📊 statistics

E-values for Adaptive Clinical Trials: Anytime-Valid Monitoring in Practice

Dieses Papier dient als praktischer Leitfaden zur Methodik für die Implementierung von jederzeit gültigen E-Werten in adaptiven klinischen Studien und zeigt durch numerische Studien sowie das Open-Source-R-Paket `evalinger`, wie diese eine robuste Kontrolle des Typ-I-Fehlers unter kontinuierlicher Überwachung gewährleisten und gleichzeitig eine praktikable Alternative zu traditionellen sequenziellen Gruppenverfahren und Bayes'schen Ansätzen bieten.

Ursprüngliche Autoren: Alexandra Sokolova, Vadim Sokolov

Veröffentlicht 2026-02-09

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Alexandra Sokolova, Vadim Sokolov

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

Stellen Sie sich vor, Sie sind ein Richter, der vor einem langwierigen Prozess steht, um zu prüfen, ob ein neues Medikament besser wirkt als ein Placebo. In den alten Zeiten sagten Statistiker: „Warten Sie bis zum ganz am Ende, zählen Sie alle Patienten und treffen Sie dann eine einzige endgültige Entscheidung.“ Aber im wirklichen Leben funktionieren klinische Studien nicht so. Ärzte und Sicherheitskomitees wollen die Daten beobachten, sobald sie eintreffen, um die Studie vorzeitig abzubrechen, falls das Medikament erstaunlich gut wirkt (um Leben zu retten) oder falls es offensichtlich versagt (um Ressourcenverschwendung zu stoppen).

Das Problem mit dem „Hineinschauen“ (Peeking) ist, dass es wie das wiederholte Würfeln eines Würfels ist. Wenn Sie einmal eine Sechs würfeln, ist das Glück. Wenn Sie zehnmal hintereinander eine Sechs würfeln, könnten Sie denken, der Würfel sei gezinkt. Aber wenn Sie so lange weiterwürfeln, bis Sie endlich eine Sechs bekommen, täuschen Sie sich selbst und glauben, ein Muster gefunden zu haben, das in Wahrheit nur zufälliges Rauschen war. In der Statistik nennt man das einen „Typ-I-Fehler“ (einen Fehlalarm).

Dieses Paper stellt ein neues Werkzeug namens E-Values (Evidence Values) vor, um dieses Problem zu lösen. So funktioniert es, erklärt anhand einfacher Analogien:

1. Das Wettspiel (Die Kernidee)

Stellen Sie sich vor, Sie sind ein Glücksspieler, der gegen die Vorstellung wettet, dass das neue Medikament gar nichts bewirkt (die „Nullhypothese“).

Der Aufbau: Sie beginnen mit 1 $. Jedes Mal, wenn ein neuer Patient die Studie abschließt, dürfen Sie einen Teil Ihres Geldes darauf wetten, ob das Medikament gewirkt hat.
Die Regel: Wenn das Medikament nicht wirkt (die Nullhypothese ist wahr), ist das Spiel fair. Im Durchschnitt werden Sie weder Geld gewinnen noch verlieren. Ihr Vermögen wird schwanken, aber in der Nähe von 1 $ bleiben.
Der Gewinn: Wenn das Medikament tatsächlich wirkt, werden Ihre Wetten beginnen, sich auszuzahlen. Ihr Vermögen (Ihr „E-Value“) wird wachsen.
Die Schwelle: Sie legen im Voraus fest: „Wenn mein Vermögen auf 40 $ angewachsen ist, werde ich das Medikament als Gewinner erklären.“

Warum ist das besonders?
In der traditionellen Statistik müssen Sie Ihre Gewinnschwelle jedes Mal senken, wenn Sie auf Ihr Bankkonto schauen, sonst werden Sie irgendwann durch reines Glück glauben, gewonnen zu haben, obwohl Sie eigentlich nicht gewonnen haben.
Mit E-Values können Sie so oft auf Ihr Bankkonto schauen, wie Sie wollen. Selbst wenn Sie jede Sekunde nachsehen, garantiert die Mathematik, dass Ihr Vermögen niemals 40 $ erreichen wird, falls das Medikament unwirksam ist. Es ist wie eine „magische“ Wette, die immer fair bleibt, egal wie oft man hineinschaut.

