Beispiel Cox-Regression in der Medizin

Eine onkologische Studie umfasst 180 Patientinnen und Patienten, die nach Beginn einer Therapie beobachtet werden. Einige versterben während der Nachbeobachtung, andere leben beim Studienende noch oder gehen für weitere Termine verloren. Genau für diese Situation ist ein Beispiel zur Cox-Regression in der Medizin besonders anschaulich: Nicht nur das Ereignis zählt, sondern auch die Zeit bis zum Ereignis und die unvollständige Beobachtung einzelner Fälle.

Die Cox-Regression, auch Cox-Proportional-Hazards-Modell genannt, beantwortet eine klinisch relevante Frage: Verändert sich das momentane Risiko eines Ereignisses, wenn sich eine Einflussgröße ändert, während andere Faktoren statistisch kontrolliert werden? Sie ist daher ein Standardverfahren für Zeit-bis-Ereignis-Daten, etwa bei Gesamtüberleben, krankheitsfreiem Überleben, Rezidiv, Intensivstationsaufenthalt oder Zeit bis zur Rehospitalisierung.

Das medizinische Beispiel: Therapie und Gesamtüberleben

Angenommen, untersucht wird das Gesamtüberleben nach einer Krebstherapie. Der primäre Endpunkt ist der Tod. Für jede Person liegen zwei zentrale Angaben vor: die Beobachtungszeit in Monaten und ein Ereignisindikator. Der Indikator lautet 1, wenn die Person während der Studie verstorben ist, und 0, wenn die Beobachtung zensiert wurde.

Zensierung bedeutet nicht, dass keine Information vorhanden ist. Wenn ein Patient nach 18 Monaten noch lebt und danach nicht mehr beobachtet wird, wissen wir immerhin, dass bis Monat 18 kein Todesereignis eingetreten ist. Eine gewöhnliche lineare oder logistische Regression würde diese zeitliche Information nicht angemessen berücksichtigen. Die Cox-Regression nutzt sie hingegen direkt.

In unserem Beispiel sollen folgende Einflussgrößen berücksichtigt werden: Therapiegruppe, Alter, Tumorstadium und ECOG-Performance-Status. Die Forschungsfrage könnte lauten: Hat die neue Therapie einen Zusammenhang mit dem Gesamtüberleben, wenn Alter, Krankheitsstadium und Allgemeinzustand konstant gehalten werden?

Was die Cox-Regression tatsächlich schätzt

Das Ergebnis einer Cox-Regression wird meist als Hazard Ratio, kurz HR, berichtet. Die Hazard beschreibt das momentane Ereignisrisiko zu einem bestimmten Zeitpunkt unter den Personen, die bis dahin ereignisfrei geblieben sind. Sie ist keine einfache Wahrscheinlichkeit und auch kein Anteil verstorbener Personen.

Ergibt sich für die Therapiegruppe eine HR von 0,68, heißt das: Unter Berücksichtigung der weiteren Modellvariablen ist die geschätzte Hazard in der neuen Therapiegruppe zu jedem betrachteten Zeitpunkt um 32 Prozent niedriger als in der Referenzgruppe. Eine HR unter 1 spricht für ein niedrigeres, eine HR über 1 für ein höheres momentanes Ereignisrisiko.

Zur fachlich korrekten Interpretation gehören immer das 95-Prozent-Konfidenzintervall und der p-Wert. Ein mögliches Resultat könnte so aussehen: HR = 0,68; 95%-KI [0,49; 0,94]; p = 0,021. Das Konfidenzintervall überschreitet den Wert 1 nicht. Damit besteht unter den Modellannahmen ein statistischer Hinweis auf einen Unterschied zwischen den Therapiegruppen.

Das Ergebnis belegt jedoch nicht automatisch einen kausalen Therapieeffekt. Bei einer randomisierten Studie ist die kausale Interpretation deutlich besser begründbar als bei einer retrospektiven Beobachtungsstudie. In Beobachtungsdaten können trotz Adjustierung relevante Störfaktoren fehlen, unpräzise gemessen sein oder zwischen Gruppen unterschiedlich verteilt bleiben.

