Überlebenszeitanalyse kompakt: Kaplan-Meier-Kurven, Log-rank-Test und Cox-Regression
Praxisleitfaden zur Überlebenszeitanalyse für klinisch Forschende — wann sie passt, wie Sie Daten aufbereiten und wie Sie Kaplan-Meier-Kurven sowie Cox-Regressionsergebnisse lesen.
Ihre Studie vergleicht zwei Patientengruppen, der Endpunkt heißt „Zeit von der Operation bis zum Rezidiv". Manche Patient·innen sind rezidivfrei geblieben, einige beim letzten Follow-up noch ohne Ereignis, andere aus der Nachbeobachtung verloren. Ein t-Test über durchschnittliche Zeiten greift hier nicht — denn für diejenigen ohne Rezidiv kennen Sie die wahre Rezidivzeit gar nicht.
Genau dafür ist die Überlebenszeitanalyse da.
Was Überlebenszeitanalyse leistet
Die Überlebenszeitanalyse ist eine Methodenfamilie für Time-to-Event-Daten. Das „Ereignis" muss kein Tod sein — gemeint ist jedes interessierende Outcome:
- Tumorrezidiv
- Krankheitsprogression
- postoperative Komplikation
- Transplantatversagen
- Todesfall
Der zentrale Vorteil: Sie behandelt zensierte Daten korrekt — also Personen, bei denen das Ereignis bis zum Beobachtungsende nicht aufgetreten ist. Wer diese Fälle ausschließt, erzeugt schwerwiegenden Bias. Wer ihre Beobachtungszeit als Ereigniszeit zählt, liegt ebenso falsch. Die Überlebenszeitanalyse liefert den mathematischen Rahmen, um diese unvollständige Information sauber zu nutzen.
Welches Datenformat Sie brauchen
Pro Patient·in benötigen Sie mindestens zwei Variablen:
- Zeitvariable: Dauer vom definierten Startpunkt bis zum Ereignis oder zur Zensierung. Startpunkt ist meist Diagnose-, OP- oder Einschlussdatum. Einheit Tage, Monate oder Jahre — aber durchgängig konsistent
- Statusvariable (Ereignisindikator): markiert, ob das Ereignis eingetreten ist. Übliche Kodierung: 1 = Ereignis aufgetreten, 0 = zensiert
Beispiel:
| Patient·innen-ID | Follow-up (Monate) | Ereignisstatus | Gruppe |
|---|---|---|---|
| 001 | 24 | 1 (Rezidiv) | Therapie |
| 002 | 36 | 0 (zensiert) | Kontrolle |
| 003 | 12 | 1 (Rezidiv) | Therapie |
| 004 | 30 | 0 (zensiert) | Therapie |
Was als Zensierung zählt:
- Das Ereignis ist bis zum Studienende nicht eingetreten
- Die Person ist aus der Nachbeobachtung verloren gegangen
- Die Person hat aus Gründen abgebrochen, die nichts mit dem Studienereignis zu tun haben (z. B. Umzug, Widerruf der Teilnahme)
Die häufigsten Vorbereitungsfehler sind inkonsistente Zeitberechnungen (manche ab Diagnose, andere ab OP) und ungenaue Zensurstatus-Angaben. Vor der Analyse sorgfältig prüfen.
Die Kaplan-Meier-Methode
Die Kaplan-Meier-Methode ist das grundlegendste und am weitesten verbreitete Verfahren der Überlebenszeitanalyse. Sie schätzt die Überlebensfunktion — die Wahrscheinlichkeit, dass das Ereignis zu einem Zeitpunkt t noch nicht eingetreten ist.
