Beispiel Überlebenszeitanalyse in klinischer Forschung

Eine Patientin erhält eine neue Krebstherapie, ein anderer Patient wird nach 14 Monaten aus der Studie entlassen, ohne dass ein Ereignis eingetreten ist. Genau an diesem Punkt reicht ein einfacher Gruppenvergleich nicht mehr aus. Dieses Beispiel einer Überlebenszeitanalyse in der klinischen Forschung zeigt, wie sich Zeit bis zum Ereignis, unvollständige Beobachtungen und klinisch relevante Einflussfaktoren korrekt auswerten lassen.

Für Abschlussarbeiten, Dissertationen und Publikationen ist die Methode besonders anspruchsvoll, weil nicht nur ein p-Wert zählt. Entscheidend sind eine präzise Endpunktdefinition, der sachgerechte Umgang mit Zensierung und eine Interpretation, die statistisch und medizinisch zusammenpasst. Wer diese Punkte sauber dokumentiert, liefert eine Auswertung, die auch bei kritischer Begutachtung nachvollziehbar bleibt.

Beispiel Überlebenszeitanalyse in der klinischen Forschung

Angenommen, eine onkologische Studie untersucht 180 Patientinnen und Patienten mit fortgeschrittenem nicht-kleinzelligem Lungenkarzinom. Verglichen werden eine Standardtherapie und eine neue zielgerichtete Therapie. Der primäre Endpunkt ist das progressionsfreie Überleben, also die Zeit von der Randomisierung bis zur objektiv bestätigten Tumorprogression oder bis zum Tod - je nachdem, was zuerst eintritt.

Nach 24 Monaten liegen die Daten vor. Bei 112 Personen ist ein Ereignis eingetreten. Die übrigen 68 Personen hatten bis zum Ende der Beobachtung keine dokumentierte Progression und waren zu unterschiedlichen Zeitpunkten noch ereignisfrei, verloren gegangen oder aus anderen Gründen nicht weiter beobachtbar. Diese Fälle dürfen nicht einfach aus der Analyse entfernt werden. Sie sind rechtszensiert.

Rechtszensierung bedeutet: Es ist bekannt, dass die ereignisfreie Zeit mindestens bis zu einem bestimmten Zeitpunkt dauerte, aber der exakte Zeitpunkt des späteren Ereignisses ist unbekannt. Würde man zensierte Fälle ignorieren, würde das Überleben systematisch zu kurz geschätzt. Genau deshalb ist eine Überlebenszeitanalyse anderen Verfahren überlegen, wenn der Zeitpunkt eines Ereignisses im Mittelpunkt steht.

Die Datenstruktur entscheidet über die Qualität

Für jede Person wird mindestens eine Zeitvariable benötigt, etwa die Anzahl der Tage von Randomisierung bis Progression, Tod oder letztem Kontakt. Zusätzlich braucht es eine Ereignisvariable. Üblich ist die Codierung 1 für ein eingetretenes Ereignis und 0 für Zensierung. Darüber hinaus werden die Behandlungsgruppe sowie klinisch relevante Kovariaten erfasst, beispielsweise Alter, Geschlecht, Tumorstadium, Raucherstatus oder Ausgangs-Performance-Status.

Ein häufiger Fehler entsteht bereits bei der Definition des Ereignisses. Beim progressionsfreien Überleben ist Tod ohne zuvor dokumentierte Progression in vielen Studien ein Ereignis. Beim Gesamtüberleben hingegen zählt ausschließlich der Tod, während lebende Personen zum letzten bekannten Kontaktzeitpunkt zensiert werden. Welche Definition gilt, muss vor der Analyse im Studienprotokoll und später im Methodenteil eindeutig stehen.

Auch der Startzeitpunkt muss konsistent sein. Beginnt die Zeitmessung bei Diagnose, bei Studieneinschluss oder bei Therapiebeginn? Alle drei Varianten können fachlich sinnvoll sein, beantworten aber unterschiedliche Forschungsfragen. Nachträgliche Änderungen, weil ein Ergebnis günstiger ausfällt, sind methodisch nicht vertretbar.

Kaplan-Meier-Kurve: Der erste Blick auf die Überlebenszeit

Im Beispiel wird zunächst für beide Therapiegruppen eine Kaplan-Meier-Kurve erstellt. Sie zeigt auf der horizontalen Achse die Zeit und auf der vertikalen Achse die geschätzte Wahrscheinlichkeit, ereignisfrei zu bleiben. Die Kurve fällt nur dann ab, wenn ein Ereignis eintritt. Zensierte Beobachtungen werden meist als kleine Markierungen auf der Kurve dargestellt, verändern die Überlebenswahrscheinlichkeit jedoch nicht unmittelbar.

Die Kurve der zielgerichteten Therapie liegt über weite Strecken über der Kurve der Standardtherapie. Nach zwölf Monaten sind geschätzt 61 Prozent der Personen unter der neuen Therapie progressionsfrei, gegenüber 44 Prozent unter Standardtherapie. Der Median des progressionsfreien Überlebens liegt bei 14,8 Monaten in der Interventionsgruppe und bei 10,2 Monaten in der Kontrollgruppe.

Der Median ist anschaulich, aber nicht immer verfügbar. Wenn nach Studienende noch mehr als die Hälfte einer Gruppe ereignisfrei ist, wurde der Median nicht erreicht. Das ist kein Rechenfehler und sollte auch nicht künstlich ersetzt werden. In diesem Fall sind Überlebensraten zu vorab definierten Zeitpunkten und ihre Konfidenzintervalle oft aussagekräftiger.

