📊 statistics

The super learner for time-to-event outcomes: A tutorial

Dieser Artikel bietet eine praktische Anleitung zur Anwendung des Super Learners für Zeit-überlebensdaten, indem er die theoretischen Grundlagen erläutert, drei spezifische Implementierungen für diskrete und kontinuierliche Zeitverläufe vergleicht und die Umsetzung in R anhand eines offenen Datensatzes demonstriert.

Ursprüngliche Autoren: Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

Veröffentlicht 2026-02-20

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Der „Super-Lerner" für das Überleben: Ein Tutorial für alle

Stellen Sie sich vor, Sie sind ein Arzt oder ein Datenanalyst. Ihre Aufgabe ist es, vorherzusagen: Wie lange wird ein Patient noch leben? Oder genauer: Wie hoch ist das Risiko, dass innerhalb der nächsten 10 Jahre ein bestimmtes Ereignis (z. B. ein Rückfall) eintritt?

Das Problem dabei ist, dass wir oft nicht wissen, welche mathematische Formel oder welches Computermodell die beste Vorhersage trifft. Es gibt Dutzende von Methoden – von einfachen klassischen Formeln bis hin zu komplexen künstlichen Intelligenzen.

Dieses Papier ist wie ein Reiseführer für den „Super-Lerner" (Super Learner). Der Super-Lerner ist kein einzelnes Modell, sondern ein Meister-Koch, der verschiedene Rezepte (Modelle) probiert und das beste daraus kombiniert, um das perfekte Gericht (die beste Vorhersage) zu zaubern.

Hier ist die Erklärung, aufgeteilt in verständliche Teile:

1. Das Grundproblem: Die „versteckten" Daten

In der Medizin gibt es ein großes Hindernis: Zensierung.
Stellen Sie sich vor, Sie beobachten eine Gruppe von Menschen, um zu sehen, wann sie krank werden. Aber einige gehen vorzeitig aus dem Raum (ziehen weg), oder die Studie endet, bevor sie krank werden. Wir wissen also nicht genau, wann sie krank geworden wären, nur dass sie es bis zu einem bestimmten Zeitpunkt noch nicht waren.

Die Analogie: Es ist wie ein Wettkampf, bei dem einige Läufer die Strecke verlassen haben, bevor das Ziel erreicht wurde. Der Super-Lerner muss trotzdem herausfinden, wer am schnellsten wäre, auch wenn manche Läufer den Lauf nicht beendet haben.

2. Was macht der Super-Lerner?

Statt sich auf ein Modell zu verlassen (z. B. nur eine einfache Formel), nimmt der Super-Lerner eine ganze Mannschaft von Modellen zur Hilfe.

Die Mannschaft: Dazu gehören „klassische" Statistiker (wie der Cox-Modell-Experte) und moderne KI-Experten (wie Random Forests oder neuronale Netze).
Der Prozess: Der Super-Lerner lässt diese Modelle gegeneinander antreten. Er schaut genau hin, wer bei den bisherigen Daten am besten lag.
Das Ergebnis: Er erstellt entweder den einen besten Spieler (das beste einzelne Modell) oder eine perfekte Mischung (ein Ensemble), bei der die Stärken aller kombiniert werden. Das Besondere: Der Super-Lerner garantiert mathematisch, dass er mindestens so gut ist wie der beste Einzelne in der Mannschaft.

3. Die drei verschiedenen „Rezepte" (Methoden)

Das Papier stellt drei verschiedene Wege vor, wie man diesen Super-Lerner für Überlebensdaten baut. Man kann sie sich wie drei verschiedene Kochtechniken vorstellen:

A. Der diskrete Zeit-Ansatz (Das „Raster-Verfahren")

Wie es funktioniert: Hier wird die Zeit in feste Blöcke unterteilt, wie ein Kalendarium. Statt zu sagen „Der Patient stirbt in 3,45 Jahren", sagt man: „Der Patient stirbt im 4. Jahr".
Der Vorteil: Man kann fast jede Methode für Ja/Nein-Fragen (binäre Daten) benutzen. Es ist wie das Umwandeln eines komplexen Problems in viele kleine Ja/Nein-Fragen.
Der Nachteil: Es ist etwas ungenau, weil man die Zeit „einfriert" und in Kasten packt. Es ist wie das Messen der Körpergröße nur auf ganze Zentimeter – man verliert die feinen Millimeter.

