Die Ziele von High-dimensional deckten drei Gebiete ab, die für die Entwicklung von Ereigniszeit-Modellen für hochdimensionale molekulare Daten von großer Bedeutung sind: 1) Schätzung der Parameter bei solchen Modellen, 2) Auswahl der Tuning-Parameter eines Modells, 3) Bewertung der Vorhersageleistung. Zur Schätzung von hochdimensionalen Ereigniszeit-Modellen sollten zunächst Modelle für diskrete Zeiten betrachtet werden, und erst im nächsten Schritt Techniken für stetige Zeiten. Die Freiheitsgrade aus dem Modell diskreter Zeit erwiesen sich jedoch als nicht zuverlässig für die Modellwahl und so haben wir Techniken stetiger Zeit früher betrachtet als geplant. Hierfür haben wir einen komponentenweise Likelihood-basierten Boosting Ansatz entwickelt, der sich im Vergleich mit Pfad-basierten Ansätzen konkurrenzfähig und zudem flexibler erwies. Alle weiteren Untersuchungen basierten daher auf diesem Ansatz. So konnten wir beispielsweise den zusätzlichen Wert von Genexpressionsmessungen unter Einbeziehung von weiteren klinischen Kovariablen quantifizieren. Dabei stellte sich heraus, dass häufig nur sehr begrenzte Information aus Genexpressionsmessungen extrahiert werden kann. Aus diesem Grund haben wir komplexere Kovariablenstrukturen, wie z.B. zeit-variierende Effekte, nicht mehr berücksichtigt. Stattdessen konzentrierten wir uns auf die Entwicklung von Techniken, um die Power zur Identifizierung zeit-fixer Effekte zu verbessern, z.B. durch Einbeziehung externen Wissens oder durch verbesserte Modellierung der Endpunkt-Struktur. Einige dieser Techniken wurden auch auf niedrigdimensionale biomedizinische Modellierungsprobleme rückübertragen. Modellbewertung wurde mittels Bootstrap-Techniken vorgenommen, wobei wir die Art der Zufallsziehung spezifisch für hochdimensionale Daten modifizieren mussten, und auch die Wahl passender Vergleichspunkte eine wichtige Rolle spielte. Den Ansatz zur Schätzung des Vorhersagefehlers haben wir im nächsten Schritt für die Auswahl der Tuning-Parameter adaptiert. Weitere Schritte zur Modellbewertung beinhalteten Ansätze zur Bestimmung von p-Werten und 'False discovery rates'. Diese weiteren Arbeiten werden aktuell fertiggestellt.