A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

In de wereld van medisch onderzoek houden artsen en wetenschappers vaak twee verschillende soorten informatie bij om te begrijpen hoe een ziekte zich door het lichaam van een persoon beweegt. Het eerste soort is een reeks metingen die gedurende een bepaalde tijd worden genomen, zoals het controleren van de bloeddruk of de longcapaciteit van een patiënt elke paar maanden. Dit worden longitudinale markers genoemd, en ze vertellen een verhaal van verandering, waarbij ze laten zien of een patiënt langzaam beter wordt of juist slechter gaat. Het tweede soort informatie gaat over specifieke momenten waarop iets significants gebeurt, zoals een plotseling ziekenhuisbezoek, een grote complicatie of zelfs overlijden. Deze staan bekend als klinische events. Decennialang hebben onderzoekers geprobeerd wiskundige modellen te bouwen die deze twee stromen aan gegevens aan elkaar koppelen, met de vraag hoe de langzame, gestage veranderingen in de gezondheidsmetingen van een patiënt kunnen voorspellen wanneer een plotseling, ernstig event zal plaatsvinden. Deze verbinding is essentieel omdat het artsen in staat stelt problemen te voorzien voordat ze uitmonden in noodsituaties. Echter, medische gegevens uit de echte wereld zijn zelden eenvoudig. Patiënten ervaren vaak hetzelfde type crisis meerdere keren, en zij worden geconfronteerd met verschillende soorten ernstige uitkomsten die met elkaar concurreren, zoals het risico op overlijden versus het risico op een transplantatie. Bovendien zijn veel gezondheidsmetingen begrensd, wat betekent dat ze niet onder nul kunnen dalen of boven een bepaalde limiet kunnen uitstijgen, wat ze moeilijk analyseerbaar maakt met standaardinstrumenten die ervan uitgaan dat getallen zich oneindig in beide richtingen kunnen uitstrekken.

Een team van statistici en epidemiologen heeft een nieuwe, meer geavanceerde manier ontwikkeld om deze complexe stukjes informatie met elkaar te verbinden. Hun werk richt zich op cystic fibrosis (taaislijmziekte), een ernstige genetische stoornis die de longen en het spijsverteringsstelsel beschadigt. Patiënten met deze aandoening worden nauwlettend gevolgd op twee belangrijke indicatoren: hun lichaam-massaindex, die hun nutritionele status weerspieft, en een maat voor hun longfunctie genaamd het percentage van de voorspelde geforceerde expiratoire volume in één seconde. Deze longmeting is een percentage dat doorgaans varieert van nul tot honderd, hoewel het met effectieve behandeling soms iets hoger kan uitvallen. Omdat dit getal gevangen zit binnen een specifiek bereik, worstelen standaard statistische methoden vaak met het nauwkeurig modelleren ervan, waarbij ze soms onmogelijke resultaten produceren zoals een negatieve longcapaciteit. De onderzoekers moesten ook rekening houden met het feit dat patiënten herhaalde longinfecties kunnen ondergaan, bekend als pulmonale exacerbaties, en dat zij aan het einde van hun traject geconfronteerd worden met twee afzonderlijke, concurrerende risico's: overlijden door respiratoire insufficiëntie of het ontvangen van een longtransplantatie. Eerdere methoden dwongen onderzoekers vaak om een deel van deze informatie te negeren, zoals het behandelen van meerdere infecties als één enkel event, of het combineren van overlijden en transplantatie in één categorie, wat belangrijke details over de ziekte vertroebelde.