Für den unadjustierten Vergleich der beiden Kurven eignet sich der Log-Rank-Test. Im Beispiel ergibt sich ein p-Wert von 0,008. Damit spricht die Analyse gegen die Nullhypothese identischer Überlebensverläufe. Der Test beantwortet aber nicht, wie groß der Effekt ist, ob klinisch relevante Störfaktoren berücksichtigt wurden oder ob sich der Unterschied über die gesamte Beobachtungszeit gleich verhält.

Das Cox-Modell liefert den relativen Effekt

Deshalb folgt häufig eine Cox-Regression, auch Cox-Proportional-Hazards-Modell genannt. Sie schätzt die Hazard Ratio, kurz HR. Vereinfacht beschreibt sie das Verhältnis der momentanen Ereignisraten zwischen zwei Gruppen unter Berücksichtigung weiterer Variablen.

Im adjustierten Modell werden Therapiegruppe, Alter, Tumorstadium und Performance-Status berücksichtigt. Für die neue Therapie ergibt sich eine Hazard Ratio von 0,68 mit einem 95-Prozent-Konfidenzintervall von 0,51 bis 0,90 und einem p-Wert von 0,007. Unter der Modellannahme ist die momentane Rate für Progression oder Tod in der Interventionsgruppe damit um etwa 32 Prozent niedriger als in der Vergleichsgruppe.

Die Formulierung ist bewusst vorsichtig. Eine Hazard Ratio von 0,68 bedeutet nicht, dass jede Patientin und jeder Patient 32 Prozent länger lebt. Sie beschreibt auch keine absolute Überlebenswahrscheinlichkeit. Gerade in medizinischen Arbeiten werden Hazard Ratios oft zu weitgehend interpretiert. Gute Berichterstattung kombiniert daher HR, Konfidenzintervall, Kaplan-Meier-Kurven, Ereigniszahlen und klinische Einordnung.

Voraussetzungen, die vor dem Reporting geprüft werden müssen

Das Cox-Modell setzt proportionale Hazards voraus. Vereinfacht gesagt: Das Verhältnis der Hazards zwischen den Gruppen sollte über die Zeit ungefähr konstant bleiben. Kreuzen sich die Kaplan-Meier-Kurven deutlich oder wirkt eine Therapie erst nach längerer Zeit, kann diese Annahme verletzt sein.

Eine Prüfung ist beispielsweise über Schoenfeld-Residuen und grafische Diagnostik möglich. Bei einer Verletzung sind zeitabhängige Effekte, stratifizierte Cox-Modelle oder Analysen nach Zeitabschnitten denkbare Alternativen. Welche Lösung passt, hängt von Studiendesign, Ereigniszahl und fachlicher Fragestellung ab. Ein Standardmodell ohne Diagnostik ist keine belastbare Lösung.

Ebenso relevant ist die Annahme einer nicht-informativen Zensierung. Die Wahrscheinlichkeit, zensiert zu werden, sollte nicht unmittelbar mit dem unbeobachteten Risiko für das Ereignis zusammenhängen. Wenn besonders schwer erkrankte Personen häufiger aus der Nachbeobachtung verschwinden, kann die geschätzte Überlebenszeit verzerrt sein. Gründe für Zensierung sollten deshalb geprüft und transparent berichtet werden.

Bei wenigen Ereignissen ist Vorsicht bei der Zahl der Kovariaten geboten. Ein überladenes Cox-Modell kann instabile Schätzungen, sehr breite Konfidenzintervalle und schwer interpretierbare Resultate erzeugen. Die Variablenauswahl sollte sich primär an klinischer Relevanz, präregistrierten Hypothesen und dem verfügbaren Informationsgehalt der Daten orientieren - nicht allein an automatischen Auswahlverfahren.

So gehört das Ergebnis in eine wissenschaftliche Arbeit

Ein überzeugender Ergebnisteil benennt zunächst Population, Nachbeobachtungszeit, Ereigniszahl und Zensierungen. Danach folgen Kaplan-Meier-Schätzungen mit klar beschrifteter Abbildung, der Log-Rank-Test und die Cox-Regression inklusive HR, 95-Prozent-Konfidenzintervall und p-Wert. Im Methodenteil müssen Endpunkt, Zeitursprung, Zensierungsregeln, Kovariaten und die Prüfung der Modellannahmen nachvollziehbar beschrieben sein.

Eine mögliche Ergebnisformulierung lautet: „Das mediane progressionsfreie Überleben betrug 14,8 Monate unter zielgerichteter Therapie und 10,2 Monate unter Standardtherapie. Die Überlebensverteilungen unterschieden sich im Log-Rank-Test signifikant (p = 0,008). Nach Adjustierung für Alter, Tumorstadium und Performance-Status war die neue Therapie mit einem geringeren Risiko für Progression oder Tod assoziiert (HR = 0,68; 95 %-KI [0,51; 0,90]; p = 0,007).“

Ob diese Assoziation als kausaler Therapieeffekt interpretiert werden darf, hängt vom Design ab. In einer sauber randomisierten Studie ist diese Schlussfolgerung eher begründbar als in einer retrospektiven Beobachtungsstudie. Dort können Confounding, fehlende Daten und Selektionsprozesse trotz Adjustierung bestehen bleiben.

Wenn Endpunkte, Zensierungen oder Cox-Modelle in Ihrer Arbeit noch Unsicherheit auslösen, kann eine individuelle Statistikberatung von Easy Statistik die Analyse und das Reporting auf akademischem Niveau absichern. Fordern Sie über das Kontaktformular eine diskrete Ersteinschätzung an. Eine verständliche Überlebenszeitanalyse entsteht nicht durch möglichst viele Kennzahlen, sondern durch Entscheidungen, die zur klinischen Frage und zu den tatsächlichen Daten passen.