📊 statistics

Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

Dieses Paper schlägt einen neuartigen Schätzer für die kumulative Inzidenzfunktion für Biobank-Studien vor, der bestehende Methoden verbessert, indem er sowohl Prävalenz- als auch Inzidenzfälle berücksichtigt und dadurch eine genaue Inzidenzschätzung für Krankheiten mit frühem Beginn und langer Überlebensdauer ermöglicht, wie durch theoretische Analysen, Simulationen und eine Anwendung auf UK Biobank Krebsdaten nachgewiesen wurde.

Ursprüngliche Autoren: David M. Zucker, Malka Gorfine

Veröffentlicht 2026-06-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: David M. Zucker, Malka Gorfine

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

Das große Ganze: Krankheiten in einer „Schnappschuss“-Welt zählen

Stellen Sie sich vor, Sie versuchen zu zählen, wie viele Menschen in einer Stadt im Laufe ihres gesamten Lebens an einer bestimmten Krankheit (wie Brustkrebs) erkranken. In den alten Zeiten wählten Forscher eine Gruppe gesunder Menschen aus, warteten darauf, dass sie krank wurden, und beobachteten dann, was geschah. Das ist so, als würde man am Start eines Rennens stehen und alle beim Laufen beobachten.

Moderne „Biobanken“ (riesige Datenbanken mit Gesundheitsdaten) funktionieren jedoch anders. Sie starten kein Rennen; sie machen einen Schnappschuss einer Menge, die bereits eine lange Zeit gelaufen ist.

Der Aufbau: Menschen werden nur zugelassen, wenn sie sich in einem bestimmten Alter befinden (z. B. zwischen 40 und 69 Jahren).
Das Problem: Zu dem Zeitpunkt, an dem diese Menschen der Studie beitreten, sind einige von ihnen bereits krank geworden (diese nennt man Prävalenzfälle). Einige werden erst krank, nachdem sie der Studie beigetreten sind (dies sind Inzidenzfälle). Einige werden krank und sterben schnell. Einige werden krank und leben noch Jahrzehnte lang weiter. Einige werden nie krank.

Die Autoren des Papers, Zucker und Gorfine, versuchen, eine bessere „mathematische Kamera“ zu bauen, um das wahre Risiko, an dieser Krankheit zu erkranken, unter Verwendung all dieser unordentlichen Daten aus diesen Schnappschüssen zu schätzen.

Die drei alten Kameras (und warum sie unscharf waren)

Um ihre neue Erfindung zu verstehen, müssen wir zuerst sehen, warum die alten Wege, die Daten zu betrachten, fehlerhaft waren.

1. Die „Aalen-Johansen“-Kamera (Der strenge Türsteher)

Wie sie funktioniert: Diese Methode zählt nur Menschen, die nach ihrem Eintritt in die Studie krank werden. Sie ignoriert völlig jeden, der schon krank war, als er durch die Tür trat.
Der Fehler: Es ist wie ein Lehrer, der eine Prüfung bewertet, aber die Antworten jedes Schülers verweigert, der zu spät gekommen ist, selbst wenn diese die richtigen Antworten hatten.
Das Ergebnis: Sie verpasst einen riesigen Teil der Daten (die „Prävalenzfälle“). Zudem kann sie das Risiko, mit 30 krank zu werden, nicht bestimmen, da zum Zeitpunkt des Studienbeginns niemand in der Studie 30 Jahre alt war. Sie wirft wertvolle Informationen weg.

2. Die „GZS“-Kamera (Der „Nur-Tod“-Filter)

Wie sie funktioniert: Diese Methode versucht, die Menschen einzubeziehen, die schon krank waren, als sie beitraten. Sie hat jedoch eine strenge Regel: Sie zählt eine kranke Person nur dann, wenn diese während der Studienzeit verstorben ist. Wenn eine Person krank wurde und am Ende der Studie noch lebt, ignoriert diese Kamera sie.
Der Fehler: Das funktioniert hervorragend bei Krankheiten, die schnell töten (wie eine schnell verlaufende Grippe). Aber bei Krankheiten wie Brustkrebs, bei denen Menschen oft 20 oder 30 Jahre nach der Diagnose weiterleben, ist diese Kamera blind.
Die Analogie: Stellen Sie sich vor, Sie versuchen zu zählen, wie viele Menschen ein bestimmtes Auto gekauft haben, indem Sie nur nach den Menschen suchen, deren Autos abgestürzt sind. Wenn die meisten Menschen ihre Autos 20 Jahre lang fahren, ohne zu verunfallen, werden Sie die Anzahl der Autokäufer massiv unterschätzen.
Das Ergebnis: In den Daten der UK Biobank (die auch Brustkrebs umfasst) hat diese Methode das Risiko erheblich unterschätzt, weil sie alle Überlebenden ignoriert hat.

