Thema 1.4 — Hazard Ratios

In einem Satz: Eine Hazard Ratio ist eine kompakte, breit berichtete und breit missverstandene Zusammenfassung dessen, wie schnell Ereignisse in einer Gruppe im Vergleich zu einer anderen eintreten – und sie gut zu lesen heißt, immer zu fragen „über welchen Nachbeobachtungszeitraum, in welcher Population und was bringt sie in absoluten Zahlen?“, bevor Sie sie eine Entscheidung zu Beauftragung, Evaluation oder Berichterstattung treiben lassen.

Warum das in Gesundheit und Pflege wichtig ist#

Wenn auf der Folie eines Anbieters steht „unsere Intervention erreichte eine Hazard Ratio von 0,75“, wird eine Führungskraft eingeladen, eine 25-prozentige Verringerung von etwas Schlechtem zu fühlen. Das Gefühl ist meist stärker, als es der Sachverhalt rechtfertigt. Eine Hazard Ratio (HR) ist eine der häufigsten Statistiken in klinischer und gesundheitswissenschaftlicher Evidenz und eine der zuverlässigsten missverstandenen – nicht von Statistikerinnen und Statistikern, sondern von den Vorständen, Beauftragenden und Kommunikationsteams, die danach handeln. In Gesundheit und Pflege ist diese Lücke zwischen dem, was eine HR sagt, und dem, was Menschen glauben, dass sie sagt, kein akademisches Ärgernis. Sie verändert, was gekauft wird, was skaliert wird und was Patientinnen und Patienten zu erwarten gesagt wird.

Dieses Thema ist ein praktischer Begleiter zu Thema 1.3 — Evidenzbasierte Entscheidungen. Jenes Thema argumentierte, man solle die Stärke der Evidenz auf die Höhe des Risikos abstimmen und klinische und Lieferevidenz getrennt halten. Dieses geht eine Schicht tiefer, zu einer einzelnen Statistik, die in der klinischen Evidenz, die Sie abwägen sollen, immer wiederkehrt: wie man sie liest, wo sie in die Irre führt und was man neben ihr verlangen sollte. Sie müssen keine Hazard Ratio berechnen. Sie müssen aber wissen, dass dieselbe Schlagzeilen-HR je nach den Fakten, die die Folie ausließ, einem lebensverändernden oder kaum nachweisbaren Nutzen entsprechen kann – und dass eine Führungskraft, die nach diesen Fakten nicht fragen kann, dem ausgeliefert ist, wer die Darstellung gewählt hat. Weil diese Zahlen öffentliche Botschaften und klinische Pfade prägen, ist es eine Frage von Vertrauen und Gerechtigkeit, sie falsch zu verstehen, nicht bloß der Genauigkeit.

Kernkonzepte#

Die Hazard und die Hazard Ratio. Eine Hazard ist die momentane Rate, mit der ein Ereignis (Tod, Krankenhauseinweisung, Rückfall) bei denen auftritt, die zu einem gegebenen Zeitpunkt noch gefährdet sind. Eine Hazard Ratio ist das Verhältnis dieser Rate in einer Behandlungsgruppe zur Rate in einer Kontrollgruppe. Eine HR unter 1 bedeutet, dass das Ereignis in der Behandlungsgruppe langsamer eintritt; über 1 schneller; genau 1 kein Unterschied. Sie stammt aus der Überlebenszeitanalyse – dem Zweig der Statistik für „Zeit bis zum Ereignis“-Daten – und wird meist mit dem Proportional-Hazards-Modell geschätzt, nach seinem Urheber Cox-Modell genannt. Entscheidend: Eine HR beschreibt eine Rate, keine Wahrscheinlichkeit und keine gewonnene Zeitspanne.

Die Annahme proportionaler Hazards. Die Bequemlichkeit des Cox-Modells ruht auf einer Annahme: dass die Hazard Ratio konstant ist – nach drei Monaten dieselbe wie nach drei Jahren, für eine 50-Jährige dieselbe wie für einen 80-Jährigen. Das ist die Proportional-Hazards-Annahme, und sie ist häufig falsch. Reale Effekte variieren über die Nachbeobachtungszeit (ein chirurgischer Eingriff kann das Risiko früh erhöhen und später senken) und über Untergruppen (Alter, Geschlecht, Komorbidität, Deprivation). Versagt die Annahme, ist die einzelne berichtete HR ein Durchschnitt über das besondere Nachbeobachtungsfenster und die Populationsmischung der Studie – ein gewichtetes Gemisch, keine universelle Konstante, die man in ein anderes Umfeld heben kann.

