📊 statistics

Smooth Transformation Models for Survival Analysis: A Tutorial Using R

Deze tutorial introduceert het "tram"-pakket in R als een verenigd maximum-likelihood-raamwerk voor smooth transformation models, waarbij wordt gedemonstreerd hoe het complexe uitdagingen in overlevingsanalyse aanpakt—zoals niet-proportionele gevaren, afhankelijke censurering en geclusterde gegevens—door middel van een flexibele benadering die zowel gevestigde parametrische modellen als geavanceerde uitbreidingen omvat.

Oorspronkelijke auteurs: Sandra Siegfried, Bálint Tamási, Torsten Hothorn

Gepubliceerd 2026-06-09

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sandra Siegfried, Bálint Tamási, Torsten Hothorn

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een arts bent die probeert te voorspellen hoe lang patiënten zullen overleven na een specifieke behandeling. In de wereld van de statistiek wordt dit overlevingsanalyse genoemd. Decennialang hebben onderzoekers een gereedschapskist vol verschillende methoden gehad om dit te doen. Echter, het artikel betoogt dat deze gereedschapskist rommelig en verwarrend is geworden. Sommige tools werken alleen voor eenvoudige situaties, andere zijn moeilijk te gebruiken wanneer gegevens incompleet zijn, en het proberen te vergelijken van resultaten uit verschillende tools is alsof je appels met peren vergelijdt, omdat ze dingen net iets anders meten.

De auteurs, Sandra Siegfried, Bálint Tamási en Torsten Hothorn, introduceren een nieuw, verenigd kader genaamd Smooth Transformation Models. Denk hierbij niet aan een enkele tool, maar aan een "Zwitsers zakmes" voor overlevingsanalyse dat in het R-softwaresysteem leeft. Het stelt onderzoekers in staat om één consistente set regels te gebruiken voor bijna elk overlevingsscenario, van eenvoudige gevallen tot zeer complexe situaties.

Hier is een uitsplitsing van hun ideeën met behulp van alledaagse analogieën:

1. Het Probleem: Een Rommelige Werkplaats

Stel je voor dat je een auto probeert te repareren.

De Oude Manier: Je hebt een moersleutel voor de bouten, een schroevendraaier voor de schroeven en een gespecialiseerd gereedschap voor de motor. Als je een bout en een schroef tegelijkertijd moet vastdraaien, moet je van gereedschap wisselen, en soms passen de tools niet goed bij elkaar. Als je een vreemde, roestige bout hebt (complexe data), heb je misschien niet eens het juiste gereedschap.
De Oplossing van het Papier: De auteurs hebben een "Universele Sleutel" gebouwd (het tram-pakket). Deze kan bouten aandraaien, schroeven draaien en met roestige onderdelen omgaan, allemaal met hetzelfde mechanisme. Het gebruikt één enkele wiskundige taal (Maximum Likelihood) om alles te beschrijven, waardoor het gemakkelijk is om tussen eenvoudige en complexe modellen te schakelen zonder je hele aanpak te veranderen.

2. Het Kernconcept: Het Rekken van de Tijdlijn

In het hart van dit kader ligt het idee van transformatie.
Stel je de overlevingstijd voor als een elastiekje.

Eenvoudige Modellen (zoals Weibull): Deze gaan ervan uit dat het elastiekje in een perfect rechte, voorspelbare lijn rekt. Het is makkelijk te berekenen, maar als de echte wereld grillig is, breekt het model.
Smooth Transformation Models: Deze laten toe dat het elastiekje wordt uitgerekt, gedraaid en in elke gewenste gladde curve wordt gevormd om perfect bij de data te passen. De auteurs gebruiken "smooth splines" (zoals een flexibel liniaal) om de tijdlijn te boetseren zodat deze past bij de werkelijke patiëntgegevens, of de gegevens nu exact, ontbrekend of vaag zijn.

