Time-to-Event Modeling with Pseudo-Observations in Federated Settings

Deze studie introduceert een privacy-bewust, één-shot federatief raamwerk voor tijd-tot-event-analyse dat gebruikmaakt van pseudo-observaties en een debiasingsprocedure om flexibele, niet-proportionele hazardmodellen te schatten zonder individuele patiëntgegevens te delen.

De kern

Stel je voor dat je een grote groep artsen uit verschillende ziekenhuizen wilt vragen: "Wat is de beste manier om kinderen te helpen om niet te zwaar te worden?"

Elk ziekenhuis heeft duizenden patiëntendossiers. Maar er is een groot probleem: privacy. Door strenge regels mag geen enkel ziekenhuis de namen, geboortedata of medische details van hun patiënten naar een centrale plek sturen. Het is alsof ze in verschillende kamers zitten, gescheiden door dikke muren, en ze mogen geen papier door de deur gooien.

Vroeger was de oplossing: "Oké, laten we dan maar een paar samenvattingen sturen." Maar dat had twee nadelen:

1. Het was vaak te simpel (alsof je alleen zegt "er zijn 10 mensen ziek", zonder te weten wanneer of hoe).
2. Soms moesten ze toch te veel gevoelige informatie delen, wat niet mag.

De auteurs van dit papier (Hyojung Jang en collega's) hebben een slimme, nieuwe manier bedacht om dit probleem op te lossen. Ze noemen het een "Federated Survival Analysis". Laten we het uitleggen met een paar creatieve vergelijkingen.

1. De "Grote Foto" zonder de Gezichten te zien

Stel je voor dat elk ziekenhuis een eigen foto heeft van hun patiënten, maar ze mogen de gezichten niet laten zien. In plaats daarvan maken ze een schets van de foto.

In de medische wereld heet dit een Kaplan-Meier schatting. Het is een grafiek die laat zien hoeveel mensen op een bepaald moment nog "in het spel" zijn (niet ziek geworden of niet overleden).

• De truc: Het systeem stuurt niet de individuele patiëntendossiers, maar alleen deze globale schetsen (de lijnen op de grafiek) naar elkaar toe.
• Het resultaat: Elk ziekenhuis kan nu op basis van die schetsen, samen met hun eigen lokale data, een soort "geestelijke schatting" maken van hoe een patiënt zich gedraagt. Ze noemen dit pseudo-observaties. Het is alsof je een poppetje maakt dat precies doet wat de echte patiënt zou doen, zonder de echte patiënt te hoeven zien.

2. De "Eén-Slag" Methode (Geen eindeloze vergaderingen)

Veel oude methodes waren als een teleurgestelde vergadering: "Ik stuur een berichtje, jij stuurt er een terug, ik pas iets aan, jij past iets aan..." Dit ging eindeloos door (iteratief). Dat is traag en lastig.

Deze nieuwe methode is als een perfect georganiseerde postkoets.

• Ziekenhuis 1 doet zijn werk en stuurt het resultaat naar Ziekenhuis 2.
• Ziekenhuis 2 pakt het resultaat van 1, voegt zijn eigen werk toe, en stuurt het naar 3.
• Zo gaat het door tot het laatste ziekenhuis.
• Het resultaat: Na één ronde hebben ze allemaal hetzelfde antwoord als ze samen in één grote kamer hadden gezeten. Geen eindeloze ruggespraak nodig.

3. Het "Rechtvaardige Rechter" voor Verschillen

Soms zijn ziekenhuizen echt anders. Misschien heeft Ziekenhuis A vooral rijke patiënten en Ziekenhuis B arme patiënten. Als je alles gewoon samenvoegt, verlies je die specifieke informatie. Maar als je ze te veel apart houdt, zijn de resultaten onbetrouwbaar omdat er te weinig mensen zijn.

De auteurs hebben een slimme rechter bedacht (de "debiasing procedure").

• De situatie: Stel, Ziekenhuis X zegt: "Bij ons werkt medicijn A heel goed!" Maar Ziekenhuis Y zegt: "Bij ons werkt het niet."
• De vraag: Is Ziekenhuis X echt uniek, of is het gewoon toeval (ruis)?
• De rechter: Deze kijkt naar de zekerheid. Als Ziekenhuis X maar heel weinig patiënten heeft, zegt de rechter: "Ik geloof je niet helemaal, laten we je antwoord dichter bij het gemiddelde van de groep trekken."
• Maar als Ziekenhuis X duizenden patiënten heeft en het patroon is heel sterk, zegt de rechter: "Oké, jullie zijn echt anders. Jullie antwoord blijft staan."

Dit zorgt ervoor dat je de echte verschillen behoudt, maar de toevallige ruis weggooit.