Relativ, Odds und absolut. Eine HR wird leicht mit drei Nachbarn verwechselt. Das relative Risiko (oder Risikoverhältnis) vergleicht die kumulative Wahrscheinlichkeit eines Ereignisses bis zu einem festen Zeitpunkt, nicht die Rate; es liegt nahe an der HR, wenn Ereignisse selten sind, weicht aber ab, wenn sie häufig sind. Das Odds Ratio vergleicht Chancen statt Wahrscheinlichkeiten und kann dramatisch aussehen, wenn das zugrunde liegende Risiko hoch ist. Alle drei sind relative Maße. Was Patientinnen, Patienten und Kostenträger tatsächlich interessiert, ist absolut: die absolute Risikoreduktion (Risikodifferenz) – wie viele Ereignisse weniger pro hundert Menschen – und ihr Kehrwert, die Number Needed to Treat (NNT), die Zahl der Menschen, die Sie behandeln müssen, um ein Ereignis zu verhindern. Ein relatives Maß ohne sein absolutes Gegenstück ist ein halber Satz.

Zensierung und die Überlebenskurve. Studien enden; Menschen ziehen weg, scheiden aus oder hatten das Ereignis schlicht noch nicht, wenn die Daten gesperrt werden. Zensierung (Statistik) ist die Art, wie die Überlebenszeitanalyse diese teilweise beobachteten Verläufe behandelt, und sie ist eine Stärke – aber starke oder unausgewogene Zensierung schwächt, was eine HR aussagen kann. Der ehrliche visuelle Begleiter jeder HR ist die Kurve des Kaplan-Meier-Schätzers, das gestufte Diagramm des Anteils ereignisfrei über die Zeit. Zwei Kurven, die sich stetig trennen, erzählen eine andere Geschichte als zwei, die sich kreuzen oder annähern – doch alle drei können dieselbe Schlagzeilen-HR ergeben.

Confounding und Nicht-Kollabierbarkeit. Eine HR aus einer Beobachtungsstudie kann durch Confounding verzerrt sein: Ein dritter Faktor bestimmt sowohl, wer die Behandlung erhält, als auch, wer das Ereignis hat. Randomisierte Studien schützen davor; Real-World-Vergleiche nicht, es sei denn, sie werden sorgfältig adjustiert. Es gibt auch eine subtilere, für Verhältnismaße wie die HR spezifische Falle, die Nicht-Kollabierbarkeit heißt: Selbst ohne Confounding kann das Verhältnis nach Adjustierung für einen Risikofaktor vom unadjustierten abweichen, allein als Artefakt dessen, wie sich Verhältnisse verhalten. Die Lehre ist dieselbe – eine HR ist an das genaue Modell und die Population gebunden, die sie hervorgebracht haben, und reist nicht so frei, wie ihre saubere Einzelzahl nahelegt.

Was eine HR in Jahren kauft. Menschen übersetzen „HR 0,75“ in „ich werde länger leben“, doch die Größe dieses Gewinns hängt ganz vom Basisrisiko ab und davon, wie stark die Sterblichkeit einer Population bereits verdichtet ist. Denken Sie es wie das Lockern einer Kammer bei einem Glücksspiel: Eine Rate zu senken kauft viel zusätzliche Zeit, wenn das Basisrisiko hoch und breit gestreut ist, und sehr wenig, wenn die meisten Menschen ohnehin ein hohes Alter erreichen und Todesfälle in einem schmalen späten Fenster zusammengepackt sind. Dieselbe relative Reduktion setzt sich je nach diesem Ausgangswert in unterschiedliche Mengen Lebenserwartung um – weshalb eine HR nicht als feste Zahl gewonnener Jahre abgelesen werden kann, ohne die Population zu kennen, aus der sie stammt.

Statistische versus klinische Signifikanz. Schließlich kann eine HR statistisch signifikant sein – ihr Konfidenzintervall schließt 1 aus –, während der Effekt, auf den sie hinweist, klinisch trivial ist, besonders in einer sehr großen Studie. Signifikanz beantwortet „ist das von Zufall unterscheidbar?“; sie beantwortet nicht „lohnt es, dafür einen Pfad zu ändern?“ Beide Fragen zählen, und nur die zweite sollte über Investitionen entscheiden.

