Zum Inhalt springen
Zurück zu den Suchergebnissen

Cox-Proportional-Hazards-Modell — Regressionsmodell für ereignisbezogene Zeitdaten

Eingeführt von
Sir David Roxbee Cox
Jahr
1972
Typ
Semi-parametric regression model
Familie
Clinical / epidemiology

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Das Cox-Proportional-Hazards-Modell ist eine semi-parametrische Regressionsmethode, die den Effekt eines oder mehrerer Kovariaten auf die Hazard — die momentane Rate eines Ereignisses wie Tod, Rückfall oder Ausfall — schätzt, ohne Annahmen über die Form der Basis-Hazard-Funktion zu treffen.

Eingeführt von David Cox im Jahr 1972, ist es das dominierende Werkzeug für die multivariable Überlebenszeitanalyse in der klinischen und epidemiologischen Forschung.

Die Intuition hinter der Methode

Angenommen, Sie möchten wissen, ob Alter und Behandlungstyp gemeinsam beeinflussen, wie schnell Patienten die Remission erreichen. Das Cox-Modell beantwortet dies, ohne dass Sie angeben müssen, ob das zugrunde liegende Risiko im Laufe der Zeit steigt, fällt oder flach bleibt. Es funktioniert, indem es die Zeitpunkte, zu denen Ereignisse auftreten, ordnet und schätzt, welche Kovariatenmuster mit früheren Ereignissen assoziiert sind. Die Annahme der "proportionalen Hazards" bedeutet, dass das Verhältnis der Hazard zwischen zwei Individuen mit unterschiedlichen Kovariatenwerten über die Zeit konstant bleibt — wenn ein behandelter Patient im dritten Monat doppelt so wahrscheinlich eine Heilung erfährt, bleibt er auch im zwölften Monat doppelt so wahrscheinlich. Jeder Kovariate erzeugt ein Hazard-Verhältnis: ein HR von 1,5 bedeutet eine um 50 % höhere momentane Ereignisrate pro Einheitserhöhung dieser Kovariate.

Geschichte

David Cox veröffentlichte das Proportional Hazards-Modell in einer wegweisenden Arbeit von 1972 im Journal of the Royal Statistical Society, Series B. Das Modell war revolutionär, da es eine Kovariatenanpassung in der Überlebenszeitanalyse ohne Spezifikation der Basis-Hazard-Verteilung ermöglichte. Cox führte das Konzept der partiellen Likelihood ein — das er in einer Folgearbeit von 1975 vollständiger formalisierte — und ermöglichte so die Schätzung allein aus der Reihenfolge der Ereignisse. Die Arbeit wurde zu einer der meistzitierten in der gesamten Statistik und sicherte Cox eine adelige Auszeichnung. Erweiterungen, einschließlich zeitvariabler Kovariaten, stratifizierter Baselines und Frailty-Termen (zufällige Effekte), haben den Rahmen seitdem auf geclusterte, wiederkehrende Ereignisse und konkurrierende Risiken anwendbar gemacht.

Wann wird sie eingesetzt?

Verwenden Sie das Cox-Modell, wenn Ihr Ergebnis eine Zeit bis zum Ereignis ist, eine Zensierung vorliegt (nicht alle Teilnehmer erleben das Ereignis) und Sie für Kovariaten adjustieren müssen. Es ist die Standardmethode für multivariable Analysen in Kohortenstudien, klinischen Studien und Registeranalysen mit Überlebensendpunkten. Verwenden Sie es nicht, wenn die Annahme der proportionalen Hazards für alle Kovariaten stark verletzt ist — erwägen Sie stattdessen ein Accelerated Failure Time-Modell oder flexible parametrische Alternativen. Vermeiden Sie es, wenn Ereignisse im Verhältnis zur Anzahl der Kovariaten sehr selten sind (weniger als 10 Ereignisse pro Prädiktor ist eine anerkannte Faustregel für Instabilität). Für eine einzelne Exposition ohne Kovariaten sind Kaplan-Meier-Kurven mit Log-Rank-Tests einfacher und ausreichend.

