📊 statistics

Causal inference for N-of-1 trials

Dit artikel vestigt een formeel causaal inferentiekader voor N-of-1-studies door een eenheidsspecifiek conditioneel gemiddeld behandelingseffect (U-CATE) te definiëren en aan te tonen hoe dit geïdentificeerd en geschat kan worden met behulp van eenvoudige gemiddelde verschillen of de tijdsvariërende g-formule, afhankelijk van de complexiteit van factoren zoals carryover-effecten en tijdsvariërende confounders.

Oorspronkelijke auteurs: Marco Piccininni, Mats J. Stensrud, Zachary Shahn, Stefan Konigorski

Gepubliceerd 2026-08-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marco Piccininni, Mats J. Stensrud, Zachary Shahn, Stefan Konigorski

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 probeert uit te zoeken welke gamecontroller ervoor zorgt dat jij het beste speelt. Je zou duizend andere gamers kunnen vragen wat zij leuk vinden, maar dat is als een menigte vragen wat ze van een specifiek ijsje vinden; dat zegt iets over de gemiddelde persoon, niet over jouw specifieke smaakpapillen. Dit is de kern van "gepersonaliseerde geneeskunde": het idee dat wat werkt voor de "gemiddelde" patiënt, misschien niet voor jou werkt. Om dit op te lossen, gebruiken wetenschappers een speciaal soort experiment genaamd een N-of-1 trial. Zie het als een wetenschappelijke "A/B-test" voor één enkel persoon. In plaats van twee groepen mensen met elkaar te vergelijken, vergelijk je twee versies van jezelf over een bepaalde tijd: de ene week neem je de medicijnen, de volgende week neem je een suikerpil, en je wisselt dit voortdurend af. Het doel is om te zien wat jou daadwerkelijk beter laat voelen, om zo de ruis van het dagelijks leven weg te filteren.

Echter, alleen omdat je heen en weer wisselt, betekent dat niet dat de wiskunde eenvoudig is. Je lichaam is geen onbeschreven blad; het heeft ritmes, gewoonten en herinneringen. Als je op maandag een pil neemt, werkt die dan nog steeds op woensdag? Als je je op een regenachtige dinsdag slecht voelt, komt dat dan door het weer of door de pil? Hier komt causale inferentie om de hoek kijken. Dit is de tak van de wetenschap die probeert de vraag te beantwoorden: "Heeft dit dat veroorzaakt?" in plaats van alleen "Gebeurden ze tegelijkertijd?". Jarenlang hebben mensen gedebatteerd over hoe je deze individuele trials moet analyseren. Sommigen dachten dat het randomiseren van de volgorde voldoende was om alles op te lossen, terwijl anderen zich zorgen maakten dat de volgorde van gebeurtenissen of het verstrijken van de tijd de resultaten kon bedriegen. De grote vraag was: hoe krijgen we een helder, eerlijk antwoord over wat werkt voor één specifiek persoon, zelfs wanneer het lichaam van die persoon chaotisch en ingewikkeld is?

Dit artikel stapt in om orde te scheppen in deze chaos. De auteurs, een team van datawetenschappers en wiskundigen, hebben een formeel "regelboek" voor N-of-1 trials gebouwd met behulp van de taal van causale inferentie. Ze hebben niet simpelweg geraden; ze hebben een wiskundig kader gecreëerd dat de data van één persoon behandelt als een klein, op zichzelf staand universum. Ze definiëren een specifiek doel dat de U-CATE wordt genoemd (wat klinkt als een chique robot, maar het betekent simpelweg het "gemiddelde effect voor deze specifieke persoon"). Ze laten zien dat als de regels van het spel simpel zijn — wat betekent dat de medicatie snel uitwerkt en geen blijvend "geestverschijnsel" achterlaat — de wiskunde rechtlijnig is. Je kunt dan gewoon de "goede dagen" en de "slechte dagen" middelen om het antwoord te vinden.

