Time-to-Event bezeichnet in klinischen Studien und in der biostatistischen Auswertung die Zeitspanne vom definierten Startpunkt bis zum Eintreten eines spezifischen Ereignisses. Der Begriff wird genutzt, um Endpunkte zu beschreiben, die nicht als einmaliger Messwert vorliegen, sondern als Zeitpunkt bzw. Dauer. Häufige Ereignisse sind Tod, Progression, Rezidiv, Hospitalisierung, Therapieversagen oder das Absetzen einer Behandlung.
Time-to-Event-Endpunkte sind besonders wertvoll, weil sie sowohl berücksichtigen, ob ein Ereignis eintritt, als auch wann es eintritt. Damit können Therapien differenziert beurteilt werden, z.B. ob sie ein Ereignis verzögern. In Zulassungsprogrammen spielt dies eine große Rolle, etwa für Progression-Free Survival, Time to Treatment Failure oder Time to First Exacerbation. Für Sponsor und CRO ergeben sich daraus konkrete Anforderungen an Follow-up, Ereignisbestätigung und ein belastbares Datenmanagement, weil unklare Zeitpunkte oder fehlende Nachverfolgung direkt die Schätzungen verzerren.
Definition von Startpunkt, Ereignis und Messregeln
Damit ein Time-to-Event-Endpunkt belastbar ist, müssen Startpunkt, Ereignisdefinition und die Regeln für Zensierung eindeutig im Prüfplan beschrieben sein. Als Startpunkt werden häufig Randomisierung oder First Dose gewählt, um Selektions- und Lead-time-Bias zu reduzieren. Ereignisse müssen operationalisiert werden, z.B. nach RECIST-Kriterien bei Tumorprogression oder nach vordefinierten klinischen Kriterien bei Exazerbationen. Bei Medizintechnik-Studien ist die Definition eines Device-Failures wichtig, z.B. Revision, Austausch oder Funktionsverlust.
Ein häufiger Fehler ist eine uneinheitliche Ereignisbeurteilung über Prüfzentren hinweg. Abhilfe schaffen zentrale Reviews, Training und klare Dokumentation in Standard Operating Procedures. Auch sollte festgelegt sein, welche Datenquellen für Ereigniszeitpunkte priorisiert werden (z.B. Bildgebung, Laborwerte, Arztbriefe, Registerdaten) und wie mit widersprüchlichen Informationen umzugehen ist. Für zusammengesetzte Endpunkte muss zusätzlich beschrieben werden, welche Ereigniskomponenten zählen und wie das früheste Ereignis bestimmt wird.
Praktisch bedeutsam ist außerdem die genaue Festlegung der Besuchsfenster: Wenn Endpunkte nur zu Visiten erhoben werden (z.B. Bildgebung alle 8 Wochen), entstehen Intervall-Zensierungen oder indirekte Schätzungen des Ereigniszeitpunkts. Solche Effekte sollten in der Endpunktdefinition berücksichtigt und im Statistical Analysis Plan nachvollziehbar beschrieben werden.
Zensierung, Follow-up und Datenqualität
Bei Time-to-Event-Daten ist Zensierung die Regel: Nicht jede Person erlebt das Ereignis während der Beobachtungszeit. Studienabbruch, Lost-to-Follow-up oder Ende der Studie führen zu zensierten Beobachtungen. Zensierung ist statistisch nur dann unproblematisch, wenn sie nicht-informativ ist, also unabhängig vom tatsächlichen Risiko für das Ereignis. In der Praxis sollte daher geprüft werden, ob Abbrüche systematisch zwischen Gruppen variieren und ob bestimmte Abbruchgründe (z.B. mangelnde Wirksamkeit, unerwünschte Ereignisse) eine informative Zensierung nahelegen.
Für das Datenmanagement sind konsistente Datumserfassung, Plausibilitätsprüfungen und ein sauberer Audit Trail zentral. Zeitpunkte sollten möglichst aus primären Quellen dokumentiert werden. Bei dezentralen Studien oder bei Nutzung von Routinedaten sind Datenquellen, Aktualisierungszyklen, Validierung und die Abbildung im Datenmodell früh festzulegen. Zusätzlich ist zu berücksichtigen, dass nachfolgende Therapien, Rescue-Medikation oder Cross-over die Interpretation von Time-to-Event-Endpunkten beeinflussen können und in Sensitivitätsanalysen adressiert werden sollten.