Grenzen und Hinweise

  • Die Annahme der proportionalen Hazards muss erfüllt sein — wenn sich die Hazard-Verhältnisse über die Zeit ändern, sind die Schätzungen gemittelt und potenziell irreführend.
  • Liefert keine absoluten Vorhersagen der Überlebenszeit ohne zusätzliche Schätzung der Basis-Hazard.
  • Die Leistung verschlechtert sich, wenn Ereignisse im Verhältnis zu Kovariaten spärlich sind; das Risiko einer Überanpassung steigt bei weniger als 10 Ereignissen pro Prädiktor.
  • Die Zensierung muss nicht-informativ sein; wenn Patienten aussteigen, weil sich ihr Zustand verschlechtert, sind die Schätzungen verzerrt.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Erfordert keine Annahme über die Form der Basis-Hazard, was es robust für eine breite Palette von Überlebenszeitverteilungen macht.
  • Behandelt Rechtszensierung natürlich, was in klinischen Nachbeobachtungsdaten allgegenwärtig ist.
  • Liefert interpretierbare Hazard-Verhältnisse, die die relative Auswirkung jeder Kovariate auf die momentane Ereignisrate quantifizieren.
  • Leicht erweiterbar auf stratifizierte Analysen, zeitvariable Kovariaten und geclusterte Daten (Frailty-Modelle).
  • Weit verbreitet in allen wichtigen Statistiksoftwarepaketen (R, Stata, SAS, SPSS) mit etablierten Diagnosewerkzeugen.

Anwendungen

  • Bewertung des Effekts der Behandlungszuweisung auf die Gesamtüberlebenszeit oder die progressionsfreie Überlebenszeit in randomisierten klinischen Studien.
  • Identifizierung prognostischer Faktoren für Krankheitsrezidive oder Mortalität in Krebsregister- und Krankenhaus-Kohortenstudien.
  • Schätzung des Zusammenhangs zwischen berufsbedingten Expositionen und der Zeit bis zum Auftreten chronischer Krankheiten in der Arbeitsmedizin-Epidemiologie.
  • Modellierung der Zeit bis zur Krankenhauseinweisung nach Anpassung an Alter, Komorbiditäten und Entlassungsstatus in der Versorgungsforschung im Gesundheitswesen.
  • Bewertung der Ausfallraten von Geräten oder Implantaten, angepasst an patientenspezifische Risikofaktoren in biomedizinischen Ingenieurstudien.

So funktioniert es

So funktioniert es

1

Überprüfen Sie vor der Modellierung die Annahme der proportionalen Hazards für jede Kovariate anhand von Schoenfeld-Residuen-Diagrammen oder einem formalen Test (Korrelation von skalierten Residuen mit der Zeit). Prüfen Sie auch auf nahezu null Ereignisraten in Kovariaten-Schichten, extreme Ausreißer in der Nachbeobachtungszeit und die Angemessenheit des Zensierungsmechanismus — die Zensierung muss für eine gültige Inferenz nicht-informativ sein.

2

Schreiben Sie die Hazard-Funktion als h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p), wobei h_0(t) die nicht spezifizierte Basis-Hazard ist und die b_i Log-Hazard-Koeffizienten sind, die geschätzt werden sollen. Wählen Sie Kovariaten basierend auf fachspezifischer Theorie oder früherer Literatur aus, nicht rein nach univariaten p-Werten; schließen Sie bekannte Störvariablen unabhängig von ihrer Signifikanz ein.

Formel
h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p)
3

Die Koeffizienten werden durch Maximierung der partiellen Likelihood geschätzt, einer Funktion, die auf der beobachteten Ereignisreihenfolge konditioniert und die Basis-Hazard eliminiert. Da die Basis-Hazard herausfällt, ist keine Verteilungsannahme über die Überlebenszeit erforderlich — daher "semi-parametrisch". Die Methode behandelt gebundene Ereigniszeiten über Breslow- oder Efron-Approximationen.

4

Bewerten Sie die Modellgüte mit Log-Likelihood-Ratio-, Wald- und Score-Tests auf Gesamtsignifikanz. Prüfen Sie den Einfluss einzelner Kovariaten mit dfbeta-Residuen und bewerten Sie die Linearität kontinuierlicher Prädiktoren anhand von Martingal-Residuen. Wenn die Annahme der proportionalen Hazards für eine Kovariate verletzt ist, erwägen Sie eine Stratifizierung nach dieser Variablen oder die Hinzufügung eines Zeitinteraktionsterms.

5

Exponentieren Sie jeden Koeffizienten, um ein Hazard-Verhältnis zu erhalten: HR = exp(b_i). Ein HR > 1 bedeutet eine höhere Ereignisrate (kürzere Überlebenszeit); ein HR < 1 bedeutet eine niedrigere Ereignisrate (längere Überlebenszeit). Berichten Sie HRs mit 95 %-Konfidenzintervallen und zweiseitigen p-Werten. Das HR repräsentiert eine momentane relative Rate, nicht ein Risiko-Verhältnis — kommunizieren Sie diesen Unterschied klar an nicht-fachkundige Zielgruppen.