Bewährte Praktiken#

1. Fragen Sie immer „über welchen Nachbeobachtungszeitraum und in welcher Population?“ Eine HR ist ein Durchschnitt über ein bestimmtes Studienfenster und eine bestimmte eingeschlossene Gruppe. Bevor Sie danach handeln, klären Sie die Länge der Nachbeobachtung und die Ein- und Ausschlusskriterien – Studien, die die Hochbetagten, die sehr Jungen oder Menschen mit häufigen Komorbiditäten ausschlossen, beschreiben Ihre Population womöglich gar nicht. Behandeln Sie eine HR ohne diesen Kontext als unvollständige Zahl, nicht als Schlagzeile.

2. Verlangen Sie neben jeder relativen Zahl absolute Zahlen. Fragen Sie bei jeder HR oder jedem relativen Risiko nach der absoluten Risikoreduktion und der Number Needed to Treat in der relevanten Population. „HR 0,75“ fühlt sich groß an; „ein vermiedenes Ereignis pro 200 über drei Jahre behandelte Menschen“ sagt Ihnen, ob es Kosten, Ablaufänderung und Nebenwirkungen wert ist. Relative und absolute Maße sollten stets zusammen erscheinen, und Kommunikation an die Öffentlichkeit sollte mit dem Absoluten führen.

3. Bestehen Sie darauf, die Kaplan-Meier-Kurven zu sehen. Eine einzelne HR presst eine ganze Geschichte in eine Zahl und verbirgt, ob der Effekt früh, spät, wachsend, schrumpfend oder umkehrend ist. Verlangen Sie die Überlebenskurven und schauen Sie auf ihre Form: Trennen sie sich sauber, kreuzen sie sich oder nähern sie sich an? Sich kreuzende Kurven sind ein sichtbares Zeichen, dass die Proportional-Hazards-Annahme versagt hat und die einzelne HR irreführt.

4. Extrapolieren Sie keine kurze Studie auf ein Leben. Eine über drei Jahre gemessene Hazard Ratio berechtigt nicht zu einer Behauptung über dreißig. Effekte können nachlassen, umkehren oder sich anhäufen, und die Proportional-Hazards-Annahme hält über eine Lebensspanne fast nie. Seien Sie besonders wachsam bei Wirtschaftlichkeitsmodellen und Presseaussagen, die eine kurzfristige HR zu dramatischen Gewinnen an Lebensjahren fortschreiben; fragen Sie, welche Annahme diese Arbeit leistet, wie in Thema 6.1 — Gesundheitsökonomie behandelt.

5. Trennen Sie statistische von klinischer Signifikanz. Ein Konfidenzintervall, das 1 ausschließt, sagt Ihnen, dass ein Effekt wahrscheinlich real ist; es sagt nichts darüber, ob er groß genug ist, um zu zählen. In großen Studien werden triviale Unterschiede „signifikant“. Beurteilen Sie die Größenordnung – den absoluten Nutzen – gegen Belastung und Kosten der Intervention, und lassen Sie Klinikpersonal und Patientinnen und Patienten definieren, was als lohnend gilt.

6. Behandeln Sie beobachtende HRs mit besonderem Misstrauen. Außerhalb einer randomisierten Studie kann eine HR Confounding widerspiegeln – kränkere oder gesündere Menschen, die sich in die Behandlung selektieren – statt eines wahren Effekts. Fragen Sie, wofür adjustiert wurde und ob nicht gemessene Confounder plausibel sind. Real-World-Evidenz ist wertvoll (siehe Thema 8.6 — Forschung und Evaluation unter realen Bedingungen), aber ihre Hazard Ratios brauchen mehr Prüfung, nicht weniger.

7. Prüfen Sie, ob die HR aus dem Kontext gerissen wiederverwendet wird. Eine HR aus einer Population, Dosis oder Nachbeobachtung wird routinemäßig zitiert, als wäre sie universell. Wenn eine Zahl zitiert wird, verfolgen Sie sie zur Ursprungsstudie zurück und bestätigen Sie, dass Population und Endpunkt zu Ihrer Entscheidung passen. Nicht-Kollabierbarkeit und abweichende Ausgangswerte bedeuten, dass eine Zahl, die dort stimmte, hier unbemerkt falsch sein kann.

8. Berichten Sie ehrlich und führen Sie mit dem, worauf Menschen handeln können. Wenn Ihre eigene Organisation Ergebnisse veröffentlicht, stellen Sie jeder HR absolute Zahlen und eine verständliche Rahmung zur Seite, nennen Sie Nachbeobachtung und Population und vermeiden Sie, aus kurzfristigen Daten einen lebenslangen Nutzen zu implizieren. Das hängt direkt damit zusammen, wie Sie Maße in Thema 10.1 — Key Performance Indicators (KPIs) wählen: Die Kennzahl, mit der Sie führen, prägt, was Menschen glauben.