3. Omgaan met "Rommelige" Data

Medische gegevens in de echte wereld zijn zelden perfect. Het artikel laat zien hoe dit nieuwe kader drie veelvoorkomende soorten "rommel" aanpakt:

Interval Censoring (Het "Ik weet het niet precies"-probleem):
- Scenario: Een patiënt komt op maandag voor een controle en is in orde. Ze komen op vrijdag terug en zijn ziek. Je weet dat het evenement tussen maandag en vrijdag heeft plaatsgevonden, maar niet precies wanneer.
- Oude Tools: Veel standaardtools hebben moeite met dit "vage" tijdsvenster.
- Nieuwe Tool: Het framework behandelt dit tijdsvenster op natuurlijke wijze door het elastiekje aan het interval aan te passen, in plaats van te forceren tot één enkele gok.
Non-Proportional Hazards (Het "Veranderend Effect"-probleem):
- Scenario: Een medicijn kan een wonder doen in het eerste jaar, maar daarna stoppen met werken. Of het kan jongeren helpen, maar ouderen schaden.
- Oude Tools: Veel tools gaan ervan uit dat het effect van een medicijn constant is (zoals een lichtschakelaar die ofwel AAN of UIT staat).
- Nieuwe Tool: Dit framework staat toe dat de "schakelaar" een dimmer is. Het kan modelleren hoe de kracht van het medicijn verandert over de tijd of over verschillende groepen heen.
Dependent Censoring (Het "Uitval"-probleem):
- Scenario: Patiënten die het slecht doen, haken wellicht vaker af uit de studie dan patiënten die het goed doen. Als je dit negeert, zijn je resultaten vertekend.
- Nieuwe Tool: De auteurs laten zien hoe ze een "copula" (een statistische lijm) kunnen gebruiken om de overlevingstijd van de patiënt en de uitvaltijd aan elkaar te plakken, in de erkenning dat deze met elkaar verbonden kunnen zijn.

4. De Test in de Praktijk: De Rectale Kanker Trial

Om te bewijzen dat hun framework werkt, hebben de auteurs het toegepast op echte gegevens uit een grote kankerstudie (CAO/ARO/AIO-04) waarbij 1.236 patiënten met rectale kanker betrokken waren.

Ze vergeleken een standaardbehandeling (5-FU) met een experimentele behandeling (5-FU + Oxaliplatine).
Ze gebruikten hun "Universele Sleutel" om modellen te fitten die rekening hielden met het feit dat patiënten in 88 verschillende ziekenhuizen werden behandeld (geclusterde data) en dat sommige gebeurtenistijden vaag waren (interval-censored).
Het Resultaat: Ze bevestigden dat de experimentele behandeling de overleving over het algemeen verbeterde, maar ze ontdekten ook dat het voordeel niet voor iedereen hetzelfde was. Het leek jongere patiënten meer te helpen dan oudere patiënten.

5. Gepersonaliseerde Geneeskunde: De "Boom"-benadering

Het artikel verkent ook hoe behandelingen op maat kunnen worden gemaakt voor het individu.

Stel je een beslissingsboom voor (zoals een "Kies je eigen avontuur"-boek).
De auteurs gebruikten een "survival tree" om patiënten in takken te verdelen op basis van hun leeftijd.
De Bevinding: De boom liet zien dat voor patiënten onder een bepaalde leeftijd, het experimentele medicijn de duidelijke winnaar was. Voor oudere patiënten was de standaardbehandeling eigenlijk beter. Dit benadrukt hoe het framework kan helpen om weg te bewegen van de "one size fits all"-geneeskunde.

Samenvatting

Het artikel is in essentie een tutorial die zegt: "Stop met het jongleren met tien verschillende softwarepakketten die verschillende talen spreken. Gebruik dit ene verenigde framework (tram) dat kan rekken, draaien en aanpassen om te passen bij elk overlevingsdata-probleem dat je hebt, van eenvoudige curves tot complexe, rommelige scenario's uit de echte wereld."

