📊 statistics

Feasible Dose-Response Curves for Continuous Treatments Under Positivity Violations

Dit artikel introduceert een nieuwe methode met een "haalbare dosis-responscurve" en een "verhouding van niet-overlappendheid" om schattingsproblemen door schendingen van de positiviteitsaanname bij continue behandelingen op te lossen, waarbij de wetenschappelijke interpretatie behouden blijft ondanks beperkte ondersteuning in de data.

Oorspronkelijke auteurs: Han Bao, Michael Schomaker

Gepubliceerd 2026-02-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Han Bao, Michael Schomaker

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

De Kunst van het Realistische Doel: Een Simpele Uitleg van het Onderzoek

Stel je voor dat je een arts bent die probeert te begrijpen hoeveel medicijn een patiënt precies nodig heeft om ziek te worden. Je wilt een perfecte lijn trekken: "Als we 5 mg geven, is het risico op ziekte X. Als we 10 mg geven, is het risico Y." Dit noemen wetenschappers een dosis-responscurve.

Maar hier zit een probleem: in de echte wereld kunnen we niet iedereen precies 5 mg of 10 mg geven. Sommige mensen verwerken medicijnen heel snel, anderen heel langzaam. Voor een snelle verwerker is 10 mg misschien onbereikbaar (het lichaam breekt het te snel af), en voor een trage verwerker is 1 mg misschien onmogelijk (het blijft te lang in het bloed).

In de statistiek noemen we dit een positiviteitsprobleem: er zijn bepaalde combinaties van mensen en medicijndoses die simpelweg niet voorkomen in onze data. Het is alsof je probeert te voorspellen hoe een ijsbeer zich gedraagt in de Sahara, terwijl je alleen data hebt over ijsberen in de pool.

Het Probleem met de Bestaande Oplossingen

De auteurs van dit paper kijken naar twee bestaande manieren om dit op te lossen, maar vinden ze beide niet helemaal goed:

De "Knip-en-plak" methode (Trimming): Je zegt: "Oké, we weten niet wat er gebeurt bij 10 mg voor snelle verwerkers, dus we gooien die mensen eruit."
- Het nadeel: Je bent dan niet meer bezig met de hele groep mensen, maar alleen met een selecte groep. Je antwoord is dan niet meer relevant voor de hele bevolking.
De "Gewogen" methode: Je zegt: "We geven die snelle verwerkers een heel klein gewichtje, alsof ze nauwelijks bestaan."
- Het nadeel: Het antwoord wordt wiskundig correct, maar het is zo abstract dat het voor een arts of patiënt moeilijk te begrijpen is. "Wat betekent dit gewichtje eigenlijk voor mijn behandeling?"

De Nieuwe Oplossing: De "Meest Haalbare" Route

De auteurs (Han Bao en Michael Schomaker) komen met een slimme, nieuwe aanpak die ze de Haalbare Dosis-Responscurve noemen.

Stel je voor dat je een reisplanner bent. Iedereen wil naar een bestemming (de ideale medicijndosis).

Als de bestemming haalbaar is (bijvoorbeeld 3 mg, wat voor bijna iedereen mogelijk is), dan sturen we iedereen daar naartoe.
Maar als iemand niet naar 10 mg kan (omdat het voor hun lichaam onmogelijk is), dan zeggen we niet: "Dan kunnen we je niet helpen" of "We doen alsof je er bent".

In plaats daarvan zeggen we: "Oké, 10 mg is voor jou onmogelijk. Wat is dan de dichtstbijzijnde dosis die je wel kunt bereiken? Misschien 9 mg? Dan sturen we jou naar 9 mg."

De kernvraag die dit onderzoek beantwoordt is:
"Als we proberen iedereen op een specifieke dosis te zetten, maar voor sommige mensen is dat onmogelijk, wat gebeurt er dan met hun gezondheid als we hen naar de dichtstbijzijnde mogelijke dosis verplaatsen?"

De "Niet-overlappings-ratio": Een Radar voor Onmogelijke Doelen

Om te weten welke doelen onmogelijk zijn, hebben de auteurs een nieuwe meetlat bedacht: de Niet-overlappings-ratio.

Dit is als een radar die aangeeft hoeveel mensen er zijn voor wie een bepaalde dosis "onbereikbaar" is.

Rood op de radar: Bij een dosis van 0,5 mg is de ratio hoog. Dat betekent: "Pas op! Voor heel veel mensen is dit onmogelijk om te bereiken. We kunnen hier niet zomaar een voorspelling op maken."
Groen op de radar: Bij 3 mg is de ratio laag. "Alles goed, dit is voor bijna iedereen haalbaar."

Waarom is dit zo belangrijk? (Het CHAPAS-3 Voorbeeld)

Ze hebben dit getest met echte data van HIV-geïnfecteerde kinderen in Zambia en Uganda. Het medicijn heet Efavirenz.

