Überlebensanalyse: Techniken für Time-to-Event-Daten im Jahr 2024

Veröffentlicht am 20. Juni 2026 | Letzte Aktualisierung: 11. Oktober 2026

„Nur wenn man sich dem Wandel stellt, kann man ihn verstehen, sich ihm anpassen und mit ihm tanzen.“ – Alan Watts. Die Überlebenszeitanalyse ist in der heutigen, sich ständig verändernden Datenwelt von zentraler Bedeutung. Sie hilft uns zu verstehen, wann Ereignisse eintreten, insbesondere in medizinischen Studien. Diese Methode unterscheidet sich von der logistischen Regression, da sie nicht nur das Eintreten von Ereignissen, sondern auch deren Zeitpunkt betrachtet.

Sie hilft dabei, wichtige Ereignisse vorherzusagen, beispielsweise wann ein Patient stirbt oder eine Krankheit wiederkehrt. Der Umgang mit Überlebensdaten erfordert spezielle Kenntnisse. Daher ist es unerlässlich, sich im Jahr 2024 mit der Überlebenszeitanalyse auseinanderzusetzen . Wenn Sie Forscher oder Doktorand sind, können Sie am Kurs „Überlebenszeitanalyse: Techniken für Zeit-bis-Ereignis-Daten im Jahr 2024“ teilnehmen. Er beginnt am ^23. September 2024 und vermittelt die Grundlagen dieser wichtigen Analysemethode.

Wichtige Erkenntnisse

• Überlebensanalyse ist der Schlüssel zur Vorhersage medizinischer Ereignisse.
• Das Erlernen verschiedener Techniken verbessert Ihre Fähigkeiten in der biomedizinischen Forschung.
• Der kommende Kurs bietet tiefe Einblicke für Forscher und Doktoranden.
• Spezielle Methoden helfen beim Umgang mit fehlenden Daten und erleichtern so deren Verständnis.
• Wissen, wie man arbeitet mit Time-to-Event-Daten hilft Ihnen, bessere Forschungsentscheidungen zu treffen.

Time-to-Event-Daten (TTE) verstehen

Verwandte Methoden: hierarchische lineare Modellierung für komplexe Datenstrukturen.

Zeit-bis-Ereignis-Daten ( auch Überlebensdaten genannt ) messen, wie lange es dauert, bis ein bestimmtes Ereignis eintritt. Sie sind in Bereichen wie Medizin und Ingenieurwesen von entscheidender Bedeutung. Anhand von Zeit-bis-Ereignis-Daten können Forscher beispielsweise die Überlebensraten von Patienten oder die Lebensdauer von Maschinen ermitteln. Dabei berücksichtigen sie Faktoren wie Alter, Geschlecht und sozioökonomischen Status, um die Ereignisrisiken zu ^verstehen.

Bei der Analyse von TTE-Daten kann Zensierung ein Problem darstellen. Dies tritt auf, wenn der Zeitpunkt des Ereignisses unbekannt ist. Es ist wichtig, klare Zeitpunkte festzulegen und das Ereignis korrekt zu definieren. Traditionelle Methoden sind bei Zensierung und veränderlichen Variablen unter Umständen nicht geeignet . Daher sind für TTE-Daten spezielle statistische Verfahren erforderlich³^.

Der Kaplan-Meier-Schätzer ist eine Schlüsselmethode der Überlebenszeitanalyse. Er zeigt, wie sich Überlebensraten im Zeitverlauf verändern. Diese Methode hilft Forschern, Überlebenskurven zu verstehen. Durch die Analyse von TTE-Daten können Experten in verschiedenen Bereichen, von der Gesundheitsversorgung bis zu den Sozialwissenschaften, bessere Entscheidungen treffen. Weitere Informationen zur Überlebenszeitanalyse finden Sie in dieser ^Ressource² und dieser ⁴.

Besondere Herausforderungen bei Time-to-Event-Daten

Die Analyse von Zeit-bis-Ereignis-Daten birgt eigene Herausforderungen, insbesondere im Hinblick auf Zensierung . Zensierung bedeutet, dass einige Teilnehmende das Ereignis während der Studie nicht erleben. Es gibt verschiedene Arten der Zensierung, wie z. B. Rechts-, Links-, Intervall- und Zufallszensierung. Jede Art beeinflusst die Analyse und Interpretation von Überlebensdaten . Rechtszensierung ist die häufigste Form und tritt auf, wenn Personen das Ereignis bis zum Studienende nicht erleben⁵^.