Wie Sie eine Kaplan-Meier-Kurve lesen
Die x-Achse zeigt die Zeit, die y-Achse die Überlebenswahrscheinlichkeit (0 bis 1 bzw. 0 % bis 100 %):
- Die Kurve startet links oben bei 1,0 (100 %)
- Bei jedem Ereignis fällt sie stufenförmig ab
- Zensierte Beobachtungen werden meist als kleine Häkchen oder Pluszeichen auf der Kurve markiert — die Kurve fällt an diesen Stellen nicht, die Anzahl Risk-Personen sinkt
- Ein flacherer Verlauf bedeutet niedrigere Ereignisrate und bessere Prognose
- Stärkere Trennung zwischen zwei Kurven bedeutet größeren Gruppenunterschied
Mediane Überlebenszeit
Die mediane Überlebenszeit ist der Zeitpunkt, an dem die Kaplan-Meier-Kurve die 50-%-Linie kreuzt. Sie zeigt: die Hälfte der Personen hat das Ereignis vor diesem Zeitpunkt erlebt.
Bleibt die Kurve durchgehend oberhalb von 50 %, lässt sich der Median nicht berechnen — typisch in Studien mit günstiger Prognose.
Number-at-Risk-Tabelle
Eine sauber aufbereitete Kaplan-Meier-Abbildung enthält unterhalb der Kurve eine Risk-Tabelle, die zeigt, wie viele Personen zu jedem Zeitpunkt noch unter Beobachtung sind. Wichtig, weil Schätzungen im hinteren Kurvenbereich oft auf wenigen Personen basieren und entsprechend unpräzise sind. Sind nur noch fünf Personen unter Risiko, sagen Schwankungen der Kurve wenig Verlässliches.
Der Log-rank-Test
Kaplan-Meier-Kurven zeigen visuelle Unterschiede — für eine statistische Aussage zur Signifikanz brauchen Sie einen Test.
Der Log-rank-Test ist die Standardlösung. Er vergleicht zu jedem Ereigniszeitpunkt die beobachtete und die erwartete Anzahl Ereignisse zwischen den Gruppen.
- Nullhypothese: Die Überlebenskurven beider Gruppen sind identisch
- Ausgabe: eine Chi-Quadrat-Statistik und ein p-value
- Annahme: Die Hazard Ratio zwischen den Gruppen ist über den Beobachtungszeitraum näherungsweise konstant (die Kaplan-Meier-Kurven kreuzen sich nicht)
Kreuzen sich die Kurven (z. B. eine Therapie wirkt kurzfristig besser, langfristig schlechter), verliert der Log-rank-Test an Power. In solchen Fällen kommen alternative Verfahren in Betracht (z. B. Wilcoxon-Test oder stückweise Auswertung).
Cox-Regression mit proportionalen Hazards
Der Log-rank-Test sagt, ob sich Gruppen unterscheiden — nicht, wie groß der Unterschied ist und ob er für Confounder adjustiert wurde. Hier kommt die Cox-Regression ins Spiel.
Die Cox-Regression mit proportionalen Hazards ist das wichtigste multivariable Verfahren der Überlebenszeitanalyse. Ihre zentrale Kennzahl ist die Hazard Ratio (HR):
- HR = 1: gleiches Risiko in beiden Gruppen
- HR > 1: Faktor erhöht das Ereignisrisiko (schlechtere Prognose)
- HR < 1: Faktor senkt das Ereignisrisiko (bessere Prognose)
Beispiel: „HR Therapie- vs. Kontrollgruppe = 0,62 (95 %-KI: 0,45–0,85, p = 0,003)" bedeutet: Nach Adjustierung für andere Variablen liegt das Ereignisrisiko der Therapiegruppe um 38 % niedriger als in der Kontrollgruppe.
Die Annahme proportionaler Hazards
Die Schlüsselannahme der Cox-Regression: Die Hazard Ratio zwischen Gruppen bleibt über den gesamten Beobachtungszeitraum konstant.
Prüfmöglichkeiten:
- Schoenfeld-Residuen-Test: Ein signifikanter p-value verweist auf eine Verletzung der Annahme
- Visuelle Prüfung der Kaplan-Meier-Kurven: Kreuzen sich die Kurven, ist die Annahme vermutlich verletzt
Hält die Annahme nicht, bieten sich Stratifikation nach Zeit oder ein zeitabhängiges Cox-Modell an.