Sommige kinderen hebben een gen dat het medicijn heel snel afbreekt. Voor hen is een lage concentratie in het bloed (bijvoorbeeld 0,5 mg) heel moeilijk te bereiken, zelfs als ze een lage dosis krijgen.
Andere kinderen hebben een gen dat het medicijn heel langzaam afbreekt. Voor hen is een hoge concentratie (bijvoorbeeld 5 mg) onmogelijk, zelfs met een hoge dosis.

Als je de oude methoden gebruikt, krijg je voor die extreme waarden (0,5 mg of 5 mg) onstabiele of onbegrijpelijke antwoorden.
Met de nieuwe "Haalbare" methode krijgen ze een stabiel antwoord. Ze zeggen bijvoorbeeld: "We willen 5 mg proberen, maar voor de snelle verwerkers is dat onmogelijk. We verplaatsen hen naar 4,5 mg. Wat is het gemiddelde resultaat?"

De Conclusie in Eenvoudige Woorden

Dit onderzoek leert ons dat we in de geneeskunde en statistiek soms moeten stoppen met het proberen om "perfecte" theoretische doelen te bereiken die in de praktijk niet bestaan.

In plaats daarvan moeten we kijken naar wat realistisch haalbaar is voor elke individuele patiënt.

Als het doel haalbaar is: ga er naartoe.
Als het doel onhaalbaar is: ga naar de dichtstbijzijnde haalbare optie.

Hierdoor krijgen we antwoorden die niet alleen wiskundig stabiel zijn, maar ook echt bruikbaar voor artsen die beslissingen moeten nemen over behandelingen voor echte mensen met unieke lichamen. Het is de kunst van het plannen van een reis waarbij je rekening houdt met de echte condities van de weg, in plaats van te doen alsof de weg altijd perfect is.

Titel: Haalbare Dosis-responscurves voor Continue Interventies onder Schendingen van de Positiviteitsaanname

1. Het Probleem: Positiviteitschendingen bij Continue Interventies

In de causale inferentie is de positiviteitsaanname (of overlap) cruciaal: het vereist dat elke individu binnen een stratum van verstorende factoren (covariaten) een niet-nul kans heeft om elke behandelingswaarde te ontvangen.

Binaire behandelingen: Deze aanname is al complex, maar bij continue behandelingen (bijv. medicijnconcentraties, bloeddruk) wordt het probleem veel ernstiger. De behandelingsruimte is oneindig, en in eindige steekproeven kunnen bepaalde waarden binnen specifieke covariatenstrata zeer zeldzaam of zelfs afwezig zijn.
Gevolgen: Wanneer de conditionele dichtheid van de behandeling $f(A|L)$ $f (A ∣ L)$ dicht bij nul ligt voor bepaalde waarden, leidt dit tot:
1. Extrapolatie: Schattingen moeten vertrouwen op modellen voor gebieden zonder data, wat leidt tot hoge variantie en bias.
2. Interpretatieproblemen: Causale effecten voor onhaalbare concentraties (bijv. een medicijnconcentratie die fysiologisch onmogelijk is voor een bepaald metabolisme) zijn wetenschappelijk irrelevant of misleidend.
Bestaande oplossingen en hun tekortkomingen:
- Trimming: Verwijdert individuen met slechte overlap, maar verandert de doelgroep (de schatting geldt niet meer voor de volledige populatie).
- Gewogen CDRC: Past de schattingsdoelstelling aan door gewichten toe te passen, maar de resulterende parameter is een mix van causale en associatieve effecten, wat de interpretatie bemoeilijkt.
- Gewijzigde behandelingsbeleid (MTPs): Definieert nieuwe interventies (bijv. "verhoog de dosis met 10%"), maar dit beantwoordt vaak niet de oorspronkelijke vraag over de dosis-responsrelatie op specifieke niveaus.

2. Methodologie: De Haalbare Dosis-Responscurve (FDRC)

De auteurs introduceren een nieuwe aanpak die de oorspronkelijke wetenschappelijke vraag behoudt, maar de schatting beperkt tot empirisch onderbouwde gebieden.

A. Diagnostiek: De Niet-overlap Ratio en Hoogste Dichtheidsregio's (HDR)
Om positiviteitschendingen te kwantificeren, definiëren de auteurs:

Conditionele HDR: Voor een gegeven covariatenprofiel $l$ en een support-niveau $\alpha$ (bijv. 95%), wordt de regio $A_\alpha(l)$ gedefinieerd als de verzameling van behandelingswaarden met de hoogste dichtheid die samen $\alpha$ van de waarschijnlijkheidsmassa beslaan.
Niet-overlap ratio ( $\tau_\alpha(a)$ ): Een metriek die aangeeft welk percentage van de populatie een specifieke doelwaarde $a$ niet kan bereiken (d.w.z. $a$ ligt buiten $A_\alpha(l)$ voor hun covariaten). Een hoge ratio duidt op ernstige positiviteitsproblemen.

