adjustedCurves: Estimating Confounder-Adjusted Survival Curves in R
Het artikel introduceert het R-pakket `adjustedCurves`, dat een verenigd kader biedt voor het schatten en visualiseren van confounder-gecorrigeerde overlevingscurves, gemiddelde overlevingstijden (restricted mean survival times) en kwantielen in observationele studies met rechts-gecensureerde tijd-tot-gebeurtenis-data.
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
In de wereld van medisch onderzoek is het begrijpen van hoe lang een patiënt mogelijk kan leven na een specifieke behandeling een fundamentele vraag. Wanneer wetenschappers dit bestuderen, kijken ze vaak naar tijd-tot-gebeurtenis-data, die de duur bijhoudt vanaf een startpunt, zoals een operatie, tot een specifieke uitkomst optreedt, zoals overlijden of de terugkeer van een ziekte. Om deze tijdlijnen te visualiseren, tekenen onderzoekers traditioneel overlevingscurves. Deze lijnen tonen het percentage mensen dat nog in leven is of vrij is van een gebeurtenis naarmate de tijd verstrijkt. Als een studie een perfect gecontroleerd experiment is waarbij patiënten willekeurig aan verschillende behandelingen worden toegewezen, bieden deze curves een helder en eerlijk beeld van oorzaak en gevolg. Echter, de meeste medische research vindt plaats in de echte wereld, waar patiënten niet willekeurig worden toegewezen. In plaats daarvan kiezen artsen behandelingen op basis van de leeftijd van een patiënt, de ernst van de ziekte, of andere factoren. Dit creëert een verborgen valstrik: als een behandelgroep vanaf het begin zieker is, zal hun overlevingscurve er slechter uitzien, niet omdat de behandeling faalde, maar omdat de patiënten al een hoger risico liepen. Deze vertekening wordt confounding genoemd, en het kan een nuttige behandeling er slecht laten uitzien of een schadelijke behandeling er gunstig uit laten zien.
Om dit probleem op te lossen, hebben Robin Denz en Nina Timmesfeld van de Ruhr-Universität Bochum een nieuwe tool ontwikkeld voor de programmeertaal R, een softwareomgeving die breed wordt gebruikt door statistici. Hun werk, verpakt als adjustedCurves, biedt een manier om die overlevingslijnen opnieuw te tekenen zodat ze reflecteren wat er zou zijn gebeurd als de behandelgroepen perfect in balans waren geweest, alsof de patiënten willekeurig waren toegewezen. De onderzoekers hebben de wiskundige formules voor deze aanpassing niet zelf uitgevonden; in plaats daarvan hebben ze veel verschillende bestaande methoden uit de wetenschappelijke literatuur verzameld en deze in één enkel, gemakkelijk te gebruiken systeem verpakt. Voordat deze tool bestond, had een onderzoeker mogelijk vijf verschillende softwarepakketten moeten leren, elk met zijn eigen verwarrende set regels, om slechts één methode te proberen. Het nieuwe pakket verenigt deze benaderingen, waardoor wetenschappers aangepaste curves kunnen berekenen, betrouwbaarheidsintervallen kunnen schatten en publicatieklare grafieken kunnen genereren met één enkele opdracht.
Het team testte hun software met echte gegevens uit de Rotterdamse tumorbank, die gegevens bevat van 2.982 vrouwen met primaire borstkanker. In deze dataset ontvingen sommige patiënten hormoontherapie en anderen niet. Wanneer de onderzoekers eerst de ruwe, ongecorrigeerde overlevingscurves plotten, waren de resultaten verontrustend en misleidend. De vrouwen die hormoontherapie ontvingen, leken een veel lagere overlevingskans te hebben dan degenen die dat niet deden, waarbij de kloof tussen de twee groepen in de loop van de tijd aanzienlijk groter werd. Dit leek erop te wijzen dat de therapie schadelijk was. De onderzoekers wisten echter dat dit een illusie was veroorzaakt door confounding. In werkelijkheid hadden artsen de neiging om hormoontherapie voor te schrijven aan patiënten die al zieker waren of meer agressieve tumoren hadden. De ruwe data weerspiegelde simpelweg de slechte gezondheid van de behandelde groep, niet het effect van het medicijn.
Door de methoden binnen het adjustedCurves-pakket toe te passen, hebben de onderzoekers de invloed van deze vooraf bestaande verschillen weggenomen. Ze gebruikten statistische technieken om de data te herwegen, waardoor ze effectief een hypothetisch scenario creëerden waarin de behandelde en onbehandelde groepen identiek waren qua leeftijd, tumoromvang en andere risicofactoren. Wanneer ze de overlevingscurves opnieuw tekenden met deze aangepaste data, verdween het dramatische verschil. De twee lijnen, die de behandelde en onbehandelde groepen vertegenwoordigen, liepen bijna parallel aan elkaar, wat geen significant verschil in overlevingsuitkomsten liet zien. Dit resultaat kwam overeen met wat andere rigoureuze studies hadden gesuggereerd: de therapie was niet de oorzaak van de slechte overleving die in de ruwe data werd gezien. Het pakket stelde het team ook in staat om specifieke getallen te berekenen, zoals het verschil in overlevingskans na vijf, zes of zeven jaar, en de mediane tijd die patiënten kunnen verwachten te leven. In elk geval toonden de aangepaste cijfers dat de behandeling geen substantiële invloed had op de algehele overlevingstijd voor deze specifieke groep patiënten.
Het artikel benadrukt dat hoewel de wiskunde achter deze aanpassingen complex is, het doel is om het proces toegankelijk te maken voor onderzoekers die misschien geen expert zijn in geavanceerde statistiek. De software doet het zware werk, controleert of de curves logisch gedragen en biedt instrumenten om de resultaten duidelijk te visualiseren. Het bevat functies om te tonen hoeveel patiënten op elk punt in de tijd nog werden gevolgd en om het bereik van de onzekerheid rond de schattingen weer te geven. De auteurs merken op dat hoewel hun tool goed werkt voor veel veelvoorkomende scenario's, het geen wondermiddel is voor elk mogelijk onderzoeksprobleem. Het behandelt momenteel behandelingen die in de loop van de tijd niet veranderen en vertrouwt op de aanname dat alle belangrijke risicofactoren zijn gemeten. Als een cruciale factor is gemist of als de behandeling tijdens de studie verandert, kan de tool de resulterende bias niet herstellen.
Uiteindelijk gaat dit werk over duidelijkheid en eerlijkheid in de medische verslaglegging. Door een manier te bieden om het werkelijke effect van een behandeling te visualiseren, vrij van de ruis van vooraf bestaande verschillen tussen patiëntengroepen, helpt het adjustedCurves-pakket om misleidende conclusies te voorkomen. Het zorgt ervoor dat wanneer een arts of een patiënt naar een grafiek van overlevingspercentages kijkt, zij het effect van de behandeling zelf zien, en niet het effect van de ziekte die leidde tot de keuze voor de behandeling. De onderzoekers hopen dat door deze geavanceerde methoden gemakkelijker bruikbaar te maken, meer studies verder gaan dan eenvoudige, ongecorrigeerde grafieken en een nauwkeuriger beeld geven van hoe medische interventies het menselijk leven werkelijk beïnvloeden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.