📊 statistics

Performance of prior event rate ratio method in the presence of differential mortality or dropout

Deze studie breidt eerder onderzoek naar de Prior Event Rate Ratio (PERR)-methode uit door aan te tonen dat terwijl de traditionele estimator onder diverse scenario's van differentiële mortaliteit en uitval vertekend blijft, een alternatieve estimator die uitsluitend gebruikmaakt van voltooiers (PERR_Comp) de bias significant vermindert en onvertekende schattingen biedt, tenzij mortaliteit of uitval direct wordt beïnvloed door eerdere gebeurtenissen.

Oorspronkelijke auteurs: Yin Bun Cheung, Xiangmei Ma

Gepubliceerd 2026-02-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yin Bun Cheung, Xiangmei Ma

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 een detective bent die probeert uit te zoeken of een nieuw medicijn echt werkt. Je kijkt naar echte patiëntengegevens, maar er is een addertje onder het gras: sommige patiënten zijn zelfs vóórdat ze met de behandeling beginnen zieker dan anderen. Deze "ziekte" is een verborgen aanwijzing (een confounder) die het moeilijk maakt om te bepalen of het medicijn heeft geholpen of dat de patiënten simpelweg van nature anders waren.

Om dit op te lossen, gebruiken onderzoekers een slimme truc genaamd de Prior Event Rate Ratio (PERR). Denk aan het als een "voor-en-na" foto-vergelijking, maar dan voor tijd.

De truc van de detective (Hoe PERR werkt)

In plaats van alleen te kijken naar wat er gebeurde nadat het medicijn werd toegediend, kijkt de PERR-methode naar twee perioden voor elke patiënt:

De "Vóór"-periode: De tijd voordat ze het medicijn innamen.
De "Ná"-periode: De tijd nadat ze met het medicijn zijn begonnen.

De methode vergelijkt de behandelde groep met een controlegroep (mensen die het medicijn niet namen). Het berekent hoe vaak een gebeurtenis (zoals ziek worden) voorkwam in de "Ná"-periode versus de "Vóór"-periode voor beide groepen. Door de ratio van deze twee vergelijkingen te nemen, probeert de methode de "verborgen aanwijzingen" (confounders) die in beide perioden aanwezig waren, weg te strepen. Het is also kind van zeggen: "Als deze groep twee keer zo ziek was vóór het medicijn, en ze zijn nog steeds twee keer zo ziek ná het medicijn, dan heeft het medicijn niets veranderd."

Het probleem: Het "Uitval"-mysterie

Een eerdere studie waarschuwde dat deze truc niet werkt als mensen tijdens de studie uitvallen (sterven of stoppen) met verschillende frequenties. Zij beweerden dat als de reden voor het vertrek een mix was van hun behandeling, hun verborgen ziekte en hun eerdere gezondheid, de PERR-methode een foutief antwoord zou geven.

Dit artikel zegt: "Wacht eens even, het is niet zo simpel."

De auteurs stellen dat de PSER-methode niet één enkel hulpmiddel is, maar een gereedschapskist. Afhankelijk van hoe je de instrumenten in de kist gebruikt, kun je verschillende resultaten krijgen. Ze hebben twee specifieke manieren getest om de PERR-methode te gebruiken:

