Full Analysis Set (FAS) bezeichnet in klinischen Studien die Auswertungs-Population, die dem Intention-to-Treat-Prinzip (ITT) möglichst nahekommt. Ziel ist, dass alle randomisierten Studienteilnehmenden, die zumindest einen relevanten Beitrag zur Datengrundlage leisten (z.B. mindestens eine Dosis erhalten oder zumindest eine Wirksamkeitsmessung), in die primäre Wirksamkeitsanalyse einbezogen werden. Der FAS-Ansatz soll Verzerrungen reduzieren, die entstehen können, wenn Teilnehmende nach Randomisierung ausgeschlossen werden.
Abgrenzung: Full Analysis Set, ITT und Per Protocol
Das ITT-Prinzip fordert grundsätzlich, dass alle randomisierten Teilnehmenden entsprechend der ursprünglichen Behandlungszuteilung ausgewertet werden, unabhängig von Protokollabweichungen oder Therapieabbrüchen. In der Praxis sind jedoch nicht immer für alle Personen auswertbare Daten verfügbar. Das Full Analysis Set ist deshalb häufig eine pragmatische Umsetzung von ITT, bei der vorab definierte Mindestkriterien festlegen, wer in die Analyse eingeht.
Davon zu unterscheiden ist die Per-Protocol-Population, die typischerweise nur Teilnehmende einschließt, die das Protokoll ausreichend eingehalten haben. Per-Protocol-Analysen werden oft als Sensitivitätsanalysen genutzt, können aber anfälliger für Selektions-Bias sein, wenn Ausschlussgründe mit dem Behandlungserfolg zusammenhängen.
Warum ist das Full Analysis Set wichtig?
Die Definition der Auswertungs-Population beeinflusst direkt die Interpretation von Wirksamkeit und Sicherheit. Wird der FAS zu eng gefasst, kann ein ungewollter Optimismus entstehen, weil problematische Verläufe (z.B. frühe Abbrüche oder fehlende Messungen) unterrepräsentiert sind. Wird er zu breit definiert, können Analysen verwässert werden, wenn wesentliche Outcomes fehlen oder die Zuordnung zu Behandlungsarmen nicht sinnvoll abbildbar ist.
In Zulassungs- und Bewertungsprozessen ist die Nachvollziehbarkeit der Population-Definition zentral. Reviewer erwarten, dass die Kriterien vor Datenbankabschluss (Database Lock) feststehen und im statistischen Analyseplan dokumentiert sind. Zudem sollte klar beschrieben sein, wie fehlende Daten behandelt werden (z.B. durch geeignete Imputationsmethoden oder modellbasierte Ansätze) und welche Sensitivitätsanalysen die Robustheit der Schlussfolgerung prüfen.
Typische Kriterien für die FAS-Definition
Welche Mindestkriterien gelten, hängt von Indikation, Endpunkt und Studiendesign ab. Häufig werden Teilnehmende eingeschlossen, wenn sie randomisiert wurden und mindestens eine Dosis der Studienmedikation erhalten haben. In manchen Studien ist zusätzlich mindestens eine post-baseline Wirksamkeitsmessung erforderlich, um den primären Endpunkt überhaupt bewerten zu können. Wichtig ist, dass diese Regeln konsistent und begründet sind und nicht nachträglich angepasst werden, um Ergebnisse zu verbessern.
Besondere Aufmerksamkeit erfordern Fälle wie falsche Randomisierung, fehlende Einwilligung, Doppelrandomisierung oder grundlegende Verletzungen von Einschlusskriterien. Solche Sonderfälle sollten in SOPs und im Analyseplan eindeutig adressiert werden, damit Sponsor, CRO, Biostatistik und Medical Writing dieselbe Logik anwenden. In Studien mit komplexen Endpunkten (z.B. Zeit-bis-Ereignis) ist zudem zu klären, welche Mindestinformation erforderlich ist, um Zensierung und Ereignisse korrekt abzubilden.
FAS im Zusammenspiel mit Datenqualität und Monitoring
In der operativen Durchführung hängen FAS und Datenqualität eng zusammen. Wenn wichtige Messzeitpunkte ausfallen oder Daten inkonsistent erhoben werden, steigt der Anteil fehlender Endpunkte, und die FAS-Definition wird praktisch relevanter. Ein robustes Datenmanagement, klare Query-Prozesse und ein konsequentes Monitoring-Konzept (z.B. risikobasiertes Monitoring) helfen, dass die primäre Analyse auf einer stabilen Datengrundlage steht.