B. Der kontinuierliche Zeit-Ansatz von Westling (Der „Fließende Fluss")

Wie es funktioniert: Hier wird die Zeit nicht unterteilt. Der Algorithmus betrachtet die Zeit als einen fließenden Strom.
Der Trick: Er nutzt eine iterative Schleife (ein Hin- und Her). Er schätzt erst das Überleben, dann das Risiko des „Verlusts" (Zensierung), dann wieder das Überleben, und verbessert sich dabei immer weiter, bis die Zahlen stabil sind.
Der Vorteil: Sehr präzise, da keine Zeitblöcke nötig sind. Er kann komplexe Muster in den Daten besser erkennen.

C. Der „Joint Survival" Ansatz von Munch & Gerds (Der „Zustands-Tracker")

Wie es funktioniert: Dieser Ansatz betrachtet den Patienten nicht nur als „lebend" oder „tot", sondern als einen Zustand. Zu jedem Zeitpunkt ist ein Patient in einem von drei Zuständen:
1. Gesund und noch da.
2. Das Ereignis ist eingetreten.
3. Der Patient ist „verloren gegangen" (zensiert).
Der Vorteil: Er ist sehr robust und kann sogar mit Situationen umgehen, in denen es mehrere Arten von Ereignissen gibt (z. B. Tod durch Krebs vs. Tod durch Herzinfarkt). Er sucht nach dem besten Paar von Modellen (eines für das Ereignis, eines für den Verlust).

4. Was haben die Autoren getestet?

Die Autoren haben diese Methoden mit echten Daten von Brustkrebspatienten aus Rotterdam getestet.

Das Ergebnis: Die modernen, kontinuierlichen Methoden (Westling und Munch/Gerds) waren in der Regel besser als die ältere, diskrete Methode.
Die Überraschung: Oft war der Random Survival Forest (eine Art KI-Methode) das beste einzelne Modell. Aber der Super-Lerner hat gezeigt, dass er durch die Kombination verschiedener Modelle fast immer so gut oder sogar noch etwas besser war als das beste Einzelmodell.

5. Warum ist das wichtig?

Früher mussten Forscher raten, welches Modell sie benutzen sollen. Oft haben sie einfach das gewählt, das sie am besten verstanden.
Mit dem Super-Lerner können sie alle Modelle ausprobieren und sich auf die mathematisch beste Lösung verlassen.

Für die Praxis: Das bedeutet genauere Vorhersagen für Patienten.
Für die Wissenschaft: Es gibt einen klaren Weg (und sogar fertigen Code in R), wie man diese komplexen Methoden anwendet, ohne sich in der mathematischen Theorie zu verlieren.

Zusammenfassung in einem Satz

Dieses Papier erklärt, wie man einen „Super-Koch" baut, der verschiedene Vorhersage-Modelle für das Überleben von Patienten kombiniert, um sicherzustellen, dass wir immer die bestmögliche Schätzung erhalten – egal ob die Daten unvollständig sind oder die Zeit fließt.

Der Autor stellt dabei nicht nur die Theorie vor, sondern gibt auch die Kochrezepte (Code) kostenlos zur Verfügung, damit jeder nachkochen kann.

1. Problemstellung

Die Schätzung von Risikoprofilen oder Überlebenswahrscheinlichkeiten, die von individuellen Merkmalen (Kovariaten) abhängen, ist eine häufige Aufgabe in der medizinischen Statistik, sei es für die Entwicklung von Vorhersagemodellen oder als Teil von Verfahren zur kausalen Inferenz. Die Daten basieren dabei auf Zeit- bis zum Ereignis-Daten (Time-to-Event), die häufig durch Rechtszensierung (Right Censoring) gekennzeichnet sind.

Das zentrale Problem besteht darin, dass es im Voraus unmöglich ist zu wissen, welches Modell aus einer Reihe von Kandidatenmodellen die beste Anpassung liefert. Analysten stehen vor der Herausforderung, aus einer Suite verschiedener Modelle (parametrisch, semi-parametrisch wie das Cox-Modell, oder maschinelle Lernverfahren wie Random Survival Forests) das beste auszuwählen. Herkömmliche Auswahlverfahren sind oft ad-hoc und nicht vorab spezifiziert. Der Super Learner (SL) bietet einen robusten Ansatz, um das beste Modell oder eine optimale Kombination (Ensemble) aus einem vordefinierten Satz von Kandidatenmodellen („Learner") zu finden. Bisher fehlte jedoch eine zugängliche, praktische Anleitung zur Implementierung von Super Learnern speziell für zensierte Zeit- bis zum Ereignis-Daten, da die vorhandene Literatur sehr technisch und verstreut ist.

