Zusammenfassung
Ereigniszeiten geben die Zeit bis zu einem schwerwiegenden Ereignis wie z. B. Tod oder Myokardinfarkt an. Eine Besonderheit von Ereigniszeitdaten ist das häufige Auftreten von Zensierungen. Dies macht spezielle Analysemethoden notwendig. Mit Kaplan-Meier-Kurven kann die Ereigniszeit von Patientenkollektiven dargestellt und deskriptiv verglichen werden. Mit dem Log-Rank-Test kann die Ereigniszeit verschiedener Gruppen auf Unterschied getestet werden. Mit der Cox-Regression kann der simultane Einfluss mehrerer Faktoren auf die Ereigniszeit quantifiziert werden. Bei der Beurteilung diagnostischer Verfahren wird mit Sensitivität und Spezifität quantifiziert, wie oft eine Diagnose richtig-positiv oder richtig-negativ ist. Der positive und der negative prädiktive Wert geben die Wahrscheinlichkeit an, dass eine Person mit positivem bzw. negativem Test auch wirklich krank bzw. gesund ist. Die diagnostische Güte eines diagnostischen Markers kann mit einer ROC(„receiver operating characteristic“)-Kurve dargestellt und mit der AUC („area under the curve“) quantifiziert werden.
Abstract
The time to an event describes the time until occurrence of a serious event, such as death or myocardial infarction. A characteristic of time to event data is the frequent occurrence of censored data. This requires special analytical methods. The event time of patient cohorts can be described and compared descriptively with Kaplan-Meier curves. With the logrank test, the event time of multiple groups can be tested for differences. Cox regression can be used to quantify the simultaneous influence of multiple factors on event time. When assessing diagnostic procedures the sensitivity and specificity are used to quantify how often a diagnosis is correctly positive or correctly negative. The positive and the negative predictive values indicate the probability that a person with a positive or negative test is actually ill or healthy. The diagnostic quality of a diagnostic marker can be described with a receiver operating characteristic (ROC) curve and quantified with the area under the curve (AUC).
This is a preview of subscription content, log in via an institution to check access.
Literatur
Zwiener I, Blettner M, Hommel G (2011) Überlebenszeitanalyse – Teil 15 der Serie zur Bewertung wissenschaftlicher Publikationen. Dtsch Ärztebl Int 108(10):163–169
Lee ET, Wang J (2003) Statistical methods for survival data analysis. John Wiley & Sons
Kaplan EL, Meier P (1958) Nonparametric estimation from incomplete observations. J Am Stat Assoc 53(282):457–481
Wolbers M, Koller MT, Stel VS, Schaer B, Jager KJ, Leffondre K, Heinze G (2014) Competing risks analyses: objectives and approaches. Eur Heart J 35(42):2936–2941
Mantel N (1966) Evaluation of survival data and two new rank order statistics arising in its consideration. Cancer Chemother Rep 50(3):163–170
Lübke K, Gehkre M, Horst J, Szepannek G (2020) Why we should teach causal inference: examples in linear regression with simulated data. J Stat Educ 28(2):133–139
Cox DR (1972) Regression models and life-tables. J R Stat Soc Series B Stat Methodol 34(2):187–202
Alkharusi H (2012) Categorical variables in regression analysis: a comparison of dummy and effect coding. Int J Educ 4(2):202
Lin DY (2007) On the Breslow estimator. Lifetime Data Anal 13:471–480
Rahman MS, Ambler G, Choodari-Oskooei B, Omar RZ (2017) Review and evaluation of performance measures for survival prediction models in external validation settings. BMC Med Res Methodol 17(1):1–15
Harrell FE, Califf RM, Pryor DB, Lee KL, Rosati RA (1982) Evaluating the yield of medical tests. JAMA 247(18):2543–2546
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
Gemäß den Richtlinien des Springer Medizin Verlags werden Autoren und Wissenschaftliche Leitung im Rahmen der Manuskripterstellung und Manuskriptfreigabe aufgefordert, eine vollständige Erklärung zu ihren finanziellen und nichtfinanziellen Interessen abzugeben.
Autoren
S. Kilian: A. Finanzielle Interessen: S. Kilian gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Biometriker an der Uniklinik Heidelberg. K. Meisenbacher: A. Finanzielle Interessen: K. Meisenbacher gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Oberärztin, Klinik für Gefäßchirurgie und Endovaskuläre Chirurgie, Universitätsklinikum Heidelberg | Mitgliedschaften: Deutsche Gesellschaft für Gefäßchirurgie und Gefäßmedizin (DGG), Gesellschaft für Medizinische Ausbilding (GMA), Deutsche Gesellschaft für Ultraschall in der Medizin e. V. (DEGUM) | seit 2021: Leitung der Kommission für Aus- und Weiterbildung, DGG. M.S. Bischoff: A. Finanzielle Interessen: M.S. Bischoff gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Oberarzt, Klinik für Gefäßchirurgie und Endovaskuläre Chirurgie, Universitätsklinikum Heidelberg | Mitgliedschaft: Deutsche Gesellschaft für Gefäßchirurgie und Gefäßmedizin.
