Download PDF
Zentralbl Chir 2016; 141(04): 383-389
DOI: 10.1055/s-0034-1383077
Übersicht
Georg Thieme Verlag KG Stuttgart · New York

Überlebenszeitanalysen und andere Ereigniszeiten – was der Chirurg hierzu wissen sollte

Analysis of Survival Time and Other Event Times – What Does the Surgeon Need to Know?
S. Kropf
1   Institut für Biometrie und Medizinische Informatik, Medizinische Fakultät der Otto-von-Guericke-Universität Magdeburg, Deutschland
,
F. Meyer
2   Klinik für Allgemein-, Viszeral- & Gefäßchirurgie, Universitätsklinikum Magdeburg A. ö. R., Deutschland
,
E. Glimm
1   Institut für Biometrie und Medizinische Informatik, Medizinische Fakultät der Otto-von-Guericke-Universität Magdeburg, Deutschland
3   Statistikabteilung, Novartis Pharma AG, Basel, Schweiz
› Author Affiliations
Further Information

Publication History

Publication Date:
21 October 2014 (online)

Also available at
    Permissions and Reprints

Zusammenfassung

Hintergrund: Die Überlebenszeit ist eine wichtige Kenngröße zur Beurteilung von therapeutischen Maßnahmen. Sie spielt eine eminente Rolle sowohl in Studienkonzepten, Datenauswertungen als auch Publikationen. Ziel: Darstellung beachtenswerter essenzieller Punkte, um zu belastbaren Ergebnissen der Überlebenszeitanalyse zu kommen sowie wissenschaftliche Berichte angemessen werten zu können. Eckpunkte/Hauptaussagen: (1.) Die wichtigsten Analysemethoden sind das Kaplan-Meier-Verfahren zur Schätzung von Überlebenszeitkurven, der Log-Rank-Test zum Vergleich von 2 oder mehreren Überlebenskurven aus unabhängigen Stichproben und die Cox-Regression zu Vergleichen unter gleichzeitiger Betrachtung mehrerer Einflussfaktoren: (2.) Abhängigkeiten zwischen den Überlebens- und Zensierungswahrscheinlichkeiten können diese Verfahren stark verfälschen. (3.) Für mehrere zu unterscheidende Zielereignisse (wie Tod, Progression etc.) und für abhängige Stichprobenelemente sind erweiterte Verfahren wie Competing-Risk-Analysen oder erweiterte Cox-Modelle verfügbar. Schlussfolgerung: Die Überlebenszeitanalyse ist von außerordentlicher Bedeutung für die Auswertung der Daten aus Therapiestudien. Für den akademisch geprägten und publizistisch aktiven Mediziner, natürlich damit auch den operativ-klinisch tätigen Chirurgen, ist ein Grundverständnis dieser Methodik unabdingbar.

Abstract

Background: Survival time is an important parameter to investigate therapeutic measures. It plays a crucial role in study concepts, data analyses as well as publications. Aim: The aim of this study was to emphasise essential points, which need to be taken into account to (i) gain resilient results of survival time analysis and (ii) appropriately evaluate scientific reports. Corner Points/Main Statements: (i) The main analytical methods are Kaplan-Meier procedure to estimate survival time curves, the log rank test to compare two or more survival curves from independent samples and Cox regression for comparisons under simultaneous consideration of several influencing factors. (ii) Dependent relationships between survival and censoring probabilities may falsify these statistical procedures. (iii) For several end points, which need to be differentiated (such as death, progression etc.), and for interdependent sample elements, extended statistical procedures such as competing risk analyses or extended Cox regression models are available. Conclusion: Survival time analysis can be considered as being extraordinarily important for evaluation of data obtained in therapeutic studies. For the academic and publishing physician, in particular, for the clinical surgeon, a basic understanding of these methodological aspects in statistics is indispensable.

Schlüsselwörter

Überlebenszeit - Ereigniszeiten - statistische Analyse - Kaplan-Meier-Verfahren - Log-Rank-Test - Cox-Regression - Überlebenszeitkurve - Einflussfaktoren

Key words

survival time - event times - statistical analysis - Kaplan-Meier procedure - log rank test - Cox regression - survival curve - influencing factors
 