Fragen zur Diskussion im Team#

1. Wissen wir, wenn eine Hazard Ratio im Vorstand landet, wie wir nach Nachbeobachtung, Population und absolutem Nutzen fragen – oder handeln wir allein nach der relativen Zahl? Diese Frage prüft, ob Ihre Führung die am häufigsten missverstandene Statistik, der sie begegnen wird, hinterfragen kann. Sie ist wichtig, weil eine HR ein Durchschnitt über ein bestimmtes Studienfenster und eine bestimmte eingeschlossene Gruppe ist und dieselbe Zahl je nach Basisrisiko und Nachbeobachtung, die die Folie ausließ, einen transformativen oder einen vernachlässigbaren Nutzen darstellen kann. Die Spannung: Die relative Zahl ist emotional überzeugend und leicht zu wiederholen, während die absolute Zahl – die Number Needed to Treat, die vermiedenen Ereignisse pro hundert Menschen – fader und schwerer zu bekommen ist und daher routinemäßig weggelassen wird. Gehen Sie ein reales jüngeres Beispiel durch: Nehmen Sie eine HR, die eine Entscheidung beeinflusst hat, und rekonstruieren Sie, welche Nachbeobachtung sie abdeckte, wer ausgeschlossen war und welchen absoluten Nutzen sie für Ihre Population implizierte. Fragen Sie, ob jemand diese Fakten damals einforderte und ob die Antwort die Entscheidung verändert hätte. Eine gute Diskussion endet mit der ständigen Erwartung, dass keine HR ohne Nachbeobachtung, Population und ihren absoluten Partner befolgt wird.

2. Wo extrapolieren wir womöglich eine kurzfristige Hazard Ratio zu einer langfristigen oder lebenslangen Behauptung – in einem Business Case, einem Nutzenmodell oder einer öffentlichen Botschaft? Das Thema warnt, dass eine über wenige Jahre gemessene HR nicht zu Behauptungen über Jahrzehnte berechtigt, weil Effekte nachlassen, umkehren oder sich anhäufen und die Proportional-Hazards-Annahme über eine Lebensspanne selten hält. Das ist wichtig, weil gesundheitsökonomische Modelle und Kommunikationsteams beide starke Anreize haben, kurzfristige relative Reduktionen zu Schlagzeilengewinnen an Lebensjahren oder Kosteneinsparungen fortzuschreiben, und diese Projektionen unbemerkt zur Rechtfertigung großer Investitionen werden können. Der Zielkonflikt ist real: Sie müssen über den Studienhorizont hinaus planen und modellieren, doch jedes Jahr, das Sie über die Evidenz hinaus projizieren, ist eine Annahme, kein Befund. Holen Sie einen laufenden Business Case oder ein Nutzenrealisierungsmodell hervor und fragen Sie, welchen Zeithorizont seine aus der HR abgeleiteten Nutzen annehmen und was mit dem Fall geschähe, wenn der Effekt nach der Studienperiode abflachte. Erwägen Sie auch, ob eine patientenorientierte Botschaft aus kurzfristigen Daten einen Lebenszeitgewinn an Jahren impliziert. Eine ehrliche Antwort benennt, wo Extrapolation schwer trägt, und verpflichtet sich, die Annahme offen zu nennen, statt sie in einer Tabellenkalkulation zu vergraben.

3. Trennen wir durchgängig „ist das real?“ von „ist es groß genug, um zu zählen?“ – oder treibt statistische Signifikanz allein unsere Entscheidungen? Diese Frage stellt sich der Verwechslung von statistischer und klinischer Signifikanz, bei der ein Konfidenzintervall, das 1 ausschließt, unabhängig von der Effektgröße als grünes Licht behandelt wird. Sie ist wichtig, weil große Studien und große Real-World-Datensätze triviale Unterschiede statistisch signifikant machen und eine digitale Gesundheitsintervention eine „signifikante“ Hazard Ratio ausweisen kann, während sie einen Nutzen liefert, der zu klein ist, um Kosten, Ablaufstörung oder Opportunitätskosten gegenüber anderen Verwendungen desselben Geldes zu rechtfertigen. Die tiefere Spannung ist, dass die Größenordnung ein klinisches und Werturteil ist – was als lohnend gilt, hängt von Erkrankung, Behandlungsbelastung und Patientenpräferenz ab –, sodass sie nicht an einen p-Wert delegiert oder automatisiert werden kann. Nehmen Sie eine Entscheidung, die Ihr Team teils auf die Stärke eines signifikanten Ergebnisses hin traf, und fragen Sie, wie groß der absolute Effekt tatsächlich war und wer entschied, er sei groß genug zum Handeln. Ergründen Sie, ob Klinikpersonal und idealerweise Patientinnen und Patienten daran beteiligt waren zu beurteilen, ob der Nutzen es wert war. Eine starke Antwort zeigt, dass das Team routinemäßig nach Größenordnung fragt, nicht nur nach Signifikanz, und beide als getrennte Tore behandelt, die beide passiert werden müssen.