Maar de auteurs weten dat het echte leven niet simpel is. Ze pakken de rommelige scenario's aan waarbij de medicatie een "carryover-effect" kan hebben (zoals een kater van een pil die langer aanhoudt dan de dosis zelf), waar je stemming in de loop van de tijd kan stijgen of dalen, of waar de reactie van je lichaam op de pil afhangt van wat er gisteren is gebeurd. In deze complexe situaties laten ze zien dat een simpel gemiddelde niet genoeg is. In plaats daarvan stellen ze een geavanceerd wiskundig hulpmiddel voor genaamd de g-formule. Zie dit als een simulatie-engine voor tijdreizen. Het neemt al je data op zich — je temperatuur, het tijdstip, je symptomen en je behandelgeschiedenis — en draait een virtuele simulatie om te vragen: "Wat zou er gebeurd zijn als je de pil elke keer had genomen?" versus "Wat als je hem nooit had genomen?".

Het artikel bewijst dat onder bepaalde voorwaarden deze simulatie-engine het werkelijke effect van een behandeling voor een enkel individu nauwkeurig kan identificeren, zelfs wanneer de data ruizig zijn en de effecten aanhouden. Ze hebben deze ideeën getest op echte data van mensen die hun acne-symptomen bijhielden. In één geval werkte een simpel gemiddelde prima. In een ander geval, waarbij de reactie van de huid afhankelijk leek te zijn van het tijdstip en de temperatuur, moesten ze hun complexe simulatie-tool gebruiken. Het resultaat? Ze ontdekten dat de acne-gel geweldig werkte voor de één, maar blijkbaar niet hielp voor de ander, wat precies benadrukt waarom we deze gepersonaliseerde methoden nodig hebben. De auteurs verduidelijken ook een veelvoorkomende verwarring: hoewel het randomiseren van de volgorde van behandelingen nuttig is, is het geen toverstaf die alles oplost als de onderliggende biologie complex is. Je hebt nog steeds de juiste wiskunde nodig om de resultaten te interpreteren.

Uiteindelijk zegt dit artikel niet alleen dat "N-of-1 trials cool zijn"; het geeft wetenschappers de precieze instructies over hoe ze de resultaten moeten lezen zonder zich te laten misleiden door de eigenaardigheden van de menselijke biologie. Het laat zien dat we, met de juiste aannames en de juiste instrumenten, voorbij kunnen gaan aan het gissen naar wat werkt voor de "gemiddelde" persoon en eindelijk kunnen weten wat voor jou werkt.

Technische Samenvatting: Causale Inferentie voor N-of-1 Trials

Probleemstelling

De conventionele benadering van causale inferentie in gerandomiseerde gecontroleerde onderzoeken (RCT's) richt zich op het schatten van het gemiddelde causale effect binnen een populatie. De opkomst van gepersonaliseerde geneeskunde heeft echter de beperkingen van deze benadering onderstreept, aangezien individuen vaak heterogene reacties op behandelingen vertonen, unieke voorkeuren hebben, of mogelijk niet voldoen aan de selectiecriteria van bestaande populatiebrede RCT's. N-of-1 trials, gedefinieerd als binnen-persoon crossover-trials waarbij een enkel individu in opeenvolgende perioden een behandeling en een controle ontvangt, bieden een potentiële oplossing voor het identificeren van individu-specifieke causale effecten.

Ondanks hun intuïtieve aantrekkingskracht blijven de analyse en interpretatie van N-of-1 trials methodologisch complex. Er bestaat verwarring over de rol van randomisatie, de omgang met confounding (met name autocorrelatie en carryover-effecten) en de passende causale estimanden. Eerdere literatuur bood tegenstrijdige visies: sommigen beweren dat randomisatie de noodzaak voor causale inferentiemethoden elimineert, terwijl anderen beargumenteren dat voor autocorrelatie en carryover moet worden gecorrigeerd, zelfs in gerandomiseerde designs. Dit artikel adresseert de behoefte aan een formeel causaal inferentiekader om intuïtieve claims te onderbouwen, precieze estimanden te definiëren en identificatie- en schattingsstrategieën voor enkelvoudige N-of-1 trials vast te stellen.