  • Literatur

  • 1 Wolkersdörfer G, Berr F, Nawara C et al. Extrahepatische Gallenwegstumoren: aktueller Stand der palliativen Therapie. Zentralbl Chir 2012; 137: 522-526
    Article in Thieme ConnectPubMedGoogle Scholar
  • 2 Benedix F, Kuester D, Meyer F et al. Einfluss des muzinösen und siegelringzelligen Subtyps auf epidemiologische, histologische und molekularbiologische Eigenschaften sowie auf die Prognose des kolorektalen Karzinoms. Zentralbl Chir 2013; 138: 427-433
    Article in Thieme ConnectPubMedGoogle Scholar
  • 3 Grallert M, Uhlmann D, Bartels M et al. VATS-Lobektomie – Ein Standardverfahren in der Therapie des nicht kleinzelligen Lungenkarzinoms im Stadium I?. Zentralbl Chir 2013; 138 (Suppl. 01) S40
    Article in Thieme ConnectPubMedGoogle Scholar
  • 4 Steinert R, Gastinger I, Ridwelski K et al. Multizentrische Ergebnisse der chirurgischen Therapie der Karzinome des ösophagogastralen Übergangs. Zentralbl Chir 2013; 138: 403-409
    Article in Thieme ConnectPubMedGoogle Scholar
  • 5 Grundmann R, Meyer F. Geschlechtsspezifische Einflüsse auf Inzidenz, Screening, Behandlung und Ergebnis des kolorektalen Karzinoms. Zentralbl Chir 2013; 138: 434-441
    Article in Thieme ConnectPubMedGoogle Scholar
  • 6 Schumacher M, Schulgen G. Methodik klinischer Studien: Methodische Grundlagen der Planung, Durchführung und Auswertung. 3. Aufl. Berlin, Heidelberg: Springer; 2008
    CrossrefGoogle Scholar
  • 7 Zwiener I, Blettner M, Hommel G. Überlebenszeitanalyse: Teil 15 der Serie zur Bewertung wissenschaftlicher Publikationen. Dtsch Arztebl Int 2011; 108: 163-169
    PubMedGoogle Scholar
  • 8 Eisenhauer EA, Therasse P, Bogaerts J et al. New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1). Eur J Cancer 2009; 45: 228-247
    CrossrefPubMedGoogle Scholar
  • 9 Punt CJ, Buyse M, Köhne CH et al. Endpoints in adjuvant treatment trials: a systematic review of the literature in colon cancer and proposed definitions for future trials. J Natl Cancer Inst 2007; 99: 998-1003
    CrossrefPubMedGoogle Scholar
  • 10 Birgisson H, Wallin U, Holmberg L et al. Survival endpoints in colorectal cancer and the effect of second primary other cancer on disease free survival. BMC Cancer 2011; 11: 438
    CrossrefPubMedGoogle Scholar
  • 11 Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. J Am Stat Assoc 1958; 53: 457-481
    CrossrefPubMedGoogle Scholar
  • 12 Ziegler A, Lange S, Bender R. Überlebenszeitanalyse: Eigenschaften und Kaplan-Meier Methode. Dtsch Med Wochenschr 2002; 127: T14-T16
    PubMedGoogle Scholar
  • 13 Ziegler A, Lange S, Bender R. Überlebenszeitanalyse: Der Log-Rang-Test. Dtsch Med Wochenschr 2004; 129: T4-T6
    Article in Thieme ConnectPubMedGoogle Scholar
  • 14 Cox DR. Regression models and life tables. J R Stat Soc Ser B Stat Methodol 1972; 20: 187-220
    PubMedGoogle Scholar
  • 15 Cox DR. Partial likelihood. Biometrika 1975; 62: 269-276
    CrossrefPubMedGoogle Scholar
  • 16 Cox DR, Oakes D. Analysis of Survival Data. London: Chapman & Hall; 1984
    Google Scholar
  • 17 Ziegler A, Lange S, Bender R. Überlebenszeitanalyse: Die Cox-Regression. Dtsch Med Wochenschr 2004; 129: T1-T3
    Article in Thieme ConnectPubMedGoogle Scholar
  • 18 Lee EW, Wei LJ, Amato DA. Cox-Type Regression Analysis for large Numbers of small Groups of correlated Failure Time Observations. In: Klein JP, Goel PK, eds. Survival Analysis: State of the Art. Dordrecht, Netherlands: Kluwer Academic Publishers; 1992: 237-247
    CrossrefGoogle Scholar
  • 19 Gooley TA, Leisenring W, Crowley J et al. Estimation of failure probabilities in the presence of competing risks: new representations of old estimators. Stat Med 1999; 18: 695-706
    CrossrefPubMedGoogle Scholar
  • 20 Hougaard P. Multi-state models: a review. Lifetime Data Anal 1999; 5: 239-264
    CrossrefPubMedGoogle Scholar