Wissenschaftliche Leitung
Die vollständige Erklärung zum Interessenkonflikt der Wissenschaftlichen Leitung finden Sie am Kurs der zertifizierten Fortbildung auf www.springermedizin.de/cme.
Der Verlag
erklärt, dass für die Publikation dieser CME-Fortbildung keine Sponsorengelder an den Verlag fließen.
Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
Additional information
Wissenschaftliche Leitung
Moritz Bischoff, Heidelberg
Johannes Hoffmann, Essen
Alexander Oberhuber, Münster
QR-Code scannen & Beitrag online lesen
CME-Fragebogen
CME-Fragebogen
Was bezeichnen Zensierungen im Kontext von Ereigniszeitdaten?
Anonymisierung vertraulicher Patientendaten
Patient*innen, bei denen ab einem gewissen Zeitpunkt nicht mehr bekannt ist, ob sie ein Ereignis erlitten haben
Patient*innen, bei denen nicht bekannt ist, ob sie die Ein- und Ausschlusskriterien der Studie erfüllen
Patient*innen, bei denen nicht bekannt ist, welche Therapie sie bekommen haben
Verschweigen nichtsignifikanter Ergebnisse in der Publikation
In einer 1‑armigen Studie werden die Patient*innen einer speziellen Operation unterzogen. Das Überleben der Patientenpopulation soll mit einer Kaplan-Meier-Kurve beschrieben werden. Welche Bedeutung haben die Achsen im Diagramm einer Kaplan-Meier-Kurve?
x‑Achse: Zeit ab Operation, y‑Achse: Ereigniswahrscheinlichkeit
x‑Achse: Ereigniswahrscheinlichkeit, y‑Achse: Todeszeitpunkt
x‑Achse: Zensierungszeit, y‑Achse: Alter bei Operation
x‑Achse: Alter bei Operation, y‑Achse: Zeit
x‑Achse: „number at risk“, y‑Achse: Konfidenzintervall
Das mediane Überleben der Patient*innen, die einer speziellen Operation unterzogen werden, beträgt 2,3 Jahre. Wie ist dieser Wert zu interpretieren?
Die Hälfte der Patient*innen überlebt länger als 2,3 Jahre nach Operation.
Alle Überlebenszeiten erstrecken sich über einen Zeitraum von 2,3 Jahren.
Die mittlere Überlebenszeit der Patient*innen nach der Operation beträgt 2,3 Jahre.
Die Hälfte der Patient*innen kann länger als 2,3 Jahre nachbeobachtet werden.
Die mittleren 50 % der Überlebenszeiten erstrecken sich über einen Zeitraum von 2,3 Jahren.
In einer 1‑armigen Studie wurden die Patient*innen einer speziellen Operation unterzogen. Das Überleben der Patientenpopulation wird mit einer Kaplan-Meier-Kurve beschrieben. Unter der Kaplan-Meier-Kurve befindet sich die Number-at-risk-Tabelle. Zum Zeitpunkt von 5 Jahren beträgt die „number at risk“ 23. Wie ist dieser Wert zu interpretieren?
In der Studie gab es 23 Patient*innen, die nach dem Zeitpunkt von 5 Jahren nach der Operation noch verstorben sind.
In der Studie gab es 23 Patient*innen, die innerhalb von 5 Jahren nach der Operation verstorben sind.
In der Studie gab es 23 Patient*innen, die innerhalb von 5 Jahren nach der Operation zensiert wurden.
In der Studie gab es 23 Patient*innen, die 5 Jahre nach der Operation noch nicht verstorben waren.
In der Studie gab es 23 Patient*innen, die 5 Jahre nach der Operation noch unter Beobachtung und nicht verstorben waren.
In einer klinischen Beispielstudie ist man an der Zeit bis zum Auftreten eines bestimmten Ereignisses (primäres Ereignis) interessiert. Was versteht man in diesem Zusammenhang unter einem konkurrierenden Ereignis?
Das primäre Ereignis kann nur eintreten, nachdem das konkurrierende Ereignis eingetreten ist.
Das konkurrierende Ereignis kann nur eintreten, nachdem das primäre Ereignis eingetreten ist.
Wenn das konkurrierende Ereignis eintritt, kann das primäre Ereignis danach nicht mehr eintreten.
Wenn das primäre Ereignis eintritt, tritt danach zwangsläufig das konkurrierende Ereignis ein.
Wenn das konkurrierende Ereignis eintritt, tritt danach zwangsläufig das primäre Ereignis ein.
In einer randomisierten, kontrollierten Studie wurde eine Gruppe mit einer neuen Operationstechnik und die andere Gruppe mit dem bisherigen Standard operiert. Die Überlebenszeit beider Gruppen wurde mit dem Log-Rank-Test verglichen. Der resultierende p-Wert beträgt 0,03. Wie ist das Ergebnis zu interpretieren?
