🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
informative_censoring
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.
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.
In einer klinischen Studie zu einem neuen Herzmedikament wechseln Patienten mit sich verschlechternden Blutwerten häufig zu einem anderen Arzt oder brechen die Studienteilnahme ab. Da gerade die kränksten Patienten aus den Daten verschwinden, erscheint die verbleibende Gruppe stabiler – die tatsächliche Sterblichkeitsrate wird unterschätzt.
Eine Langzeitstudie zur Luftverschmutzung in Städten verliert über die Jahre viele ältere und gesundheitlich geschwächte Teilnehmende, weil diese in günstigere, ländlichere Gebiete umziehen oder versterben. Die verbleibenden Stadtbewohner sind im Durchschnitt gesünder, was den schädlichen Effekt der Luftverschmutzung in der Auswertung künstlich abschwächt.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Beinhaltet die Studie eine Ereigniszeitanalyse mit zensierten Beobachtungen?
Typ: binaryKorreliert das Ausscheiden aus der Studie oder der Verlust zur Nachverfolgung mit der Prognose oder dem Behandlungseffekt?
Typ: binarySetzt die Analyse nicht-informative Zensierung voraus, ohne diese Annahme zu testen?
Typ: binaryWerden Sensitivitätsanalysen bereitgestellt, um den Einfluss potenziell informativer Zensierung zu bewerten?
Typ: binaryInformative 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.
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.
Gründe für Zensierung erheben. Competing-Risk-Modelle wo angemessen verwenden. Sensitivitätsanalysen wie Tipping-Point-Analysen anwenden.
In HIV-Behandlungsstudien zogen sich Patienten mit schweren Nebenwirkungen zurück; ihre unterdurchschnittliche Prognose bedeutete, dass die Zensierung informativ war und die Behandlungstoxizität unterschätzte.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.