Bei der Interpretation von Studienergebnissen gilt heute vor allem der p-Wert als entscheidende Größe für die Evidenz der Arbeitshypothese. Es gibt jedoch noch andere Größen, wie die Vortestwahrscheinlichkeit. Sie meint die Wahrscheinlichkeit, mit der eine Arbeitshypothese aufgrund des bis zur anstehenden Studie oder bis zum anstehenden Test gesammelten Wissens vermutlich wahr ist. Obwohl die Vortestwahrscheinlichkeit einen starken Einfluss auf die Interpretation des p-Wertes haben kann, wird sie selten berücksichtigt. An fünf Beispielen aus der Medizin – Covid-Test, Früherkennung von Gebärmutterhalskrebs, Magnetresonanztherapie, Homöopathie, Verdacht auf koronare Herzkrankheit – wird gezeigt, wie sich die Berücksichtigung beziehungsweise Nicht-Berücksichtigung der Vortestwahrscheinlichkeit praktisch auswirkt. Mögliche Gründe für die Vernachlässigung werden diskutiert. Das Konzept der Vortestwahrscheinlichkeit erscheint kontraintuitiv, kompliziert, schwer greifbar und mit dem wissenschaftlichen Prinzip der Unvoreingenommenheit schlecht vereinbar. Um zu validen Ergebnissen zu kommen, ist es ratsam, den p-Wert nur als einen Parameter von mehreren zu betrachten. Weitere Parameter sind Effektgröße, Studienqualität und Vortestwahrscheinlichkeit. Für eine Berücksichtigung der Vortestwahrscheinlichkeit wird ein einfacher Algorithmus vorgeschlagen.