Kaplan-Meier-Überlebensanalyse-Rechner

Verwenden Sie die Kaplan-Meier-Analyse, wenn Sie verfolgen, wie lange es dauert, bis etwas eintritt - das Überleben von Patienten, die Zeit bis zum Geräteausfall oder wie lange Kunden bleiben, bevor sie kündigen. Der entscheidende Vorteil ist der Umgang mit unvollständigen Daten: Wenn einige Probanden das Ereignis noch nicht erlebt haben, wenn Ihre Studie endet, bezieht Kaplan-Meier diese Teilinformationen ordnungsgemäß ein, anstatt sie zu verwerfen.

Was ist die Kaplan-Meier-Analyse?

Die Kaplan-Meier-Analyse schätzt Überlebenswahrscheinlichkeiten über die Zeit und berücksichtigt dabei zensierte Daten - Probanden, die das Ereignis bis zum Studienende nicht erlebt haben.

Beantwortete Frage: "Wie hoch ist die Wahrscheinlichkeit, über den Zeitpunkt t hinaus zu überleben (oder ereignisfrei zu bleiben)?"

Beispiele:

• Zeit bis zum Tod nach Krebsdiagnose
• Zeit bis zum Maschinenausfall
• Zeit bis zur Kundenabwanderung
• Zeit bis zum Krankheitsrückfall

Konzepte der Überlebensdaten

Ereignis

Das interessierende Ergebnis: Tod, Ausfall, Rückfall, Abwanderung.

Überlebenszeit

Zeit vom Studieneintritt bis zum Ereignis oder zur Zensierung.

Zensierung

Wenn wir das Ereignis nicht beobachten:

• Rechtszensierung: Proband verlässt die Studie oder die Studie endet vor dem Ereignis
• Linkszensierung: Das Ereignis trat vor Beginn der Beobachtung ein
• Intervallzensierung: Das Ereignis trat innerhalb eines Zeitintervalls ein

Die meisten Überlebensanalysen konzentrieren sich auf rechtszensierte Daten.

Der Kaplan-Meier-Schätzer

$\hat{S}(t) = \prod_{t_i \leq t} \left(1 - \frac{d_i}{n_i}\right)$

Wobei:

• $t_i$ = Zeitpunkt, zu dem Ereignisse eintraten
• $d_i$ = Anzahl der Ereignisse zum Zeitpunkt $t_i$
• $n_i$ = Anzahl der Risikopersonen unmittelbar vor Zeitpunkt $t_i$

Beispielrechnung

Daten: Patientenüberlebenszeiten (Monate)

Schritt-für-Schritt-Berechnung:

Interpretation:

• 87,5% überleben mehr als 3 Monate
• 72,9% überleben mehr als 7 Monate
• 38,9% überleben mehr als 12 Monate

Die Überlebenskurve

Die Kaplan-Meier-Kurve ist eine Stufenfunktion, die:

• Bei S(0) = 1 beginnt (100% Überleben)
• Bei jedem Ereigniszeitpunkt abfällt
• Zensierte Beobachtungen werden oft mit Markierungen gekennzeichnet
• Null erreichen kann oder nicht

Konfidenzintervalle

Greenwoods Formel

Standardfehler der Überlebensschätzung:

$SE[\hat{S}(t)] = \hat{S}(t) \sqrt{\sum_{t_i \leq t} \frac{d_i}{n_i(n_i - d_i)}}$

95%-Konfidenzintervall

$\hat{S}(t) \pm 1,96 \times SE[\hat{S}(t)]$

Oder verwenden Sie log-transformierte Intervalle für bessere Abdeckung nahe 0 oder 1.

Mediane Überlebenszeit

Der Zeitpunkt, an dem S(t) = 0,50:

Aus dem Beispiel: Medianes Überleben ≈ 8-12 Monate (interpolieren Sie, wo S(t) 0,50 kreuzt).

Wenn das Überleben nie unter 50% fällt, ist der Median undefiniert.

Vergleich von Überlebenskurven

Log-Rank-Test

Der Standardtest zum Vergleich von zwei oder mehr Überlebenskurven.

$\chi^2 = \frac{(O_1 - E_1)^2}{E_1} + \frac{(O_2 - E_2)^2}{E_2}$

Wobei O = beobachtete Ereignisse, E = erwartete unter der Nullhypothese.

Interpretation

• p < 0,05: Überlebenskurven unterscheiden sich signifikant
• p ≥ 0,05: Kein Hinweis auf einen Unterschied

Andere Tests

• Wilcoxon (Gehan-Breslow): Gewichtet frühe Ereignisse stärker
• Tarone-Ware: Kompromiss zwischen Log-Rank und Wilcoxon
• Peto-Peto: Modifizierter Wilcoxon

Hazard und Hazard Ratio

Hazardfunktion

Momentanes Risiko eines Ereignisses zum Zeitpunkt t, gegeben das Überleben bis t:

$h(t) = \lim_{\Delta t \to 0} \frac{P(t \leq T < t + \Delta t | T \geq t)}{\Delta t}$

Hazard Ratio

Verhältnis der Hazards zwischen Gruppen:

$HR = \frac{h_1(t)}{h_2(t)}$

• HR = 1: Gleiche Hazards
• HR > 1: Gruppe 1 hat höheres Risiko
• HR < 1: Gruppe 1 hat niedrigeres Risiko

Annahmen

Nicht-informative Zensierung

Zensierung ist unabhängig vom Überleben - zensierte Probanden haben die gleiche Prognose wie die verbleibenden.