Um genaue Überlebens- und Gefahrenfunktionen zu erhalten, ist es entscheidend, die Details der Zensierung zu verstehen. Zeit-bis-Ereignis-Modelle helfen, Überlebensraten abzuschätzen und liefern Erkenntnisse über Phänomene wie Migration und Krankheiten⁶ ^. Sie sind nützlich für die Untersuchung verschiedener ökologischer Ereignisse.

Bei der Analyse zensierter Daten ist die Anwendung von Methoden wie dem Kaplan-Meier-Schätzer ^{unerlässlich⁵} . Ohne diese Methoden könnten unsere Ergebnisse fehlerhaft sein. Dies verdeutlicht, warum fortgeschrittene Verfahren zur Bewältigung von Herausforderungen im Zusammenhang mit Zeit-bis-Ereignis-Daten notwendig sind.

Aktuelle Modelle können das Überleben in verschiedene Phasen unterteilen. Dies hilft uns zu erkennen, welche Todesursachen durch Fang und Handhabung und welche durch natürliche Ursachen entstehen⁶ . ^Diese Modelle eignen sich gut für verschiedene Tierarten wie Fische, Vögel und Säugetiere⁶^.

Wichtige Überlegungen bei der Analyse von Time-to-Event-Daten

Bei der Analyse von Zeit-bis-Ereignis-Daten sind einige wichtige Schritte zu beachten. Zunächst sollten Sie das zu untersuchende Ereignis klar definieren. Dies bildet die Grundlage für Ihre Analyse. Es ist wichtig, genau zu wissen, was als Ereignis gilt und was nicht.

Die Wahl des Messzeitpunkts ist ebenfalls entscheidend. Dieser kann von Studie zu Studie variieren. Überlegen Sie, wie sich Ihre Wahl auf Ihre Überlebenszeitanalyse auswirkt. Beachten Sie, dass viele Studien die Rechtszensierung anwenden, bei der einige Personen das Ereignis noch nicht erlebt ^haben.

Die Wahl des Zeitrahmens ist ebenfalls entscheidend. Sie beeinflusst die Darstellung und Interpretation der Ergebnisse. Methoden wie Kaplan-Meier-Kurven und das Cox-Modell sind für die Auswertung dieser Daten unerlässlich^⁷ . Vergessen Sie nicht, die Hazardfunktion zu betrachten, die die Ereigniswahrscheinlichkeit zu verschiedenen Zeitpunkten angibt^⁷.

Die Untersuchung von Untergruppen anhand von Merkmalen wie Geschlecht oder Behandlung kann tiefere Einblicke ermöglichen. Achten Sie auf ausreichend Daten für verlässliche Ergebnisse, insbesondere bei seltenen Ereignissen. Konzentrieren Sie sich auf qualitativ hochwertige Daten, um Fehler zu vermeiden . ^{Berücksichtigen} Sie mögliche Verzerrungen wie den Unsterblichkeitsbias bei der Interpretation Ihrer Ergebnisse^.

Die übersichtliche Zusammenfassung von Überlebenskurven, Hazard-Ratios und Konfidenzintervallen erleichtert anderen das Verständnis Ihrer Ergebnisse. Denken Sie daran, dass die Berücksichtigung von Veränderungen der Einflussfaktoren im Zeitverlauf wichtig ist . Diese Schritte tragen dazu bei ^, dass Ihre Zeit-bis-zum-Ereignis-Studie aussagekräftig und fundiert ist.

Zensur in der Überlebensanalyse

Zensierung ist ein zentrales Konzept der Überlebenszeitanalyse, das zu unvollständigen Daten führt. Dies beeinflusst das Verständnis von Zeit-bis-Ereignis-Daten. Es gibt drei Hauptarten der Zensierung: rechtszensierte, linkszensierte und intervallzensierte Daten. Jede Art birgt spezifische Herausforderungen für die Datenanalyse^¹⁰.

Rechtszensierung ist die häufigste Form. Sie tritt auf, wenn die Studienteilnehmer das Ereignis bis zum Studienende nicht erleben^¹¹ . Linkszensierung kann die Überlebensraten zu hoch erscheinen lassen. Wird Rechtszensierung nicht berücksichtigt, können die Überlebensraten zu niedrig erscheinen ^{^11,10}.