Beispiel Cox-Regression Medizin: Daten richtig vorbereiten

Die Qualität der Analyse entscheidet sich oft vor dem ersten Modelllauf. Für eine Cox-Regression benötigen Sie mindestens eine Zeitvariable und eine Ereignisvariable. Die Zeitvariable muss inhaltlich eindeutig definiert sein, zum Beispiel Tage von OP bis Tod oder Tage von Randomisierung bis Rezidiv. Der Startzeitpunkt muss für alle Fälle vergleichbar sein.

Bei der Ereignisvariable ist eine eindeutige Kodierung unverzichtbar. Häufig ist 1 das Ereignis und 0 die Zensierung. Verwechselte Kodierungen gehören zu den folgenreichsten Fehlern, weil sie die gesamte Interpretation umkehren können. Ebenso sollten Sie dokumentieren, wie mit Therapieabbrüchen, Wechseln der Behandlung, konkurrierenden Ereignissen und Verlusten im Follow-up umgegangen wird.

Auch die Kodierung der Kovariaten verdient Aufmerksamkeit. Eine kategoriale Variable wie Tumorstadium sollte nicht blind als Zahlenfolge 1, 2, 3 und 4 in das Modell eingehen, wenn keine lineare Beziehung plausibel ist. In der Regel wird sie über geeignete Dummy-Variablen abgebildet. Beim Alter ist zu prüfen, ob ein linearer Zusammenhang mit der Hazard medizinisch plausibel ist. Falls nicht, können Splines oder klinisch begründete Kategorien sinnvoller sein.

Fehlende Werte sind kein Detail am Rand. Werden alle Fälle mit mindestens einem fehlenden Wert ausgeschlossen, kann die Stichprobe kleiner und systematisch verzerrt werden. Ob eine vollständige Fallanalyse vertretbar ist oder eine multiple Imputation benötigt wird, hängt vom Ausmaß, Muster und Kontext der fehlenden Daten ab.

Die entscheidende Annahme: Proportionale Hazards

Das Cox-Modell setzt voraus, dass sich die Hazards der verglichenen Gruppen proportional verhalten. Vereinfacht gesagt: Der relative Unterschied zwischen Therapiegruppe und Kontrollgruppe soll über die Zeit ungefähr konstant bleiben. Wenn die neue Therapie nur in den ersten sechs Monaten wirkt, später aber keinen Vorteil mehr zeigt, kann diese Annahme verletzt sein.

Diese Annahme sollte nicht lediglich behauptet, sondern geprüft werden. Dafür kommen grafische Kontrollen, log-minus-log-Darstellungen und Tests auf Basis skalierter Schoenfeld-Residuen infrage. Ein einzelner p-Wert ersetzt dabei nicht die fachliche Beurteilung. Bei kleinen Stichproben besitzen Tests oft wenig Power, bei sehr großen Stichproben können geringe, praktisch irrelevante Abweichungen statistisch auffällig werden.

Ist die Proportional-Hazards-Annahme verletzt, ist die Standard-HR als über die gesamte Nachbeobachtung gemittelter Effekt möglicherweise missverständlich. Je nach Fragestellung können zeitabhängige Kovariaten, eine stratifizierte Cox-Regression, getrennte Zeitintervalle oder alternative Maße wie die restricted mean survival time die bessere Wahl sein. Welche Lösung passt, hängt vom Studienziel und dem klinischen Verlauf ab.

Von der Modellformel zum berichtsfähigen Ergebnis

Eine plausible Modellformel für das Beispiel lautet vereinfacht: Überlebenszeit und Ereignisstatus werden durch Therapiegruppe, Alter, Tumorstadium und ECOG-Status erklärt. In R wird dafür typischerweise ein Surv-Objekt verwendet, während SPSS, Stata oder Python vergleichbare Modelloptionen anbieten. Die Software ist jedoch nur das Werkzeug. Entscheidend sind Endpunktdefinition, Datenprüfung, Modellstrategie und fachlich korrekte Interpretation.