Auch bei dezentralen Elementen oder Remote-Visits muss sichergestellt sein, dass Outcome-Messungen standardisiert und auditierbar dokumentiert werden. Sonst kann die Abgrenzung zwischen „Teilnehmende ohne auswertbaren Beitrag“ und „Teilnehmende mit fehlenden Daten“ unscharf werden, was die Interpretation erschwert und in regulatorischen Rückfragen münden kann. Praktisch bewährt sich hier eine frühzeitige Abstimmung zwischen Clinical Operations, Data Management und Statistik, damit kritische Datenfelder priorisiert werden.
Umgang mit fehlenden Daten und Sensitivitätsanalysen
Da das Full Analysis Set oft nahezu alle randomisierten Teilnehmenden abbildet, stellt sich in vielen Studien die Frage, wie fehlende Wirksamkeitsdaten methodisch behandelt werden. Häufige Gründe sind Studienabbrüche, versäumte Visiten oder unvollständige Messungen. Die gewählte Methode (z.B. Multiple Imputation, Mixed Models for Repeated Measures oder konservative Annahmen) sollte zur Endpunktart und zu den fehlenden Datenmechanismen passen.
Wichtig ist, dass die primäre Analyse nicht allein von impliziten Annahmen lebt. Sponsor und Biostatistik definieren daher meist vorab Sensitivitätsanalysen, die prüfen, ob das Ergebnis stabil bleibt, wenn alternative Annahmen zu fehlenden Daten angewendet werden. In regulatorischen Reviews sind solche Analysen häufig ein Schwerpunkt, insbesondere wenn der Anteil fehlender Daten relevant ist oder wenn Abbrüche zwischen Behandlungsarmen ungleich verteilt sind.
Regulatorische Einordnung und Dokumentationspflichten
In der EU müssen klinische Prüfungen nach den Grundsätzen der Good Clinical Practice geplant, durchgeführt und ausgewertet werden. Dazu gehört, dass Auswertungs-Populationen vorab definiert, im Clinical Study Report transparent berichtet und die Auswirkungen alternativer Populationen diskutiert werden. Unter der EU-Verordnung 536/2014 ist insbesondere die Konsistenz zwischen Protokoll, statistischem Analyseplan, Datensatzdefinitionen und Berichterstattung relevant, da Abweichungen die Prüfbarkeit der Ergebnisse beeinträchtigen können.
Für die Nutzen-Risiko-Bewertung ist es häufig hilfreich, FAS- und Per-Protocol-Ergebnisse nebeneinander darzustellen und zu begründen, warum die primäre Schlussfolgerung robust ist. Gerade bei Nicht-Unterlegenheits- oder Äquivalenz-Fragestellungen wird in der Praxis oft besonderes Augenmerk auf Sensitivitätsanalysen gelegt.
FAQ
Muss das Full Analysis Set immer alle randomisierten Teilnehmenden enthalten?
Idealerweise ist das Ziel, ITT möglichst vollständig umzusetzen. Praktisch kann der FAS aber Mindestkriterien enthalten, wenn ohne bestimmte Daten keine sinnvolle Endpunktanalyse möglich ist. Diese Kriterien müssen vorab definiert und begründet werden.
Welche Analyse ist „konservativer“: FAS oder Per Protocol?
Das hängt vom Kontext ab. Häufig gilt FAS als weniger verzerrungsanfällig, weil Ausschlüsse nach Randomisierung vermieden werden. Per-Protocol kann in bestimmten Designs zusätzliche Perspektiven liefern, ist aber selektionsanfälliger.
Wo wird die FAS-Definition dokumentiert?
Im Studienprotokoll und vor allem im statistischen Analyseplan. Im Clinical Study Report sollte die Population klar beschrieben und der Participant Flow transparent dargestellt werden.
Regulatorische Referenzen (Auswahl)
- EU-Verordnung (EU) Nr. 536/2014 (Clinical Trials Regulation, CTR)
- ICH E9: Statistical Principles for Clinical Trials
- ICH E6(R3): Guideline for Good Clinical Practice