Es ist entscheidend, das Konzept der nicht-informativen Zensur zu verstehen . Dieses Konzept besagt, dass zensierte Personen die gleiche Wahrscheinlichkeit haben, das Ereignis zu erleben, wie nicht zensierte Personen. Trifft dies nicht zu, kann es zu *informativer Zensur* kommen, welche die Ergebnisse verfälscht ^. Eine unsachgemäße Behandlung informativer Zensur kann die Überlebenszeitanalyse ungültig machen und zu falschen Schlussfolgerungen führen.

Um die Herausforderungen der Zensierung zu bewältigen, sind spezielle statistische Methoden erforderlich. Diese Methoden tragen dazu bei, Verzerrungen in Überlebenszeitschätzungen zu reduzieren. Zensierung verändert die Betrachtungsweise von Überlebensraten und muss in der Zeit-bis-zum-Ereignis-Datenanalyse mit geeigneten Analysemethoden berücksichtigt werden . Ein adäquater Umgang mit Zensierung ist entscheidend für verlässliche Ergebnisse und präzise Schlussfolgerungen in der biomedizinischen Forschung.

Überlebensanalyse: Techniken für Time-to-Event-Daten im Jahr 2024

Im Jahr 2024 erfordert die Analyse von Zeit-bis-Ereignis-Daten (TTE) spezielle Techniken. Es ist wichtig, die Modellierung zensierter Daten zu verstehen . Zensierte Daten entstehen, wenn einige Studienteilnehmer das Ereignis während der Studie nicht erleben. Dies erschwert das Verständnis von Überlebensdaten. Daher benötigen wir Methoden, die diese Problematik bewältigen können.

Zensierte Datenmodellierung erklärt

Die Modellierung zensierter Daten zielt darauf ab, alle verfügbaren Daten in der Überlebenszeitanalyse zu nutzen. Mithilfe statistischer Methoden können Forschende Modelle erstellen, die auch mit zensierten Daten gut funktionieren. So trägt die Überlebenszeitanalyse beispielsweise dazu bei, Patientenergebnisse unter Berücksichtigung der Zensierung besser zu verstehen. Dadurch werden genaue Überlebenszeitschätzungen gewährleistet, wofür etwa 100 oder mehr Probanden benötigt werden⁶^.

Mithilfe von Techniken wie Mischungs-Heilungsmodellen lässt sich feststellen, welche Gruppen gefährdet sind und welche eine Überlebenschance haben. Dies ermöglicht detaillierte Einblicke in die Mortalitätsrisiken ^{^6,2} . Diese Methoden helfen uns zu verstehen, wie verschiedene Faktoren die Überlebensraten in unterschiedlichen Bereichen beeinflussen.

Bedeutung einer genauen Ereignisdefinition

Für eine aussagekräftige Überlebenszeitanalyse ist eine klare Definition des Ereignisses unerlässlich. Eine klare Definition hilft, Verzerrungen bei der Dateninterpretation zu vermeiden. Diese Fokussierung auf aussagekräftige Kennzahlen wie die Überlebensfunktion verbessert die Genauigkeit der Forschung⁸^.

Das Verständnis von Überlebensunterschieden, die auf Faktoren wie dem sozioökonomischen Status beruhen, ermöglicht uns tiefere Einblicke² ^. Dadurch wird die Überlebenszeitanalyse genauer und nützlicher.

Nichtparametrische Ansätze zur Überlebensanalyse

Erwägen Sie außerdem die Anwendung von ANOVA und MANOVA für vergleichende Analysen.

Nichtparametrische Methoden sind in der Überlebenszeitanalyse von zentraler Bedeutung. Sie ermöglichen die Schätzung von Überlebensfunktionen ohne strenge Annahmen über die Daten. Diese Methoden sind unerlässlich bei der Analyse zensierter Beobachtungen, die in klinischen Studien häufig vorkommen. Der Kaplan -Meier-Schätzer ist hierfür eine der besten Methoden. Er berechnet Überlebenswahrscheinlichkeiten, selbst wenn aufgrund von Zensierung nicht alle Ereignisse beobachtet werden^.

