Überlebensanalyse
In diesem Beitrag
Was versteht man unter Überlebensanalyse?
Die Überlebensanalyse (engl. Survival Analysis) ist eine Gruppe statistischer Methoden, die untersucht, wie lange es dauert, bis ein bestimmtes Ereignis eintritt. Dieses Ereignis kann der Tod eines Patienten sein, aber auch das Auftreten eines Rückfalls, ein Gerätausfall, eine Kündigung oder jedes andere klar definierbare Ereignis.
Im Mittelpunkt steht die sogenannte Überlebensfunktion S(t). Sie gibt an, mit welcher Wahrscheinlichkeit eine Person oder ein Objekt zum Zeitpunkt t das interessierende Ereignis noch nicht erlebt hat:
Überlebensfunktion
Eng damit verbunden ist die Hazard-Funktion h(t), die beschreibt, wie hoch die momentane Ereignisrate zum Zeitpunkt t ist – also das unmittelbare Risiko, das Ereignis genau jetzt zu erleben, gegeben dass es bis dahin noch nicht eingetreten ist.
Ein zentrales Merkmal der Überlebensanalyse ist der Umgang mit zensierten Daten: Nicht bei allen Beobachtungen tritt das Ereignis im Beobachtungszeitraum ein. Wer am Studienende noch lebt, aus einer Studie ausscheidet oder schlicht nicht mehr beobachtet werden kann, liefert dennoch wertvolle Information – nämlich dass das Ereignis mindestens bis zu diesem Zeitpunkt nicht eingetreten ist. Diese Beobachtungen heißen rechtszensiert.
Warum ist Überlebensanalyse für statistische Analysen wichtig?
Klassische Methoden wie lineare Regression oder t-Tests können mit Zeitdaten und zensierten Beobachtungen nicht sinnvoll umgehen. Die Überlebensanalyse wurde genau dafür entwickelt und bietet spezialisierte Werkzeuge:
- Kaplan-Meier-Schätzer: Eine nichtparametrische Methode zur grafischen Darstellung der Überlebensfunktion. Sie zeigt, wie der Anteil der „Überlebenden“ in einer Gruppe über die Zeit abnimmt.
- Log-Rank-Test: Vergleicht die Überlebenskurven zweier oder mehrerer Gruppen auf statistisch signifikante Unterschiede, z. B. Behandlungsgruppe vs. Kontrollgruppe.
- Cox-Regressionsmodell: Ermöglicht es, den Einfluss mehrerer Kovariablen (z. B. Alter, Geschlecht, Therapie) auf die Ereignisrate gleichzeitig zu schätzen, ohne eine bestimmte Verteilung der Überlebenszeiten voraussetzen zu müssen.
Die Überlebensanalyse ist besonders wichtig in der medizinischen Forschung, wird aber ebenso in der Ingenieurwissenschaft (Zuverlässigkeitsanalyse), den Sozialwissenschaften (Ereignisanalyse) und der Wirtschaft (Kundenbindungsanalyse, sog. Churn Analysis) eingesetzt.
Praxisbeispiel zu Überlebensanalyse
Eine klinische Studie vergleicht zwei Behandlungsmethoden bei Brustkrebs: eine neue zielgerichtete Therapie (Gruppe A) und die Standardchemotherapie (Gruppe B). Jeweils 50 Patientinnen werden über 36 Monate beobachtet. Das interessierende Ereignis ist ein Rückfall.
| Patientin | Gruppe | Beobachtungszeit (Monate) | Ereignis eingetreten? |
|---|---|---|---|
| 1 | A | 18 | Ja (Rückfall) |
| 2 | A | 36 | Nein (zensiert) |
| 3 | A | 24 | Nein (zensiert) |
| 4 | B | 10 | Ja (Rückfall) |
| 5 | B | 15 | Ja (Rückfall) |
| 6 | B | 36 | Nein (zensiert) |
Für jede Gruppe wird ein Kaplan-Meier-Schätzer berechnet. Die resultierenden Kurven zeigen, wie der Anteil rückfallfreier Patientinnen über die Zeit abnimmt. Liegt die Kurve von Gruppe A durchgehend über der Kurve von Gruppe B, deutet das auf eine günstigere Prognose mit der neuen Therapie hin. Ein anschließender Log-Rank-Test prüft, ob dieser Unterschied statistisch signifikant ist.
Mit einer anschließenden Cox-Regression lässt sich zusätzlich untersuchen, ob der Therapieeffekt auch nach Berücksichtigung von Alter und Tumorstadium bestehen bleibt. Das Ergebnis wird als Hazard Ratio (HR) angegeben: Ein HR von 0,55 für Gruppe A würde bedeuten, dass das momentane Rückfallrisiko in Gruppe A zu jedem Zeitpunkt etwa 45 % niedriger ist als in Gruppe B.