Aus operativer Sicht lohnt es sich, kritische Ereignisse über ein Event-Workflow zu steuern: eindeutige Verantwortlichkeiten im Prüfzentrum, schnelle Dokumentennachforderung und eine klare Definition, wann ein Ereignis als bestätigt gilt. Dadurch sinkt das Risiko, dass Ereignisse spät oder inkonsistent in die Datenbank gelangen.
Analyseansätze, Interpretation und Reporting
Die Auswertung erfolgt typischerweise im Rahmen einer Survival-Analyse. Die Kaplan-Meier-Kurve visualisiert die Ereignisfreiheit über die Zeit, und der Log-Rank-Test vergleicht Gruppen. Modelle wie das Cox-Proportional-Hazards-Modell liefern eine Hazard Ratio als Maß für den relativen Behandlungseffekt. Ergänzend werden mediane Zeiten, Ereignisraten zu festen Zeitpunkten oder Restricted Mean Survival Time berichtet.
Wichtig ist, dass Kennzahlen zur klinischen Fragestellung passen. Mediane Zeiten sind leicht kommunizierbar, können aber bei kurzer Nachbeobachtung instabil sein. Eine Hazard Ratio setzt proportionalen Hazards voraus; bei Verletzung dieser Annahme sollten alternative Modelle oder zeitabhängige Effekte erwogen werden. Für die Interpretation empfiehlt es sich, relative Maße (Hazard Ratio) mit absoluten Informationen (Kurvenverlauf, Ereigniszahlen, Number at Risk) zu kombinieren. Im Bericht sollten außerdem Definitionen, Zensierungsregeln und Sensitivitätsanalysen transparent dargestellt werden.
Studiendesign, Fallzahl und Event-Driven-Logik
Time-to-Event-Endpunkte beeinflussen das Studiendesign, weil die statistische Power in vielen Fällen primär von der Anzahl der Ereignisse und weniger von der reinen Teilnehmerzahl abhängt. Für die Planung sind Annahmen zur Ereignisrate, zur Rekrutierungsdauer, zum Follow-up und zu Drop-out-Raten erforderlich. In multizentrischen Studien ist ein realistisches Rekrutierungsmodell entscheidend, damit die benötigte Ereigniszahl erreicht wird.
Bei Zwischenanalysen, Event-Driven-Designs oder adaptiven Designs muss die Kontrolle des Alpha-Fehlers und die Dokumentation von Entscheidungsregeln sichergestellt sein. Operational braucht es klare Prozesse, um Ereignisse zeitnah zu erfassen und zu verifizieren, damit Data Cut-offs korrekt und reproduzierbar sind. Auch die Schnittstellen zwischen klinischem Team, Biometrie und Data Management sollten definiert sein, z.B. wer Ereignisse bestätigt und wann ein Fall als final gilt.
FAQ
Ist Time-to-Event das gleiche wie Survival?
Survival ist ein spezieller Time-to-Event-Endpunkt, bei dem das Ereignis meist Tod ist. Time-to-Event ist der übergeordnete Begriff und kann sich auf viele Ereignistypen beziehen.
Warum sind Time-to-Event-Endpunkte oft event-driven?
Weil die Aussagekraft und Power vor allem von der Anzahl beobachteter Ereignisse abhängt. Studien laufen dann häufig bis eine vordefinierte Ereigniszahl erreicht ist.
Was sind typische Probleme bei Time-to-Event-Daten?
Uneinheitliche Ereignisdefinitionen, informative Zensierung durch unterschiedliche Abbruchraten, ungenaue Datumsangaben und Verzerrungen durch nachfolgende Therapien oder Cross-over.
Regulatorische Referenzen (Auswahl)
- Verordnung (EU) Nr. 536/2014 (Clinical Trials Regulation)
- ICH E6(R3): Good Clinical Practice
- ICH E9: Statistical Principles for Clinical Trials