Ze demonstreren dat door dit enkele, flexibele systeem te gebruiken, onderzoekers nauwkeurigere antwoorden kunnen krijgen, moeilijke datatypen kunnen afhandelen (zoals vage tijdsvensters) en gepersonaliseerde inzichten kunnen ontsluiten (zoals leeftijdsgebonden effecten van behandelingen) die oudere, rigide methoden mogelijk zouden missen.

Technische Samenvatting: Smooth Transformation Modellen voor Overlevingsanalyse

Probleemstelling
Gedurende de afgelopen vijf decennia heeft de overlevingsanalyse een significante vooruitgang doorgemaakt door middel van parametrische, semi-parametrische en non-parametrische methoden. Het methodologische landschap is echter steeds gefragmenteerder geworden. Onderzoekers worden geconfronteerd met substantiële uitdagingen bij het navigeren door diverse software-implementaties, met name bij het werken met complexe scenario's zoals interval-gecensureerde of getrunceerde data, niet-proportionele of kruisende hazards, afhankelijke censurering en geclusterde observaties. Een kritisch probleem is het gebrek aan een verenigd kader; verschillende pakketten maken vaak gebruik van uiteenlopende parametrisaties, schattingsstrategieën en optimalisatieprocedures, wat het moeilijk maakt om modellen te vergelijken of tussen modellen te schakelen. Bovendien ontbreekt het de standaardsoftware vaak aan de flexibiliteit om dergelijke complexe datastructuren simultaan te verwerken, zoals blijkt uit de beperkingen bij de analyse van de CAO/ARO/AIO-04 rectale kankerstudie, waar het fitten van mixed-effects modellen met flexibele baseline hazards voor interval-gecensureerde uitkomsten voorheen onmogelijk was.

Methodologie
Deze tutorial introduceert een verenigd maximum-likelihood framework gebaseerd op smooth transformation modellen, geïmplementeerd in het R-systeem via het tram pakket en gerelateerde add-ons (tramME, trtf, mlt). De kernmethodologie berust op het modelleren van de overlevingsfunctie $S(t)$ door middel van een transformatiefunctie $h(t)$ , die tijd naar een latente schaal mapt.

Belangrijke methodologische componenten zijn:

Parametrisatie: De log-cumulatieve hazardfunctie, $h(t)$ , wordt gemodelleerd met behulp van smooth spline basisfuncties, specifiek polynomen in Bernstein-vorm. Dit maakt een volledig parametrische formulering mogelijk van modellen die traditioneel semi-parametrisch zijn (bijv. het Cox-model), wat eenvoudige maximum likelihood inferentie mogelijk maakt, zelfs met interval-gecensureerde data.
Verenigd Framework: Het framework huisvest een breed scala aan overlevingsmodellen onder één enkele infrastructuur:
- Standaard Modellen: Weibull proportionele hazards en volledig parametrische Cox-modellen.
- Gestreifieerde Modellen: Mogelijkheid tot stratum-specifieke baseline hazards terwijl een globale behandelingseffect behouden blijft.
- Niet-proportionele Hazards: Uitbreidingen die schaaltermen of tijdvariërende behandelingseffecten ( $\beta(t)$ ) schatten, waardoor de proportionele hazards-aanname wordt versoepeld.
- Afhankelijke Censurering: Implementatie van copula proportionele hazards modellen (met behulp van Gaussische copula's) om de afhankelijkheid tussen event-tijden en censureringstijden te modelleren.
- Geclusterde Observaties: Mixed-effects modellen (via tramME) die random effects bevatten voor cluster-specifieke afhankelijkheid, en gemarginaliseerde modellen die marginale hazard ratios bieden.
- Gepersonaliseerde Geneeskunde: Modellen met leeftijd-variërende behandelingseffecten, geschat via smooth functies of survival trees (via trtf).
Likelihood Constructie: De benadering behandelt exacte, rechts-gecensureerde, links-gecensureerde en interval-gecensureerde observaties door de log-likelihood bijdragen direct af te leiden uit de transformatiefunctie en de afgeleiden daarvan.