Methodologie

Kader en Notatie

De auteurs hanteren een formeel causaal inferentiekader gebaseerd op structurele causale modellen (SCM's) en contrafactische redeneringen. Ze definiëren een N-of-1 trial als een studie waarbij een behandelingsschema $Z$ aan de basis wordt toegewezen en cyclisch over de tijd wordt herhaald. De behandelingsstatus $A_k$ op tijdstip $k$ is een deterministische functie van $Z$ . De analyse richt zich op een enkel individu, geconceptualiseerd als een trek uit een bijna oneindige superpopulatie, wat de definitie van individu-specifieke causale effecten mogelijk maakt.

Causale Modellen

Het artikel ontwikkelt twee primaire causale modellen:

Het Basisscenario:
- Aannames: De uitkomst $Y_k$ wordt gegenereerd door een structurele vergelijking $Y_k = f^Y(A_k, U, \epsilon_k)$ , waarbij $U$ ongemeten individu-specifieke kenmerken (baseline covariaten) vertegenwoordigt en $\epsilon_k$ tijdvariërende ruis is.
- Belangrijke Beperkingen: Het model gaat uit van geen carryover-effecten (behandeling op tijdstip $k$ heeft geen invloed op uitkomsten op $k' > k$ ), geen uitkomst-uitkomst effecten, en geen tijdvariërende gemeenschappelijke oorzaken van de uitkomst waarvan de distributie in de loop van de tijd verandert.
- Stationariteit: Het gaat uit van sterke conditionele stationariteit: de distributie van contrafactische uitkomsten is constant over de tijd gegeven $U$ .
Het Verruimde Causale Model:
- Motivatie: Om de bedreigingen voor stationariteit aan te pakken die veel voorkomen in klinische settings, zoals carryover-effecten, autocorrelatie en tijdstrends.
- Structuur: Dit model introduceert een tijdvariërende covariaat $L_k$ (bijv. omgevingsfactoren, fysiologische toestanden) die beïnvloed kan worden door eerdere behandeling, eerdere uitkomsten en eerdere covariaat-toestanden. De uitkomst $Y_k$ is afhankelijk van $A_k$ , $Y_{k-1}$ , $L_k$ , $L_{k-1}$ en individu-specifieke variabelen $U$ .
- Aannames: Hoewel sterke stationariteit wordt versoepeld, legt het model regulariteitsbeperkingen op: de functionele vormen die $L_k$ en $Y_k$ genereren veranderen niet over de tijd, en de ruisdistributies blijven stationair. Het staat directe en indirecte carryover-effecten en uitkomst-uitkomst afhankelijkheden toe.

Identificatie en Schatting

Target Estimand: Het artikel definieert de U-CATE (Conditional Average Treatment Effect conditional on $U$ ) als de primaire estimand. Dit vertegenwoordigt het contrast tussen de verwachte contrafactische uitkomst onder een "altijd behandeld" strategie versus een "nooit behandeld" strategie voor een specifief individu.
Schatting van het Basisscenario: Onder het basismodel wordt de U-CATE geïdentificeerd door het eenvoudige gemiddelde verschil tussen geobserveerde uitkomsten tijdens behandelingsperioden en controleperioden. De auteurs bewijzen dat dit eenvoudige verschil een onbevooroordeelde, asymptotisch normale estimator is.
Schatting van het Verruimde Model: Onder het verruimde model zijn eenvoudige gemiddelde verschillen bevooroordeeld door carryover en tijdstrends. De auteurs tonen aan dat de U-CATE geïdentificeerd kan worden met behulp van een longitudinale g-formule. Dit vereist het schatten van de conditionele distributies van de uitkomst en covariaten gegeven hun directe oorzaken (bijv. $P(Y_k | A_k, Y_{k-1}, L_k, L_{k-1}, U)$ ).
Rol van Randomisatie: De auteurs betogen dat randomisatie van het behandelingsschema niet strikt noodzakelijk is voor identificatie in deze settings omdat de inferentie conditioneel is op de kenmerken van het individu ( $U$ ) en het specifieke schema ( $Z$ ). Randomisatie dient primair om uitwisselbaarheid (exchangeability) te waarborgen als men marginale inferenties wil maken over tijdstippen of verschillende schema's, maar de kern van de individu-specifieke inferentie berust op de structurele aannames en stationariteitsvoorwaarden.