Formel
HR = exp(b_i)

Häufige Fallstricke

  • Ignorieren der Annahme der proportionalen Hazards — das Versäumnis, Schoenfeld-Residuen zu testen und zu berichten, führt zu unentdeckten Verletzungen, die die Schätzungen der Hazard-Verhältnisse über den gesamten Nachbeobachtungszeitraum verzerren.
  • Behandlung des Hazard-Verhältnisses als Risiko-Verhältnis — das HR ist ein momentanes Ratenverhältnis, kein kumulatives Risiko-Verhältnis; eine Übertragung in absolute Risikosprache irreführt klinische Zielgruppen.
  • Überanpassung bei zu vielen Kovariaten im Verhältnis zu Ereignissen — die Aufnahme aller Kandidatenvariablen ohne Berücksichtigung des Verhältnisses von Ereignissen zu Variablen erhöht die Typ-I-Fehler und liefert unzuverlässige KI.
  • Ignorieren von gebundenen Ereigniszeiten — die Standard-Breslow-Approximation ist für wenige Bindungen ausreichend, aber erhebliche Bindungen erfordern die Efron-Approximation oder eine exakte Methode.

Häufig gestellte Fragen

Was ist die Annahme der proportionalen Hazards und wie teste ich sie?

Die Annahme besagt, dass das Hazard-Verhältnis zwischen zwei beliebigen Kovariatenmustern über die Zeit konstant ist. Testen Sie sie, indem Sie skalierte Schoenfeld-Residuen gegen die Zeit für jede Kovariate plotten — eine flache Linie deutet darauf hin, dass die Annahme erfüllt ist. Die Funktion cox.zph() im R-Paket survival bietet sowohl den Plot als auch einen formalen Korrelationstest; ein signifikanter p-Wert zeigt eine Verletzung an, die durch Stratifizierung oder einen Zeitinteraktionsterm behoben werden sollte.

Wann sollte ich ein parametrisches Überlebenszeitmodell dem Cox-Modell vorziehen?

Wenn fachspezifisches Wissen eine bestimmte Verteilung für die Überlebenszeiten stark unterstützt (z. B. Weibull für Geräteausfälle), ist ein vollständig parametrisches Modell effizienter und liefert direkte Vorhersagen der medianen oder mittleren Überlebenszeit. Das Cox-Modell ist vorzuziehen, wenn Sie bezüglich der Hazard-Form unbestimmt sind oder wenn die Robustheit des Modells wichtiger ist als die parametrische Effizienz — was in der klinischen Forschung meistens der Fall ist.

Kann ich das Cox-Modell mit zeitvariablen Kovariaten verwenden?

Ja. Die Zählprozess-Formulierung des Cox-Modells berücksichtigt Kovariaten, deren Werte sich während des Nachbeobachtungszeitraums ändern (z. B. aktualisierte Laborwerte, Behandlungswechsel). Der Datensatz muss für jedes Beobachtungsfenster in ein Start-Stopp-Intervallformat umstrukturiert werden. Dies wird in R (survival package), Stata und SAS vollständig unterstützt.

Wie viele Ereignisse benötige ich?

Eine weit verbreitete Heuristik sind mindestens 10 Ereignisse pro Prädiktorvariable (EPV) im Modell. Unterhalb dieser Schwelle werden die Koeffizientenschätzungen instabil, die Konfidenzintervalle werden breiter und das Modell konvergiert möglicherweise nicht zuverlässig. Für Modelle mit vielen Kandidaten-Kovariaten können penalised Regression (Ridge, LASSO) oder formale Shrinkage-Methoden die Stabilität bei niedrigem EPV verbessern.

Was ist der Unterschied zwischen dem Cox-Modell und der Analyse konkurrierender Risiken?

Wenn nur eine Art von Ereignis möglich ist, gilt das Standard-Cox-Modell. Konkurrierende Risiken entstehen, wenn ein Subjekt eines von mehreren sich gegenseitig ausschließenden Ereignissen erleben kann (z. B. todesspezifisch für Krebs vs. Tod aus anderen Ursachen). In diesem Fall sind ursachenspezifische Cox-Modelle oder das Fine-Gray-Subdistributions-Hazard-Modell geeignet; das Standard-Cox-Modell für das interessierende Ereignis allein überschätzt die ursachenspezifische kumulative Inzidenz.

Verwandte Methoden

Quellen

  1. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.

    DOI-Referenz öffnen
    Kopiert.
  2. Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.

    ISBN: 978-1439856789
    Kopiert.