Multivariable Cox-Regression
In der Praxis wird Cox-Regression in zwei Stufen berichtet:
- Univariable Analyse: Jede Variable einzeln gegen das Outcome testen und signifikante auswählen (Einschlusskriterium meist p < 0,1 oder p < 0,2)
- Multivariable Analyse: Alle ausgewählten Variablen gemeinsam einschließen, um adjustierte HRs zu erhalten
Die Ergebnisse werden meist als Forest Plot dargestellt, mit HR auf der x-Achse (logarithmisch skaliert) und einer Referenzlinie bei HR = 1. Eine der häufigsten Darstellungsformen in klinischen Artikeln.
Häufige Stolperstellen
1. Inkonsistente Startpunkte
Manche Patient·innen werden ab Diagnosedatum gezählt, andere ab OP-Datum. Der Startpunkt muss im Studiendesign klar definiert und in den Daten strikt einheitlich sein.
2. Informative Zensierung
Verlässt eine Person die Nachbeobachtung, weil sich der Zustand verschlechtert hat und sie in eine andere Klinik verlegt wurde, hängt die Zensierung mit dem Ereignis zusammen — die Grundannahme der Überlebenszeitanalyse ist verletzt. Diese Verzerrung gehört in die Diskussion des Manuskripts.
3. Zu kleine Stichprobe
Cox-Regression verlangt typischerweise mindestens 10 bis 20 Ereignisse pro Prädiktor. Bei nur 30 Ereignissen insgesamt sollten höchstens zwei bis drei Variablen einbezogen werden. Zu viele Variablen führen zu Overfitting.
4. p-values ohne HR berichten
„Der Unterschied war statistisch signifikant (p < 0,05)" ohne HR und 95 %-KI ist eine häufige Lücke, die Reviewer·innen mit hoher Wahrscheinlichkeit anmerken werden.
Das Problem manueller Workflows
In SPSS müssen Sie Zeit- und Ereignisvariablen manuell setzen, Modelle iterativ aufbauen und Kaplan-Meier-Plots händisch formatieren. R ist flexibler, aber die Lernkurve ist steil — allein die Parameter der Pakete survival und survminer brauchen Einarbeitung.
Auch die Darstellung der Ergebnisse hat viele Details: Kaplan-Meier-Plots brauchen Risk-Tabellen, Cox-Regressionen verlangen Forest Plots, die Annahme proportionaler Hazards muss berichtet werden. Jedes Detail kostet zusätzlichen Code- und Formatierungsaufwand.
Wie Data2Paper in den Workflow passt
Data2Paper enthält ein vollständiges Modul für Überlebenszeitanalyse. Sie laden eine klinische Datei mit Zeit- und Ereignisstatusvariablen hoch, das System erkennt die Datenstruktur, generiert Kaplan-Meier-Kurven samt Risk-Tabelle, rechnet Log-rank-Tests, baut Cox-Regressionsmodelle auf und liefert publikationsreife Abbildungen sowie Interpretationstexte.
Kein Skripten, kein Wechsel zwischen Statistiksoftware und Dokument — Daten hochladen, Forschungsfrage beschreiben, vollständige Ergebnisse für das Manuskript erhalten.
Autor·in
Kategorien
Weitere Beiträge
Was Data2Paper leistet: Von Befragungsdaten zum auslieferbaren Forschungsartikel
Data2Paper überführt Survey-Exporte, mehrsprachige Schreibanforderungen und Python-basierte Analyseworkflows in auslieferbare Forschungsartikel.
Reliabilitätsanalyse und Cronbach's α: ein praktischer Leitfaden für Forschende
Wann und wie Sie Cronbach's α für die Reliabilitätsprüfung in Befragungen einsetzen, wie Sie die Werte interpretieren und welche Stolperfallen häufig auftreten.
KI-gestützte Literaturreviews: Wie Data2Paper aus einem Thema einen Forschungsbericht erstellt
Mit der Research-Report-Funktion von Data2Paper entsteht aus einem Forschungsthema eine strukturierte Literaturübersicht — inklusive belastbarer Quellen, thematischer Synthese und Downloads in PDF, Word und LaTeX.
Newsletter
Werden Sie Teil der Community
Abonnieren Sie unseren Newsletter und erhalten Sie aktuelle News und Updates