Regressionsmodelle in der medizinischen Forschung erklärt

Veröffentlicht am 20. Juni 2026 | Letzte Aktualisierung: 10. August 2026

Eine Studienkoordinatorin hat die Dateneingabe von 400 postoperativen Patienten abgeschlossen und steht vor einer praktischen Frage: Welche der fünfzehn zu Studienbeginn erfassten Variablen sagen tatsächlich voraus, wer erneut stationär aufgenommen wird, wer Komplikationen entwickelt oder wer fünf Jahre nach der Diagnose überlebt? Regressionsmodelle in der medizinischen Forschung beantworten genau diese Frage. Sie schätzen den Zusammenhang zwischen einem oder mehreren Prädiktoren und einem Ergebnis, während die anderen Prädiktoren konstant gehalten werden. So trennen sie ein relevantes Signal von irrelevanten Daten, die bei einem einfachen Vergleich zweier Gruppen völlig übersehen würden.

Vier Familien dieser Modelle decken den Großteil der heute in klinischen Fachzeitschriften veröffentlichten Daten ab. Jede dieser Familien existiert, weil unterschiedliche Ergebnisparameter jeweils eigene mathematische Verfahren erfordern. Blutdruck und andere kontinuierliche Werte werden mittels linearer Regression analysiert. Ereignisse wie die 30-Tage-Mortalität erfordern eine logistische Regression. Zählwerte wie die Anzahl der Stürze in einem Pflegeheim benötigen eine Poisson- oder negative Binomialregression, und Zeit-bis-Ereignis-Parameter wie das rezidivfreie Überleben erfordern eine Cox-Regression. Dieser Leitfaden erläutert alle vier Familien, geht darauf ein, wie viele Prädiktoren ein Datensatz tatsächlich unterstützen kann, und schließt mit den Erwartungen der Gutachter an die Berichterstattung zu jedem Modell.

Was leisten Regressionsmodelle in der medizinischen Forschung?

Jedes Regressionsmodell teilt Variablen in zwei Rollen auf: eine Zielvariable und eine Reihe von Prädiktoren. Die Zielvariable wird als abhängige Variable bezeichnet – das, was eine Studie erklären oder vorhersagen möchte, beispielsweise eine Wiedereinweisung ins Krankenhaus oder den systolischen Blutdruck. Alter, Behandlungsgruppe und Ausgangskreatininwert werden stattdessen zu Prädiktoren, auch unabhängige Variablen oder Kovariaten genannt – Faktoren, die die Zielvariable beeinflussen können. Ein Modell schätzt für jeden Prädiktor einen Koeffizienten, der dessen Beziehung zur Zielvariable beschreibt, während die anderen Prädiktoren in der Gleichung konstant gehalten werden.

Dieser letzte Punkt ist der Hauptgrund, warum klinische Forscher Regressionsanalysen anstelle einfacher t-Tests oder Chi-Quadrat-Tests verwenden. Ein t-Test kann zwar zeigen, dass sich eine Behandlungsgruppe und eine Kontrollgruppe hinsichtlich des Behandlungsergebnisses unterscheiden. Er kann jedoch nicht aufzeigen, ob dieser Unterschied auch dann noch besteht, wenn Alter, Geschlecht, Schweregrad der Erkrankung und Anzahl der Begleiterkrankungen berücksichtigt werden. Regressionsanalysen hingegen können dies, weshalb sie den meisten adjustierten Analysen, Risikorechnern und Prognosemodellen in medizinischen Fachzeitschriften zugrunde liegen. Die Auswahl des geeigneten statistischen Tests für eine bestimmte Forschungsfrage beginnt mit der Bestimmung des Ergebnistyps. Diese Klassifizierung bestimmt dann, welche Regressionsanalyse angewendet wird.

Sechs in der medizinischen Forschung verwendete Regressionsmodelle im Überblick

Die folgenden sechs Modelle decken die überwiegende Mehrheit der in klinischen und epidemiologischen Fachzeitschriften veröffentlichten Regressionsanalysen ab. Jedes Modell ist mit dem jeweiligen Ergebnistyp und der Annahme, die in der Praxis am ehesten verletzt wird, verknüpft.