B. De "Meest Haalbare Interventie" (Most Feasible Intervention)
In plaats van de doelstelling te veranderen of data te verwijderen, passen de auteurs de interventie per individu aan:

Voor een doelwaarde $a$ $a$ en een individu met covariaten $L=l$ $L = l$ :
- Als $a \in A_\alpha(l)$ (ondersteund), blijft de interventie $a$ .
- Als $a \notin A_\alpha(l)$ (niet ondersteund), wordt $a$ gemapt naar de dichtstbijzijnde ondersteunde waarde in $A_\alpha(l)$ .
Dit creëert een covariaten-afhankelijke deterministische regel $d_{0,\alpha}(a, l)$ .

C. De Haalbare Dosis-Responscurve (FDRC)
De nieuwe schattingsdoelstelling is de verwachte uitkomst onder deze aangepaste regel:
$m_{feasible}(a) = E[Y^{d_{0,\alpha}(a, \cdot)}]$
Dit beantwoordt de vraag: "Als we proberen iedereen op concentratie $a$ te zetten, maar voor sommigen is dit onhaalbaar, wat is dan het verwachte resultaat als we hen verplaatsen naar de dichtstbijzijnde haalbare concentratie?"

D. Schattingsalgoritme (Plug-in G-computation)
Het schattingsproces (geïmplementeerd in het R-pakket CICI) volgt deze stappen:

Schatting van de conditionele dichtheid: Schat $f(A|L)$ (bijv. via HAL-based density estimation of hazard-binning).
Constructie van HDR's: Bepaal per individu de ondersteunde regio $A_\alpha(l)$ op basis van de geschatte dichtheid.
Toepassing van de regel: Voor elke doelwaarde $a$ en elk individu, bepaal de feitelijke toegewezen waarde $d(a, L)$ .
Outcome-regressie: Schat $E[Y | A, L]$ (de uitkomstmodel).
Plug-in schatting: Bereken het gemiddelde van de voorspelde uitkomsten onder de toegewezen waarden.

3. Belangrijkste Bijdragen

Nieuwe Diagnostiek: Introductie van de non-overlap ratio gebaseerd op HDR's, wat een schaalbewuste manier biedt om positiviteitsproblemen bij continue behandelingen te meten.
Nieuwe Schattingsdoelstelling: Definitie van de FDRC, die de interpretatie van de standaard dosis-responscurve behoudt waar data beschikbaar is, maar realistische beperkingen respecteert waar data ontbreekt.
Methodologische Innovatie: Een framework dat de interventie aanpast in plaats van de populatie (trimming) of de doelstelling te vervagen (gewogen methoden).
Software-implementatie: Beschikbaarstelling van de methode in het R-pakket CICI, inclusief tools voor diagnostiek en schatting.

4. Resultaten

De methode werd getest via simulaties en een toepassing op de CHAPAS-3 trial (HIV-behandeling bij kinderen).

Simulaties:
- Bij schendingen van de positiviteit (weinig data in bepaalde regio's) vertoont de standaard CDRC hoge bias en instabiliteit, vooral bij niet-lineaire uitkomstmodellen.
- De FDRC reduceert de bias aanzienlijk door extrapolatie te vermijden.
- De FDRC presteert vergelijkbaar met de standaard CDRC in gebieden met goede overlap, maar is robuuster in gebieden met beperkte overlap.
- Trim-methodes vertonen soms hoge variabiliteit of worden niet schatbaar wanneer de overlap te laag is.
Toepassing (CHAPAS-3 Trial):
- Context: Onderzoek naar de relatie tussen efavirenz-concentraties en virale falen bij HIV-geïnfecteerde kinderen.
- Vindst: Er is beperkte overlap voor zeer lage (<1 mg/L) en zeer hoge (>3.5 mg/L) concentraties, afhankelijk van het metabolisme en de covariaten.
- Uitkomst: De geschatte FDRC wijkt af van de standaard curve alleen in deze extreme regio's. Waar de standaard curve onstabiele extrapolaties toont, toont de FDRC een stabiel en interpreteerbaar verloop. De curve geeft een realistisch beeld van wat er gebeurt als men streeft naar een concentratie, rekening houdend met de fysiologische beperkingen van individuen.

5. Betekenis en Conclusie

Deze paper biedt een praktische en wetenschappelijk coherente oplossing voor een veelvoorkomend probleem in de farmaco-epidemiologie en publieke gezondheid.

Interpretatie: De FDRC behoudt de betekenis van de oorspronkelijke vraag ("wat gebeurt er bij concentratie X?") maar maakt de schatting haalbaar door individuele beperkingen te erkennen.
Robuustheid: De methode vermindert de afhankelijkheid van onzeker extrapoleren en modelmisspecificatie.
Toepasbaarheid: Het biedt onderzoekers een manier om causale inferentie uit te voeren in realistische scenario's waar bepaalde behandelingen voor bepaalde subgroepen simpelweg niet mogelijk zijn, zonder de doelgroep te verkleinen of de vraagstelling te vervormen.

Kortom, de auteurs stellen dat in plaats van te proberen een onmogelijke interventie te schatten, men beter kan schatten wat er gebeurt onder de meest haalbare versie van die interventie, wat leidt tot betrouwbaardere en actievere conclusies.