Die Sensitivity Analysis (Sensitivitätsanalyse) ist ein statistisches Verfahren, mit dem die Robustheit der Ergebnisse einer klinischen Studie oder eines analytischen Modells gegenüber veränderten Annahmen, alternativen Methoden oder dem Umgang mit fehlenden Daten überprüft wird. Sie beantwortet die Frage, ob die Schlussfolgerungen der Primäranalyse stabil bleiben, wenn zentrale methodische Entscheidungen variiert werden. Sensitivitätsanalysen sind ein Pflichtbestandteil des Statistischen Auswertungsplans (SAP) und regulatorisch vorgeschrieben. Ihre Bedeutung hat mit der Einführung von ICH E9(R1) erheblich zugenommen, da die aktualisierte Leitlinie den Umgang mit fehlenden Daten und die Robustheit der primären Analyse ausdrücklich in den Fokus rückt. Kein Zulassungsdossier für einen konfirmatorisch getesteten Endpunkt ist heute ohne angemessene Sensitivitätsanalysen akzeptierbar.
Zweck und Abgrenzung zur Primäranalyse
Die Primäranalyse einer klinischen Studie basiert auf vorab festgelegten Annahmen: zur Analysepopulation (z.B. Intent-to-treat vs. Per-protocol), zum Umgang mit fehlenden Daten (z.B. Multiple Imputation vs. Last Observation Carried Forward), zur Modellspezifikation und zur Behandlung von Protokollabweichungen. Sensitivitätsanalysen variieren einzelne dieser Annahmen systematisch und überprüfen, ob die Ergebnisse konsistent bleiben.
Im Unterschied zur Primäranalyse und zu präspezifizierten Subgruppenanalysen dienen Sensitivitätsanalysen nicht dem konfirmatorischen Nachweis eines Effekts, sondern der Bewertung der methodischen Robustheit. Sie liefern keine neuen Hypothesen, sondern stärken oder schwächen das Vertrauen in die Primärauswertung. Aus diesem Grund werden ihre Ergebnisse im Rahmen der EMA-Bewertung und in HTA-Verfahren als kontextgebende Evidenz eingestuft. Ein entscheidender Qualitätsmerkmal von Sensitivitätsanalysen ist ihre vollständige Präspezifikation im Statistischen Auswertungsplan (SAP) – spätestens vor dem Database Lock und der Entblindung. Nur präspezifizierte Analysen können als Teil der konfirmatorischen Analysestrategie gelten; alle anderen werden als post-hoc und explorativ eingestuft.
Anwendungsbereiche und Typen
Sensitivitätsanalysen werden in klinischen Studien in verschiedenen Kontexten eingesetzt. Der häufigste Anwendungsfall ist der Umgang mit fehlenden Daten (Missing Data): Gemäß ICH E9(R1) muss der SAP für den primären Endpunkt mindestens eine Sensitivitätsanalyse enthalten, die alternative Annahmen zum Fehlmechanismus (MCAR, MAR, MNAR) prüft. Typische Methoden sind Pattern-Mixture-Modelle, Tipping-Point-Analysen und Worst-Case-Imputationen.
Weitere Typen von Sensitivitätsanalysen umfassen: Variation der Analysepopulation (z.B. Vergleich ITT- vs. PP-Population), alternative statistische Modelle (z.B. parametrische vs. nicht-parametrische Tests), Ausschluss von Zentren mit hoher Protokollabweichungsrate sowie die Überprüfung des Einflusses von Ausreißern. In Meta-Analysen und systematischen Reviews prüfen Sensitivitätsanalysen, wie die Ergebnisse reagieren, wenn einzelne Studien oder Subgruppen ausgeschlossen werden. Darüber hinaus werden Sensitivitätsanalysen in pharmakookonomischen Modellen eingesetzt, um die Robustheit von Kosten-Nutzen-Schätzungen gegenüber unsicheren Modellparametern zu überprüfen – ein Anwendungsgebiet, das im Rahmen von HTA-Verfahren zunehmend an Bedeutung gewinnt.