Belangrijkste Bijdragen
Het artikel demonstreert de praktische toepassing van dit framework met behulp van data uit de CAO/ARO/AIO-04 twee-arm gerandomiseerde gecontroleerde studie naar rectale kankertherapie. De tutorial biedt:

Naadloze Implementatie: Een gids voor het fitten van complexe modellen (bijv. mixed-effects Cox-modellen met interval-gecensureerde data) die voorheen moeilijk of onmogelijk te schatten waren in R.
Comparatieve Analyse: Een head-to-head vergelijking van gebruikersinterfaces en numerieke resultaten tussen de tram/tramME implementaties en 13 andere gevestigde CRAN-pakketten. Deze validatie-inspanning identificeerde problematische speciale gevallen en discrepanties tussen verschillende software-implementaties van hetzelfde model.
Praktische Voorbeelden: Gedetailleerde R-code en interpretaties voor:
- Het fitten van flexibele proportionele hazards modellen met niet-lineaire baseline hazards.
- Het schatten van niet-proportionele hazards en tijdvariërende behandelingseffecten.
- Het modelleren van afhankelijke censurering met copula-modellen.
- Het analyseren van geclusterde data met mixed-effects en gemarginaliseerde modellen.
- Het verkennen van heterogene behandelingseffecten via leeftijd-variërende hazards en survival trees.
Uitbreidingen: Demonstraties van hoe het framework frailty modellen, non-parametrische likelihoods, alternatieve linkfuncties (bijv. logit voor proportional odds), covariaat-adjustering en simulatie voor steekproefomvang-schatting ondersteunt.

Resultaten
Het toepassen van het framework op de CAO/ARO/AIO-04 trial data leverde de volgende inzichten op:

Behandelingseffect: De experimentele behandeling (5-FU + Oxaliplatin) verminderde de hazard van ziektevrije overleving significant vergeleken met de controlegroep (5-FU alleen), met een hazard ratio van ongeveer 0,79.
Niet-proportionaliteit: Modellen die niet-proportionele hazards toestonden, lieten zien dat het behandelingseffect aanvankelijk het sterkst was en in de loop van de tijd afnam, een nuance die niet werd gevangen door standaard proportionele hazards modellen.
Afhankelijke Censurering: Analyse van de totale overleving met afhankelijke censurering toonde geen bewijs van afhankelijkheid tussen verlies van follow-up en overlevingstijden (afhankelijkheidsparameter $\xi \approx 0$ ).
Heterogeniteit: Leeftijd-variërende modellen suggereerden dat de experimentele behandeling effectiever was voor patiënten tussen de 40 en 70 jaar, terwijl de controlebehandeling effectiever leek voor oudere patiënten, hoewel de betrouwbaarheidsintervallen breed waren. Survival trees bevestigden een split rond de 77,6 jaar.
Consistentie: De resultaten van de smooth transformation modellen waren consistent met eerdere analyses (bijv. Rödel et al., 2015; Hofheinz et al., 2018), maar boden extra flexibiliteit en de handling van interval-censurering die voorheen niet beschikbaar was.

Significantie
Het artikel stelt dat het smooth transformation model framework een verenigde toolkit biedt die de fragmentatie in software voor overlevingsanalyse oplost. Door een gemeenschappelijke kerninfrastructuur te bieden voor parametrisatie, schatting en optimalisatie, faciliteert het naadloze overgangen tussen verschillende modelcomplexiteiten. De auteurs benadrukken dat dit framework onderzoekers in staat stelt om praktisch relevante beperkingen aan te pakken — zoals de simultane behandeling van interval-censurering en clustering — die historisch gezien een rigoureuze analyse hebben belemmerd. De tutorial dient niet alleen als een gids voor implementatie, maar ook als een validatiemechanisme, waardoor het vertrouwen in gerapporteerde numerieke resultaten wordt vergroot door cross-package vergelijkingen mogelijk te maken. Uiteindelijk stelt het framework onderzoekers in staat om complexe taken binnen de overlevingsanalyse in R te voltooien zonder de noodzaak om te wisselen tussen uiteenlopende softwarepakketten.