Der Kaplan-Meier-Schätzer

Der Kaplan-Meier-Schätzer erstellt Überlebenskurven, die die Veränderung des Überlebens im Zeitverlauf darstellen. Er eignet sich hervorragend für die Verarbeitung zensierter Daten und ermöglicht es Forschern, alle verfügbaren Daten zu nutzen. Diese Methode trägt zum Verständnis der Patientenergebnisse in Kohortenstudien und klinischen Studien bei^¹³ . Die Verwendung von R für die Kaplan-Meier-Analyse erleichtert Forschern die Anwendung dieser Methode und das Lernen aus Zeit-bis-Ereignis-Daten^¹⁴.

Berechnung von Überlebensfunktionen

Die Berechnung von Überlebensfunktionen bedeutet, herauszufinden, wie viele Probanden einen bestimmten Zeitraum überleben. Mithilfe des Kaplan-Meier-Schätzers lassen sich diese Funktionen grafisch darstellen und zwischen verschiedenen Gruppen vergleichen. Es ist jedoch entscheidend, die Grenzen dieser Methoden zu verstehen, wie beispielsweise die Auswirkungen von Truncation und informativer Zensierung^¹² . Dieses Wissen hilft Ihnen, aus Ihren Überlebensstudien präzise Schlussfolgerungen zum Patientenüberleben zu ziehen.

Semiparametrische und parametrische Ansätze

Semiparametrische und parametrische Methoden sind in der Überlebenszeitanalyse von zentraler Bedeutung. Sie bieten unterschiedliche Möglichkeiten zur Auswertung von Zeit-bis-Ereignis-Daten. Semiparametrische Methoden eignen sich hervorragend für kleine Stichproben und bieten eine höhere Genauigkeit als nichtparametrische Methoden^¹⁵ . Sie tragen zu einer fundierten und verlässlichen Analyse bei.

Parametrische Modelle setzen nicht-negative Überlebenszeiten voraus. Dies verhindert Fehlinterpretationen der Ergebnisse. Geeignete Verteilungen für Überlebensdaten sind beispielsweise die Exponential-, Weibull-, Gamma- und Lognormalverteilung^¹⁶ . Die Wahl der richtigen Verteilung ist entscheidend, da sie die Hazardfunktion beeinflusst. Sie können die Verteilung auf Basis von Vorwissen oder mithilfe von Methoden wie dem AIC auswählen.

Gestapelte Überlebensmodelle sind ein leistungsstarkes Werkzeug. Sie kombinieren parametrische, semiparametrische und nichtparametrische Modelle, um Vorhersagefehler zu reduzieren ^¹⁵ . Dieser Ansatz bewährt sich in vielen Situationen, da er die Vor- und Nachteile der einzelnen Modelle ausgleicht. Manchmal ist er genauso genau oder sogar genauer als Kreuzvalidierungsmethoden.

Die Verwendung gestapelter Modelle mit zensierten Daten erhöht jedoch die Komplexität. Techniken wie die inverse Wahrscheinlichkeitsgewichtung der Zensierung (IPCW) können hier Abhilfe schaffen. IPCW behebt Probleme mit partiell beobachteten Daten in der Überlebenszeitanalyse^¹⁵ . Es gewährleistet die Konsistenz der Verlustfunktionen, vorausgesetzt, die Zensierungsverteilung ist bekannt.

Fortgeschrittene Modelle in der Überlebensanalyse

Lernen Sie Regressionsmodelle kennen , um Vorhersagen zu treffen.

Fortgeschrittene Modelle der Überlebenszeitanalyse helfen uns, Ereignisse besser zu verstehen und vorherzusagen. Das Cox-Proportional-Hazards-Modell und Accelerated-Failure-Time-Modelle sind zwei wichtige Beispiele. Sie unterstützen uns bei der Verarbeitung komplexer Daten und der Analyse von Überlebensraten unter verschiedenen Bedingungen.

Cox-proportionales Hazard-Modell

Das Cox-Regressionsmodell ist ein semiparametrisches Verfahren. Es untersucht, wie verschiedene Faktoren das Risiko eines Ereignisses beeinflussen. Dieses Modell geht davon aus, dass das Risiko über die Zeit konstant bleibt. Es findet breite Anwendung in klinischen Studien und trägt dazu bei, das Überleben von Patienten zu verstehen und Behandlungspläne zu entwickeln.

