ARR, RRR, NNT & NNH: Risikokennzahlen der evidenzbasierten Medizin richtig berechnen

Eine neue Studie verkündet: „Das Medikament senkt das Schlaganfallrisiko um 25 %.“ Klingt beeindruckend – aber was bedeutet das für den einzelnen Patienten in der Sprechstunde? Muss er das Medikament nehmen? Wie viele Patient:innen müssen überhaupt behandelt werden, damit ein einziger Schlaganfall verhindert wird? Genau diese Übersetzung relativer Studienergebnisse in klinisch greifbare Kennzahlen ist eine Kernkompetenz der evidenzbasierten Medizin – und ein Dauerbrenner im M2-Examen.

Was sind ARR, RRR, NNT und NNH? Warum ist das Thema prüfungsrelevant?

ARR (absolute Risikoreduktion), RRR (relative Risikoreduktion), NNT (Number Needed to Treat) und NNH (Number Needed to Harm) sind zentrale Kennzahlen, um den Nutzen und Schaden einer Intervention aus einer klinischen Studie greifbar zu machen. Sie gehören zum IMPP-Gegenstandskatalog Biometrie/Epidemiologie und werden regelmäßig anhand von Ereignisraten aus fiktiven Studien abgefragt – meist in Kombination mit einer kleinen Rechenaufgabe.

Ausgangspunkt: Ereignisraten in Kontroll- und Verumgruppe

Grundlage jeder Berechnung sind die Ereignisraten in den beiden Studienarmen: die Ereignisrate in der Kontrollgruppe (Control Event Rate, CER) und die Ereignisrate in der Verum-/Interventionsgruppe (Experimental Event Rate, EER). Aus der Differenz und dem Verhältnis dieser beiden Raten lassen sich alle weiteren Kennzahlen ableiten.

Definitionsbox: Die wichtigsten Risikokennzahlen

Beispielrechnung: Schlaganfallprävention

In einer fiktiven Studie erleiden in der Kontrollgruppe (Placebo) 20 von 100 Patient:innen einen Schlaganfall (CER = 20 %), in der Verumgruppe 15 von 100 (EER = 15 %).

Man muss also 20 Patient:innen über den Studienzeitraum behandeln, um einen zusätzlichen Schlaganfall zu verhindern.

Warum die relative Risikoreduktion täuschen kann

Presse und teils auch Studienabstracts berichten bevorzugt die RRR, weil sie beeindruckender wirkt als die ARR. Ein Beispiel: Sinkt das Risiko eines seltenen Ereignisses von 0,2 % auf 0,1 %, beträgt die RRR ebenfalls 50 % – die ARR liegt aber nur bei 0,1 Prozentpunkten, was einer NNT von 1.000 entspricht. Zwei Studien mit identischer RRR können also einen völlig unterschiedlichen klinischen Nutzen bedeuten. Deshalb gilt: Ohne ARR und NNT ist eine RRR-Angabe klinisch kaum interpretierbar – ein beliebter Fallstrick in IMPP-Fragen.

NNH: Der Kehrwert für Risiken und Nebenwirkungen

Analog zur NNT wird die NNH berechnet, wenn eine Intervention ein Risiko erhöht statt senkt – etwa bei Nebenwirkungen. Angenommen, unter einem Medikament tritt eine bestimmte Nebenwirkung bei 5 % der Behandelten auf, unter Placebo nur bei 2 %. Die absolute Risikoerhöhung (ARI) beträgt 3 Prozentpunkte (0,03), die NNH damit 1 / 0,03 ≈ 33. Das bedeutet: Bei 33 behandelten Patient:innen tritt statistisch eine zusätzliche Nebenwirkung auf, die ohne die Behandlung nicht aufgetreten wäre.