4. Wenn eine Hazard Ratio aus Routinedaten oder dem Real-World-Datensatz eines Anbieters statt aus einer randomisierten Studie stammt, fragen wir, wofür adjustiert wurde und ob nicht gemessenes Confounding den Effekt erklären könnte? Zunehmend stammen die Hazard Ratios, die eine Entscheidung erreichen, nicht aus sauberen Studien, sondern aus Beobachtungsquellen – der Vorher-Nachher-Analyse eines Lieferanten, einem Register oder Ihren eigenen routinemäßig erhobenen Akten –, in denen sich die Menschen, die eine Intervention erhielten, systematisch von denen unterscheiden, die sie nicht erhielten. Das ist wichtig, weil Confounding durch Indikation die Regel ist, nicht die Ausnahme: Gesündere oder kränkere Patientinnen und Patienten selektieren sich in die Behandlung, und wenn nicht sorgfältig adjustiert wird, misst die resultierende HR ebenso, wer behandelt wurde, wie das, was die Behandlung bewirkte. Die Spannung: Real-World-Evidenz ist echt wertvoll und oft die einzige verfügbare Evidenz für einen im großen Maßstab eingesetzten digitalen Service, doch ihre Bequemlichkeit verleitet Teams, sie als kausal zu lesen, obwohl sie nur assoziativ ist. Befragen Sie eine reale Beobachtungs-HR, auf die sich Ihr Team gestützt hat: Fragen Sie, wofür adjustiert wurde, welche plausiblen Confounder ungemessen blieben und ob die Richtung der wahrscheinlichen Verzerrung den Effekt schmeichelt oder abwertet. Erwägen Sie, ob Nicht-Kollabierbarkeit – die Art, wie die Adjustierung für einen Risikofaktor ein Verhältnis auch ohne Confounding verschieben kann – bei der Angabe der Zahl berücksichtigt wurde. Eine ehrliche Antwort behandelt beobachtende Hazard Ratios als Hypothesen, die mehr Prüfung brauchen, nicht weniger, und kann klar sagen, was wahr sein müsste, damit der Effekt real ist.

5. Schauen wir routinemäßig auf die Kaplan-Meier-Kurven hinter einer Hazard Ratio, und würden wir erkennen, wenn die Proportional-Hazards-Annahme versagt hat? Eine einzelne HR mittelt die gesamte Form eines Effekts still in eine Zahl und verbirgt, ob der Nutzen früh, spät, wachsend, schrumpfend oder umkehrend über die Nachbeobachtung ist. Das ist wichtig, weil das Cox-Modell, das die meisten Hazard Ratios hervorbringt, annimmt, dass das Verhältnis über die Zeit konstant ist, und diese Annahme häufig falsch ist – eine chirurgische oder prozedurale Intervention kann das Risiko früh erhöhen und später senken, und Kurven, die sich kreuzen oder annähern, können dieselbe saubere Schlagzeilen-HR ergeben wie Kurven, die sich sauber trennen. Der Zielkonflikt: Überlebenskurven zu lesen erfordert mehr Aufwand und mehr Fachwissen, als eine einzelne Zahl zu wiederholen, und die Kurven fehlen oft auf der Zusammenfassungsfolie, gerade weil sie die Geschichte verkomplizieren. Nehmen Sie eine Hazard Ratio, nach der Ihr Team gehandelt hat, und fragen Sie, ob jemand das Kaplan-Meier-Diagramm sah, was die Form der Kurven darüber implizierte, wann der Nutzen anfiel, und ob die Proportional-Hazards-Annahme je getestet wurde. Besprechen Sie, wer im Team die statistische Kompetenz hat, sich kreuzende oder annähernde Linien zu erkennen und zu sagen, was sie für Ihre Population bedeuten. Eine gute Antwort macht das Sehen der Kurven zur ständigen Erwartung, nicht zu einem Gefallen an Spezialisten, und behandelt eine fehlende Kurve als Anlass zu fragen statt als ein Detail zum Überspringen.

