📊 statistics

A Bayesian location-scale joint model for time-to-event and multivariate longitudinal data with association based on within-individual variability

Dit artikel stelt een nieuw Bayesiaans gezamenlijk model voor dat tijd-tot-gebeurtenis-uitkomsten koppelt aan multivariate longitudinale data door binnen-individuele variabiliteit te incorporeren via een mixed-effect locatie-schaal raamwerk, waardoor de beperkingen van samenvattende statistieken en regressiedilutie worden overwonnen, terwijl de effectiviteit ervan wordt aangetoond door middel van simulaties en een toepassing op cystic fibrosis mortaliteitsgegevens.

Oorspronkelijke auteurs: Marco Palma, Ruth H Keogh, Siobhán B Carr, Rhonda Szczesniak, David Taylor-Robinson, Angela M Wood, Graciela Muniz-Terrera, Jessica K Barrett

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marco Palma, Ruth H Keogh, Siobhán B Carr, Rhonda Szczesniak, David Taylor-Robinson, Angela M Wood, Graciela Muniz-Terrera, Jessica K Barrett

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 te voorspellen hoe lang een auto zal meegaan voordat hij ermee ophoudt. Traditioneel hebben artsen en statistici gekeken naar de gemiddelde snelheid van de auto over een bepaalde tijd. Als de gemiddelde snelheid daalt, gaan ze ervan uit dat de auto ouder wordt en binnenkort kapot kan gaan.

Maar dit artikel betoogt dat kijken naar het gemiddelde niet genoeg is. Soms is een auto die constant 60 mph rijdt prima, terwijl een andere auto die wild schommelt tussen de 20 mph en 100 mph in ernstige problemen zit — zelfs als hun gemiddelde snelheid hetzelfde is. Deze "schommelingen" of variabiliteit is wat de auteurs "within-individual variability" (variabiliteit binnen het individu) noemen.

Hier is een overzicht van wat het artikel doet, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Gemiddelde" Valstrik

In het verleden, bij het bestuderen van ziekten zoals Cystic Fibrosis (een aandoening die de longen beschadigt), berekenden onderzoekers een eenvoudig samenvattend getal van de gezondheidsgegevens van een patiënt (zoals longfunctie of gewicht), zoals de standaarddeviatie (hoe erg de getallen omhoog en omlaag springen).

Het artikel wijst op twee grote problemen met deze oude methode:

Het "Snapshot"-probleem: Eenvoudige samenvattingen houden geen rekening met wanneer de sprongen plaatsvonden. Was de patiënt vorig jaar erg onstabiel en stabiliseerde de situatie dit jaar? Een simpel gemiddelde mist dat verhaal.
Het "Wazige Lens"-probleem: Wanneer onderzoekers deze eenvoudige samenvattingen gebruikten om sterfte of ziekteprogressie te voorspellen, waren de resultaten vaak "wazig" of te zwak. Het is alsof je een bord probeer te lezen door een beslagen raam; je weet dat er iets staat, maar je kunt de details niet duidelijk zien. Dit wordt "regressiedilutie" genoemd.

2. De Oplossing: Een "Dubbelspoor"-model

De auteurs bouwden een nieuw wiskundig hulpmiddel (een "Joint Model") dat twee sporen tegelijkertijd bekijkt, in plaats van slechts één.

Spoor A (Het Gemiddelde): Dit volgt de algemene gezondheidstrend van de patiënt (bijv. gaat de longfunctie langzaam omlaag?).
** Spoor B (De Jitters):** Dit volgt de variabiliteit of de "jitters" rondom die trend. Het vraagt: "Hoeveel schommelt de gezondheid van deze persoon op en neer ten opzichte van hun eigen gemiddelde?"

Denk aan het monitoren van een hartslag.

Spoor A is de hartslag (6_0 slagen per minuut).
Spoor B is het ritme. Is het regelmatig (constante 60), of is het onregelmatig (60, dan 40, dan 90, dan 50)?
Het model van de auteurs behandelt de "jitters" (variabiliteit) als een echte, belangrijke voorspeller van risico, en niet slechts als ruis.

3. Hoe het werkt: Het "Gedeelde Geheim"

Het model gebruikt een slim trucje genaamd random effects. Stel je voor dat elke patiënt een verborgen "persoonlijkheid" of "stijl" heeft die zowel hun gemiddelde gezondheid als de mate waarin zij fluctueren beïnvloedt.

Het model leert deze verborgen stijl voor elke persoon.
Het gebruikt deze verborgen stijl vervolgens om het risico op een slechte gebeurtenis (zoals overlijden) te voorspellen.
Cruciaal is dat het de "jitters" (variabiliteit) direct laat communiceren met de voorspelling van de dood.

De auteurs hebben dit model geschreven in een computertaal genaamd Stan, wat een soort krachtige rekenmachine is die complexe puzzels kan oplossen door duizenden mogelijke scenario's te simuleren om het meest waarschijnlijke antwoord te vinden.

4. De Theorie Testen: De Simulatie

Voordat de auteurs het model op echte mensen gebruikten, hebben ze hun model getest met nepdata (een simulatie).