3. Die „Vorgeschlagene“ Kamera (Das neue, alles sehende Objektiv)

Wie sie funktioniert: Die Autoren haben ein neues mathematisches Werkzeug gebaut, das jeden zählt.
- Es zählt Menschen, die schon vor dem Beitritt krank waren.
- Es zählt Menschen, die nach dem Beitritt krank wurden.
- Es zählt Menschen, die nach ihrer Erkrankung verstorben sind.
- Entscheidend: Es zählt Menschen, die krank wurden und am Ende der Studie noch am Leben sind.
Die Magie: Es verwendet ein kluges Gewichtungssystem, um die Daten auszubalancieren. Es erkennt, dass eine gesunde 40-Jährige „wahrscheinlicher“ bis zum Alter von 40 überlebt hat als eine kranke Person, die mit 30 starb. Es passt die Mathematik an, um diese Unterschiede zu berücksichtigen, ohne jemanden auszuschließen.

Warum das wichtig ist: Das „Brustkrebs“-Beispiel

Das Paper testete diese neue Kamera an echten Daten aus der UK Biobank, speziell im Hinblick auf Brustkrebs.

Die Situation: Brustkrebs tritt oft früh auf, und Frauen leben nach der Diagnose oft noch lange Zeit weiter.
Die alten Ergebnisse:
- Der „strenge Türsteher“ (Aalen-Johansen) lieferte eine vernünftige Antwort, hatte aber sehr breite „Fehlermargen“ (wie ein unscharfes Foto), weil er die Hälfte der Kranken ignorierte.
- Der „Nur-Tod“-Filter (GZS) lieferte eine sehr niedrige, falsche Antwort, weil er alle Frauen ignorierte, die noch am Leben waren.
Das neue Ergebnis:
- Die neue Methode lieferte ein Ergebnis, das dem des „strengen Türstehers“ sehr ähnlich war (was bedeutet, dass es genau war).
- Aber, da sie alle Daten nutzte (einschließlich der Überlebenden und der bereits Kranken), war die „Fehlermarge“ nur halb so groß.
- Die Analogie: Es ist wie das Aufnehmen eines Fotos mit einem hochauflösenden Objektiv anstelle eines unscharfen. Man sieht dieselbe Szene, aber die Details sind viel schärfer und man ist sich seiner Sache viel sicherer.

Das Fazit

Die Autoren haben ein statistisches Werkzeug geschaffen, das eine große blinde Stelle in der medizinischen Forschung behebt.

Es nutzt alles: Es wirft weder Menschen weg, die bereits krank waren, noch Menschen, die noch am Leben sind.
Es ist genauer: Es funktioniert gut selbst bei Krankheiten, bei denen Menschen nach der Diagnose lange leben (wie bei vielen Krebsarten).
Es ist effizienter: Es liefert ein klareres, präziseres Bild des Krankheitsrisikos unter Verwendung derselben Datenmenge und verdoppelt damit effektiv die „Power“ der Studie.

Kurz gesagt: Sie haben einen Weg gefunden, aufzuhören, die Hälfte der Puzzleteile wegzuwerfen, sodass Wissenschaftler das vollständige Bild des Krankheitsrisikos viel klarer sehen können.

Technische Zusammenfassung: Effiziente Schätzung der kumulativen Inzidenz in Biobank-Studien

Problemstellung
Die vorliegende Arbeit befasst sich mit der Herausforderung, die kumulative Inzidenzfunktion (Cumulative Incidence Function, CIF) für eine spezifische Erkrankung unter Verwendung von populationsbasierten Biobank-Daten zu schätzen. Biobank-Studien rekrutieren Probanden typischerweise innerhalb eines spezifischen Altersfensters $[R_L, R_U]$ (z. B. Alter 40–69 im UK Biobank) und verfolgen diese prospektiv. Dieses Design führt zwei kritische statistische Komplexitäten ein:

Linke Trunkierung (Left Truncation): Individuen werden nur beobachtet, wenn sie ihr Rekrutierungsalter $R_i$ überleben. Folglich muss die Inzidenz bedingt durch das Überleben bis $R_L$ geschätzt werden, bezeichnet als $G_1(t | T_2 > R_L)$ .
Prävalente vs. inzidente Fälle: Die Daten enthalten sowohl „prävalente Fälle“ (Individuen, die vor der Rekrutierung diagnostiziert wurden) als auch „inzidente Fälle“ (diagnostiziert nach der Rekrutierung). Darüber hinaus ist die Erkrankung nicht terminal; Individuen können nach der Diagnose versterben oder am Ende des Follow-up-Zeitraums noch leben.

Bestehende Methoden können die Kombination dieser Faktoren nicht effizient handhaben. Der Standard-Aalen-Johansen-Schätzer (AJ), der die linke Trunkierung berücksichtigt, schließt prävalente Fälle aus und schätzt effektiv ein anderes Ziel: die CIF bedingt durch die Krankheitsfreiheit bei Rekrutierung ( $G_1(t | T_1 > R_L, T_2 > R_L)$ ). Inverse-Probability-Weighting-Methoden (IPW), wie sie von Chang und Tzeng (2006), Vakulenko-Lagun et al. (2017) und Gorfine et al. (2025) (GZS) beschrieben werden, versuchen zwar, prävalente Fälle einzubeziehen, leiden jedoch unter erheblichen Einschränkungen. Insbesondere weist der GZS-Schätzer nur dann eine positive Masse zu Krankheitsfällen zu, wenn das Individuum während des Follow-up-Zeitraums verstorben ist. Dies führt zu einer erheblichen Verzerrung (Bias) und Ineffizienz in Szenarien, in denen das Überleben nach dem Krankheitsbeginn lang ist (ein häufiges Merkenz bei Krankheiten wie Brustkrebs), da viele prävalente und inzidente Fälle am Ende der Studie noch am Leben sind und somit durch die GZS-Methode verworfen werden.

Methodik
Die Autoren schlagen einen neuartigen, vollkommen nichtparametrischen CIF-Schätzer vor, bezeichnet als $\hat{G}_1(t^*_1)$ , der darauf ausgelegt ist, alle beobachteten Krankheitsfälle zu berücksichtigen (sowohl prävalente als auch inzidente Fälle), unabhängig davon, ob das Individuum während der Studie verstarb oder bis zum Ende der Beobachtung überlebte.

Der Schätzer wird innerhalb des Illness-Death-Modells (semi-kompetitive Risiken) konstruiert, wobei Übergänge von gesund (0) zu erkrankt (1) und von erkrankt (1) zu verstorben (2) oder direkt von gesund (0) zu verstorben (2) stattfinden. Der Kern der vorgeschlagenen Methode ist ein Gewichtungsschema, das aus der bedingten gemeinschaftlichen Dichte der Daten abgeleitet wird. Der Schätzer hat die Form:
$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$
wobei $\delta_{1i}$ den Krankheitsbeginn anzeigt, $V_{1i}$ die beobachtete Zeit des ersten Ereignisses (Diagnose oder Tod) ist und $\hat{Q}$ eine datengesteuerte Gewichtungsfunktion darstellt.

Um Konsistenz zu gewährleisten, wird $\hat{Q}$ als Invers einer geschätzten Funktion $\hat{B}(V_{1i})$ gewählt, welche Folgendes berücksichtigt:

Die Verteilung der Rekrutierungsalter bedingt das Überleben ( $f_{R|R \le T_2}$ ).
Die Überlebensfunktion des Todes ( $S_{T_2}$ ).
Das bedingte Überleben des Todes gegeben den Krankheitsbeginn ( $S_{T_2|T_1}$ ).
Die Verteilung der Zeit von der Rekrutierung bis zur Zensierung ( $S_W$ ).

Die bedingte Überlebensfunktion $S_{T_2|T_1}$ wird mittels eines kernbasierten nichtparametrischen Regressionsansatzes (Nelson-Aalen-Version des Beran-Schätzers) geschätzt. Die Bandbreite des Kernels wird über ein $K$ -Fold-Kreuzvalidierungsverfahren basierend auf Martingal-Residuen ausgewählt.

