Ein Statistical Analysis Plan (SAP) beschreibt vorab, wie klinische Studiendaten statistisch ausgewertet werden. Er definiert unter anderem Endpunkte, Analysepopulationen, statistische Methoden, Missing-Data-Strategien und Sensitivitätsanalysen, bevor die finalen Ergebnisse bekannt sind.
In klinischen Studien ist der SAP deshalb mehr als ein technisches Dokument. Er schützt die Auswertung vor nachträglichen Entscheidungen, reduziert Interpretationsspielräume und schafft eine belastbare Grundlage für Studienbericht, Publikation und regulatorische Bewertung.
Regulatorische Leitlinien wie ICH E9 erwarten deshalb, dass zentrale Analyseentscheidungen möglichst vor Datenbankschluss und vor Kenntnis der finalen Ergebnisse definiert werden. Dazu gehören unter anderem Endpunktdefinitionen, Analysepopulationen, Missing-Data-Strategien und der Umgang mit multiplen statistischen Tests.
Was ist ein Statistical Analysis Plan?
Ein Statistical Analysis Plan ist ein detaillierter Analyseplan für klinische Studiendaten. Er ergänzt das Studienprotokoll und beschreibt, wie statistische Auswertungen konkret durchgeführt werden sollen. Während das Studienprotokoll primär medizinische und organisatorische Aspekte einer Studie definiert, beschreibt der SAP die statistische Umsetzung. Dazu gehören unter anderem:
- Analysepopulationen,
- Endpunktdefinitionen,
- statistische Modelle,
- Missing-Data-Strategien,
- Sensitivitätsanalysen,
- sowie geplante Tabellen und Ergebnisdarstellungen.
Der SAP dient damit als verbindliche Grundlage für die spätere statistische Auswertung einer klinischen Studie.
Warum ist ein SAP in klinischen Studien so wichtig?
Klinische Studien erzeugen eine große Menge potenzieller Auswertungsmöglichkeiten. Bereits kleine Änderungen bei Analysepopulationen, Endpunktdefinitionen oder statistischen Modellen können Ergebnisse sichtbar beeinflussen.
Der SAP reduziert dieses Risiko, indem er zentrale Entscheidungen vor der eigentlichen Analyse festlegt. Dadurch wird nachvollziehbar, welche Analysen tatsächlich geplant waren und welche Auswertungen explorativen Charakter haben. Besonders relevant ist das bei:
- multiplen Endpunkten,
- mehreren Analysezeitpunkten,
- Subgruppenanalysen,
- Missing Data,
- Protocol Deviations,
- oder komplexen Studiendesigns.
Ohne klare Vorab-Definitionen entstehen schnell Interpretationsspielräume. Ergebnisse können dann bewusst oder unbewusst selektiv dargestellt werden. Genau dieses Risiko soll der SAP begrenzen. Gerade in regulatorischen Studien spielt diese Nachvollziehbarkeit eine zentrale Rolle. Behörden erwarten, dass statistische Entscheidungen reproduzierbar dokumentiert und fachlich begründet werden.
Welche Inhalte gehören in einen Statistical Analysis Plan?
Die konkrete Struktur eines SAP kann je nach Studie variieren. Einige Bestandteile sind jedoch in nahezu allen klinischen Studien relevant. Dazu gehören zunächst Angaben zu Studienziel, Studiendesign, Endpunkten und Analysepopulationen. Häufig wird unterschieden zwischen Intention-to-treat, Per-Protocol, Safety Population oder weiteren studienspezifischen Populationen.
Ein weiterer zentraler Bestandteil sind die statistischen Methoden. Der SAP beschreibt, welche Tests, Modelle oder Schätzverfahren für primäre und sekundäre Endpunkte verwendet werden. Dabei sollte auch festgelegt werden, welche Kovariaten berücksichtigt werden und wie Konfidenzintervalle, p-Werte oder Effektmaße berichtet werden.
In vielen klinischen Studien werden zusätzlich konkrete Modellierungsstrategien definiert, beispielsweise ANCOVA-Modelle, Mixed Models for Repeated Measures oder Cox-Regressionen für Zeit-bis-Ereignis-Endpunkte. Auch Regeln für Subgruppenanalysen, Visitenfenster, Protocol Deviations oder Intercurrent Events sollten nachvollziehbar beschrieben werden.
