📊 statistics

Strategy to control biases in prior event rate ratio method, with application to palliative care in patients with advanced cancer

Dit artikel presenteert een analytische strategie om vertekeningen in de prior event rate ratio (PERR)-methode te corrigeren door onbeobachte heterogeniteit en behandelingsafhankelijkheid van gebeurtenissen aan te pakken, wat in een studie naar palliatieve zorg bij kankerpatiënten leidde tot een meer accurate inschatting van het effect op bezoeken aan de spoedeisende hulp.

Oorspronkelijke auteurs: Xiangmei Ma, Grace Meijuan Yang, Qingyuan Zhuang, Yin Bun Cheung

Gepubliceerd 2026-03-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xiangmei Ma, Grace Meijuan Yang, Qingyuan Zhuang, Yin Bun Cheung

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

Titel: Hoe we de waarheid vinden in een wereld vol ruis: Een nieuwe manier om medische onderzoeken te verbeteren

Stel je voor dat je een spiegel wilt gebruiken om te zien of een nieuwe medicijn of behandeling echt werkt. Maar deze spiegel is niet helder; hij is besmeurd met vlekken en vervormingen. In de medische wereld noemen we deze vlekken "verwarring" (confounding). Het zijn alle andere factoren die meespelen en het moeilijk maken om te zeggen: "Dit effect komt door de behandeling, en niet door iets anders."

De auteurs van dit artikel hebben een slimme manier bedacht om die spiegel schoon te maken, zodat we de echte waarheid kunnen zien. Ze gebruiken een methode die ze PERR noemen (een soort "voor-en-na-vergelijking"), maar ze hebben ontdekt dat deze methode soms nog steeds scheef kijkt. Hier is hoe ze dat oplossen, vertaald in alledaagse taal.

1. Het oude probleem: De "Vervormde Spiegel"

In het verleden gebruikten onderzoekers een slimme truc om te kijken of een behandeling werkt. Ze keken naar mensen die een behandeling kregen en vergeleken hen met mensen die het niet kregen. Ze keken niet alleen naar wat er na de behandeling gebeurde, maar ook naar wat er daarvoor gebeurde.

De logica: Als iemand al vaker naar het ziekenhuis ging voordat hij de behandeling kreeg, en dat patroon bleef bestaan na de behandeling, dan is de behandeling misschien niet de oorzaak van de verandering.
Het probleem: Deze methode ging uit van twee dingen die in het echte leven vaak niet waar zijn:
1. Iedereen is hetzelfde: Ze dachten dat alle patiënten even kwetsbaar zijn. Maar in werkelijkheid zijn sommige mensen "kwetsbaarder" (ze hebben meer gezondheidsproblemen) dan anderen. Dit maakt de vergelijking on eerlijk.
2. Geen omgekeerde invloed: Ze dachten dat een gebeurtenis (zoals een bezoek aan de spoedeisende hulp) de kans op een behandeling niet beïnvloedt. Maar in het echt gebeurt het vaak dat mensen net na een bezoek aan het ziekenhuis sneller een behandeling krijgen. Dit is als een spiegel die zichzelf beweegt!

2. De oplossing: Een nieuwe lens en een slimme correctie

De auteurs hebben twee grote verbeteringen bedacht om deze "vervormde spiegel" te repareren.

Stap 1: De "Onzichtbare Kracht" aanpakken (Heterogeniteit)

Stel je voor dat je twee teams voetbalt. Team A heeft veel blessures, Team B niet. Als je alleen kijkt naar wie er scoort, lijkt het alsof Team A slechter is, maar misschien zijn ze gewoon kwetsbaarder.

De oude methode (Cox-model) keek alleen naar de eerste goal. De nieuwe methode (Andersen-Gill model) kijkt naar alle goals die een speler maakt.

De analogie: In plaats van te zeggen "Wie scoorde als eerste?", zeggen ze: "Kijk naar het hele spelverloop." Hierdoor worden de "kwetsbare" spelers (die vaker goals tegen krijgen) niet langer als een fout in de berekening gezien, maar als een normaal onderdeel van het spel. Dit maakt de vergelijking eerlijker.

Stap 2: De "Rijstijl" correctie (Event-Dependent Treatment)

Dit is het meest creatieve deel. Stel je voor dat je een plant wilt water geven (de behandeling), maar je doet dat pas nadat je ziet dat de plant verdord is (het voorval).

Het probleem: Als de plant verdort, ga je sneller water geven. Als je dit niet corrigeert, lijkt het alsof water geven de plant niet helpt, omdat de plant al verdord was voordat je begon.
De oplossing: De auteurs hebben een manier bedacht om te meten hoeveel de verdorring de watertijd heeft beïnvloed.
- Ze kijken naar de periode vlak voor de behandeling. Was de plant daar net verdord?
- Als ja, dan weten ze: "Ah, de watertijd is te laat verschoven."
- Ze passen de tijdlijn van de controlegroep (de mensen die geen water kregen) aan. Ze schuiven hun "starttijd" voor het water geven net zo ver op of terug alsof zij ook een verdorde plant hadden gehad.
- Het resultaat: Nu vergelijken ze twee groepen die op exact hetzelfde moment "verdorren" en "water krijgen". De vergelijking is weer eerlijk.