Om deze problemen op te lossen, creëerden de onderzoekers een verenigd statistisch kader dat al deze complexiteiten tegelijkertijd kan verwerken. In plaats van de longfunctiedata in een standaardcurve te dwingen die ruimte laat voor onmogelijke waarden, gebruikten ze een flexibele wiskundige vorm die specifiek is ontworken voor getallen die binnen een vaste grens blijven. Deze aanpak zorgt ervoor dat het model alleen realistische longfunctiewaarden voorspelt. Ze koppelden dit verbeterde meetmodel vervolgens aan de timing van herhaalde infecties en de concurrerende risico's van overlijden en transplantatie. Door dit te doen, konden ze zien hoe het traject van de longfunctie en het lichaamsgewicht van een patiënt de waarschijnlijkheid van een toekomstige infectie of een fatale gebeurtenis beïnvloedde, terwijl ze ook rekening hielden met het feit dat een patiënt die een transplantatie ontvangt, niet langer op dezelfde manier risico loopt om te overlijden aan respiratoire insufficiëntie. Het team testte deze nieuwe methode met behulp van een enorme database met gezondheidsgegevens van meer dan drieëntwintig duizend individuen met cystic fibrosis in de Verenigde Staten, verspreid over bijna twee decennia. Deze dataset bevatte miljoenen individuele metingen en volgde duizenden hospitalisaties, transplantaties en sterfgevallen.

De resultaten van het toepassen van dit nieuwe model op de gegevens uit de echte wereld gaven een duidelijker beeld van hoe de ziekte vordert. De analyse toonde aan dat het risico op een longinfectie bij een patiënt toeneemt als zij in het verleden veel infecties hebben gehad, wat bevestigt dat de ziekte de neiging heeft om in episodes te clusteren. Nog belangrijker is dat het model aantoonde dat zowel de longfunctie als de lichaam-massaindex krachtige voorspellers zijn van toekomstige risico's. Specifiek was een snellere afname van de longfunctie sterk geassocieerd met een hoger risico op overlijden, terwijl de cumulatieve geschiedenis van veranderingen in de lichaam-massaindex gekoppeld was aan het risico op een volgende infectie. De studie vond dat het risico op overlijden en het risico op een transplantatie verschillend worden beïnvloed door deze markers, wat bewees dat het behandelen van hen als een enkele uitkomst cruciale nuances zou hebben gemist. Bijvoorbeeld, het model toonde aan dat een daling van één eenheid in de longfunctie en een sneller tempo van afname elk het gevaar van overlijden met afzonderlijke hoeveelheden verhoogden, wat het belang van het volgen van de snelheid van verandering benadrukt, en niet alleen de huidige waarde. De onderzoekers ontdekten ook dat patiënten die kwetsbaarder waren – een term die een algemene staat van kwetsbaarheid beschrijft – aanzienlijk vaker infecties ervoeren, een transplantatie ontvingen of stierven.

De studie diende ook als een test om te zien of het gebruik van de oude, eenvoudigere methoden zou leiden tot onjuiste conclusies. Wanneer de onderzoekers data simuleerden waarbij de longfunctie strikt begrensd was en deze vervolgens probeerden te analyseren met de traditionele methoden die ervan uitgaan dat getallen overal naartoe kunnen gaan, waren de resultaten vertekend. De oudere benadering produceerde bevooroordeelde schattingen, waarbij werd gesuggereerd dat de relatie tussen de longgezondheid en het risico op overlijden veel zwakker was dan deze in werkelijkheid was. Dit bevestigde dat de nieuwe methode niet slechts een kleine aanpassing is, maar een noodzakelijke verbetering voor een nauwkeurige analyse. Het team maakte hun nieuwe model beschikbaar voor andere wetenschappers via een gratis softwarepakket, waardoor onderzoekers dezelfde rigoureuze aanpak kunnen toepassen op andere ziekten met vergelijkbare complexe datastructuren. Door het volledige verhaal van de gezondheidsreis van een patiënt vast te leggen – de herhaalde tegenslagen, de concurrerende gevaren en de begrensde aard van hun vitale functies – biedt dit werk een preciezer instrument voor het begrijpen van ziekteprogressie. Het biedt een manier om de relatie tussen de belangrijkste klinische signalen en levensbedreigende gebeurtenissen te kwantificeren met een niveau van detail dat voorheen onmogelijk was, wat potentieel kan helpen artsen om deze aandoeningen in de toekomst effectiever te beheren.