Darum solltest du nicht jeder Ernährungsstudie glauben

Bleiben wir bei der Schlagzeile, dass Kaffee weibliche Brüste schrumpfen lässt. Dieser Mythos hält sich beharrlich in den Medien, auch noch zehn Jahre nach der schwedischen Studie. Das Skurrile: Diese Studie sagt das überhaupt nicht aus. Die Forschenden verglichen Frauen, bei denen eine bestimmten Variante des CYP1A2-Gens vorkam, mit Frauen ohne diese Variante. Das Genprodukt spielt eine Rolle bei der Verstoffwechselung von Koffein und möglicherweise auch bei der Entstehung von Brustkrebs. Gleichzeitig fragten sie die Frauen nach ihrem Kaffeekonsum (moderat oder viel) und maßen einmalig den Brustumfang. Sie stellten fest, dass die Frauengruppe mit einer bestimmten Genvariante, die viel Kaffee trank, tendenziell kleinere Brüste hatte. Eine kaffeetrinkende Frauengruppe mit einer anderen Genvariante hatte dagegen größere Brüste.

Vielfach übernehmen Medien ungeprüft Pressemeldungen über Studienergebnisse. Eine scheinbar sensationelle Falschmeldung verbreitet sich dann wie ein Lauffeuer. Denn natürlich lassen sich Schlagzeilen wie "Kaffeegenuss lässt Brüste schrumpfen" besser verkaufen als "Eine bestimmte Variante des Gens CYP1A2 tritt bei weiblichen Kaffeevieltrinkern in Kombination mit einem geringeren Brustvolumen auf".

Ob zum Beispiel Tofu das Brustkrebsrisiko verringert, das erklären wir hier.

Eine selektive Berichterstattung verzerrt das öffentliche Bild

Die Ergebnisse der Studie wurden nicht nur falsch, sondern auch unvollständig wiedergegeben. Denn schließlich hatte eine zweite Frauengruppe ja größere Brüste. Dieses selektive Heraussuchen von Schlussfolgerungen nennt sich Subgruppenanalyse oder Rosinenpicken (Cherry picking) und kommt bei Forschenden und Journalist:innen gleichermaßen vor. Die eigentliche Aussage wird dadurch verzerrt.

Was es mit dem schlechten Ruf von Glutamat auf sich hat, das erklären wir hier.

Hinzu kommt, dass in der Regel gar nichts veröffentlicht wird, wenn bei einer Studie keine signifikanten Ergebnisse festgestellt werden – oder es wird nicht darüber berichtet. Schlagzeilen wie "Eine Studie zeigt: Warmer Grießbrei ist lecker, macht aber weder krank noch gesund“ verkaufen sich eben nicht gut.

Ein weiteres Manko der schwedischen Studie war die geringe Anzahl an teilnehmenden Frauen. Das führt uns zu einem zweiten Schwachpunkt von Lebensmittelstudien.

Wurde eine Lebensmittelstudie mit vielen Menschen über einen längeren Zeitraum erfolgreich durchgeführt, geht es nun darum, die Ergebnisse sinnvoll und vor allem korrekt auszuwerten.

Signifikanz und der p-Wert

Ist in Studien von signifikanten Ergebnissen die Rede, geht es meist um den sogenannten p-Wert. Der beschreibt die Wahrscheinlichkeit, mit welcher das Testergebnis von einem zufälligen Befund abweicht. Je kleiner der Wert – der immer zwischen 0 und 1 liegt –, umso wahrscheinlicher. Bei einem p-Wert von 0,01 etwa würde ein Prozent der Ereignisse zufällig auftreten. Ermittelt wird der p-Wert mit der Hilfe statistischer Tests. Schauen wir noch einmal auf die zuvor angesprochene Metastudie von Schoenfeld und Ioannidis: 75 Prozent der potenziell Krebs-assoziierten Kochzutaten zeigten nur eine sehr schwache oder sogar keine statistische Signifikanz. Derartige Ergebnisse sind wissenschaftlich nur bedingt belastbar.

Ursache und Wirkung: Korrelation oder Kausalität?

Ein besonders anschauliches Beispiel wurde im Jahr 2004 von Thomas Höfer und Kolleginnen vom Bundesinstitut für Risikobewertung (BfR) veröffentlicht: Sie stellten einerseits fest, dass die Storchenpopulation in Berlin und Brandenburg seit 1990 stetig zunahm. Im gleichen Zeitraum stieg andererseits die Geburtenrate in Berlin, genauer die Anzahl der Babys, die außerhalb von Krankenhäusern zur Welt kamen. Ganz offensichtlich korrelieren die Anstiege, zeigen also einen lokalen, zeitlichen Zusammenhang.

Dennoch leuchtet ein, dass diese als "Theory of the Stork" bekannte Theorie keine kausale Abhängigkeit aufweist. Grund für solche Scheinkorrelationen sind fehlerhaft ausgewertete Daten.

Ebenso kritisch müssen Lebensmittelstudien betrachtet werden. Lebt eine Gruppe wirklich länger, weil sie in den letzten 15 Jahren dreimal pro Woche fünf Äpfel gegessen hat? Oder hat diese Gruppe etwa zusätzlich regelmäßig Sport getrieben? Dies führt uns zum nächsten Punkt.

Unwissenheit oder falsche Herangehensweise sind nicht die einzigen Fallstricke bei Lebensmittelstudien. Immer wieder werden Wissenschaftler:innen auch der bewussten Fälschung von Daten überführt oder es beeinflussen andere Faktoren das Ergebnis einer Studie.

Datenfälschungen kommen öfter vor

Hier ein paar Messwerte gelöscht, dort einige etwas verändert, und schon zeigt die Studie den gewünschten Effekt. Bekanntes Beispiel ist der Kardiologe Dipak Das, der in den 1990er-Jahren viel über Resveratrol forschte. Diesem Bestandteil des Rotweins wird eine herzschützende Wirkung nachgesagt. Dipak Das wurden Fälschungen in mehr als 20 Publikationen nachgewiesen.
Gründe für bewusste Täuschung mag es viele geben. Einer ist sicherlich das Wissenschaftssystem an sich, das Forschende durch Publikationszwang und erfolgsgebundene Eigenfinanzierungen unter massiven Druck setzt. "Publish or Perish" – "Veröffentlichen oder Untergehen" ist unter Wissenschaftler:innen eine geflügeltes Wort.

Firmen nehmen Einfluss

Die oben erwähnte Walnuss-Studie wurde unter anderem von der "California Walnut Commission" finanziert. Interessenverbände und Firmen versuchen auf diese Art und Weise, Einfluss auf Forschungsergebnisse zu nehmen. Hier lohnt sich der kritische Blick ins Kleingedruckte.