Im Ergebnisteil einer medizinischen Arbeit reicht es nicht, lediglich eine Tabelle aus der Software zu kopieren. Beschreiben Sie zunächst Stichprobe, Beobachtungsdauer und Anzahl der Ereignisse. Berichten Sie anschließend für jede relevante Variable HR, 95%-Konfidenzintervall und p-Wert. Nennen Sie die Referenzkategorie klar und erläutern Sie, welche Kovariaten vorab als Adjustierungsvariablen festgelegt wurden.

Eine präzise Formulierung wäre: „Nach Adjustierung für Alter, Tumorstadium und ECOG-Status war die neue Therapie mit einer niedrigeren Mortalitätshazard assoziiert (HR 0,68; 95%-KI 0,49 bis 0,94; p = 0,021).“ Bei einer Beobachtungsstudie ist „assoziiert“ fachlich sauberer als „führte zu“.

Kaplan-Meier-Kurven ergänzen die Cox-Regression sinnvoll, ersetzen sie aber nicht. Sie zeigen den unadjustierten Überlebensverlauf anschaulich. Die Cox-Regression liefert dagegen den adjustierten Zusammenhang mehrerer Einflussgrößen. Beide Darstellungen beantworten also verwandte, aber nicht identische Fragen.

Typische Fehler in medizinischen Cox-Analysen

Ein häufiger Fehler ist die unkritische Aufnahme zu vieler Prädiktoren bei zu wenigen Ereignissen. Nicht die Gesamtzahl der Patientinnen und Patienten, sondern vor allem die Zahl der beobachteten Ereignisse begrenzt die Komplexität des Modells. Zu viele Parameter können zu instabilen Schätzungen, breiten Konfidenzintervallen und scheinbar spektakulären, aber nicht belastbaren Ergebnissen führen.

Problematisch ist auch die datengetriebene Variablenauswahl allein nach p-Werten. Medizinisch relevante Confounder sollten aus dem Studiendesign, der Literatur und der klinischen Plausibilität abgeleitet werden. Wer nur Variablen mit „signifikantem“ Ergebnis im Modell behält, riskiert Verzerrungen und ein schwer reproduzierbares Vorgehen.

Besondere Vorsicht gilt bei konkurrierenden Risiken. Stirbt eine Patientin beispielsweise vor einem möglichen Tumorrezidiv an einer anderen Ursache, ist der Tod nicht einfach eine gewöhnliche Zensierung. Hier kann eine konkurrierende Risikoanalyse erforderlich sein. Auch zeitabhängige Expositionen, etwa ein Therapiewechsel während des Follow-ups, lassen sich nicht korrekt behandeln, wenn sie fälschlich als Ausgangsmerkmal modelliert werden.

Wann fachliche Statistikberatung sinnvoll ist

Eine Cox-Regression wirkt in der Software oft schnell durchgeführt. Die methodisch belastbare Auswertung beginnt aber bei der Frage, ob der Endpunkt passend definiert ist, welche Fälle zensiert werden, ob konkurrierende Risiken vorliegen und welche Variablen tatsächlich in das Modell gehören. Gerade in Dissertationen, klinischen Studien und Publikationen werden diese Punkte im Review kritisch geprüft.

Easy Statistik unterstützt bei der Planung, Durchführung und verständlichen Dokumentation medizinischer Überlebenszeitanalysen - individuell, diskret und durch promovierte Statistiker. Wenn Sie Ihre Daten, die Modellannahmen oder ein bereits erzeugtes Output prüfen lassen möchten, können Sie über das Kontaktformular eine Statistikberatung anfordern. Eine sauber begründete Cox-Regression schafft nicht nur ein überzeugenderes Ergebnis, sondern auch Sicherheit bei Rückfragen von Betreuung, Ethikkommission oder Journal.