Jenseits von Kaplan-Meier: Warum Competing Risks die Survival-Analyse verändern
by 21Stable Team
Die Kaplan-Meier-Methode ist der Goldstandard der Survival-Analyse – aber sie hat eine blinde Stelle: **Competing Risks**. Eine neue retrospektive Kohortenstudie an 1.031 Patienten mit Hirnmetastasen zeigt, warum moderne multistate-Modelle essenziell sind[1].
Das Problem
In der Onkologie konkurrieren oft mehrere Ereignisse miteinander: Ein Patient kann an Tumorprogression sterben, an therapiebedingten Komplikationen oder an einer unabhängigen Ursache. Die klassische Kaplan-Meier-Schätzung **zensiert** diese konkurrierenden Ereignisse und behandelt sie als "kein Ereignis". Das führt zu einer systematischen **Überschätzung** der Wahrscheinlichkeit des Zielereignisses.
Eine Studie in *Scientific Reports* zeigte: Kaplan-Meier kann die kumulative Inzidenz um bis zu **9,36% überzeichnen**[2].
Die Lösung: Fine-Gray und Cumulative Incidence Functions
Das **Fine-Gray-Modell** (1999) schätzt die **Subdistribution Hazard** – die Wahrscheinlichkeit, ein bestimmtes Ereignis zu erleben, während konkurrierende Ereignisse möglich bleiben. Im Gegensatz zum Cox-Modell, das konkurrierende Ereignisse zensiert, berücksichtigt Fine-Gray:
Fallbeispiel: Stereotaktische Radiochirurgie bei Hirnmetastasen
Eine retrospektive Studie aus dem Leeds Gamma Knife Centre analysierte 1.031 Patienten mit 2.836 Metastasen über 11 Jahre[1]. Die Forscher nutzten bewusst:
Kernerkenntnisse
Die Studie zeigt: **Anzahl der Metastasen beeinflusst Progressionsrisiko, nicht Sterberisiko**. Tumorvolumen ist prädiktiv für Tod, nicht für Progression. Diese differenzierte Betrachtung wäre mit reiner Kaplan-Meier-Analyse nicht möglich.
Klinische Relevanz
Wenn competing risks ignoriert werden:
Für klinische Studien mit nicht-fatalen Endpunkten (z.B. Toxizität, Rezidiv) in Populationen mit hoher Mortalität ist die **Cumulative Incidence Function essenziell**[4].
Fazit
Kaplan-Meier bleibt wertvoll für reine Survival-Endpunkte. Doch bei konkurrierenden Ereignissen – Progression, Rezidiv, Toxizität – sind Fine-Gray-Modelle und CIF unverzichtbar. Die Onkologie bewegt sich weg von simplen Kurven hin zu **multistate survival models**, die der klinischen Realität gerecht werden.
---
Kaplan-Meier is the gold standard for survival analysis – but it has a blind spot: **Competing Risks**. A new retrospective cohort study of 1,031 brain metastases patients demonstrates why modern multistate models are essential[1].
The Problem
In oncology, multiple events often compete: A patient may die from tumor progression, treatment-related complications, or an independent cause. Classic Kaplan-Meier estimation **censors** these competing events, treating them as "no event." This leads to systematic **overestimation** of the target event probability.
A *Scientific Reports* study showed: Kaplan-Meier can overestimate cumulative incidence by up to **9.36%**[2].
The Solution: Fine-Gray and Cumulative Incidence Functions
The **Fine-Gray model** (1999) estimates **subdistribution hazard** – the probability of experiencing a specific event while competing events remain possible. Unlike Cox models that censor competing events, Fine-Gray accounts for:
Case Study: Stereotactic Radiosurgery for Brain Metastases
A retrospective study from Leeds Gamma Knife Centre analyzed 1,031 patients with 2,836 metastases over 11 years[1]. Researchers deliberately used:
Key Findings
The study reveals: **Number of metastases influences progression risk, not mortality risk**. Tumor volume predicts death, not progression. This nuanced understanding would be impossible with Kaplan-Meier alone.
Clinical Relevance
When competing risks are ignored:
For clinical trials with non-fatal endpoints (e.g., toxicity, recurrence) in high-mortality populations, **Cumulative Incidence Functions are essential**[4].
Conclusion
Kaplan-Meier remains valuable for pure survival endpoints. But for competing events – progression, recurrence, toxicity – Fine-Gray models and CIF are indispensable. Oncology is moving from simple curves toward **multistate survival models** that reflect clinical reality.
---