Überlebenszeitanalysen und andere Ereigniszeiten – was der Chirurg hierzu wissen sollte

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
• 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
• 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
• 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
• 5 Grundmann R, Meyer F. Geschlechtsspezifische Einflüsse auf Inzidenz, Screening, Behandlung und Ergebnis des kolorektalen Karzinoms. Zentralbl Chir 2013; 138: 434-441
• 6 Schumacher M, Schulgen G. Methodik klinischer Studien: Methodische Grundlagen der Planung, Durchführung und Auswertung. 3. Aufl. Berlin, Heidelberg: Springer; 2008
• 7 Zwiener I, Blettner M, Hommel G. Überlebenszeitanalyse: Teil 15 der Serie zur Bewertung wissenschaftlicher Publikationen. Dtsch Arztebl Int 2011; 108: 163-169
• 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
• 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
• 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
• 11 Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. J Am Stat Assoc 1958; 53: 457-481
• 12 Ziegler A, Lange S, Bender R. Überlebenszeitanalyse: Eigenschaften und Kaplan-Meier Methode. Dtsch Med Wochenschr 2002; 127: T14-T16
• 13 Ziegler A, Lange S, Bender R. Überlebenszeitanalyse: Der Log-Rang-Test. Dtsch Med Wochenschr 2004; 129: T4-T6
• 14 Cox DR. Regression models and life tables. J R Stat Soc Ser B Stat Methodol 1972; 20: 187-220
• 15 Cox DR. Partial likelihood. Biometrika 1975; 62: 269-276
• 16 Cox DR, Oakes D. Analysis of Survival Data. London: Chapman & Hall; 1984
• 17 Ziegler A, Lange S, Bender R. Überlebenszeitanalyse: Die Cox-Regression. Dtsch Med Wochenschr 2004; 129: T1-T3
• 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
• 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
• 20 Hougaard P. Multi-state models: a review. Lifetime Data Anal 1999; 5: 239-264