Mit ICH E9(R1) hat zusätzlich die präzise Definition sogenannter Estimands an Bedeutung gewonnen. Dabei geht es um die Frage, welcher Behandlungseffekt unter welchen Bedingungen eigentlich geschätzt werden soll, beispielsweise bei Therapieabbrüchen, Rescue-Medikation oder anderen Intercurrent Events. Der SAP bildet häufig die operative Grundlage, um diese Definitionen statistisch umzusetzen.
Ebenso wichtig sind Regeln für fehlende Daten. Missing Data können Studienergebnisse deutlich beeinflussen. Der SAP sollte deshalb nicht nur erwähnen, dass fehlende Werte auftreten können, sondern konkret beschreiben, wie damit umgegangen wird und welche Sensitivitätsanalysen vorgesehen sind.
Auch Tabellen, Listings und Abbildungen können im SAP geplant werden. Das klingt technisch, ist aber praktisch relevant: Eine klare Ergebnisstruktur verhindert, dass Auswertungen später unsystematisch erweitert oder selektiv hervorgehoben werden.
Wann der Statistical Analysis Plan erstellt werden sollte
Ein SAP sollte vor der finalen Datenanalyse fertiggestellt werden. In vielen klinischen Studien ist es sinnvoll, den SAP vor Datenbankschluss oder zumindest vor Entblindung final zu verabschieden. Der genaue Zeitpunkt hängt vom Studiendesign ab. Entscheidend ist aber das Prinzip: Die wesentlichen Analyseentscheidungen müssen getroffen sein, bevor Kenntnis der Ergebnisse diese Entscheidungen beeinflussen könnte.
Zu spät erstellte SAPs verlieren einen Teil ihres methodischen Wertes. Wenn Analysepopulationen, Ausschlussregeln oder Sensitivitätsanalysen erst nach Sichtung der Daten formuliert werden, entsteht ein schwer auflösbares Glaubwürdigkeitsproblem. In regulatorischen Verfahren kann genau das später kritisch hinterfragt werden. Änderungen an primären Analysen nach Datenkenntnis gelten als besonders sensibel, weil sie die Objektivität der Auswertung infrage stellen können.
In der Praxis sollte der SAP deshalb nicht als letzte Formalität betrachtet werden. Er gehört in die Studienplanung und sollte eng mit Protokoll, Datenmanagement, Monitoring, statistischer Programmierung und der Datenintegrität abgestimmt sein.
Typische Fehler bei SAPs in der Praxis
Ein häufiger Fehler besteht darin, den SAP zu allgemein zu formulieren. Aussagen wie „die Daten werden deskriptiv und inferenzstatistisch ausgewertet“ reichen für eine klinische Studie nicht aus. Sie lassen offen, welche Analyse tatsächlich maßgeblich ist.
Problematisch sind auch unklare Endpunktdefinitionen. Wenn nicht eindeutig festgelegt ist, welcher Messzeitpunkt, welches Analysefenster oder welche Operationalisierung gilt, entstehen später Interpretationsspielräume.
Kritisch wird es außerdem bei Analysepopulationen. Gerade bei Abweichungen vom Protokoll, Dropouts oder nicht vollständig dokumentierten Visiten muss klar sein, welche Patientinnen und Patienten in welche Auswertung eingehen. Ohne diese Regeln können Ergebnisse je nach Population unterschiedlich ausfallen.
Auch Missing Data werden häufig unterschätzt. Fehlende Werte sind nicht nur ein Datenproblem, sondern ein methodisches Risiko für die Interpretierbarkeit der Ergebnisse. Unterschiedliche Annahmen zum Ausfallmechanismus können zu deutlich unterschiedlichen Ergebnissen führen. Der SAP sollte deshalb möglichst früh festlegen, ob beispielsweise Multiple Imputation, Mixed Models oder andere Verfahren vorgesehen sind und wie Sensitivitätsanalysen die Robustheit der Ergebnisse prüfen sollen.
Zusätzlich problematisch sind nicht klar eingeordnete Zusatzanalysen. Subgruppenanalysen, explorative Endpunkte oder alternative Modellvarianten können sinnvoll sein. Sie sollten aber klar von den primären Analysen abgegrenzt werden und nicht nachträglich den Charakter der Hauptanalyse verändern.
Zusammenhang mit Endpunkten, Missing Data und Sensitivitätsanalysen
Viele methodische Probleme klinischer Studien zeigen sich erst dann, wenn Daten unvollständig sind oder Ergebnisse nicht eindeutig ausfallen. Genau deshalb reicht es nicht aus, statistische Methoden nur grob zu beschreiben.