Verletzt wenn: Patienten wegen Nebenwirkungen oder schlechtem Gesundheitszustand ausscheiden.

Überlebenswahrscheinlichkeiten sind konstant

Innerhalb jedes Zeitintervalls hängt die Überlebenswahrscheinlichkeit nur von der Zeit ab, nicht vom Kalenderdatum.

Ereignisse sind unabhängig

Das Ereignis eines Probanden beeinflusst nicht das Risiko eines anderen.

Eingeschränkte mittlere Überlebenszeit (RMST)

Fläche unter der Überlebenskurve bis zum Zeitpunkt τ:

$RMST = \int_0^{\tau} S(t) \, dt$

Bietet eine aussagekräftige Zusammenfassung, wenn die Hazards nicht proportional sind.

Anwendungen

Onkologie

• Gesamtüberleben (Zeit bis zum Tod)
• Progressionsfreies Überleben (Zeit bis zur Progression oder zum Tod)
• Krankheitsfreies Überleben

Zuverlässigkeitstechnik

• Zeit bis zum Ausfall von Komponenten
• Mittlere Zeit zwischen Ausfällen (MTBF)

Kundenanalyse

• Zeit bis zur Abwanderung
• Kundenlebensdauer

Klinische Studien

• Vergleich der Behandlungswirksamkeit
• Schätzung des Überlebensvorteils

Ergebnisdarstellung

Standardelemente:

• Kaplan-Meier-Überlebenskurve mit Konfidenzbändern
• Anzahl der Risikopersonen zu wichtigen Zeitpunkten
• Medianes Überleben mit 95%-KI
• 1-Jahres-, 2-Jahres-, 5-Jahres-Überlebensraten
• Log-Rank-Testergebnisse (bei Gruppenvergleichen)
• Hazard Ratio mit 95%-KI

Beispielbericht:

"Das mediane Gesamtüberleben betrug 18 Monate (95%-KI: 14-24) in der Behandlungsgruppe gegenüber 12 Monaten (95%-KI: 9-16) in der Kontrollgruppe. Die 2-Jahres-Überlebensrate lag bei 42% (95%-KI: 32-52%) vs. 28% (95%-KI: 19-38%). Der Log-Rank-Test zeigte einen signifikanten Unterschied (χ² = 8,4, p = 0,004), mit einem Hazard Ratio von 0,62 (95%-KI: 0,45-0,86) zugunsten der Behandlung."

Über Kaplan-Meier hinaus

Cox-Regression mit proportionalen Hazards

Modellierung des Effekts mehrerer Kovariablen auf das Überleben:

$h(t|X) = h_0(t) \exp(\beta_1 X_1 + \beta_2 X_2 + \cdots)$

Parametrische Überlebensmodelle

Annahme einer spezifischen Verteilung (Exponential, Weibull, Log-Normal):

• Leistungsfähiger, wenn Annahmen erfüllt sind
• Ermöglichen Extrapolation über die Daten hinaus

Konkurrierende Risiken

Wenn mehrere Ereignistypen möglich sind (z.B. Tod durch Krebs vs. andere Ursachen).

Häufige Fehler

Ignorieren der Zensierung

Die Behandlung zensierter Beobachtungen als Ereignisse oder deren Ausschluss verzerrt die Ergebnisse.

Annahme proportionaler Hazards

Log-Rank-Test und Hazard Ratios setzen proportionale Hazards voraus. Prüfen Sie mit Schoenfeld-Residuen oder visueller Inspektion.

Kleine Stichprobengrößen

Bei wenigen Ereignissen sind Überlebensschätzungen instabil. Berichten Sie Konfidenzintervalle.

Überinterpretation der Enden

Späte Überlebensschätzungen basieren auf wenigen Probanden - breite Konfidenzintervalle spiegeln die Unsicherheit wider.

Historischer Kontext

Edward Kaplan und Paul Meier entwickelten diesen Schätzer 1958, obwohl sie unabhängig voneinander arbeiteten und ihre Ansätze für die Veröffentlichung kombinierten.

Die Methode revolutionierte die Überlebensanalyse durch den korrekten Umgang mit zensierten Beobachtungen und ermöglichte zuverlässige Analysen von Daten klinischer Studien, bei denen nicht alle Probanden das Ereignis erleben.

Verwandte Berechnungen

• Relatives-Risiko-Rechner — Risikovergleich
• Odds-Ratio-Rechner — Assoziationsmaß
• NNT-Rechner — Klinische Signifikanz
• Poisson-Rate-Rechner — Ereignisraten

Zusammenfassung

Die Kaplan-Meier-Analyse schätzt Überlebenswahrscheinlichkeiten über die Zeit und behandelt zensierte Beobachtungen dabei korrekt. Die Überlebenskurve zeigt die Wahrscheinlichkeit, zu jedem Zeitpunkt ereignisfrei zu bleiben. Berichten Sie medianes Überleben, Überlebensraten zu wichtigen Zeitpunkten und Konfidenzintervalle. Vergleichen Sie Gruppen mit dem Log-Rank-Test. Die Methode setzt nicht-informative Zensierung voraus und ist grundlegend für alle Überlebensanalysen. Für Kovariablenanpassung erweitern Sie zur Cox-Regression.