Ze creëerden een wereld waarin "jitters" zeker voor problemen zorgden.
Ze vergeleken hun nieuwe model met de oude, standaard modellen.
Het Resultaat: De oude modellen misten de connectie tussen de "jitters" en de slechte afloop. Ze waren als een detective die een rokend pistool negeert. Het nieuwe model identificeerde echter correct dat de "jitters" een belangrijke waarschuwing waren.

5. Real-World Test: Patiënten met Cystic Fibrosis

De auteurs pasten hun model toe op echte gegevens uit het Britse Cystic Fibrosis-register, waarbij ze naar 3.282 vrouwen keken. Ze volgden twee hoofdzaken:

Longfunctie (FEV1): Hoeveel lucht zij kunnen uitblazen.
Body Mass Index (BMI): Een maatstaf voor voeding/gewicht.

Wat zij vonden:

Longfunctie: Het was niet alleen een lage longfunctie die gevaarlijk was. Het was ook een onstabiele longfunctie. Vrouwen wiens longwaarden wild op en neer sprongen, liepen een hoger risico op overlijden, zelfs als hun gemiddelde niet slecht was.
Gewicht (BMI): Hoewel een laag gewicht gevaarlijk was, toonde het "op en neer bewegen" van de gewichtsgegevens in dit specifieke onderzoek geen duidelijke link met het sterfterisico.

De Kern van het Verhaal

Dit artikel introduceert een slimmere manier om naar gezondheidsgegevens te kijken. In plaats van alleen te vragen: "Hoe gaat het gemiddeld met de patiënt?", vraagt het: "Hoe stabiel is de patiënt?".

Door de "op en neer bewegingen" in de gezondheid van een patiënt te behandelen als een serieuze waarschuwing in plaats van slechts achtergrondruis, geeft dit model een duidelijker en nauwkeuriger beeld van wie er risico loopt. Het bewijst dat voor sommige ziekten stabiliteit net zo belangrijk is als het gemiddelde.

Technische Samenvatting: Een Bayesiaans Multivariate Locatie-Schaal Joint Model voor Time-to-Event en Multivariabele Longitudinale Data

Probleemstelling
In biomedische longitudinale studies wordt de variabiliteit binnen het individu (within-individual variability, WIV) van gezondheidsindicatoren steeds vaker erkend als een cruciale voorspeller van ziekteprogressie en time-to-event uitkomsten, zoals mortaliteit. Hoewel eenvoudige samenvattende statistieken (bijv. standaarddeviatie) vaak worden gebruikt om WIV te kwantificeren, kampen deze met aanzienlijke beperkingen: ze houden geen rekening met tijdvariërende veranderingen, zijn gevoelig voor het aantal bezoeken en kunnen biases introduceren zoals "immortal time". Bov�s ook dat wanneer deze samenvattende statistieken als covariaten in overlevingsmodellen worden gebruikt, de resulterende schattingen van hazard ratios onderhevig zijn aan regression dilution bias, wat leidt tot onnauwkeurige associaties. Bestaande joint modeling-benaderingen hebben WIV behandeld voor enkelvoudige biomarkers of hebben frequentistische methoden gebruikt, maar weinig hebben er succesvol WIV geïntegreerd voor multivariabele (gecorreleerde) longitudinale biomarkers in een Bayesiaans joint model framework waar de variabiliteit zelf de associatie met de event-uitkomst aanstuurt.

Methodologie
De auteurs stellen een Bayesiaans Multivariaal Joint Model met WIV-gebaseerde associatie (JM-WIV) voor. Het model bestaat uit twee onderling verbonden submodellen:

Longitudinaal Submodel (Mixed-Effect Location-Scale Model - MELSM):
- In plaats van een constante variantie aan te nemen, behandelt het model zowel het gemiddelde ( $\mu$ ) als de standaarddeviatie ( $\sigma$ ) van $K$ longitudinale biomarkers als functies van tijd, covariaten en subject-specifieke random effects.
- De formulering is:
  $y_{ijk} = \eta^{\mu}_{ik}(t_{ij}) + \varepsilon_{ijk}, \quad g(\sigma_{ijk}) = \eta^{\sigma}_{ik}(t_{ij})$
  waarbij $g(\cdot) = \log(\cdot)$ zorgt voor niet-negatieve variantie.
- Een gedeelde random effect vector $\mathbf{b}_i$ koppelt de gemiddelde- en variabiliteitsprocessen voor elke biomarker en maakt het mogelijk om correlaties tussen verschillende biomarkers te modelleren (bijv. tussen het gemiddelde van biomarker A en de variabiliteit van biomarker B).
- De covariantiestructuur is ongestructureerd, waardoor complexe correlaties tussen random effects voor gemiddelden en standaarddeviaties over meerdere biomarkers mogelijk zijn.
Event Submodel (Proportional Hazard Model):
- De time-to-event wordt gemodelleerd met een Cox proportional hazard model met een flexibele baseline hazard gespecificeerd via B-splines.
- Cruciaal is dat de associatieterm $\eta^{\alpha}_i$ informatie uit het longitudinale submodel incorporeert, niet alleen via de huidige waarden van de gemiddelden, maar ook via de huidige waarden van de standaarddeviaties (variabiliteit).
- De auteurs definiëren drie potentiële associatiestructuren: functies van de huidige waarden (CV) van het gemiddelde en de SD, de lineaire predictoren (LP) van het gemiddelde en de SD, of de random effects (RE) direct.
Implementatie:
- Het model wordt geïmplementeerd in Stan met behulp van Hamiltonian Monte Carlo (HMC) voor efficiënte parameterexploratie.
- De likelihood wordt gefactoriseerd in event- en longitudinale processen conditioneel op de random effects.
- Priors omvatten normale verdelingen voor vaste effecten, half-t verdelingen voor de standaarddeviaties van random effects en een LKJ prior voor correlatiematrices.