Der SAP sollte nachvollziehbar dokumentieren:
- welche Endpunkte primär relevant sind,
- welche Analysen bestätigend oder explorativ interpretiert werden,
- welche Annahmen zu Missing Data getroffen werden,
- und wie Sensitivitätsanalysen die Robustheit der Ergebnisse prüfen.
Endpunkte und Analysepopulationen
Endpunkte und Analysepopulationen gehören zu den wichtigsten methodischen Festlegungen eines SAP. Bereits kleine Änderungen können die Interpretation klinischer Ergebnisse beeinflussen.
Besonders relevant ist dabei die klare Abgrenzung zwischen primären und sekundären Endpunkten. Während primäre Endpunkte die zentrale klinische Fragestellung beantworten sollen, dienen sekundäre Endpunkte häufig der ergänzenden Einordnung oder Exploration.
Auch Analysepopulationen müssen präzise definiert werden. Unterschiede zwischen Intention-to-treat-, Per-Protocol- oder Safety-Analysen können zu unterschiedlichen Ergebnissen führen. Der SAP sollte deshalb transparent festlegen, welche Population für welche Fragestellung maßgeblich ist.
Missing Data und Sensitivitätsanalysen
Gerade Sensitivitätsanalysen sind wichtig, um die Robustheit klinischer Ergebnisse zu bewerten. Sie zeigen, ob zentrale Ergebnisse stabil bleiben, wenn alternative Annahmen oder Analyseansätze verwendet werden.
Das betrifft beispielsweise:
- alternative Imputationsmethoden,
- unterschiedliche Analysepopulationen,
- alternative Kovariatenstrukturen,
- oder verschiedene Definitionen klinischer Endpunkte.
Ohne diese Vorab-Definitionen entsteht schnell der Eindruck datengetriebener Entscheidungen. Der SAP schafft hier methodische Nachvollziehbarkeit und reduziert das Risiko selektiver Interpretation.
Multiples Testen und Fehlerraten
Klinische Studien untersuchen häufig mehrere Endpunkte, Zeitpunkte oder Subgruppen gleichzeitig. Ohne geeignete Strategien steigt dadurch das Risiko zufälliger statistischer Signifikanz.
Der SAP sollte deshalb klar beschreiben, wie multiples Testen kontrolliert wird, beispielsweise durch hierarchische Teststrategien oder andere Verfahren zur Kontrolle der Alpha-Fehler-Kumulierung. Besonders bei sekundären Endpunkten und explorativen Analysen ist diese Einordnung entscheidend für die spätere Interpretation der Ergebnisse.
Fazit
Ein Statistical Analysis Plan ist ein zentrales Instrument, um klinische Studienauswertungen planbar, nachvollziehbar und methodisch belastbar zu machen. Er legt vor der Analyse fest, wie Endpunkte, Analysepopulationen, fehlende Daten, Sensitivitätsanalysen und Ergebnisdarstellungen behandelt werden.
Sein Wert liegt vor allem darin, spätere Interpretationsspielräume zu reduzieren. Gerade bei komplexen klinischen Studien schützt ein gut ausgearbeiteter SAP davor, statistische Entscheidungen erst unter dem Eindruck der Ergebnisse zu treffen.
Gerade in regulatorischen Studien entscheidet die Qualität des SAP häufig darüber, ob Ergebnisse später als belastbar und nachvollziehbar akzeptiert werden. Viele methodische Probleme klinischer Studien entstehen nicht erst bei der Auswertung, sondern bereits durch unklare oder nachträglich veränderte Analyseentscheidungen.
Ein präziser SAP reduziert dieses Risiko und schafft die Grundlage für reproduzierbare und fachlich überzeugende Studienergebnisse.
Weiterführende Literatur:
Fradera, M., & Serra-Aracil, X. (2025). Statistical Analysis Plan (SAP): What is it and how to develop it?. Cirugia espanola, 103(1), 45–48. https://doi.org/10.1016/j.cireng.2024.07.007
International Council for Harmonisation (ICH). (1998). ICH E9 statistical principles for clinical trials. European Medicines Agency. https://www.ema.europa.eu/en/documents/scientific-guideline/ich-e-9-statistical-principles-clinical-trials-step-5_en.pdf
Yale School of Public Health. (n.d.). Statistical analysis plans. Yale Center for Analytical Sciences. https://ysph.yale.edu/ycas/dcc/saplans/