Belangrijkste Resultaten

Formalisering van N-of-1 Inferentie: Het artikel formaliseert N-of-1 trials succesvol binnen een superpopulatiekader, waarbij de U-CATE als een rigoureus individu-specifiek causaal effect wordt gedefinieerd.
Validiteit van Eenvoudige Estimators: In het "basisscenario" (geen carryover, geen tijdstrends), is een eenvoudig ongepaard gemiddeld verschil een geldige, onbevooroordeelde estimator voor de U-CATE. Dit biedt theoretische rechtvaardiging voor het gebruik van eenvoudige t-testen in specifieke N-of-1 contexten.
Identificatie onder Complexiteit: In meer realistische settings met carryover-effecten, autocorrelatie en tijdvariërende confounders, demonstreert het artikel dat de U-CATE nog steeds identificeerbaar is via de g-formule, mits specifieke stationariteitsvoorwaarden gelden en voldoende data (herhaalde cycli) beschikbaar zijn.
Data Applicatie: De auteurs hebben hun methoden toegepast op publieke data van twee N-of-1 trials met betrekking tot acne-ernst.
- Onder het basismodel vertoonde één deelnemer een significant behandelings-effect, terwijl de andere dat niet deed.
- Onder het verruimde model (rekening houdend met tijdstip van de dag, temperatuur en potentieel carryover) bevestigde het g-computation algoritme een gunstig behandelings-effect voor de tweede deelnemer, maar vond het geen bewijs voor een effect voor de eerste deelnemer.
- Deze toepassing illustreert hoe verschillende aannames over het datagenereerende proces leiden tot verschillende analytische strategieën en resultaten, wat het belang van modelspecificatie benadrukt.

Betekenis en Claims

Het artikel beweert een noodzakelijke theoretische basis te bieden voor de analyse van N-of-1 trials, waarmee het verder gaat dan ad-hoc statistische benaderingen. Door deze trials te funderen in een formeel causaal kader, beogen de auteurs:

Misconcepties te verhelderen over de noodzaak van randomisatie en de omgang met confounding in single-subject designs.
Het gebruik van eenvoudige estimators te rechtvaardigen in specifieke, goed gedefinieerde scenario's.
Een rigoureus pad te bieden (via de g-formule) voor het analyseren van complexe N-of-1 trials waar carryover en tijdstrends aanwezig zijn.
Te benadrukken dat hoewel de resultaten van een enkele N-of-1 trial specifiek zijn voor het individu (beperkte generaliseerbaarheid), het aggregeren van een reeks N-of-1 trials efficiënte schattingen kan opleveren van populatiebrede gemiddelde behandelingseffecten onder specifieke aannames (bijv. geen effectmodificatie door $U$ ).

De auteurs nemen een bescheiden standpunt in door te erkennen dat de validiteit van hun resultaten sterk afhangt van de plausibiliteit van de onderliggende causale aannames (bijv. stationariteit, correcte modelspecificatie). Ze merken op dat hoewel het kader de identificatie van individuele effecten mogelijk maakt, de transporteerbaarheid van deze resultaten naar toekomstige tijdstippen of andere individuen een uitdaging blijft die inherent is aan de aard van gepersonaliseerde geneeskunde.