NNT und NNH im klinischen Alltag: Nutzen-Schaden-Abwägung

Eine Intervention ist klinisch umso vorteilhafter, je kleiner die NNT und je größer die NNH ausfällt. Eine niedrige NNT bei gleichzeitig niedriger NNH kann bedeuten, dass eine Therapie zwar wirksam ist, aber ebenso häufig schadet wie sie nutzt – eine Konstellation, die im Examen gerne als Fallvignette mit Entscheidungsfrage präsentiert wird. Die gemeinsame Betrachtung von NNT und NNH ist damit ein zentrales Werkzeug der evidenzbasierten Nutzen-Risiko-Abwägung.

Key Takeaways

• ARR ist die absolute Differenz der Ereignisraten, RRR das Verhältnis von ARR zu CER.
• NNT = 1 / ARR; NNH = 1 / ARI.
• Die RRR wirkt oft größer als die ARR und kann den klinischen Nutzen verzerrt darstellen.
• Je kleiner die NNT und je größer die NNH, desto günstiger das Nutzen-Schaden-Verhältnis.
• Ohne Angabe der Ausgangsereignisrate (CER) ist eine RRR allein wenig aussagekräftig.

Häufige Fragen zu ARR, RRR, NNT und NNH

1. Was ist der Unterschied zwischen ARR und RRR?

ARR ist die absolute Differenz der Ereignisraten (in Prozentpunkten), RRR die relative Reduktion bezogen auf die Ausgangsrate der Kontrollgruppe.

2. Wie berechnet man die NNT?

NNT = 1 / ARR, wobei ARR als Dezimalzahl (nicht Prozent) eingesetzt wird.

3. Was bedeutet eine NNT von 20?

Es müssen 20 Patient:innen behandelt werden, damit bei einer Person zusätzlich ein Ereignis verhindert wird.

4. Was ist die NNH?

Die Number Needed to Harm gibt an, wie viele Patient:innen behandelt werden müssen, damit bei einer Person zusätzlich ein Schaden auftritt.

5. Warum kann die RRR irreführend sein?

Weil sie unabhängig von der absoluten Häufigkeit des Ereignisses gleich groß ausfallen kann, selbst wenn der tatsächliche klinische Nutzen sehr unterschiedlich ist.

6. Was ist die CER?

Die Control Event Rate ist die Ereignisrate in der Kontroll- bzw. Placebogruppe einer Studie.

7. Wie hängen ARR und RRR rechnerisch zusammen?

RRR = ARR / CER, also die absolute Risikoreduktion bezogen auf die Ausgangsrate.

8. Wann ist eine Intervention klinisch besonders vorteilhaft?

Wenn die NNT klein und die NNH groß ist – also viel Nutzen bei wenig Schaden pro behandelter Person.

9. Wie unterscheiden sich ARR/NNT von Sensitivität/Spezifität?

ARR, RRR und NNT bewerten den Nutzen einer therapeutischen Intervention, während Sensitivität und Spezifität die Güte eines diagnostischen Tests beschreiben. Mehr dazu im Artikel Diagnostische Testgüte.

Risikokennzahlen im Kontext der evidenzbasierten Medizin

ARR, RRR, NNT und NNH sind zentrale Werkzeuge, um Studienergebnisse gemäß dem von David Sackett geprägten Konzept der evidenzbasierten Medizin in konkrete klinische Entscheidungen zu übersetzen. Der IMPP-Gegenstandskatalog für den klinischen Abschnitt verlangt explizit die sichere Anwendung dieser Kennzahlen, und auch die Ärztliche Approbationsordnung (ÄApprO) fordert die Fähigkeit zur kritischen Bewertung wissenschaftlicher Evidenz. Die Cochrane Collaboration nutzt ARR und NNT regelmäßig, um die praktische Relevanz von Interventionseffekten aus systematischen Übersichtsarbeiten verständlich darzustellen – ein Vorgehen, das du im Artikel Bias & Confounding in klinischen Studien im Zusammenhang mit der Verzerrung von Studienergebnissen weiter vertiefen kannst.