Cox-Regression
In diesem Beitrag
Was versteht man unter Cox-Regression?
Die Cox-Regression – auch Cox Proportional Hazards Model genannt – ist ein statistisches Verfahren zur Analyse von Überlebensdaten (Survival-Daten). Sie untersucht, wie verschiedene Einflussvariablen (Kovariaten) die Zeit bis zum Eintreten eines bestimmten Ereignisses beeinflussen. Typische Ereignisse sind der Tod eines Patienten, ein Rückfall nach einer Therapie oder der Ausfall einer technischen Komponente.
Das Modell beschreibt die sogenannte Hazard-Funktion – also die momentane Ereignisrate zu einem bestimmten Zeitpunkt, gegeben dass das Ereignis bis dahin noch nicht eingetreten ist. Die zentrale Modellgleichung lautet:
Modellgleichung der Cox-Regression
Dabei ist die Baseline-Hazard-Funktion, die den zeitlichen Verlauf des Risikos ohne den Einfluss von Kovariaten beschreibt. Der Exponentialterm skaliert dieses Grundrisiko in Abhängigkeit der Kovariaten mit den zugehörigen Koeffizienten .
Ein entscheidender Vorteil des Modells: Die Baseline-Hazard muss nicht geschätzt werden. Deshalb bezeichnet man die Cox-Regression als semiparametrisches Modell – sie macht keine Annahmen über die genaue Verteilung der Überlebenszeiten, setzt aber voraus, dass das Hazard-Verhältnis zwischen zwei Gruppen über die Zeit konstant bleibt (Proportionalitätsannahme).
Warum ist Cox-Regression für statistische Analysen wichtig?
Überlebenszeitanalysen stellen besondere Anforderungen an statistische Methoden, weil zensierte Beobachtungen berücksichtigt werden müssen. Eine Beobachtung ist zensiert, wenn das interessierende Ereignis während des Beobachtungszeitraums nicht eingetreten ist – etwa weil ein Patient die Studie vorzeitig abgebrochen hat oder noch lebt. Klassische Regressionsverfahren wie die lineare Regression können mit solchen Daten nicht angemessen umgehen. Die Cox-Regression ist dafür konzipiert.
Das zentrale Ergebnismaß der Cox-Regression ist die Hazard Ratio (HR). Sie gibt an, wie viel höher oder niedriger das momentane Ereignisrisiko einer Gruppe im Vergleich zu einer Referenzgruppe ist:
- HR = 1: Kein Unterschied im Risiko zwischen den Gruppen.
- HR > 1: Erhöhtes Risiko in der Gruppe mit höherem Kovariatenwert.
- HR < 1: Verringertes Risiko – möglicher Schutzeffekt.
Die Cox-Regression ist besonders dann gefragt, wenn mehrere Kovariaten gleichzeitig kontrolliert werden sollen – etwa Alter, Geschlecht und Therapieart in einer klinischen Studie. Durch die multiple Cox-Regression lässt sich der unabhängige Effekt jeder Variable schätzen.
Praxisbeispiel zur Cox-Regression
Eine Forscherin untersucht, ob eine neue Krebstherapie (Gruppe A) im Vergleich zur Standardtherapie (Gruppe B) das Rückfallrisiko senkt. Sie beobachtet 120 Patientinnen über drei Jahre und erfasst, wann ein Rückfall eintritt. Bei 30 Patientinnen endet die Beobachtung ohne Rückfall (zensiert).
Nach der Cox-Regression unter Kontrolle von Alter und Tumorstadium ergibt sich folgendes Ergebnis:
| Variable | Hazard Ratio (HR) | 95%-Konfidenzintervall | p-Wert |
|---|---|---|---|
| Therapiegruppe (A vs. B) | 0,54 | [0,35 – 0,83] | 0,005 |
| Alter (pro Jahr) | 1,03 | [1,00 – 1,06] | 0,042 |
| Tumorstadium (III vs. II) | 1,87 | [1,21 – 2,89] | 0,005 |
Die Hazard Ratio von 0,54 für die neue Therapie bedeutet: Patientinnen in Gruppe A haben zu jedem Zeitpunkt ein um 46 % geringeres Rückfallrisiko als Patientinnen in Gruppe B – bei Kontrolle von Alter und Tumorstadium. Das Konfidenzintervall schließt die 1 nicht ein, und der p-Wert liegt unter 0,05, was auf einen statistisch signifikanten Effekt hinweist.