3. Het echte voorbeeld: Palliatieve zorg en de Spoedeisende Hulp

De auteurs testten hun nieuwe methode op een echt probleem: Palliatieve zorg (zorg voor mensen met een ernstige ziekte) en bezoeken aan de Spoedeisende Hulp (SEH).

Het oude verhaal: Eerst keken ze naar de data en dachten ze: "Palliatieve zorg werkt! Het aantal SEH-bezoeken daalt." Maar toen keken ze met hun nieuwe, scherpere lens, zagen ze iets anders.
De ontdekking: Mensen die palliatieve zorg kregen, hadden vaak net daarvoor een bezoek aan de SEH gehad. Omdat ze daar waren, kregen ze sneller palliatieve zorg. De oude methode zag dit als een "verborgen kracht" die de zorg goed deed, maar in werkelijkheid was het een tijdsverschijnsel.
Het nieuwe verhaal: Toen ze hun nieuwe correctie toepasten (het verschuiven van de tijdlijn), bleek dat palliatieve zorg geen enkel effect had op het aantal SEH-bezoeken in deze specifieke groep. Het was eerder een schijnbeeld veroorzaakt door de timing.

Conclusie: Waarom is dit belangrijk?

Dit artikel is als het vinden van een nieuwe bril voor onderzoekers.

Eerlijkheid: Het zorgt ervoor dat we niet denken dat een behandeling werkt (of niet werkt) puur omdat de timing van gebeurtenissen ons in de war brengt.
Betrouwbaarheid: Het helpt artsen en beleidsmakers betere beslissingen te nemen op basis van echte data, niet op basis van statistische illusies.
Toekomst: Het maakt de "Real World Evidence" (evidence uit het echte leven, niet uit strenge lab-tests) veel betrouwbaarder.

Kortom: De auteurs hebben een manier gevonden om de ruis uit de muziek te halen, zodat we eindelijk kunnen horen wat het echte liedje is.

Titel: Strategie om vertekeningen in de 'Prior Event Rate Ratio' (PERR) methode te beheersen, met toepassing op palliatieve zorg bij patiënten met gevorderde kanker.

1. Het Probleem

Real-world data (RWD) is essentieel voor het evalueren van de veiligheid en effectiviteit van behandelingen, maar staat onder druk door het risico op verwarring (confounding). De Prior Event Rate Ratio (PERR) is een gevestigde methode om zowel gemeten als ongemeten verwarring te controleren door de incidentie van gebeurtenissen voor en na de behandeling te vergelijken tussen behandelde groepen en controlegroepen.

De PERR-methode rust echter op twee kritieke aannames die vaak worden geschonden in de praktijk:

Populatiehomogeniteit: De methode veronderstelt dat er geen sprake is van ongemeten heterogeniteit (ook wel "frailty" of kwetsbaarheid genoemd). Als deze aanwezig is, leidt de standaard Cox-regressie (gebruikt in PERR) tot selectiebias.
Onafhankelijkheid van gebeurtenis en behandeling: De methode veronderstelt dat het optreden van een uitkomstgebeurtenis (bijv. een bezoek aan de spoedeisende hulp) de kans op het starten van de behandeling niet beïnvloedt. Als gebeurtenissen de behandelingskans beïnvloeden (zogenaamde Event-Dependent Treatment of EDT), ontstaat er een systematische vertekening.

Er was tot nu toe geen robuuste analytische strategie om beide bronnen van bias tegelijkertijd aan te pakken binnen het PERR-raamwerk.

2. Methodologie

De auteurs stellen een nieuwe analytische strategie voor die bestaat uit drie hoofdbestandsdelen:

A. Herformulering van het PERR-model
In plaats van twee aparte Cox-modellen te schatten (één voor de periode voor de behandeling en één voor de periode erna), wordt een enkel Cox-model voorgesteld met een interactieterm tussen behandeling en periode:
$\lambda_i(t) = \lambda_0(t) \exp(\beta_1 \times trt_i + \beta_2 \times post_i + \beta_3 \times trt_i \times post_i)$
Hierbij is $\exp(\beta_3)$ de PERR-schatting. Deze herformulering maakt het mogelijk om het model te schalen naar het Andersen-Gill (AG) model. Het AG-model is een extensie van de Cox-regressie voor recurrente gebeurtenissen en is robuust tegen bias veroorzaakt door ongemeten heterogeniteit, omdat het niet uitsluit dat personen die al een gebeurtenis hebben gehad, opnieuw in het risicopotentieel komen.

