich, dass man solchen Fragen, die relevant sind für die Gesellschaft, nachgeht. Ich glaube, das ist, das kann ich mir vorstellen, ist schwierig, wenn man dann Studien, die sich scheinen widerzusprechen, zu dann verstehen als Mensch, welche Studie vertraue ich und was soll ich jetzt machen? In dem Fall von Kaffee, wir können dann überlegen, es gibt viele Faktoren, die dazu führen, dass man Kaffee trinkt. Wenn man einen sehr stressigen Job hat zum Beispiel, trinkt man vielleicht mehr Kaffee, um einfach mit wenig Schlaf ein bisschen besser fokussieren zu können. Es gibt dann natürlich auch diesen stressigen Job, hat vielleicht einen Einfluss auf Herzinfarkt, weil durch den Stress, wir wissen, Stress ist ein Faktor, was Herzinfarkt verursachen kann. Und das ist die Frage dann in jeder einzelnen Studie, haben die das berücksichtigt? Haben die eine Variable wie Stresslevel oder welche Art von Arbeit, vielleicht als Proxy Ausbildungsgrad? Und dann kann man diskutieren, ist das gut genug, um einen möglichen Störfaktor zu kontrollieren oder nicht? Und dann hängt vielleicht Kaffeekonsum mit anderen Gesundheitsverhalten zusammen. Also Menschen, die vielleicht mehr Kaffee trinken, gehen auch in eine Raucherpause, und hat man das Rauchen gut erhoben und gut berücksichtigt in die Analyse? Es geht auch darum, wie viel Kaffee wird getrunken. Also reden wir von Durchschnittskonsum, reden wir von wie viel Kaffee an einem Tag oder ist das immer ein fancy Frappuccino mit viel Schlagsahne und viermal am Tag? Also die sind nicht alle identisch. Also bei diesen Studien mit Ernährungsinterventionen finde ich immer noch eine randomisierte Studie sehr, sehr sinnvoll. Natürlich ist die Frage dann der Zeithorizont, was ist dann möglich? Und für einen Herzinfarkt, man muss die Menschen relativ lang verfolgen, bis man dann diese Ereignisse sehen wird. Und das ist nicht immer realistisch, man lange auf so ein Diät zu halten. Die sind einfach Sachen, manche Fragen, obwohl die super gut sind, sind super schwer zu beantworten aus Daten. Und egal welches Studiendesign, jedes Design hat Vor- und Nachteile. Und das kann man natürlich als Laie nicht immer wissen oder verstehen. Es ist verständlich. Also wir brauchen dann Menschen, die solche einzelnen Studien für die Qualität anschauen und dann vielleicht auch zusammenfassen. Und haben wir dann Evidenz aus verschiedenen Quellen und verschiedenen Gruppen und mit verschiedenen vielleicht Datensätzen. Einige haben bestimmte Variablen besser gemessen als andere Vor- und Nachteile und dann kann man Evidenz-Triangulating machen. Also Triangulation ist, wo man dann versucht, aus Studien verschiedene Qualität oder verschiedene Designs wirklich im Dreieck zu nehmen und dann, ich weiß nicht das Wort dafür, aber dass man so das Problem näher rankommt, aber aus verschiedenen Richtungen. 

Röder: Sich annähert.

Rohmann: Ja, dass das die richtige Antwort annähert, wobei die richtige Antwort gibt es eigentlich nicht, weil diese Fragen, die die Studien unterliegen, sich leicht unterscheiden. Und deswegen würde ich behaupten, wenn man zwei sehr unterschiedliche Ergebnisse sieht, dass die Studien vielleicht gar nicht die gleiche Frage nachgehen. Also ich würde immer gucken, was ist tatsächlich die Frage, wie ist es operationalisiert worden und haben die Methoden dann tatsächlich diese Frage beantwortet. Oder waren die Methoden passend, um diese Frage zu beantworten und die Daten. Und nur dann kann man die Schlussfolgerungen glauben oder nicht. Aber vielleicht braucht man Experten-Input, um das zu entscheiden. 

Röder: Okay, also bei unserem Kaffee-Beispiel bleibt es kompliziert.

Rohmann: Es bleibt kompliziert, leider. 

Röder: Wie oft passiert es denn, dass jetzt sich Studien angucken, bei denen Sie sagen, ja okay, vielleicht stimmt das Ergebnis, aber irgendwie ist die Methodik, das Verfahren, trägt es nicht richtig? 