2. Die drei Wettbewerber

Das Paper vergleicht drei verschiedene Wege, diese Studie durchzuführen:

Der „naive“ Ansatz (Der leichtsinnige Spieler): Dies ist das Überprüfen der Daten und das Sagen: „Hey, die Zahlen sehen gut aus!“, ohne spezielle Mathematik. Das Paper zeigt, dass dies gefährlich ist. Wenn Sie 20 Mal hineinschauen, werden Sie etwa 15 % der Zeit fälschlicherweise einen Sieger ausrufen (obwohl das Medikament eigentlich nutzlos ist).
Der „Group Sequential“-Ansatz (Der strenge Buchhalter): Dies ist der aktuelle Standard. Sie planen genau, wann Sie nachsehen werden (z. B. bei 25 %, 50 % und 75 % der Studie). Sie haben ein striktes Budget für das, was Sie an „Risiko“ bei jedem Blick ausgeben dürfen.
- Vorteile: Er ist sehr leistungsstark (gut darin, echte Heilmittel zu finden), wenn Sie sich an den Plan halten.
- Nachteile: Wenn Sie den Plan ändern oder zu ungewöhnlichen Zeiten in die Daten schauen, bricht die Mathematik zusammen und Sie müssen von vorne beginnen.
Der „E-Value“-Ansatz (Der flexible Wächter): Dies ist der Fokus des Papers. Er nutzt das oben beschriebene Wettspiel.
- Vorteile: Sie können die Daten jederzeit beobachten (sogar kontinuierlich, wie einen Livestream). Sie benötigen keinen vorgegebenen Zeitplan. Er ist „jederzeit valide“ (anytime-valid).
- Nachteile: Um sicher genug zu sein, um unbegrenztes Hineinschauen zu erlauben, ist er etwas weniger „leistungsstark“ als der „strenge Buchhalter“, wenn man sich tatsächlich an einen festen Zeitplan hält. Es dauert etwas länger, um die 40 $-Schwelle zu erreichen.

3. Was die Zahlen sagen

Die Autoren führten tausende Computer-Simulationen durch, um diese Methoden zu testen:

Fester Zeitplan: Wenn Sie planen, genau 20 Mal nachzusehen, findet der „strenge Buchhalter“ (Group Sequential) die Wahrheit in etwa 86 % der Fälle. Der „flexible Wächter“ (E-Value) findet sie in etwa 72 % der Fälle. Der E-Value ist etwas langsamer, aber immer noch sehr gut.
Kontinuierliche Überwachung: Wenn Sie die Daten jedes Mal prüfen, wenn ein Patient die Studie abschließt (was für den strengen Buchhalter unmöglich ist, ohne gegen die Regeln zu verstoßen), sinkt die Leistungsfähigkeit des strengen Buchhalters auf 10 % ab (er wird zu vorsichtig, um einen Sieger zu küren). Der flexible Wächter (E-Value) bleibt stark bei 75 %.
Der „Futilitäts“-Check: Das Paper zeigt auch, wie man dies nutzt, um eine Studie vorzeitig abzubrechen, wenn das Medikament versagt. Wenn das Wettvermögen zu schrumpfen beginnt oder niedrig bleibt, wissen Sie, dass das Medikament nicht wirkt, und können die Studie stoppen, um Geld und Patienten zu sparen.

4. Die Software und die Zukunft

Die Autoren haben nicht nur Theorie geschrieben; sie haben ein kostenloses Softwarepaket namens evalinger (und eine Website) entwickelt, mit der Ärzte und Statistiker ihre eigenen Wett-Simulationen durchführen können.

Sie haben auch die „Regulatorische Landschaft“ (FDA) betrachtet. Sie stellen fest, dass die FDA die alten Methoden des „strengen Buchhalters“ liebt, aber die Tür für neue Methoden öffnet. Das Paper argumenttiert, dass E-Values gut in die neue Entwurf-Richtlinie der FDA für 2026 passen, da sie eine klare mathematische Garantie bieten, dass Sie die Ergebnisse nicht manipulieren, selbst wenn Sie Ihre Meinung darüber ändern, wann Sie in die Daten schauen.

Zusammenfassung

Betrachten Sie E-Values als ein universelles „Wahrheits-Messgerät“ für klinische Studien.