Das Ergebnis deutet darauf hin, dass es keinen Überlebensunterschied zwischen den Verfahren gibt.
Das Ergebnis deutet auf einen Überlebensunterschied zwischen den beiden Verfahren hin. Mit den verfügbaren Informationen ist nicht erkennbar, welches Verfahren ein besseres Überleben hatte.
Das Ergebnis liefert überhaupt keine Information darüber, ob es einen Überlebensunterschied zwischen den beiden Verfahren gibt.
Das Ergebnis deutet auf einen Überlebensvorteil der neuen Operationstechnik hin.
Das Ergebnis deutet auf einen Überlebensvorteil des bisherigen Standards hin.
In einer randomisierten, kontrollierten Studie wurde eine Gruppe mit einer neuen Operationstechnik und die andere Gruppe mit dem bisherigen Standard operiert. Um beim Vergleich der Überlebenszeiten zwischen den beiden Gruppen zusätzlich das Alter bei Operation zu berücksichtigen, wurde eine Cox-Regression mit den Einflussvariablen „Gruppe“ (binär, Referenzkategorie: Standard) und „Alter bei Operation“ (stetig, in Jahren) durchgeführt. Die Ergebnisse sind in Tab. 3 dargestellt. Wie ist das Ergebnis zu interpretieren?
Die mit dem bisherigen Standard operierte Gruppe schien ein besseres Überleben zu haben. Höheres Alter bei Operation ging mit schlechterem Überleben einher.
Die mit dem bisherigen Standard operierten Patient*innen schienen nur dann ein besseres Überleben zu haben, wenn sie im oberen Altersbereich waren.
Die mit dem bisherigen Standard operierte Gruppe schien ein besseres Überleben zu haben. Höheres Alter bei Operation ging mit besserem Überleben einher.
Die mit der neuen Technik operierte Gruppe schien ein besseres Überleben zu haben. Höheres Alter bei Operation ging mit schlechterem Überleben einher.
Die mit der neuen Technik operierte Gruppe schien ein besseres Überleben zu haben. Höheres Alter bei Operation ging mit besserem Überleben einher.
In einer Studie soll die Güte eines neuen Schnelltests auf Infektion mit dem Influenzavirus ermittelt werden. Dafür wurden 1000 Personen sowohl mit dem neuen Schnelltest als auch mit dem Goldstandard (PCR[Polymerasekettenreaktion]-Diagnostik) getestet. 198 Personen hatten einen positiven Schnelltest. Davon waren 190 Personen auch in der PCR-Diagnostik positiv. Von den 802 Personen mit negativem Schnelltest waren 10 in der PCR-Diagnostik positiv. Welche Werte für Sensitivität und Spezifität des neuen Schnelltests ergeben sich aus diesen Zahlen?
Sensitivität: 0,90, Spezifität: 0,01
Sensitivität: 0,05, Spezifität: 0,90
Sensitivität: 0,95, Spezifität: 0,99
Sensitivität: 0,96, Spezifität: 0,90
Sensitivität: 0,99, Spezifität: 0,01
Ein neuer Schnelltest auf Infektion mit dem Influenzavirus hat einen positiven prädiktiven Wert von 0,92. Wie ist dieser Wert zu interpretieren?
Jemand mit einem negativen Schnelltest ist mit einer Wahrscheinlichkeit von 0,08 nicht infiziert.
Jemand mit einem negativen Schnelltest ist mit einer Wahrscheinlichkeit von 0,92 nicht infiziert.
Jemand mit einem negativen Schnelltest ist mit einer Wahrscheinlichkeit von 0,08 tatsächlich infiziert.
Jemand mit einem positiven Schnelltest ist mit einer Wahrscheinlichkeit von 0,92 nicht infiziert.
Jemand mit einem positiven Schnelltest ist mit einer Wahrscheinlichkeit von 0,92 tatsächlich infiziert.
Was stellt eine ROC(„receiver operating characteristic“)-Kurve dar?
Die Sensitivität-Spezifität-Kombinationen, die mit einem diagnostischen Marker für verschiedene Grenzwerte erreicht werden können.
Die Sensitivität-Spezifität-Kombinationen, die mit einem binären diagnostischen Test für verschiedene Prävalenzen erreicht werden können.
Die positiven und negativen prädiktiven Werte, die mit einem binären diagnostischen Test für verschiedene Prävalenzen erreicht werden können.
Die AUC(„area under the curve“)-Werte, die mit einem diagnostischen Marker für verschiedene Prävalenzen erreicht werden können.
Die AUC-Werte, die mit einem diagnostischen Marker für verschiedene Grenzwerte erreicht werden können.
Rights and permissions
About this article
Cite this article
Kilian, S., Meisenbacher, K. & Bischoff, M.S. Ereigniszeitanalyse und die Beurteilung diagnostischer Verfahren. Gefässchirurgie 28, 599–610 (2023). https://doi.org/10.1007/s00772-023-01029-w
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00772-023-01029-w