De "Oude Manier" (PERRPrev): Deze methode gebruikt gegevens van iedereen in de "Vóór"-periode, maar gebruikt alleen gegevens van mensen die tot het einde zijn gebleven in de "Ná"-periode.
- De analogie: Stel je voor dat je een race beoordeelt. Je telt de hardlopers die aan de race beginnen, maar in de tweede helft tel je alleen de hardlopers die niet zijn gestopt. Als de mensen die stopten vooral de langzame hardlopers waren, is je eindscore fout.
- Het resultaat: De auteurs bevestigden dat deze "Oude Manier" inderdaad een vertekend (foutief) beeld geeft wanneer mensen om complexe redenen uitvallen.
De "Nieuwe Manier" (PERRComp): Deze methode is strenger. Deze kijkt alleen naar mensen die de hele studie hebben afgerond (completers) voor zowel de "Vóór"- als de "Ná"-periode.
- De analogie: Dit is als zeggen: "We zullen de race alleen beoordelen op basis van de hardlopers die de hele marathon hebben uitgelopen." We negeren iedereen die is gestopt, zowel voor de eerste helft als voor de tweede helft.
- Het resultaat: Deze methode is veel robuuster.
  - Als mensen uitvallen vanwege hun eerdere gezondheid of de behandeling, is deze methode nog steeds grotendeels accuraat.
  - Als mensen uitvallen specifiek vanwege wat er in de "Vóór"-periode is gebeurd (bijv. als het ziek worden vóór het medicijn ervoor zorgde dat ze stopten), dan is deze methode een beetje vertekend, maar de fout is slechts ongeveer één derde zo groot als bij de "Oude Manier".
  - Als mensen uitvallen om redenen die niet gerelateerd zijn aan hun eerdere gezondheid (gewoon willekeurig of door de behandeling zelf), geeft deze methode een perfect accuraat antwoord.

De belangrijkste conclusie

Het artikel concludeert dat de PERR-methode niet "kapot" is; het hangt er alleen vanaf welke versie je gebruikt.

Als je de versie gebruikt die gegevens van uitvallers en voltooiers mengt, loop je het risico op een fout antwoord wanneer mensen de studie verlaten om complexe redenen.
Als je de versie gebruikt die alleen naar de mensen kijkt die de hele tijd zijn gebleven, krijg je een veel betrouwbaarder antwoord. Het faalt alleen als het proces van ziek worden in het verleden de directe oorzaak was van hun vertrek.

Kortom, de auteurs zeggen tegen onderzoekers: "Gooi de hele PERR-methode niet weg vanwege één slecht scenario. Kies gewoon de juiste versie van het gereedschap voor jouw specifieke situatie, en je kunt nog steeds de waarheid achterhalen."

Technische Samenvatting: Prestaties van de Prior Event Rate Ratio-methode in de aanwezigheid van differentiële mortaliteit of uitval

Probleemstelling
De Prior Event Rate Ratio (PERR) methode is een statistisch kader dat is ontworpen om te corrigeren voor zowel gemeten als ongemeten confounding in real-world evaluaties van medische behandelingen met behulp van elektronische medische dossiers. Hoewel PERR op verschillende behandelingen is toegepast, wordt de validiteit ervan uitgedaagd door de aanwezigheid van differentiële mortaliteit of uitval. Een veel geciteerde simulatiestudie heeft eerder aangetoond dat PERR-schattingen van het behandelingseffect op binaire uitkomsten vertekend raken wanneer mortaliteit/uitval gezamenlijk wordt beïnvloed door behandeling, confounders en eerdere gebeurtenissen. Deze studie was echter beperkt in reikwijdte, aangezien het slechts één specifieke PERR-schatter onderzocht en één scenario van differentiële mortaliteit. Dit artikel adresseert de lacune in het begrip door te onderzoeken of de geobserveerde bias een inherente fout is van het PERR-raamwerk of een gevolg is van specifieke operationele keuzes binnen dat raamwerk.

Methodologie
De auteurs hebben een reeks simulatiestudies uitgevoerd om eerdere bevindingen te repliceren en uit te breiden. De studie evalueerde drie verschillende schatters:

$PERR_{Prev}$ : De schatter die in de eerdere literatuur werd gebruikt, die alleen completers (zij zonder mortaliteit/uitval) bevat in de teller (post-behandelingsperiode), maar alle subjecten (completers en niet-completers) bevat in de noemer (prior-periode).
$PERR_{Comp}$ : Een alternatieve schatter voorgesteld in deze studie, die de analyse beperkt tot uitsluitend de completers, waarbij gegevens van completers worden gebruikt in zowel de teller als de noemer.
Relatieve Risico (RR): Een standaard schatter die de prior-gebeurtenisperiode niet gebruikt om voor confounding te corrigeren.