Rohmann: Ja, das kommt vor, aber es ist nicht immer so einfach zu erkennen, also auch nicht schnell zu erkennen. Oft liegt das Problem nicht im Ergebnis selbst, sondern in der Interpretation. Und um das beurteilen zu können, muss man wirklich erstmal gucken, was war die Frage, wie haben die Autorinnen die Methodik ausgewählt und beschrieben, kann man das überhaupt nachvollziehen oder vielleicht sind nicht genug Details da. Das heißt nicht unbedingt, dass es schlecht gemacht worden ist, aber dann ist es einfach schwieriger zu beurteilen. Also das ist dann ja immer sehr abhängig, je nach Studie und wie viel Zeit ich habe, dann kann ich wirklich verstehen, ja oder nein, was gemacht worden ist. Im Peer-Review-Verfahren hat man die Möglichkeit als Gutachter nachzufragen, wenn irgendwas nicht klar ist, und dann kann man vielleicht diese fehlenden Details bekommen, um die Studie qualitätsmäßig beurteilen zu können. 

Röder: Was wird denn eigentlich derzeit verlangt von wissenschaftlichen Publikationen, wenn sie seriös sein wollen? 

Rohmann: Also gute Publikationen brauchen aus meiner Sicht eine klare Forschungsfrage und transparente Methoden. Und ich würde sagen, in der biomedizinischen Forschung wird das standardmäßig auch verlangt von guten Zeitschriften. Und man sollte nachvollziehen können, wie die Daten erhoben worden sind und wie die Daten analysiert wurden. Und wichtig dabei ist es auch, Unsicherheiten und Grenzen ganz ehrlich und präzise darzustellen. Also wenn man Hindernisse beschreibt oder Limitationen beschreibt, da steigt tatsächlich mein Glauben in die Ergebnisse, also wenn diese Sachen transparent geschrieben werden. Und was oft fehlt, eine ausreichende Berücksichtigung von Kausalität, also das wird nicht immer verlangt standardmäßig, also das ist oft, was ich dann einbringe, wenn ich Studien begutachte. Und ja, im Autor:innen-Team, da gibt es nicht immer eine Methodiker:in dabei und das finde ich sehr wichtig, vor allem wenn man aus Beobachtungsstudien versucht, kausale Beziehungen zu schätzen. 

Röder: Und Sie haben ja einen ganz eigenen Ansatz entwickelt, der heißt Peerspective. Wir hören mal rein, was es damit auf sich hat.

Einspieler: Bevor eine wissenschaftliche Studie veröffentlicht wird, durchläuft sie meist ein Gutachtenverfahren, das sogenannte Peer Review. Dabei prüfen andere Forschende aus dem Fachgebiet die Qualität der Arbeit. Diese Qualitätskontrolle ist eine wichtige wissenschaftliche Kompetenz. Viele Forschende lernen diese Kompetenz aber nicht systematisch, sondern vor allem in der Praxis. Ausprobieren, Feedback bekommen, dazulernen. So kann die Qualität von Reviews schwanken. Hier setzt Jess Rohmanns Arbeit an. Sie hat an der Berliner Charité vor einigen Jahren das Programm Peerspectives mitgegründet. Das ist ein einsemestriger Kurs für Doktorand:innen, in dem sie systematisch das Begutachten wissenschaftlicher Arbeiten lernen.

Röder: Wie viele Menschen haben denn Peerspectives bislang durchlaufen? 

Rohmann: Ungefähr 300. Also eine ganze Menge und wir hatten auch zusätzlich einige kleineren Workshops gemacht und da war auch sehr gute Teilnahme. 

Röder: Und was ist das Hauptziel? Was lernen die Teilnehmer:innen bei Peerspectives? 

Rohmann: Sie lernen, wie man wissenschaftliche Studien kritisch bewertet. Also sie lernen, worauf es bei einem guten Peer Review ankommt. Zum Beispiel, ist die Forschungsfrage klar. Wo findet man überhaupt die Forschungsfrage? Sind die Methoden geeignet? Sind die Schlussfolgerungen durch die Daten gerechtfertigt? Und sie üben auch, wie man konstruktives Feedback gibt. Und das ist für mich in die Wissenschaft extrem wichtig, dass wir uns gegenseitig auch unterstützen durch Peer Review. Also das ist nicht nur da, um schlechte Studien wegzuwerfen, sondern wirklich Studien zu verbessern. Und dass wir einfach uns fachlich austauschen, bevor die Studie veröffentlicht wird.

Röder: Wenn Sie jetzt auf den wissenschaftlichen Betrieb schauen, was wünschen Sie sich denn, was sich verändert? 