Der alte Weg: Sie müssen genau versprechen, wann Sie das Messgerät prüfen, sonst wird die Anzeige unzuverlässig.
Der neue Weg (E-Values): Sie können das Messgerät jederzeit prüfen, so oft Sie wollen, und die Anzeige ist garantiert ehrlich.

Das Paper kommt zu dem Schluss, dass E-Values zwar etwas langsamer sein mögen, um eine Heilung in einer perfekt geplanten Studie zu finden, aber sie das überlegene Werkzeug für die unordentliche, reale Welt klinischer Studien sind – eine Welt, in der Pläne sich ändern, Daten verspätet eintreffen und Sicherheitskomitees jederzeit einen Blick hineinwerfen müssen.

Technisches Resümee: E-Werte für adaptive klinische Studien

Problemstellung

Adaptive klinische Studien verlassen sich zunehmend auf Zwischenanalysen, flexible Stoppregeln und datenabhängige Designmodifikationen, um die ethische Effizienz und die operative Geschwindigkeit zu verbessern. Diese Merkmale erschweren jedoch die statistischen Garantien. Klassische frequentistische Methoden, wie etwa gruppensequenzielle Designs, erfordern einen vordefinierten Überwachungsplan und eine Alpha-Spending-Funktion zur Kontrolle des Typ-I-Fehlers; die wiederholte Inspektion von Teststatistiken mit festem Horizont ohne solche Korrekturen führt zu einer erheblichen Inflation des Fehlers. Ebenso bieten zwar Bayes'sche adaptive Designs Flexibilität durch Posteriori- und Prädiktivwahrscheinlichkeiten, doch Standard-Schwellenwertregeln (z. B. $P(\text{Effekt} > 0) > 0,975$ ) kontrollieren den frequentistischen Typ-I-Fehler unter optionalem Stoppen nicht automatisch und erfordern eine umfangreiche simulationsbasierte Kalibrierung für jedes spezifische Design.

Es besteht ein Bedarf an einer Methodik, die zu jedem Zeitpunkt gültige (anytime-valid) Inferenz bereitstellt – statistische Garantien, die unabhängig davon gültig bleiben, wann und wie oft Daten inspiziert werden, ohne dass eine feste Stichprobengröße oder eine vorab festgelegte Stoppregel erforderlich ist.

Methodik

Das Paper schlägt die Verwendung von E-Werten und E-Prozessen als praktischen Ersatz für das Zwischen-Monitoring vor.

Definitionen: Ein E-Wert ist eine nicht-negative Statistik $E$ , für die gilt: $E_{H_0}[E] \le 1$ . Ein E-Prozess ist eine Sequenz von E-Werten $(E_1, E_2, \dots)$ , die berechnet wird, während sich die Daten akkumulieren.
Die Wett-Martingal-Konstruktion: Für randomisierte kontrollierte Studien (RCTs) mit zwei Armen und binären Endpunkten nutzen die Autoren ein „Testing by Betting“-Framework (Testen durch Wetten). Ein Wetter startet mit einem Vermögen von 1 und setzt gegen die Nullhypothese ( $H_0: p_T = p_C$ ) bei jedem Patientenpaar. Der Wettanteil $\lambda$ wird basierend auf einer Design-Alternative (antizipierte Effektstärke) gewählt. Der Vermögensprozess $E_n = \prod_{i=1}^n (1 + \lambda D_i)$ , wobei $D_i$ die Differenz der Ergebnisse ist, bildet unter $H_0$ ein nicht-negatives Martingal.
Zeitunabhängige Gültigkeit (Anytime-Validity): Durch die Ville-Ungleichung gilt: Wenn $(E_t)$ ein nicht-negatives Supermartingal unter $H_0$ ist, dann ist $P_{H_0}(\sup_t E_t \ge 1/\alpha) \le \alpha$ . Dies impliziert, dass die Ablehnung von $H_0$ , wenn $E_t \ge 1/\alpha$ , den Typ-I-Fehler auf dem Niveau $\alpha$ kontrolliert – und zwar für jede Stoppzeit, ob geplant oder ungeplant.
Erweiterungen:
- Überlebens-Endpunkte (Survival Endpoints): Das Paper nutzt den „Safe Logrank Test“, der einen E-Prozess mittels einer gemischten Likelihood-Ratio über die Hazard Ratio konstruiert, was unter optionalem Stoppen eine gültige Inferenz ermöglicht.
- Futilitäts-Monitoring: Es werden zwei Mechanismen vorgeschlagen: (1) die Invertierung des E-Prozesses zur Generierung einer jederzeit gültigen Konfidenzsequenz und das Stoppen, wenn die obere Schranke unter die minimal klinisch relevante Differenz (MCID) fällt; und (2) die Konstruktion eines „reziproken“ E-Prozesses, um die umgekehrte Hypothese zu testen (dass der Effekt mindestens die MCID beträgt).
- Plattform-Studien: E-Werte unterstützen die Multiplizitätskontrolle mittels arithmetischer Mittel (für abhängige Hypothesen) oder Produkte (für unabhängige Hypothesen), was die Ermöglichung der FDR-Kontrolle (False Discovery Rate) durch Verfahren wie e-BH erlaubt.