Regulatorische Anforderungen
ICH E9(R1) enthält spezifische Anforderungen an Sensitivitätsanalysen für den primären Endpunkt bei fehlenden Daten. Die EMA erwartet, dass der SAP eine klare Beschreibung aller geplanten Sensitivitätsanalysen enthält, einschließlich der Begründung für die Wahl der alternativen Annahmen. Sensitivitätsanalysen müssen vorab im SAP definiert sein – post-hoc durchgeführte Sensitivitätsanalysen werden von Behörden kritisch bewertet und können als Hinweis auf ergebnisorientiertes Vorgehen gewertet werden.
Im Clinical Study Report (CSR) gemäß ICH E3 sind die Ergebnisse aller präspezifizierten Sensitivitätsanalysen vollständig darzustellen und zu interpretieren. GCP-Inspektoren prüfen bei der Durchsicht des SAP und CSR, ob Sensitivitätsanalysen konsistent durchgeführt und transparent berichtet wurden. Abweichungen zwischen geplantem und tatsächlich durchgeführtem Analysescope gelten als Protokollabweichung.
Bedeutung für klinische Studien
Gut geplante Sensitivitätsanalysen stärken die Glaubwürdigkeit klinischer Studien gegenüber Behörden, HTA-Instanzen und der wissenschaftlichen Gemeinschaft. Wenn die Primäranalyse und alle Sensitivitätsanalysen konsistente Ergebnisse liefern, ist die Robustheit des Behandlungseffekts belegt. Divergierende Ergebnisse weisen dagegen auf methodische Unsicherheiten hin, die im Bewertungsprozess transparent diskutiert werden müssen. Studien, bei denen Sensitivitätsanalysen zu deutlich abweichenden Schlussfolgerungen führen, können von Behörden mit Auflagen oder Nachforderungen belegt werden, bevor eine positive Zulassungsentscheidung erteilt wird.
Für Full-Service-CROs wie mediconomics bedeutet die Planung von Sensitivitätsanalysen eine enge Zusammenarbeit zwischen Biostatistikern, klinischen Wissenschaftlern und regulatorischen Experten bereits in der Studiendesign-Phase. Frühzeitig geplante und im SAP verankerte Sensitivitätsanalysen vermeiden Diskussionen mit Behörden über methodische Schwächen und tragen zur Qualität des gesamten klinischen Dossiers bei.
Häufig gestellte Fragen (FAQ)
Wie viele Sensitivitätsanalysen sind in einer klinischen Studie erforderlich?
Es gibt keine feste Zahl. Regulatorisch vorgeschrieben ist mindestens eine Sensitivitätsanalyse für den primären Endpunkt zum Umgang mit fehlenden Daten (ICH E9(R1)). Darüber hinaus sollte die Anzahl der Sensitivitätsanalysen dem Risikoprofil der Studie entsprechen: Studien mit hoher Dropout-Rate, heterogenen Populationen oder komplexen Designs erfordern mehr Sensitivitätsanalysen als einfache Studien mit vollständigen Daten. Alle geplanten Analysen müssen im SAP dokumentiert sein.
Was ist der Unterschied zwischen Sensitivitätsanalyse und Subgruppenanalyse?
Eine Sensitivitätsanalyse variiert methodische Annahmen der Gesamtanalyse (z.B. Imputationsmethode, Analysepopulation), um die Robustheit des Gesamtergebnisses zu testen. Eine Subgruppenanalyse teilt die Gesamtpopulation in Teilgruppen auf (z.B. nach Alter, Geschlecht, Biomarker-Status), um effektmodifizierende Faktoren zu identifizieren. Beide sind präspezifiziert, dienen aber unterschiedlichen Zwecken und sind regulatorisch unterschiedlich zu interpretieren.
Was passiert, wenn Sensitivitätsanalysen andere Ergebnisse liefern als die Primäranalyse?
Abweichende Ergebnisse in Sensitivitätsanalysen müssen im CSR transparent diskutiert und interpretiert werden. Sie können auf Unsicherheiten in der Datenlage, methodische Abhängigkeiten oder echte Heterogenität hinweisen. Behörden wie die EMA erwarten eine substanzielle Diskussion dieser Diskrepanzen im Zulassungsdossier. Je nach Ausmaß der Abweichung kann die regulatorische Bewertung des primären Endpunktergebnisses eingeschränkt oder mit Bedingungen verknüpft werden.