Lineare Regression für kontinuierliche Zielgrößen

Die lineare Regression stellt einen linearen Zusammenhang zwischen einem oder mehreren Prädiktoren und einer kontinuierlichen Zielgröße dar. Jeder Koeffizient repräsentiert die erwartete Veränderung der Zielgröße bei einer Erhöhung des jeweiligen Prädiktors um eine Einheit, wobei alle anderen Modellvariablen konstant gehalten werden. Ein Koeffizient von 2.3 für das Alter in einem Modell zur Vorhersage des systolischen Blutdrucks bedeutet, dass das Modell für jedes zusätzliche Lebensjahr einen um 2.3 mmHg höheren Wert erwartet, vorausgesetzt, alle anderen einbezogenen Variablen bleiben gleich.

Diese Methode basiert auf vier Annahmen, die sich mithilfe eines Residuenplots direkt überprüfen lassen. Prädiktoren und Ergebnis müssen in einem linearen, nicht in einem gekrümmten Zusammenhang stehen; die Beobachtungen müssen voneinander unabhängig sein; die Residuen müssen annähernd normalverteilt sein, und ihre Streuung muss über den gesamten Bereich der angepassten Werte annähernd konstant bleiben. Eine 2020 in Scientific Reports veröffentlichte Analyse, die auf der NIH Osteoarthritis Initiative-Kohorte basiert, veranschaulicht, wie lineare und logistische Regression häufig parallel in derselben Studie eingesetzt werden. Forscher testeten 19 potenzielle Biomarker anhand radiologischer und klinischer Merkmale der Kniearthrose und stellten fest, dass sich nur vier – Serum-Kollagen-1-NO2, CS846, COMP und Harn-CTXII – nach Berücksichtigung etablierter Risikofaktoren als unabhängige Prädiktoren erwiesen. Dies gilt für eine Erkrankung, von der weltweit mehr als 500 Millionen Menschen betroffen sind.

Logistische Regression für binäre Ergebnisse

Die logistische Regression analysiert Ergebnisse mit zwei möglichen Zuständen: das Auftreten oder Nichtauftreten einer Komplikation, ein positives oder negatives Testergebnis oder das Überleben oder Versterben eines Patienten. Anstatt das Ergebnis direkt zu modellieren, wird der Logarithmus der Wahrscheinlichkeit (logarithmierte Odds) als lineare Funktion der Prädiktoren modelliert. Dadurch bleibt die vorhergesagte Wahrscheinlichkeit unabhängig von den Extremwerten der Prädiktoren zwischen 0 und 1 begrenzt. Durch Exponentiation eines Koeffizienten wird dieser in eine Odds Ratio umgewandelt – die übliche Darstellungsform für Ergebnisse der logistischen Regression in klinischen Publikationen.

Die meisten veröffentlichten Artikel behandeln ein logistisches Modell als Routine, sobald es fehlerfrei läuft. Doch für eine korrekte Anwendung ist mehr Sorgfalt erforderlich. Eine 2017 in der Fachzeitschrift „Medicine“ durchgeführte Überprüfung analysierte 316 Artikel aus fünf hochrangigen chinesischen Fachzeitschriften, die zwischen 2010 und 2015 erschienen waren und multivariate logistische Regression verwendeten. Jeder Artikel wurde anhand von zwölf etablierten Berichts- und Methodenkriterien bewertet. Die Ergebnisse waren durchweg niedrig, mit einem Median von 5 von 12 Punkten. 85.1 % der Artikel erreichten weniger als 6 Punkte. Dies bedeutet, dass die meisten veröffentlichten Modelle grundlegende Mängel aufwiesen, wie beispielsweise die Angabe der Variablenauswahl oder die Überprüfung der Modellgüte. Fallstudien zur logistischen Regression, die die Interpretation von Odds Ratios und die Auswertung von ROC-Kurven behandeln, gehen detaillierter darauf ein, wie diese Ergebnisse nach der Modellanpassung interpretiert und validiert werden können. Die Kombination eines logistischen Modells mit den richtigen Berechnungen von Sensitivität, Spezifität und prädiktivem Wert macht aus einer Reihe von Odds Ratios ein brauchbares Diagnose- oder Prognoseinstrument.