6. Haben wir geprüft, ob eine einzelne Hazard Ratio eine ungleiche Verteilung des Nutzens über Alter, Komorbidität und Deprivation bei den Menschen verbirgt, denen wir tatsächlich dienen? Eine Schlagzeilen-HR stellt einen Effekt dar, als träfe er gleichmäßig zu, doch ein über die eingeschlossene Gruppe einer Studie gemittelter Nutzen kann bei den älteren, kränkeren und stärker deprivierten Menschen, die einen großen Teil einer realen Gesundheits- und Pflegepopulation ausmachen, ganz anders ausfallen. Das ist wichtig, weil das Handeln nach der aggregierten Zahl Ungleichheiten vergrößern kann, während es insgesamt Ergebnisse zu verbessern scheint: Eine Intervention, die einer fitteren Untergruppe hilft und einer gebrechlicheren kaum, weist dennoch eine attraktive durchschnittliche HR aus. Die Spannung: Disaggregation verlangt Daten, statistische Power und die Bereitschaft, unbequeme Variation zu sehen, während die einzelne Zahl einfacher zu berichten und leichter zu propagieren ist. Betrachten Sie eine von einer Hazard Ratio getriebene Entscheidung und fragen Sie, ob der Effekt je nach Altersband, Komorbidität oder Deprivation aufgeschlüsselt wurde und ob die Studie überhaupt genug Ihrer Population einschloss, um eine solche Aufschlüsselung zu tragen. Überlegen Sie, wie Sie auf ungleichen Nutzen überwachen, sobald ein Service live ist, in Verbindung mit Ihrer Real-World-Evaluation und Ihren Gerechtigkeitspflichten. Eine ehrliche Antwort akzeptiert, dass eine einheitlich aussehende HR eine ungleiche Realität maskieren kann, und verpflichtet sich, das disaggregierte, absolute Bild anzusehen, bevor skaliert wird.

In der Praxis: ein Beispiel aus Gesundheit und Pflege#

Einem Integrated Care System (ICS) wird ein Fernüberwachungsservice für Menschen mit Herzinsuffizienz angeboten. Die zentrale Behauptung des Anbieters ist eine Hazard Ratio von 0,72 für den kombinierten Endpunkt Tod oder ungeplante Einweisung, beschrieben als „28 Prozent Reduktion“ und gepaart mit einer Projektion erheblich gewonnener Lebensjahre über die Population.

Die digitalen und klinischen Verantwortlichen behandeln die Zahl als Ausgangsfrage, nicht als Schlussfolgerung. Sie verlangen die Ursprungsstudie und finden einen einzelnen randomisierten Versuch mit einer medianen Nachbeobachtung von achtzehn Monaten, der Patientinnen und Patienten unter 75 mit kürzlicher Einweisung und ohne wesentliche kognitive Beeinträchtigung einschloss – eine fittere, jüngere Gruppe als die reale Herzinsuffizienz-Population des ICS, die älter und komorbider ist. Sie verlangen die Kurven des Kaplan-Meier-Schätzers und sehen, dass sich die beiden Linien hauptsächlich in den ersten sechs Monaten trennen und dann etwa parallel verlaufen – ein Hinweis, dass der Nutzen früh konzentriert ist und die Annahme einer konstanten HR über einen längeren Horizont wackelig ist.

Dann verlangen sie Absolutes. In die Studienpopulation übersetzt, entspricht die HR einer bescheidenen absoluten Risikoreduktion und einer Number Needed to Treat von etwa 20 über achtzehn Monate, um ein kombiniertes Ereignis zu verhindern – bedeutsam, aber weit weniger dramatisch, als „28 Prozent Reduktion“ nahelegte, und in ihrer älteren Population womöglich noch kleiner. Das Team für Gesundheitsökonomie wird gebeten, sein Modell ohne Extrapolation der achtzehnmonatigen HR über ein ganzes Leben neu zu bauen und zu testen, was geschieht, wenn der frühe Nutzen nicht anhält. Die Verantwortlichen für klinische Sicherheit und Informationsgovernance bewerten den Service aus eigenem Recht (Thema 1.6 — Klinische Sicherheit und Risikomanagement). Das ICS geht voran – aber als überwachter, gestufter Rollout mit eigener Real-World-Evaluation, und es weist sein Kommunikationsteam an, mit dem absoluten Nutzen und den ehrlichen Grenzen zu führen, nicht mit der relativen Schlagzeile. Als eine Lokalzeitung später nach „der 28-Prozent-Zahl“ fragt, kann das ICS genau erklären, was sie bedeutet und was nicht.