De simulaties werden uitgevoerd onder vier verschillende scenario's met betrekking tot de determinanten van mortaliteit/uitval ( $M_2$ ):

Scenario 1: $M_2$ wordt beïnvloed door behandeling ( $X$ ), confounder ( $C$ ) en eerdere gebeurtenis ( $Y_1$ ). Dit repliceert het specifieke scenario uit de vorige studie.
Scenario 2: $M_2$ wordt beïnvloed door confounder ( $C$ ) en eerdere gebeurtenis ( $Y_1$ ), maar niet door de behandeling.
Scenario 3: $M_2$ wordt beïnvloed door confounder ( $C$ ) en behandeling ( $X$ ), maar niet door de eerdere gebeurtenis.
Scenario 4: $M_2$ wordt uitsluitend beïnvloed door confounder ( $C$ ).

In alle scenario's varieerden de mortaliteit/uitval-percentages van 0% tot 20%. Elk scenario omvatte 10.000 replicaten met een steekproefomvang van 100.000 personen per replicaat. Het ware behandelingseffect werd ingesteld op een Relatief Risico (RR) van 2.

Belangrijkste Resultaten

Replicatie van Vorige Bias: In Scenario 1 repliceerde de studie succesvol de onderschatting-bias van $PERR_{Prev}$ naarmate de mortaliteit/uitval-percentages toenamen. Bij een percentage van 20% was de gemiddelde schatting voor $PERR_{Prev}$ 1,83 (ware RR=2).
Prestaties van $PERR_{Comp}$ : In Scenario 1 vertoonde $PERR_{Comp}$ een significant verminderde bias vergeleken met $PERR_{Prev}$ . Bij een mortaliteitspercentage van 20% was de gemiddelde schatting voor $PERR_{Comp}$ 2,05. De omvang van de bias voor $PERR_{Comp}$ was ongeveer een derde van die van $PERR_{Prev}$ .
Scenario's 3 en 4 (Geen invloed van eerdere gebeurtenis): Een cruciale bevinding kwam naar voren in scenario's waar mortaliteit/uitval niet direct werd beïnvloed door de eerdere gebeurtenis ( $Y_1$ ). In deze gevallen (Scenario's 3 en 4) leverde $PERR_{Comp}$ nauwkeurige, onbevooroordeelde schattingen van het behandelingseffect, ongeacht de mortaliteit/uitval-percentages. Daarentegen bleef $PERR_{Prev}$ in deze scenario's vertekende schattingen produceren.
Confounding vs. Censoring: De standaard RR-schatter vertoonde substantiële confounding-bias wanneer er geen mortaliteit optrad. Naarmate de mortaliteitspercentages toenamen, werd de bias door differentiële mortaliteit gedeeltelijk gecompenseerd door de confounding-bias in de RR-schattingen, een fenomeen dat niet op dezelfde wijze werd waargenomen bij de PERR-schatters.

Betekenis en Claims
Het artikel betoogt dat de PERR-methode moet worden beschouwd als een methodologisch raamwerk in plaats van een enkele vaste schatter. De prestaties ervan zijn afhankelijk van de gekozen specifieke operationalisering. De auteurs stellen dat de eerder gerapporteerde gevoeligheid van PERR voor differentiële mortaliteit niet een universele eigenschap van de methode is, maar specifiek is voor de $PERR_{Prev}$ -schatter.

De studie concludeert dat $PERR_{Comp}$ , die uitsluitend gegevens van de completers gebruikt, onbevooroordeelde schattingen van het behandelingseffect levert, tenzij de mortaliteit of uitval direct wordt beïnvloed door de eerdere gebeurtenis. Wanneer de eerdere gebeurtenis de mortaliteit wel beïnvloedt, biedt $PERR_{Comp}$ nog steeds een aanzienlijke reductie in bias vergeleken met de traditionele schatter. De auteurs houden een bescheiden reikwijdte aan door op te merken dat hoewel deze bevindingen de prestaties van PERR voor binaire uitkomsten verhelderen, verder onderzoek vereist is om te bepalen hoe deze specificaties van toepassing zijn op uitkomsten van gebeurtenispercentages (event rate outcomes).

De truc van de detective (Hoe PERR werkt)

Het probleem: Het "Uitval"-mysterie

De belangrijkste conclusie

Meer zoals dit