Poisson- und negative Binomialregression für Zählergebnisse

Zählbare Ereignisse wie die Anzahl der Stürze eines Patienten pro Jahr, die Anzahl der im Krankenhaus erworbenen Infektionen auf einer Station oder die Anzahl der Notfallbesuche nach der Entlassung lassen sich weder mit linearer noch mit logistischer Regression ohne Weiteres erfassen. Die Poisson-Regression ist der Standardansatz, da sie den Logarithmus der erwarteten Häufigkeit als Funktion der Prädiktoren modelliert und die Ergebnisse als Inzidenzratenverhältnisse darstellt. Die Poisson-Regression basiert auf einer Annahme, die in realen klinischen Daten häufig nicht zutrifft: die Annahme, dass die Varianz der Häufigkeiten gleich dem Mittelwert ist – eine Eigenschaft, die als Äquidispersion bezeichnet wird.

Reale medizinische Daten sind fast immer überdispers, d. h. sie weisen eine größere Streuung auf, als ein Poisson-Modell erwartet. Eine gegenteilige Annahme führt zu zu kleinen Standardfehlern und überhöhten p-Werten. Ein 2022 in BMC Medical Research Methodology veröffentlichter Vergleich untersuchte Poisson-, negative Binomial- und Zero-Inflated-Varianten beider Modelle anhand von Daten zur Verweildauer in Krankenhäusern aus der MIMIC-Intensivpflegedatenbank. Einfache Poisson- und Zero-Inflated-Poisson-Modelle passten schlecht zu den überdispersen Verweildauerdaten, während das negative Binomialmodell die beste Gesamtanpassung lieferte und die überhöhte Signifikanz vermied, die durch die Annahme von Äquidispersion auf nicht zutreffende Daten entsteht. Bei Zählvariablen ist die Prüfung der Varianz im Verhältnis zum Mittelwert vor der Wahl zwischen Poisson- und negativer Binomialverteilung unerlässlich.

Cox-Regressionsmodell mit proportionalen Risiken für Zeit-bis-Ereignis-Ergebnisse

Zeit-bis-Ereignis-Ergebnisse erfordern eine vierte Kategorie, da sie zwei Informationen gleichzeitig umfassen: ob ein Ereignis eingetreten ist und wie lange es gedauert hat. Hinzu kommt die Komplikation, dass einige Patienten die Studie vor dem Ereigniseintritt oder vor dem Ende der Nachbeobachtung verlassen (Zensierung). Das Cox-Regressionsmodell mit proportionalen Risiken beschreibt das Risiko – das momentane Ereignisrisiko zu einem bestimmten Zeitpunkt – als Funktion der Prädiktoren, ohne Annahmen über den Verlauf der Überlebenskurve selbst treffen zu müssen. Die Koeffizienten werden als Hazard-Ratios angegeben, und die zentrale Annahme des Modells ist, dass das Verhältnis der Risiken zwischen je zwei Gruppen über den gesamten Nachbeobachtungszeitraum konstant bleibt.

Eine Phase-3-Studie, die in 33 japanischen Krankenhäusern durchgeführt wurde, veranschaulicht die praktische Anwendung eines aus einem Cox-Modell abgeleiteten Hazard-Ratios. In der JASPAC-01-Studie wurden 385 Patienten mit reseziertem Pankreaskarzinom randomisiert entweder mit adjuvantem Gemcitabin oder mit S-1 behandelt. Ein Cox-Modell schätzte das Mortalitäts-Hazard-Ratio für S-1 im Vergleich zu Gemcitabin auf 0.57 (95%-Konfidenzintervall: 0.44–0.72). Dies entspricht einem um etwa 43 % geringeren Sterberisiko zu jedem Zeitpunkt der Nachbeobachtung für Patienten unter S-1, was mit dem 5-Jahres-Gesamtüberleben von 44.1 % in der S-1-Gruppe gegenüber 24.4 % unter Gemcitabin übereinstimmt. Die Cox-Proportional-Hazards-Modellierung, einschließlich der Interaktion von Hazardfunktionen und Kovariablen , sowie die Grundlagen der Überlebenszeitanalyse für die klinische Forschung bauen direkt auf den hier zusammengefassten Mechanismen auf.

