Informative Zensierung — Wenn Logik sich verkleidet

Informative Zensierung verletzt die Standardannahme der Überlebensanalyse, dass die Zensierung unabhängig vom interessierenden Ereignis ist. Sie tritt auf, wenn der Grund für das Ausscheiden eines Teilnehmenden aus der Studie mit dessen Prognose oder der erhaltenen Behandlung zusammenhängt.

Auch bekannt als: Nicht-ignorierbare Zensierung, Abhängige Zensierung

Wie es funktioniert

Kaplan-Meier-Überlebenskurven und Cox-Regressionsmodelle setzen voraus, dass zensierte Patienten dieselbe Prognose haben wie die in der Studie verbleibenden. Wenn diese Annahme scheitert, sind die Schätzungen verzerrt.

Ein klassisches Beispiel

In einer Krebsstudie werden Patienten, denen es schlecht geht und die auf Palliativversorgung umsteigen, aus der Studie entfernt (zensiert). Dies lässt die verbleibende behandelte Gruppe gesünder erscheinen, als sie tatsächlich ist.

Wo man das in der Praxis findet

In HIV-Behandlungsstudien zogen sich Patienten mit schweren Nebenwirkungen zurück; ihre unterdurchschnittliche Prognose bedeutete, dass die Zensierung informativ war und die Behandlungstoxizität unterschätzte.

Wie man es erkennt und kontert

Gründe für Zensierung erheben. Competing-Risk-Modelle wo angemessen verwenden. Sensitivitätsanalysen wie Tipping-Point-Analysen anwenden.

Das Fazit

Informative Zensierung gehört zu den Denkfehlern, die auf den ersten Blick völlig logisch klingen. Genau das macht sie gefährlich — sie tragen das Kostüm valider Argumentation, während sie eine fehlerhafte Schlussfolgerung einschmuggeln. Die beste Verteidigung? Langsamer werden und fragen: Folgt diese Schlussfolgerung tatsächlich aus diesen Prämissen?