2. Methodik

Der Artikel stellt einen allgemeinen Überblick über den Super Learner und drei spezifische Implementierungen für Zeit- bis zum Ereignis-Daten vor.

Grundprinzip des Super Learners

Der SL nutzt Cross-Validation (K-Fold), um die Vorhersageleistung verschiedener Modelle zu bewerten und ein Ensemble zu bilden. Die allgemeinen Schritte sind:

Datenaufteilung: Die Daten werden in $K$ Folds unterteilt.
Cross-Validation: Jedes Kandidatenmodell wird auf den Trainingsdaten ( $D_{-k}$ ) gefittet und auf den Validierungsdaten ( $D_k$ ) prognostiziert.
Schätzung des mittleren erwarteten Verlusts (Mean Expected Loss): Eine Verlustfunktion (Loss Function) misst die Differenz zwischen Vorhersage und wahrem Wert. Der durchschnittliche Verlust über alle Folds wird für jedes Modell berechnet.
Ensemble-Bildung:
- Discrete SL (Nicht-Ensemble): Wählt das einzelne Modell mit dem geringsten Verlust.
- Ensemble SL: Findet eine gewichtete Kombination der Modelle, die den Verlust minimiert (oft mittels nicht-negativer Kleinste-Quadrate-Regression unter der Nebenbedingung, dass die Gewichte $\ge 0$ und $\sum \alpha_j = 1$ sind).
- Der SL besitzt die Oracle-Eigenschaft: Er performt asymptotisch mindestens so gut wie das beste einzelne Modell im Kandidatensatz.

Drei spezifische Implementierungen

A. Diskreter Zeit-Super Learner (Polley & van der Laan, 2011)

Ansatz: Die Zeit wird in diskrete Intervalle unterteilt. Das Problem der Zeit- bis zum Ereignis-Vorhersage wird in eine Folge von binären Vorhersageproblemen (Ereignis vs. kein Ereignis im Intervall) umgewandelt.
Vorteil: Ermöglicht die Nutzung einer breiten Palette von Algorithmen für binäre Outcomes (z. B. logistische Regression, Random Forests).
Nachteil: Die Diskretisierung führt zu einem „Long"-Datensatz (mehrere Zeilen pro Person) und kann die flexible Modellierung der Baseline-Hazard-Funktion erschweren.
Verlustfunktionen:
- $L_{L2}$ : Quadratischer Fehler über die Hazard-Funktion.
- $L_{loglik}$ : Log-Likelihood-basiert.
- $L_{IPCW}$ : Inverse Probability of Censoring Weighted (IPCW), zielt direkt auf die Überlebenswahrscheinlichkeit ab, erfordert aber eine Schätzung der Zensierungsverteilung.

B. Kontinuierlicher Zeit-Super Learner (Westling et al., 2023)

Ansatz: Arbeitet direkt mit kontinuierlicher Zeit ohne Diskretisierung. Ziel ist die Schätzung der gesamten bedingten Überlebensverteilung $S(t|X)$ .
Verlustfunktion: Ein gewichteter integrierter Brier-Score ( $L_{S,G}$ ), der über das Zeitintervall integriert wird.
Besonderheit: Ein iterativer Ansatz, der auch den Super Learner für die Zensierungsverteilung $G(t|X)$ schätzt, um die Zensierung flexibel zu handhaben. Dies erfordert eine iterative Anpassung der Gewichte für Überlebens- und Zensierungs-SL.

C. Joint Survival Super Learner (Munch & Gerds, 2025)

Ansatz: Ein nicht-Ensemble-Ansatz (wählt das beste Paar von Modellen), der auf Zustandsbelegungswahrscheinlichkeiten (State Occupation Probabilities) basiert. Es werden Modelle für die kumulativen Hazards des Ereignisses ( $\Lambda$ ) und der Zensierung ( $\Gamma$ ) kombiniert.
Verlustfunktion: Integrierter Brier-Score über alle drei Zustände (Ereignis, Zensiert, Überlebt).
Vorteil: Kann leicht auf konkurrierende Risiken (Competing Events) erweitert werden.
Nachteil: Das Ziel ist die Schätzung der Zustandsbelegung, nicht direkt der Überlebenswahrscheinlichkeit (obwohl Simulationen zeigen, dass dies gut korreliert).