Ordinale und multinomiale Regression für Ergebnisse mit mehr als zwei Kategorien

Manche Ergebnisse lassen sich nicht eindeutig in eine Ja/Nein-Kategorie einteilen. Die Schmerzintensität (keine, leichte, mittelstarke oder starke Schmerzen) ist ordinal skaliert, d. h. die Kategorien haben eine natürliche Reihenfolge. Auch das Ansprechen auf die Behandlung (vollständiges, partielles oder kein Ansprechen) ohne numerische Skala ist ordinal. Das Ansprechen auf eine von drei unabhängigen Behandlungsoptionen ohne inhärente Rangfolge ist hingegen nominal, was eine multinomiale anstelle einer ordinalen logistischen Regression erfordert.

Die ordinale logistische Regression, meist als proportionales Odds-Modell angewendet, setzt voraus, dass der Zusammenhang zwischen jedem Prädiktor und der Wahrscheinlichkeit eines Aufstiegs in eine höhere Kategorie unabhängig vom überschrittenen Schwellenwert gleich ist – eine Annahme, die überprüft werden sollte, anstatt sie einfach zu akzeptieren. Die multinomiale logistische Regression verzichtet auf diese Voraussetzung und schätzt stattdessen für jede Kategorie im Vergleich zu einer Referenzkategorie separate Odds Ratios. Dies erfordert jedoch eine größere Stichprobe, um alle Parameter präzise zu schätzen. Die Reduzierung eines ordinalen Ergebnisses auf ein binäres, um die Unterscheidung zwischen „mittelgradig oder schlechter“ und „leicht oder gar nicht“ zu umgehen, ist in der Praxis üblich, führt aber zum Verlust von Informationen, die die ursprüngliche Skala erfassen sollte.

Wie viele Prädiktoren kann Ihr Regressionsmodell unterstützen?

Ein Datensatz unterstützt keine unbegrenzte Anzahl von Prädiktoren, egal wie groß die Stichprobe auch erscheinen mag. Für logistische und Cox-Modelle gilt seit Langem die Faustregel, dass pro Prädiktorvariable mindestens 10 Ereignisse (nicht 10 Probanden) erforderlich sind. Ein Ereignis bezeichnet dabei einen Todesfall, eine Komplikation oder das jeweilige Ergebnis. Diese Regel geht auf eine Monte-Carlo-Simulation aus dem Jahr 1996 zurück, die auf einer realen Herzstudie mit 673 Patienten, 252 Todesfällen und sieben potenziellen Prädiktoren basierte. Das Verhältnis von Ereignissen zu Variablen betrug in der Gesamtstichprobe 36. Durch Resampling dieses Datensatzes auf Verhältnisse bis hinunter zu 2 Ereignissen pro Variable stellten die Forscher fest, dass unterhalb eines EPV von etwa 10 die Koeffizienten in beide Richtungen verzerrt wurden, die Konfidenzintervalle den wahren Wert nicht mehr mit der angegebenen Wahrscheinlichkeit abdeckten und statistisch signifikante, aber in die falsche Richtung weisende Assoziationen häufiger auftraten als erwartet.

Moderne Leitlinien gehen weit über ein einzelnes Verhältnis hinaus. Eine 2019 in „Statistics in Medicine“ veröffentlichte Methodenstudie schlug vier numerische Zielwerte für die Stichprobengröße bei Vorhersagemodellen für kontinuierliche Zielgrößen vor: Die Reduktion der Prädiktoreffekte darf maximal einen Faktor von 0.9 betragen, die Differenz zwischen dem scheinbaren und dem optimismuskorrigierten R² des Modells muss unter 0.05 liegen und die Fehlermarge muss sowohl für die Standardabweichung des Residuums als auch für den vorhergesagten Mittelwert unter 10 % liegen. In einem Beispiel zur Vorhersage der Lungenfunktion bei afroamerikanischen Frauen anhand von 25 Prädiktorparametern waren zur Erfüllung aller vier Kriterien mindestens 918 Probandinnen erforderlich, was etwa 37 Probandinnen pro Prädiktorparameter entspricht – deutlich mehr, als eine einfache EPV-Schätzung ergeben hätte. Erweiterungen dieser Vier-Kriterien-Logik umfassen nun auch binäre, ereignisbezogene und multinomiale Zielgrößen. Nur eine a-priori- Poweranalyse und Stichprobenberechnung vor Beginn der Datenerhebung kann sicherstellen, ob eine geplante Studie innerhalb dieser Schwellenwerte liegt.