Sektorperspektiven#

Alle, die eine HR lesen, schulden dieselbe Pflicht zur Interpretation, doch Druck und Schutzvorkehrungen unterscheiden sich je nach Organisation.

Startup#

Der Anreiz eines Startups ist, die schmeichelhafteste wahre Zahl zu präsentieren, und eine relative Hazard Ratio ist oft die schmeichelhafteste verfügbare wahre Zahl – daher erscheint „HR 0,7“ im Pitch Deck ohne die Nachbeobachtung, Population oder den absoluten Nutzen, die sie zurechtrücken würden. Der ehrliche und letztlich glaubwürdigere Zug ist, mit dem absoluten Effekt und der Number Needed to Treat zu führen, Nachbeobachtung und Ausschlüsse der Studie offen zu nennen und der Versuchung zu widerstehen, kurzfristige Ergebnisse im Business Case über ein Leben zu projizieren. Sorgfältig prüfende NHS-Begutachtende und ernsthafte Investoren wissen zunehmend, diese Fragen zu stellen; ein Team, das den Kontext freiwillig liefert, wirkt daher stärker, nicht schwächer. Die Disziplin kostet fast nichts und schützt die Gründerinnen und Gründer vor einer späteren, schädlicheren Korrektur.

Kleines Unternehmen#

Ein etablierter kleiner Anbieter – eine Hausarztpraxis, eine Gemeindeapotheke, ein Pflegeheim oder eine Einzelstandort-Klinik, die ein Überwachungswerkzeug oder die Behauptung eines Lieferanten abwägt – hat echte Patientinnen und Patienten im Spiel, aber keine hauseigene Statistikerin und wenig Zeit, eine Studie zu lesen. Das praktische Risiko ist, dass die relative Hazard Ratio des Anbieters für bare Münze genommen wird, weil niemand da ist, der Nachbeobachtung, Population und absoluten Nutzen rekonstruieren kann, und kein Analytikteam, das sie an der eigenen Patientenliste der Praxis prüft. Die verhältnismäßige Antwort ist nicht, Überlebenszeitanalyse zu meistern, sondern jedem Lieferanten drei schlichte Fragen zu stellen – über welche Nachbeobachtung, bei welchen Patientinnen und Patienten und wie viele Menschen würden wir behandeln, um ein Ereignis zu verhindern – und sich auf gemeinsame Ressourcen wie NICE-Leitlinien, eine Apothekerin der CCG oder des ICS oder ein Peer-Netzwerk zu stützen, statt die Zahl allein zu beurteilen. Ein kleiner Anbieter, der vor der Unterschrift auf der absoluten Zahl und den Ausschlüssen der Studie besteht, schützt seine Patientinnen und Patienten und sein Budget, ohne die statistische Schlagkraft eines großen Trusts zu brauchen.

Großunternehmen#

Ein NHS Trust oder ICS hat die Analysefähigkeit und die Patientenzahlen, um eine HR richtig zu befragen – und die Rechenschaft, die das verlangt, denn ein Einsatz im großen Maßstab auf Basis einer missverstandenen Statistik ist zugleich ein Risiko für klinische Sicherheit und öffentliches Geld. Das charakteristische Versagen ist institutionelle Begeisterung: eine überzeugende relative Zahl, befürwortet von einem geschätzten Kliniker, übernommen, bevor jemand den absoluten Nutzen für die tatsächliche, oft ältere und kränkere Population des Trusts rekonstruiert. Das Korrektiv ist eine ständige Gewohnheit – jede HR in einem Vorstandspapier kommt mit Nachbeobachtung, Population, absoluter Risikoreduktion und Kaplan-Meier-Kurven, und jede Extrapolation benennt ihre Annahme. Große Unternehmen erzeugen zudem eigene beobachtende HRs aus Routinedaten, wo Confounding die ständige Gefahr ist und die Adjustierung explizit sein muss.

Regierung#

Eine nationale Stelle – NICE, NHS England, die UK Health Security Agency, DHSC – entscheidet oft, wie Evidenz für das ganze System gerahmt wird; ihr Umgang mit Hazard Ratios prägt daher das öffentliche Verständnis im Bevölkerungsmaßstab. Entscheidungen hier ziehen regulatorische, parlamentarische und mediale Kontrolle an, und eine ohne ihr absolutes Gegenstück zitierte relative Zahl kann Millionen in die Irre führen und Vertrauen untergraben, wenn sie später korrigiert wird. Die Pflicht ist, Absolutes neben Relativem zu veröffentlichen, Population und Nachbeobachtung zu nennen und offen zu sein, wo die Proportional-Hazards-Annahme und kurze Studienhorizonte begrenzen, was behauptet werden kann. In dieser Größenordnung ist ehrliche Rahmung keine Höflichkeit, sondern ein Instrument der Gerechtigkeit: Ein Nutzen, der in einer einzelnen HR einheitlich aussieht, kann ungleich über Alter und Deprivation fallen, und nur das disaggregierte, absolute Bild zeigt es.