Zentrale Beiträge

Neuartiger Schätzer: Die Arbeit führt den ersten vollkommen nichtparametrischen und konsistenten CIF-Schätzer im Illness-Death-Modell ein, der alle Krankheitsfälle nutzt, einschließlich prävalenter Fälle und jener, die die Studie überleben.
Theoretische Eigenschaften: Die Autoren belegen die Konsistenz und asymptotische Normalität des vorgeschlagenen Schätzers. Sie liefern explizite Formeln für die Einflussfunktion, was die Konstruktion von punktweisen Konfidenzintervallen und simultanen Konfidenzbändern ermöglicht.
Effizienzgewinne: Durch die Einbeziehung von Daten, die bisherige Methoden verwerfen (insbesondere prävalente Fälle und Langzeitüberlebende), erreicht die neue Methode eine wesentlich höhere Effizienz, was sich in schmaleren Konfidenzintervallen äußert.
Software-Implementierung: Ein R-Paket, illdthCIF1, wird bereitgestellt, um den vorgeschlagenen Schätzer zu implementieren.

Ergebnisse

Simulationsstudie: Die Autoren führten umfangreiche Simulationen in verschiedenen Szenarien durch, die unterschiedliche Verteilungen für Krankheitsbeginn, Tod und Zensierung beinhalteten.
- In Szenarien mit kurzem Follow-up relativ zum Überleben nach der Diagnose (in denen viele Patienten am Leben bleiben) wies der GZS-Schätzer eine ernsthafte Verzerrung auf und unterschätzte die CIF. Der vorgeschlagene Schätzer blieb weitgehend unverzerrt, mit nur geringfügiger Verzerrung in spezifischen Konfigurationen, die mit der Stichprobengröße abnahm.
- In Szenarien mit langem Follow-up war der GZS-Schätzer unverzerrt, aber der vorgeschlagene Schätzer zeigte eine geringere Standardabweichung (höhere Effizienz).
- Die vorgeschlagene Methode lieferte in den meisten Szenarien eine zufriedenstellende Abdeckung (Coverage) sowohl für punktweise Konfidenzintervalle als auch für simultane Konfidenzbänder.
Anwendung auf die UK Biobank: Die Methode wurde auf Brustkrebs- und andere Krebsdaten aus der UK Biobank angewendet (ca. 250.000 weibliche Teilnehmer).
- Bei Brustkrebs, wo das Überleben nach der Diagnose oft lang ist, unterschätzte der GZS-Schätzer die CIF systematisch im Vergleich zu den AJ- und den vorgeschlagenen Methoden.
- Der vorgeschlagene Schätzer und der AJ-Schätzer lieferten ähnliche Punktschätzungen für Brustkrebs, aber die vorgeschlagene Methode lieferte signifikant schmalere Konfidenzbänder. Konkret wurde die durchschnittliche Breite des 95%-Konfidenzbandes für Brustkrebs von 0,0068 (AJ) auf 0,0035 (vorgeschlagen) reduziert, was einem nahezu zweifachen Effizienzgewinn entspricht.
- Für Krebsarten mit kürzerem Überleben nach der Diagnose (z. B. Lungen-, Leukämie-Krebs) lieferten alle drei Methoden ähnliche Schätzungen, da die Todesfälle vollständiger beobachtet wurden.

Bedeutung
Die Arbeit behauptet, dass ihre primäre Bedeutung darin liegt, eine methodische Lücke in der Biobank-Analyse zu schließen. Während Biobanken eine beispiellose Leistungsfähigkeit für die Untersuchung seltener Krankheiten und Langzeit-Endpunkte bieten, werfen Standard-Schätzer entweder wertvolle prävalente Daten weg (AJ) oder berücksichtigen das lange Überleben nach der Diagnose nicht ausreichend (GZS). Die vorgeschlagene Methode ermöglicht die effiziente und konsistente Schätzung der Krankheitsinzidenz bedingt durch das Überleben bei Rekrutierung, indem sie das gesamte Spektrum der verfügbaren Daten nutzt. Dies ist besonders entscheidend für Krankheiten wie Brustkrebs, bei denen das Ignorieren prävalenter Fälle oder Langzeitüberlebender zu verzerrten oder ineffizienten Schätzungen führt. Die Autoren betonen, dass ihr Ansatz die Schätzung mit dem wahren konditionalen Estimand von Biobank-Studien in Einklang bringt und gleichzeitig die statistische Effizienz maximiert.