Überprüfung, ob die Annahmen Ihres Regressionsmodells zutreffen

Das Anpassen eines Regressionsmodells und das Ablesen der Koeffizienten ohne Überprüfung der zugrunde liegenden Annahmen ist eine der häufigsten Ursachen für Fehler in veröffentlichten Analysen. Multikollinearität, bei der zwei oder mehr Prädiktoren überlappende Informationen liefern, führt zu erhöhten Standardfehlern und instabilen Einzelkoeffizienten, selbst wenn das Modell insgesamt gut passt. Ein Varianzinflationsfaktor (VIF) über 5 oder 10 für einen beliebigen Prädiktor ist üblicherweise der Anlass, die Variablenliste zu überdenken. Multivariable Regressionsansätze zur Kontrolle von Störfaktoren in klinischen Studien erfordern, dass diese Art von Diagnosearbeit vor der Interpretation der Ergebnisse durchgeführt wird, nicht erst danach.

Jede Modellfamilie erfordert neben den allgemeinen Prüfungen auch eigene spezifische Kontrollen. Die lineare Regression benötigt ein Residuen-gegen-Anpassungswerte-Diagramm, um Nichtlinearitäten und ungleiche Varianzen zu erkennen, sowie ein QQ-Diagramm zur Überprüfung der Normalverteilungsannahme. Die logistische Regression profitiert von einem Hosmer-Lemeshow-Test oder einem Kalibrierungsdiagramm, das die vorhergesagten mit den beobachteten Wahrscheinlichkeiten über die Risikodezile hinweg vergleicht. Die Cox-Regression erfordert eine spezifische und obligatorische Prüfung: die Schoenfeld-Residuen über die Zeit, um die Gültigkeit der Proportionalitätsannahme zu bestätigen, anstatt sie nur anzunehmen. Denn ein für eine Kovariate berichtetes Hazard-Verhältnis, das die Proportionalität verletzt, ist keine eindeutige Zahl. Ebenso wichtig ist der Umgang eines Datensatzes mit fehlenden Daten, bevor diese in das Regressionsmodell einfließen. Denn der Ausschluss eines Probanden mit einem fehlenden Prädiktor kann unbemerkt alle Koeffizienten im Modell verzerren, nicht nur die der unvollständigen Variable. Studien mit einer Cluster- oder Nested-Struktur, z. B. Patienten innerhalb von Krankenhäusern oder wiederholte Besuche innerhalb von Patienten, benötigen einen weiteren Schritt hin zu Mehrebenen- oder Mixed-Effects-Modellen , da die Standardregression davon ausgeht, dass jede Beobachtung unabhängig von jeder anderen ist.

Berichterstattung über Regressionsmodelle, damit Gutachter und Leser ihnen vertrauen können.

Ein Regressionskoeffizient sagt wenig aus, wenn man nicht nachvollziehen kann, wie das zugrundeliegende Modell erstellt wurde. Die TRIPOD-Leitlinie, die 2015 gleichzeitig in elf Fachzeitschriften, darunter The BMJ , Annals of Internal Medicine und Circulation , veröffentlicht wurde, enthält eine Checkliste mit 22 Punkten. Diese umfasst die Auswahl der Prädiktoren, den Umgang mit fehlenden Daten, die Validierung des Modells und die Messung seiner Leistungsfähigkeit. Die Checkliste wurde in einem dreitägigen Methodikertreffen entwickelt und in den folgenden Jahren von der erweiterten TRIPOD-Steuerungsgruppe verfeinert. Die Aktualisierung TRIPOD+AI aus dem Jahr 2024 erweiterte diese Checkliste auf Vorhersagemodelle, die neben traditioneller Regression auch maschinelle Lernverfahren nutzen.