Häufige Fehlermuster#

• Nur relative Berichterstattung. „28 Prozent Reduktion“ zitieren, ohne absolute Risikoreduktion oder Number Needed to Treat. Gegenmittel: jedes relative Maß mit seinem absoluten Partner paaren und die öffentliche Kommunikation mit dem Absoluten anführen.
• Lebenslange Extrapolation. Eine Kurzstudien-HR in einem Wirtschaftlichkeitsmodell oder einer Presseaussage über Jahrzehnte projizieren. Gegenmittel: nur bis zum Evidenzhorizont modellieren und jede Annahme darüber hinaus benennen.
• Die Population ignorieren. Die HR einer Studie auf ältere, kränkere oder stärker deprivierte Gruppen anwenden, die die Studie ausschloss. Gegenmittel: Ein- und Ausschlusskriterien gegen Ihre reale Population prüfen.
• Konstanz annehmen. Eine HR als gültig für jedes Alter und jeden Zeitpunkt behandeln. Gegenmittel: die Kaplan-Meier-Kurven auf sich kreuzende oder annähernde Linien prüfen.
• Signifikanz mit Wichtigkeit verwechselt. Nach einer statistisch signifikanten HR handeln, deren Effekt klinisch trivial ist. Gegenmittel: die Größenordnung getrennt beurteilen, mit Input von Klinikpersonal und Patientinnen und Patienten.
• Beobachtenden HRs unkritisch trauen. Eine Real-World-HR als kausal lesen, ohne nach Confounding zu fragen. Gegenmittel: fragen, wofür adjustiert wurde und ob nicht gemessene Confounder plausibel sind.
• Zahlenwäsche. Eine HR aus ihrem ursprünglichen Kontext gerissen wiederverwenden, als wäre sie universell. Gegenmittel: jede zitierte Zahl zu ihrer Ursprungsstudie und ihrem Endpunkt zurückverfolgen.

Reifegradmodell#

Checkliste#

• Jede Hazard Ratio kommt mit ihrer Nachbeobachtungsdauer und den Ein- und Ausschlusskriterien der Studie.
• Jedes relative Maß (HR, relatives Risiko) ist mit absoluter Risikoreduktion und Number Needed to Treat gepaart.
• Kaplan-Meier-Kurven werden auf die Form des Effekts und jedes Kreuzen oder Annähern geprüft.
• Die Studienpopulation wird vor dem Handeln gegen Ihre reale, lokale Population geprüft.
• Keine kurzfristige HR wird ohne explizit benannte Annahme auf ein Leben extrapoliert.
• Statistische Signifikanz und klinische Signifikanz werden als getrennte Tore beurteilt.
• Beobachtende HRs werden auf Confounding und die Adjustierung geprüft.
• Jede zitierte HR wird zu ihrer Ursprungsstudie, ihrem Endpunkt und ihrer Nachbeobachtung zurückverfolgt.
• Öffentliche und Vorstandskommunikation führt mit absolutem Nutzen und ehrlichen Grenzen.

Zentrale Quellen#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis (grundlegende Definitionen).
• BMJ / Reihe The BMJ Statistics Notes — Douglas Altman und J. Martin Bland — verständliche Erklärungen zu Hazard Ratios, Überlebenskurven und absolutem versus relativem Risiko.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — zur ehrlichen Kommunikation relativen und absoluten Risikos.
• Gerd Gigerenzer et al. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — dazu, warum relative Zahlen in die Irre führen.
• Cochrane — Handbook for Systematic Reviews of Interventions — zur Interpretation von Effektmaßen.
• dynomight — Essay über Hazard Ratios und Lebenserwartung (dynomight.net) — die Intuition des russischen Roulettes dafür, warum relative Reduktionen nicht Lebensjahren entsprechen und warum Interventionen in verschiedenen Altersstufen unterschiedliche Hazard Ratios haben.
• Equator Network — Berichtsleitlinie CONSORT — dazu, wie Studieneffekte, einschließlich Zeit-bis-Ereignis-Endpunkten, berichtet werden sollten.

Referenzen#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/