Rohmann: Also ich würde mir wünschen, dass Methodenexpertise früher in Forschungsprojekte eingebunden wird. Also nicht erst, wenn die Daten schon gesammelt sind oder das Manuskript schon fertig geschrieben ist, sondern früher, wo man tatsächlich dann was noch verändern kann. Ja, die realistische Variante ist einfach mehr Zusammenarbeit zwischen Kliniker:innen, Forschenden, Methodiker:innen von Anfang an. Ich weiß, das habe ich mehrmals gesagt, aber das ist viel leichter gesagt als getan. Und das heißt auch, unsere Mittelgeber sollen auch diese Möglichkeit fördern und unterstützen, dass das tatsächlich passiert am Anfang und nicht erst, nachdem alle Entscheidungen schon getroffen sind. Also da kann man auch nicht viel verändern. Und das ist natürlich, wenn ich sehr spät reinkomme in ein Projekt und sage, was ihr hier gemacht haben, das kann die Frage nicht beantworten. Das ist für alle frustrierend und verschwendet möglicherweise auch Ressourcen. Also besser am Anfang einen guten Plan haben, gucken, was ist realistisch, was kann man untersuchen und dann das transparent reporten in dem Paper am Ende.

Röder: Ich habe noch eine persönliche Frage an Sie. Sie kommen ja ursprünglich aus den USA und Sie hätten sich wahrscheinlich aussuchen können, an jedem Forschungsstandort dieser Welt zu arbeiten. Sie sind in Berlin geblieben. Warum haben Sie sich für Berlin entschieden? 

Rohmann: Ja, erstmal vielen Dank dafür, für den Kompliment. Ich finde, Berlin bietet eine sehr offene und dynamische Forschungsumgebung. Also ich spüre, es gibt viel Raum hier in Berlin, neue Ideen auszuprobieren. Ich habe viele Sachen auch hier kreiert und ich habe eine sehr große Unterstützung dafür empfunden, was sich an anderen Standorten vielleicht nicht gefunden hatten. Durch die Berlin University Alliance gibt es starke Verbindungen zwischen verschiedenen Universitäten und Fachrichtungen und das wird gerade jetzt inzentiviert, was für mein Fachgebiet Kausale Inferenz super relevant ist. Dass wir Methodiker:innen aus verschiedenen Disziplinen uns austauschen können.

Röder: Also ich habe aus diesem Gespräch ganz, ganz viel mitgenommen, aber ich würde Sie noch mal bitten, zusammenzufassen. Was sollen unsere Hörer:innen, wenn es eine Sache gibt, die sie jetzt mitnehmen, was soll das sein? 

Rohmann: Oft beantworten Studien eigentlich nicht genau dieselbe Frage. Also wenn man mehrere Studien sieht, die unterschiedliche Antworten haben, vielleicht ist die Frage, was dahinter verbirgt, eine andere. Und vielleicht ist in den Schlagzeilen nicht das wiedergegeben, was in die Studie gemacht worden ist. Unterschiedliche Ergebnisse sind nicht automatisch ein Widerspruch. Manchmal zeigen sie, dass verschiedene Fragen untersucht wurden, oder die haben eine andere Methodik benutzt. Also ich würde mich nicht davon verunsichern lassen, aber Sie können auch wissen, dass die Wissenschaft versucht, diese Qualitätsfrage auch intern anzugehen. Also jetzt ist es einfacher, immer mehr und schneller Outputs zu produzieren, aber wir fragen uns Wissenschaftler, was ist eine qualitativ gute Studie. Und wir versuchen Kriterien zu etablieren, wir wissen schon, wenn wir was sehen und es nicht gut ist. Also keine Sorge, wir lösen das, also es wird manchmal nicht klappen, aber viele Wissenschaftler:innen wollen, dass man gute Evidenz generiert und dass man gute Evidenz von schlechterer Evidenz unterscheiden kann. Und das ist ein großes Thema und das bekommt sehr viel Aufmerksamkeit. Ja, warum wir die Arbeit machen, wir wollen gute Qualität, also wir wollen gute Evidenz generieren und die Forschenden bemühen sich dafür. 

Röder: Vielen Dank, Jess Rohmann vom BIH Quest Center for Responsible Research an der Charité. 

Rohmann: Sehr gerne, vielen Dank. 

Röder: Und wenn Sie mehr lesen wollen, schauen Sie doch mal in unsere Show Notes, da gibt es Links und wenn Sie schon dort sind, schreiben Sie uns gerne Ihr Feedback, Ihre Fragen, Ihre Anregungen an podcast@einsteinfoundation.de. Und geben Sie uns ganz gerne viele Sterne als Bewertung, das hilft anderen Wissenschaftsinteressierten diesen Podcast zu finden. Mein Name ist Marie Rüder. Bis zum nächsten Mal. 

Einstein on Air – Große Fragen, Berliner Antworten ist ein Podcast der Einstein Stiftung Berlin.