Die mangelhafte Berichtsqualität der zuvor erwähnten chinesischen Studie zur logistischen Regression ist kein Einzelfall. Studien, die ein Vorhersagemodell entwickeln oder validieren, lassen routinemäßig die Vorgehensweise bei der Eingrenzung der Liste potenzieller Prädiktoren aus, geben das Verhältnis von Ereignissen zu Variablen nicht an oder präsentieren eine Hazard Ratio, ohne zu erwähnen, ob die Proportionalitätsannahme geprüft wurde. Dies ist alles kein unbekanntes statistisches Terrain. Diese Lücke ist eine gängige Dokumentationsgewohnheit, und die TRIPOD-Checkliste dient genau diesem Zweck: Sie soll Gutachtern vor der Veröffentlichung verdeutlichen, was nicht erst Lesern auffällt, die das Ergebnis später reproduzieren möchten. Statistische Signifikanz und die Angabe von p-Werten verdienen dieselbe Transparenz, da die Bedeutung des p-Werts eines Regressionskoeffizienten davon abhängt, wie viele andere Variablen und Vergleiche im Vorfeld des finalen Modells getestet wurden.

Häufige Fehler, die Regressionsmodelle in der medizinischen Forschung untergraben

• Automatisierte schrittweise Variablenauswahl. Wenn Software Prädiktoren anhand von p-Wert-Schwellenwerten hinzufügt und entfernt, wird die scheinbare Signifikanz der verbleibenden Prädiktoren überhöht, und es entstehen Konfidenzintervalle, deren Bedeutung nicht mehr mit ihrer ursprünglichen Aussage übereinstimmt. Prädiktoren gehören in ein Modell, weil sie aufgrund klinischer Überlegungen oder bestehender Literatur dort aufgeführt werden, nicht weil ein schrittweiser Algorithmus sie beibehalten hat.
• Ereignisse pro Variable werden ignoriert, bis ein Prüfer danach fragt. Die Anpassung eines logistischen Modells mit 12 Prädiktoren an 40 Ereignisse liefert für einige dieser Prädiktoren Koeffizienten, die nicht verlässlicher sind als ein Münzwurf, unabhängig davon, wie groß die Gesamtstichprobe auf dem Titelblatt auch erscheinen mag.
• Die Angabe einer Odds Ratio, als wäre es eine Risikorate. Odds Ratios und Risikoverhältnisse konvergieren nur dann, wenn das Ereignis selten ist, typischerweise unter 10 %. Darüber hinaus überschätzt eine Odds Ratio systematisch das damit verbundene Risiko, und Leser, die sie direkt im Kopf in ein Risikoverhältnis umrechnen, werden den Effekt überschätzen.
• Ein ordinales Ergebnis als kontinuierliches Ergebnis behandeln. Bei der linearen Regression auf einer 5-stufigen Symptomskala wird angenommen, dass der Abstand zwischen „keine“ und „leicht“ gleich dem Abstand zwischen „mittel“ und „schwer“ ist – eine Annahme, die bei der ordinalen Regression nicht erforderlich ist und selten zutrifft.
• Die Annahme proportionaler Risiken wird nie geprüft. Eine Hazard-Ratio, die ohne Schoenfeld-Residuenprüfung oder einen gleichwertigen Test angegeben wird, kann einen Effekt mitteln, der sich im Verlauf der Nachbeobachtungszeit erheblich verändert, was die einzelne angegebene Zahl allein nicht erkennen lässt.
• Extrapolation eines angepassten Modells über den Bereich der Daten hinaus, die zu seiner Erstellung verwendet wurden. Eine Regressionsgleichung, die auf Patienten im Alter von 40 bis 75 Jahren basiert, gibt keinerlei Auskunft über einen 25-Jährigen oder einen 90-Jährigen, egal wie linear die Beziehung innerhalb des untersuchten Bereichs auch erscheinen mag.

Statistische Unterstützung für Regressionsmodelle in der medizinischen Forschung

Manche Regressionsanalysen sind Routine: ein einzelnes logistisches Modell mit fünf gut gewählten Prädiktoren und einer ausreichenden Anzahl an Ereignissen. Andere Analysen beinhalten konkurrierende Risiken, zeitvariable Kovariaten, Clusterdaten oder eine Prädiktorenliste, die vor einer sinnvollen Modellanpassung gekürzt werden muss. Die Statistiker von Editverse decken das gesamte Spektrum ab – von der Prüfung, ob eine geplante Analyse genügend Ereignisse pro Variable aufweist, bis hin zum Verfassen eines Ergebnisberichts, der von Promotionskommissionen oder Gutachtern von Fachzeitschriften tatsächlich gelesen wird.

