15.6: Annahmen der Überlebensanalyse

Überlebensmodelle analysieren die Zeit, bis ein oder mehrere Ereignisse eintreten, wie z. B. der Tod bei biologischen Organismen oder das Versagen mechanischer Systeme. Diese Modelle werden in Bereichen wie Medizin, Biologie, Ingenieurwesen und öffentlicher Gesundheit häufig eingesetzt, um Phänomene von der Zeit bis zum Ereignis zu untersuchen. Um genaue Ergebnisse zu gewährleisten, stützt sich die Überlebensanalyse auf wichtige Annahmen und ein sorgfältiges Studiendesign.

1. Die Überlebenszeiten sind positiv verzerrt
   Die Überlebenszeiten weisen oft eine positive Schiefe auf, im Gegensatz zu der Normalverteilung, die in vielen anderen Analysen angenommen wird. Das bedeutet, dass Ereignisse in der Regel zu Beginn häufiger auftreten und im Laufe der Zeit weniger auftreten.
2. Zensur von Daten
   Zensierung tritt auf, wenn die gesamte Überlebenszeit eines Individuums nicht eingehalten wird, sich aber von fehlenden Daten unterscheidet. Häufige Ursachen für Zensur sind Teilnehmer, die sich aus einer Studie zurückziehen, der Studienzeitraum, der endet, bevor das Ereignis eintritt, oder Teilnehmer, die nicht zusammenhängende Ereignisse erleben (z. B. Tod aus einer anderen Ursache). In einer Studie über Herzerkrankungen wurden beispielsweise die Daten eines Teilnehmers, der bei einem Unfall stirbt, zum Zeitpunkt des Todes zensiert.
3. Unabhängige Zensur
   Diese Annahme geht davon aus, dass die Gründe für die Zensur nichts mit der Wahrscheinlichkeit des interessierenden Ereignisses zu tun haben. Wenn zum Beispiel Teilnehmer mit schweren Symptomen mit größerer Wahrscheinlichkeit eine Studie abbrechen, können die Überlebensschätzungen verzerrt werden. Die Sicherstellung, dass die Zensur unabhängig vom Gesundheitszustand der Teilnehmer ist, ist entscheidend für eine zuverlässige Analyse.
4. Proportionale Gefahren (spezifisch für Cox-Modelle)
   Das Cox-Modell der proportionalen Gefahren geht davon aus, dass die Hazard Ratio zwischen zwei beliebigen Individuen über die Zeit konstant bleibt. Wenn beispielsweise das Risiko einer Gruppe für ein Ereignis zu Beginn einer Studie doppelt so hoch ist wie das einer anderen Gruppe, muss dieses Risikoverhältnis während des gesamten Studienzeitraums beibehalten werden.
5. Stationarität
   Stationarität geht davon aus, dass die Wahrscheinlichkeit, dass sich das Ereignis im Laufe der Zeit ändert, für alle Gruppen ähnlich ist, es sei denn, es wird explizit modelliert. Vergleicht man beispielsweise die Überlebenszeiten von Patienten, die mit einem neuen Medikament behandelt wurden, mit einer Standardbehandlung, so sollten externe Faktoren, die das Überleben beeinflussen, beide Gruppen gleichermaßen beeinflussen, sofern sie nicht berücksichtigt werden.
6. Klare und klinisch wichtige Ereignisse
   Das interessierende Ereignis sollte klinisch signifikant und klar definiert sein, um eine genaue Messung und Analyse zu ermöglichen. Mehrdeutige oder falsch klassifizierte Ereignisse (z. B. unklare Rückfallkriterien) können die Gültigkeit der Überlebenszeitdaten beeinträchtigen.
7. Angemessene Nachbeobachtungsfrist
   Die Nachbeobachtungsdauer sollte lang genug sein, um eine ausreichende Anzahl von Ereignissen für eine robuste statistische Aussagekraft zu beobachten. Kurze Nachverfolgungszeiten können kritische Ereignisse übersehen und zu unvollständigen oder verzerrten Schlussfolgerungen führen. Es ist auch wichtig, Unterschiede im Ereignisrisiko zwischen Teilnehmern, die zu unterschiedlichen Zeitpunkten rekrutiert wurden, zu minimieren, um verzerrte Ergebnisse zu vermeiden.

Designüberlegungen bei der Überlebensanalyse

Überlebensstudien müssen sorgfältig konzipiert werden, um diese Annahmen zu berücksichtigen. Eine klare Definition des Ereignisses, eine ausreichende Nachbereitungszeit und Strategien zur Minimierung von Zensurverzerrungen sind von entscheidender Bedeutung. Wenn diese Faktoren gut gemanagt werden, können Überlebensmodelle wertvolle Einblicke in Phänomene von der Zeit bis zum Ereignis in einer Reihe von Disziplinen liefern.