3. Schlüsselbeiträge

Praktische Anleitung: Der Artikel bietet den ersten zugänglichen Tutorial-Überblick, der die technischen Details der verschiedenen SL-Methoden für Zeit- bis zum Ereignis-Daten zusammenführt und in eine anwendbare Form bringt.
Vergleich der Ansätze: Es wird ein direkter Vergleich zwischen diskreten und kontinuierlichen Ansätzen sowie zwischen Ensemble- und Nicht-Ensemble-Methoden gezogen.
R-Implementierung: Der Artikel stellt R-Code und Referenzen zu spezifischen Paketen bereit (SuperLearner, survSuperLearner, jossl), um die Reproduzierbarkeit zu gewährleisten.
Demonstration: Eine Anwendung auf den öffentlich zugänglichen „Rotterdam"-Datensatz (Brustkrebs) illustriert die praktische Umsetzung und Leistungsfähigkeit der Methoden.

4. Ergebnisse (Basierend auf der Anwendung im Rotterdam-Datensatz)

Die Studie verglich die Vorhersageleistung (Brier-Score, Scaled Brier-Score, C-Index, AUC) verschiedener Methoden auf einem Testdatensatz:

Einzelne Modelle: Der Random Survival Forest (RSF) zeigte unter den einzelnen Modellen die beste Leistung. Das Standard-Cox-Modell performte am schwächsten.
Diskreter vs. Kontinuierlicher SL:
- Die kontinuierlichen SLs (Westling et al. und Munch & Gerds) erzielten insgesamt eine bessere Vorhersageleistung (niedrigerer Brier-Score) als die diskreten SLs.
- Die diskrete Methode mit 100 Zeitintervallen performte schlechter als die mit 10 Intervallen, was auf eine schlechte Modellierung der Baseline-Hazard bei zu feiner Diskretisierung hindeutet.
Ensemble vs. Nicht-Ensemble:
- Der kontinuierliche Ensemble-SL (Westling et al.) und der Nicht-Ensemble-SL (Munch & Gerds) erzielten fast identische Ergebnisse.
- In diesem Beispiel wählte der Munch & Gerds-Ansatz den Random Survival Forest als bestes Modell, was zu denselben Ergebnissen führte wie die Verwendung des RSF allein.
Einfluss der Kandidatenmenge: Die Verwendung eines reichhaltigeren Sets an Kandidatenmodellen (z. B. GAMs, XGBoost, verschiedene parametrische Modelle) führte zu einer leichten Verbesserung der Vorhersageleistung, insbesondere beim diskreten SL.
Gewichtung: Im Ensemble-SL wurden den komplexeren Modellen (RSF, Cox mit Lasso) höhere Gewichte zugewiesen, während einfache Modelle (Kaplan-Meier, Standard-Cox) oft ein Gewicht von Null erhielten.

5. Bedeutung und Fazit

Der Artikel unterstreicht, dass der Super Learner ein mächtiges Werkzeug ist, um die Unsicherheit bei der Modellauswahl zu adressieren und die Oracle-Eigenschaft zu nutzen.

Methodische Empfehlung: Kontinuierliche Ansätze sind vorzuziehen, da sie die Information der exakten Ereigniszeiten besser nutzen und flexibler in der Modellierung der Zensierungsverteilung sind. Der diskrete Ansatz bleibt jedoch nützlich, wenn eine große Bandbreite an Algorithmen für binäre Outcomes genutzt werden soll oder wenn Rechenressourcen begrenzt sind.
Anwendungsbreite: Obwohl der Fokus auf der Risikoprädiktion liegt, sind die beschriebenen Methoden essenziell für Verfahren der kausalen Inferenz (z. B. Targeted Maximum Likelihood Estimation - TMLE), wo die Schätzung von Überlebens- und Zensierungsverteilungen als „Nuisance-Parameter" dient.
Zukunft: Die Verfügbarkeit von R-Paketen und Code macht diese fortschrittlichen Methoden nun für ein breiteres Publikum von Datenanalysten und Epidemiologen zugänglich.

Zusammenfassend bietet der Artikel eine notwendige Brücke zwischen theoretischer Statistik und praktischer Anwendung, indem er komplexe Ensemble-Methoden für zensierte Daten verständlich macht und deren Überlegenheit gegenüber herkömmlichen Einzelmodellen demonstriert.