Beschleunigte Ausfallzeitmodelle

Beschleunigte Ausfallzeitmodelle konzentrieren sich darauf, wann ein Ereignis eintritt. Sie zeigen, wie verschiedene Faktoren diesen Zeitpunkt beschleunigen oder verlangsamen. Diese Modelle sind nützlich, wenn die Überlebensverteilung bekannt ist. Sie eignen sich hervorragend zur Analyse von Überlebensdaten, bei denen noch nicht alle Ereignisse eingetreten sind.

Fortschrittliche Modelle helfen uns, wichtige Marker für das Patientenüberleben zu identifizieren. Zu diesen Markern gehören genomische, molekulare und klinische Faktoren. Gemeinsam verbessern sie die Anwendung von Überlebensanalysen in Forschung und Gesundheitswesen.

Komplexe Szenarien mit fortgeschrittenen Methoden bewältigen

Die Überlebenszeitanalyse befasst sich häufig mit komplexen Situationen wie wiederkehrenden Ereignissen und konkurrierenden Risiken. Fortgeschrittene Methoden wie die Analyse wiederkehrender Ereignisse sind entscheidend für das Verständnis von Ereignissen, die mehrfach auftreten. Die Analyse konkurrierender Risiken hilft, verschiedene mögliche Ereignisse zu unterscheiden und so das Risiko des Hauptereignisses besser zu erkennen.

Analyse wiederkehrender Ereignisse und konkurrierender Risiken

Die Analyse wiederkehrender Ereignisse untersucht Situationen, in denen Menschen im Laufe der Zeit mit vielen Ereignissen konfrontiert werden, beispielsweise mit Krankenhausaufenthalten aufgrund chronischer Erkrankungen. Sie verwendet spezielle statistische Verfahren, um den Zeitpunkt des nächsten Ereignisses zu ermitteln und berücksichtigt dabei Zensierungseffekte. Die Analyse konkurrierender Risiken ist ebenfalls entscheidend, wenn das Hauptereignis von anderen Ereignissen beeinflusst werden kann, wie etwa von verschiedenen Todesursachen. Diese Methode liefert ein klareres Bild der Überlebenschancen und der Risiken des Hauptereignisses.

Multistate-Modelle und Frailty-Modelle

Multistate-Modelle eignen sich hervorragend zur Analyse von Daten, die sich zwischen verschiedenen Gesundheitszuständen verändern. Sie sind besonders nützlich, wenn sich Krankheitszustände ändern können, und helfen so, die Wirkung von Behandlungen zu verstehen. Durch die Einbeziehung von Frailty-Modellen werden tiefere Einblicke ermöglicht, indem verborgene Unterschiede zwischen Personen sichtbar gemacht und aufgezeigt werden, wie Risikofaktoren die Überlebenszeit beeinflussen können. Diese Methoden machen die Überlebenszeitanalyse leistungsfähiger und nützlicher für komplexe Daten.

Kenntnisse dieser fortgeschrittenen Methoden sind für Analysten, die mit komplexen Überlebensdaten arbeiten, unerlässlich. Sie führen zu besseren Entscheidungen in der Gesundheitsforschung und darüber hinaus. Weitere Informationen finden Sie hier: Fortgeschrittene statistische Analyseverfahren für Ereignisdaten.

Die Verwendung von Analysen wiederkehrender Ereignisse, konkurrierenden Risiken und Multistate-Modellen stärkt die Überlebenszeitanalyse. Sie trägt dazu bei, komplexe Daten umfassend zu analysieren. ^{^18,19}

Techniken des maschinellen Lernens in der Überlebensanalyse

Kombinieren Sie dies mit PCA für das Feature Engineering.

Maschinelles Lernen hat die Art und Weise, wie Forscher Zeit-bis-Ereignis-Daten analysieren, grundlegend verändert. Herkömmliche statistische Methoden versagen oft bei großen, heterogenen Datensätzen. Maschinelles Lernen hingegen glänzt durch seine Fähigkeit, diese Komplexität zu bewältigen. Es liefert datenbasierte Erkenntnisse , die zu präziseren Vorhersagen führen.