Belangrijkste Bijdragen

Nieuw Framework: Het artikel introduceert een Bayesiaans joint model dat in staat is om multivariate longitudinale data te verwerken waarbij de associatie met de time-to-event uitkomst expliciet wordt gedreven door de variabiliteit binnen het individu van de markers.
Aanpak van Regression Dilution: Door WIV direct binnen het joint framework te modelleren in plaats van via twee-fasen samenvattende statistieken, beoogt de methode regression dilution bias te mitigeren.
Flexibele Associatie: Het model staat toe dat de hazard functie afhankelijk is van de variabiliteit van biomarkers, een kenmerk dat niet aanwezig is in standaard joint modellen of eerdere locatie-schaal extensies die geen WIV in de survival submodel bevatten.
Beschikbaarheid van Software: De auteurs bieden een open-source implementatie in Stan (via het rstanjmwiv pakket), waarmee bestaande joint modeling tools worden uitgebreid om bivariate (en potentieel multivariate) locatie-schaal settings te behandelen.

Resultaten

Simulatiestudie:
- Een simulatiestudie vergeleek het voorgestelde JM-WIV model met een standaard joint model (geïmplementeerd in JMbayes2) dat een constante variantie aanneemt.
- Wanneer het ware data-genererende proces een associatie tussen WIV en de event bevatte, produceerde het standaard joint model gebiaste schattingen voor de survival coëfficiënten en coverage probabilities die ruim onder het nominale 95% niveau lagen.
- Het JM-WIV model leverde schattingen met een bias die dicht bij nul lag en coverage probabilities die consistent waren met het nominale niveau, wat de bekwaamheid aantoont om parameters correct te herstellen wanneer WIV een relevante voorspeller is.
Toepassing op Cystic Fibrosis (CF) Data:
- Het model werd toegepast op data uit het UK Cystic Fibrosis Register (3.282 vrouwen, 29.094 bezoeken) om de associatie tussen longfunctie (FEV1), ondervoeding (BMI) en mortaliteit te evalueren.
- Longitudinale Bevindingen: Het model legde succesvol de afname van FEV1 met de leeftijd vast en de toename van BMI. Het kwantificeerde ook dat de FEV1-variabiliteit afneemt met de leeftijd, terwijl de BMI-variabiliteit een specifieke associatie vertoonde met F508 homozygotie.
- Survival Bevindingen:
  - Een lager gemiddeld FEV1 en een lager gemiddeld BMI waren geassocieerd met een hoger mortaliteitsrisico (Hazard Ratios < 1).
  - Een hogere variabiliteit binnen het individu in FEV1 was significant geassocieerd met verhoogde mortaliteit (HR = 1,374, 95% CI: 1,268–1,499).
  - Er werd geen duidelijk bewijs gevonden voor een associatie tussen BMI-variabiliteit en mortaliteit.
- De resultaten bevestigen dat fluctuaties in de longfunctie, onafhankelijk van het gemiddelde niveau, een sterke voorspeller zijn van overlijden bij CF-patiënten.

Significantie en Claims
Het artikel claimt dat het JM-WIV model een methodologische vooruitgang biedt door de variabiliteit binnen het individu correct te kwantificeren in een multivariate setting en deze direct te koppelen aan survival uitkomsten zonder de biases die inherent zijn aan samenvattende statistiek-benaderingen. De auteurs stellen dat hun simulatie-resultaten aantonen dat het verwaarlozen van de associatie van WIV met de event leidt tot bias en verlies van coverage in survival coëfficiënten. In de klinische toepassing bevestigt het model dat een hogere variabiliteit in de longfunctie een afzonderlijk risicofactor is voor mortaliteit, wat de klinische bruikbaarheid van het monitoren van fluctuaties in plaats van alleen gemiddelde trends versterkt.

De auteurs erkennen beperkingen, waarbij zij opmerken dat in locatie-schaal modellen WIV niet te onderscheiden is van meetfouten, en dat de computationele belasting aanzienlijk toeneemt met een groot aantal biomarkers of random effects. Zij suggereren dat toekomstig werk niet-normale verdelingen, concurrerende risico's (bijv. transplantatie) en change-point structuren kan verkennen om de impact van nieuwe therapieën op variabiliteit te modelleren.