Wesentliche Beiträge

Das Paper dient als methodischer Leitfaden für Praktiker und bietet folgende spezifische Beiträge:

Praktische Konstruktionen: Explizite Entwicklung von Wett-Martingal-E-Prozessen für Zwei-Arm-Studien mit binären und Überlebens-Endpunkten, einschließlich Anleitungen zur Wahl des „GROW-optimalen“ (Growth-Rate Optimal) Wettanteils $\lambda$ , um die Power unter einer Design-Alternative zu maximieren.
Numerischer Vergleich: Eine umfassende Simulationsstudie, die fünf Monitoring-Regeln in einer Zwei-Arm-Binär-RCT vergleicht:
- Naive wiederholte p-Werte.
- Kalibriertes gruppensequentielles Design (O'Brien–Fleming-ähnlich).
- Wett-Martingal E-Prozess.
- Naives Bayes'sches Posteriori-Schwellenwertverfahren.
- Kalibriertes Bayes'sches Posteriori-Schwellenwertverfahren (simulationsgetunt).
Erweiterte Simulationen: Analyse der Power-Lücke zwischen gruppensequentiellen und E-Wert-Methoden über variierende Monitoring-Pläne (fest, irregulär und kontinuierlich) sowie Designparameter hinweg.
Futilitäts-Framework: Implementierung und Evaluierung des Futilitäts-Monitorings via Konfidenzsequenzen und reziproker E-Prozesse.
Real-Daten-Illustration: Eine Re-Analyse der Novick (1965) Ulkus-Studie, die die Trajektorien der E-Werte gegenüber den ursprünglichen klassischen und Bayes'schen Analysen vergleicht.
Software-Implementierung: Die Veröffentlichung des evalinger R-Pakets und einer begleitenden interaktiven Shiny-Web-Applikation. Diese Tools implementieren E-Prozess-Konstruktion, GROW-optimale Kalibrierung, Echtzeit-Monitoring, Konfidenzsequenzen, Futilitätsanalyse und hybride Vergleiche mit gruppensequentiellen und Bayes'schen Methoden.

Ergebnisse

Die numerische Studie (50.000 Simulationen, 20 Zwischenblicke, $\alpha=0,025$ ) lieferte die folgenden Erkenntnisse:

Fehlerkontrolle: Naive wiederholte p-Werte und naive Bayes'sche Posteriori-Schwellenwerte (z. B. $>0,975$ ) inflierten den Typ-I-Fehler auf etwa 13–15 %. Im Gegensatz dazu kontrollierten das kalibrierte gruppensequentielle, das kalibrierte Bayes'sche und die E-Wert-Methode den Typ-I-Fehler erfolgreich (bei oder unter 2,5 %).
Power-Vergleich (Fester Zeitplan): Unter einem festen Zeitplan von 20 Looks:
- Kalibriertes Gruppensequentielles Design: 86,1 % Power.
- E-Wert (Wetten): 72,3 % Power.
- Kalibriertes Bayes'sches Verfahren: 68,8 % Power.
- Die E-Wert-Methode war konservativer als das gruppensequentielle Design, aber weniger konservativ als die kalibrierte Bayes'sche Regel in diesem spezifischen Design.
Sensitivität des Monitoring-Plans: Die Power-Lücke hängt stark vom Monitoring-Plan ab. Unter kontinuierlichem Monitoring (jedes Patientenpaar) kollabierte die Power des gruppensequentiellen Designs auf 10 % (aufgrund der Notwendigkeit extremer Konservativität zur Aufrechterhaltung des Typ-I-Fehlers), während die E-Wert-Power auf 75 % stieg. Unter irregulären Plänen behielten E-Werte eine stabile Power ohne Rekalibrierung bei, während gruppensequentielle Grenzen eine Rekalibrierung für jeden realisierten Plan erforderten.
Parametersensitivität: Die Power-Lücke zwischen E-Werten und gruppensequentiellen Methoden verringerte sich bei großen Effektstärken (z. B. 2 % Differenz bei $\delta=0,20$ ), vergrößerte sich jedoch bei kleinen Effekten bei moderaten Baseraten (bis zu 29 % Differenz bei $\delta=0,10$ ).
Futilität: Der reziproke E-Prozess war sensitiver bei der Detektion von Futilität (53,5 % Detektionsrate) im Vergleich zum Konfidenzsequenz-Ansatz (14,2 %) in einem Szenario mit einem subklinischen Effekt.
Real-Daten (Novick 1965): Der E-Prozess akkumulierte Evidenz ( $E \approx 15,3$ ), überschritt jedoch nicht den Ablehnungsschwellenwert ( $E \ge 40$ ), was mit der ursprünglichen klassischen sequentiellen Analyse übereinstimmte, die keinen signifikanten Unterschied fand. Dies stand im Kontrast zur ursprünglichen Bayes'schen Analyse, die eine Posteriori-Credibility von 0,98 berichtete, was den „Preis der zeitunabhängigen Gültigkeit“ verdeutlicht: E-Werte erfordern stärkere Evidenz zur Ablehnung unter optionalem Stoppen.

Bedeutung und Ansprüche

Das Paper positioniert E-Werte als einen prinzipienbasierten Rahmen für jederzeit gültige Inferenz, der den operativen Realitäten moderner adaptiver Studien gerecht wird.

Regulatorischer Kontext: Die Autoren ordnen die Methodik in den Kontext der Januar 2026 FDA-Entwurfsrichtlinie zu Bayes'schen Methoden ein. Sie argumentieren, dass E-Werte natürlich auf den Pfad der „Typ-I-Fehler-Kalibrierung“ der Richtlinie passen und eine analytische Garantie der Fehlerkontrolle bieten, die den umfangreichen Simulationsaufwand für Posteriori-Schwellenwert-Ansätze vermeidet. Sie schlagen zudem vor, dass E-Werte als „frequentistische Sicherheitsebene“ oder evidenzbasiertes Register neben Bayes'schen Entscheidungsregeln dienen können.
Praktischer Nutzen: Das Paper behauptet, dass E-Werte am besten geeignet sind, wenn:
- Zwischenblicke irregulär, opportunistisch oder kontinuierlich erfolgen.
- Eine optionale Fortsetzung (Verlängerung einer Studie über den geplanten Horizont hinaus) eine realistische Möglichkeit ist.
- Eine prüfbare, zeitunabhängige Gültigkeitsgarantie eine primäre Anforderung ist.
Einschränkungen: Die Autoren räumen ein, dass E-Werte kein universeller Ersatz sind. Sie stellen fest, dass eine Power-Einbuße gegenüber optimal kalibrierten gruppensequentiellen Designs besteht, wenn der Monitoring-Plan feststeht und bekannt ist. Zudem weisen sie darauf hin, dass die Konstruktion leistungsstarker E-Prozesse für komplexe Endpunkte (z. B. nicht-proportionale Hazards) ein Forschungsgebiet bleibt und die Methodik eine sorgfältige Abstimmung des Wettanteils erfordert, um eine Unterpowering zu vermeiden.

Zusammenfassend plädiert das Paper für einen hybriden Ansatz: die Nutzung von Bayes'schen Prädiktivwahrscheinlichkeiten für operative Entscheidungen, gruppensequentieller Grenzen für die power-optimierte konfirmatorische Analyse bei vorab geplanten Looks und E-Prozesse als robustes, jederzeit gültiges Evidenzregister, das unabhängig von der Häufigkeit oder Änderung des Monitoring-Schemas gültig bleibt.