Wichtige Erkenntnisse

• ✓ Der Ergebnistyp (kontinuierlich, binär, Zählvariable oder Zeit-bis-zum-Ereignis-Variable) bestimmt, welche Regressionsfamilie angewendet wird, bevor weitere Entscheidungen getroffen werden.
• ✓ Zehn Ereignisse pro Prädiktorvariable stellen eine Untergrenze dar, die bei logistischen und Cox-Modellen überprüft werden sollte, sind aber keine Garantie für ein stabiles Modell.
• ✓ Überdisperse Zähldaten erfordern eine negative Binomialregression; die Anwendung eines Poisson-Modells führt zu einer Überschätzung der Signifikanz.
• ✓ Die Hazard-Ratio eines Cox-Modells ist nur dann aussagekräftig, wenn die Proportionalitätsannahme der Hazard-Ratios tatsächlich geprüft und nicht nur angenommen wurde.
• ✓ Die automatisierte schrittweise Auswahl führt zu einer Überbewertung der Signifikanz und sollte klinisch begründeten Prädiktoren weichen.
• ✓ Die TRIPOD-Checkliste, die nun durch TRIPOD+AI erweitert wurde, dient Gutachtern zunehmend zur Überprüfung regressionsbasierter Vorhersagemodelle.
• ✓ Multikollinearität, Umgang mit fehlenden Daten und Cluster-Datenstrukturen erfordern jeweils eigene Diagnoseprüfungen, die von den Hauptmodellergebnissen getrennt sind.

Referenzen

1. Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparente Berichterstattung über ein multivariables Vorhersagemodell für die individuelle Prognose oder Diagnose (TRIPOD): die TRIPOD-Erklärung. BMJ. 2015;350:g7594. https://pubmed.ncbi.nlm.nih.gov/25569120/
2. Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR. Eine Simulationsstudie zur Anzahl der Ereignisse pro Variable in der logistischen Regressionsanalyse. J Clin Epidemiol. 1996;49(12):1373-1379. https://pubmed.ncbi.nlm.nih.gov/8970487/
3. van Smeden M, de Groot JAH, Moons KGM, Collins GS, Altman DG, Eijkemans MJC, Reitsma JB. Keine Begründung für das Kriterium von 1 Variable pro 10 Ereignissen für die binäre logistische Regressionsanalyse. BMC Med Res Methodol. 2016, 16 (1): 163. https://pubmed.ncbi.nlm.nih.gov/27881078/
4. Riley RD, Snell KIE, Ensor J, Burke DL, Harrell FE Jr, Moons KGM, Collins GS. Minimaler Stichprobenumfang für die Entwicklung eines multivariablen Vorhersagemodells: Teil I – Kontinuierliche Ergebnisse. Stat Med. 2019;38(7):1262-1275. https://pubmed.ncbi.nlm.nih.gov/30347470/
5. Liem Y, Judge A, Kirwan J, Ourradi K, Li Y, Sharif M. Multivariable logistische und lineare Regressionsmodelle zur Identifizierung klinisch nützlicher Biomarker für Osteoarthritis. Sci Rep. 2020, 10 (1): 11328. https://pubmed.ncbi.nlm.nih.gov/32647218/
6. Zhang YY, Zhou XB, Wang QZ, Zhu XY. Qualität der Berichterstattung über multivariate logistische Regressionsmodelle in chinesischen klinischen Fachzeitschriften. Medizin (Baltimore). 2017; 96 (21): e6972. https://pubmed.ncbi.nlm.nih.gov/28538397/
7. Fernandez GA, Vatcheva KP. Ein Vergleich statistischer Methoden zur Modellierung von Zähldaten mit einer Anwendung auf die Verweildauer im Krankenhaus. BMC Med Res Methodol. 2022, 22 (1): 211. https://pubmed.ncbi.nlm.nih.gov/35927612/
8. Uesaka K, Boku N, Fukutomi A, Okamura Y, Konishi M, et al. Adjuvante Chemotherapie von S-1 im Vergleich zu Gemcitabin bei reseziertem Bauchspeicheldrüsenkrebs: eine offene, randomisierte Nicht-Minderwertigkeitsstudie der Phase 3 (JASPAC 01). Lanzette. 2016;388(10041):248-257. https://pubmed.ncbi.nlm.nih.gov/27265347/