Aktuelle Forschungsergebnisse zeigen, dass nur drei von 24 auf Überlebensdaten fokussierten Modellen des maschinellen Lernens zensierte Daten berücksichtigten ^²⁰ . Von den getesteten Modellen konnten zehn zensierte Daten einbeziehen, wobei sieben die Cox-Regression nutzten^²⁰ . Einige Studien begingen den Fehler, logistische Regression für kategoriale Modelle zu verwenden und dabei zensierte Teilnehmer außer Acht zu lassen^²⁰.

Die Sydney Memory and Ageing Study (MAS) untersuchte 1,037 Personen im Alter von 70 bis 90 Jahren und prognostizierte das Überleben mit einem Konkordanzindex von 0.82^²¹ . Die Alzheimer's Disease Neuroimaging Initiative (ADNI) erzielte mit einem Konkordanzindex von 0.93 sogar noch bessere Ergebnisse. Dies verdeutlicht das Potenzial von maschinellem Lernen, Merkmale zu erkennen, die mit dem Tod nach einer Demenzdiagnose in Zusammenhang stehen^²¹.

Das Python-Modul „scikit-survival“ unterstützt Experten bei der Überlebenszeitanalyse und bietet Werkzeuge für zensierte Daten ^²⁰ . Dies unterstreicht die Notwendigkeit korrekter Methoden der Überlebenszeitanalyse . Die Nichtberücksichtigung von Zensierung kann die Genauigkeit von Modellen des maschinellen Lernens beeinträchtigen und verdeutlicht die Wichtigkeit des richtigen Ansatzes^²⁰.

Fazit

Die Überlebenszeitanalyse ist in Bereichen wie der medizinischen Forschung, dem Ingenieurwesen und dem Marketing von zentraler Bedeutung. Sie hilft uns zu verstehen, wann Ereignisse eintreten und welche Faktoren sie beeinflussen. Mithilfe von Methoden wie dem Kaplan-Meier-Schätzer und dem Cox-Modell können wir bessere Entscheidungen treffen . ^{^22,11}

Überlebensdaten bergen eigene Herausforderungen, wie Zensur und Kürzung. Die besprochenen Strategien bieten Ihnen jedoch die Werkzeuge, um diese Probleme zu bewältigen. Dadurch wird Ihre Forschung zuverlässiger^.

Wir empfehlen Ihnen, diese fortgeschrittenen Methoden anzuwenden, um Ihre Analysen zu verbessern und Ihre Forschung voranzubringen. Diese Techniken helfen Ihnen, Ihre Daten besser zu verstehen und Ihre Studien in diesem sich ständig weiterentwickelnden Forschungsfeld zuverlässiger zu gestalten.

Quellenlinks

1. https://www.boerhaavecontinuingmedicaleducation.com/medical-extensions/2024/survival-analysis-advanced-biostatistics-2024/
2. https://julius.ai/articles/survival-analysis-understanding-time-to-event-data
3. https://www.linkedin.com/pulse/survival-analysis-demystified-predicting-outcomes-iain-brown-ph-d–s2toe
4. https://datatab.net/tutorial/survival-analysis
5. https://www.fastercapital.com/content/Predictive-analytics–Survival-Analysis–Survival-Analysis–Predicting-Time-to-Event-Data.html
6. https://www.nature.com/articles/s41598-024-64653-w
7. https://www.editage.com/insights/analyzing-time-to-event-data-what-biomedical-researchers-need-to-know/
8. https://www.frontiersin.org/journals/epidemiology/articles/10.3389/fepid.2024.1386922/full
9. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10957029/
10. https://www.publichealth.columbia.edu/research/population-health-methods/time-event-data-analysis
11. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110618/
12. https://link.springer.com/10.1007/978-3-319-52636-2_119
13. https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-024-02525-z
14. https://ar.iiarjournals.org/content/44/2/471
15. https://academic.oup.com/biostatistics/article/16/3/537/269846
16. https://www.theanalysisfactor.com/parametric-or-semi-parametric-models-in-survival-analysis/
17. https://survival-lumc.github.io/AdvancedSurvival-course/
18. https://symposium2024.icsa.org/program/course-catalog/
19. https://ar.iiarjournals.org/content/anticanres/44/2/471.full.pdf
20. https://translational-medicine.biomedcentral.com/articles/10.1186/s12967-024-04909-1
21. https://www.nature.com/articles/s41598-020-77220-w
22. https://medium.com/@rshowrav/unraveling-time-to-event-data-with-survival-analysis-5ed77f2c2914