B. Detectie en correctie van Event-Dependent Treatment (EDT)
De auteurs ontwikkelen een methode om EDT te detecteren en de daaruit voortvloeiende bias te corrigeren:

Detectie: Het voorbehandelingsinterval wordt opgesplitst in meerdere sub-intervallen (gaten) vlak voor de start van de behandeling. Door een AG-model te fitten op deze gesplitste data, kan de verandering in de incidentie van gebeurtenissen vlak voor de behandeling worden gekwantificeerd. Een significant effect duidt op EDT.
Correctie: Als EDT wordt gedetecteerd (met parameters $\hat{\theta}$ voor de grootte van het effect en $\hat{\delta}$ voor de duur), worden de indextijdstippen van de controlegroep aangepast. De indextijd van controles wordt verschoven (vooruit of achteruit) op basis van de geschatte impact van eerdere gebeurtenissen op de behandelingsstart, zodat de controlegroep een vergelijkbare "EDT-ervaring" heeft als de behandelde groep.

C. Validatie
De methode werd gevalideerd via uitgebreide simulatiestudies (1000 replicaties) met variërende niveaus van heterogeniteit en EDT-effecten. Vervolgens werd de strategie toegepast op een de-identificeerde dataset van 2571 patiënten met gevorderde kanker in Singapore, waarbij de impact van palliatieve zorg (PC) op bezoeken aan de spoedeisende hulp (ED) werd onderzocht.

3. Belangrijkste Bijdragen

Integratie van AG-model in PERR: Het tonen aan dat PERR kan worden geïmplementeerd via het AG-model, waardoor de bias door ongemeten heterogeniteit wordt geëlimineerd.
Nieuwe correctiemethode voor EDT: De ontwikkeling van een heuristische maar effectieve procedure om de bias te corrigeren wanneer gebeurtenissen de behandelingskans beïnvloeden, een probleem dat eerder niet opgelost kon worden binnen PERR.
Praktische toepassing: Het demonstreren van het belang van deze correcties in een reële klinische setting (palliatieve zorg), waar ongedetecteerde EDT de resultaten volledig kan verdraaien.

4. Resultaten

Simulatiestudies:

Heterogeniteit: De oorspronkelijke PERR en de Cox-gebaseerde variant (PERR $_{Cox}$ ) vertoonden aanzienlijke bias en lage dekking van betrouwbaarheidsintervallen (CP) bij aanwezigheid van ongemeten heterogeniteit. De AG-gebaseerde variant (PERR $_{AG}$ ) bleef onbevooroordeeld en leverde nauwkeurigere schattingen op.
EDT Correctie: Zonder correctie leidde EDT tot ernstige bias (bijv. een ware behandelingseffect van 0,5 werd geschat als 0,43 of 0,62, afhankelijk van de richting van de EDT). De voorgestelde correctie bracht de gemiddelde schattingen terug naar de ware waarde (rond 0,5) en verbeterde de dekking van de 95% betrouwbaarheidsintervallen van vaak <60% naar >90%.

Toepassing op Palliatieve Zorg (PC) Studie:

Ongecorrigeerde analyse: Een standaard Cox-model toonde aan dat patiënten die PC kregen, vaker de ED bezochten dan controles (HR = 3,31). De ongecorrigeerde PERR-analyse suggereerde een beschermend effect (HR = 0,81, oftewel 19% reductie).
EDT Detectie: De analyse toonde aan dat het ED-bezoekstempo significant steeg in de 5 weken voorafgaand aan het starten van PC (schattingswaarde $\hat{\theta} \approx 4,76$ ). Dit betekent dat patiënten met acute problemen sneller naar PC verwezen werden.
Gecorrigeerde analyse: Na toepassing van de EDT-correctie verdween het schijnbare beschermende effect. De gecorrigeerde PERR $_{AG}$ HR was 1,00 (95% CI 0,79 tot 1,26). Dit impliceert dat palliatieve zorg geen effect had op het verminderen van ED-bezoeken in deze dataset, in tegenstelling tot wat de ongecorrigeerde analyse suggereerde.

5. Betekenis en Conclusie

Deze studie verrijkt het instrumentarium voor onderzoek met real-world evidence aanzienlijk. De auteurs tonen aan dat de PERR-methode, hoewel krachtig, gevoelig is voor schendingen van zijn aannames. Door het AG-model te integreren en een strategie voor EDT-correctie te introduceren, kunnen onderzoekers betrouwbaardere causale inferenties trekken.

De toepassing op palliatieve zorg is een krachtig voorbeeld: zonder de correctie zou men ten onrechte concluderen dat palliatieve zorg ED-bezoeken reduceert, terwijl de gecorrigeerde analyse aantoont dat er geen effect is. Dit benadrukt het belang van het controleren van zowel ongemeten heterogeniteit als event-dependente behandeling in observationele studies. De methode biedt een robuustere basis voor beleidsvorming en klinische besluitvorming op basis van real-world data.