4. Waarom is dit zo belangrijk? (De Kinderen in Chicago)

De auteurs hebben dit getest met data over kinderen in Chicago die risico lopen op obesitas (te zwaar worden).

• Ze wilden weten: Hoe beïnvloedt de leeftijd of het gewicht op dit moment de kans dat ze later te zwaar worden?
• Het oude model (Cox-model) ging er vaak van uit dat dit effect altijd hetzelfde blijft. Maar in werkelijkheid verandert het: een kind dat nu zwaar is, heeft misschien een andere risico-ontwikkeling dan een kind dat over 5 jaar zwaar wordt.
• Met hun nieuwe methode konden ze zien hoe deze risico's in de tijd veranderden, zonder dat ze de privacy van de kinderen schonden.

Samenvatting in één zin

Dit papier beschrijft een slimme manier om artsen uit verschillende ziekenhuizen samen te laten werken aan complexe medische vragen, waarbij ze samen een antwoord vinden alsof ze één team zijn, maar elk hun eigen patiënten geheim houden, en waar ze slim omgaan met verschillen tussen de ziekenhuizen zodat de resultaten zowel veilig als accuraat zijn.

Het is alsof je een groot puzzelstuk maakt zonder dat iemand ooit de hele puzzel mag zien, maar toch precies weet hoe het eindbeeld eruit moet zien.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Federated Survival Analysis with Site-Level Heterogeneity Adjustment" in het Nederlands.

Probleemstelling

In multicenter klinisch onderzoek zijn tijd-tot-evenement analyses (survival analysis) essentieel, maar privacywetgeving en data-governance belemmeren vaak het samenvoegen van individuele patiëntgegevens in een centrale database. Bestaande methoden voor federated learning (FL) in survival analysis hebben aanzienlijke beperkingen:

1. Iteratieve communicatie: Veel methoden vereisen meerdere rondes van uitwisseling van samenvattende statistieken, wat inefficiënt is.
2. Aannames: Ze vertrouwen vaak strikt op het proportional hazards (PH) veronderstelling van het Cox-model, wat de modellering van tijd-variërende effecten beperkt.
3. Privacyrisico's: Methoden zoals ODAC (One-shot Distributed Algorithm to fit a multicenter Cox proportional hazards model) vereisen dat sites de set unieke gebeurtenistijden delen, wat gevoelige informatie over het overlevingsproces kan onthullen.
4. Heterogeniteit: Bestaande modellen gaan er vaak van uit dat regressiecoëfficiënten over alle sites gelijk zijn, terwijl in werkelijkheid site-specifieke verschillen (bijv. door patiëntenpopulatie of klinische praktijk) kunnen bestaan.

Methodologie

De auteurs stellen een nieuw federatief raamwerk voor dat gebaseerd is op pseudo-observaties en hernieuwbare Generalized Estimating Equations (GEE). Het proces verloopt in twee hoofdstappen:

1. Federatieve Pseudo-observaties en Hernieuwbare GEE

In plaats van individuele data te delen, wordt een één-shot (one-shot) benadering gebruikt:

• Kaplan-Meier Schatting: Een globale Kaplan-Meier schatter ($\hat{S}(t)$) en de bijbehorende empirische invloedsfunctie ($\hat{\psi}$) worden berekend en naar de lokale sites verspreid zonder individuele data te delen.
• Lokale Pseudo-observaties: Elke site berekent lokaal pseudo-observaties voor elke patiënt op vooraf bepaalde "landmark"-tijdstippen ($t_j$) met behulp van de formule:
  $$\tilde{S}_{ij} \approx \hat{S}(t_j) + \hat{\psi}_i(X_i, \Delta_i)(t_j)$$
  Dit benadert de klassieke "leave-one-out" methode zonder de rekenlast van het herhaaldelijk opnieuw berekenen van de KM-schatter.
• Hernieuwbare GEE: De regressiecoëfficiënten worden geschat door een GEE op te lossen die de pseudo-observaties als uitkomstvariabele gebruikt. Het algoritme start bij Site 1 en werkt sequentieel door de sites ($k=2 \dots K$). Elke site update de schatting op basis van de vorige schatting en de geaccumuleerde Hessian-matrices, zonder individuele data te delen.
• Flexibiliteit: Het raamwerk maakt gebruik van verschillende linkfuncties (bijv. logit of complementary log-log), waardoor het niet beperkt is tot het PH-model. Het kan zowel tijd-invariante als tijd-variërende effecten modelleren.
• Variantie: Een robuuste "sandwich" variantie-schatter wordt gebruikt om de correlatie binnen subjecten (door meerdere pseudo-observaties per persoon) correct te behandelen.

2. Correctie voor Site-Heterogeniteit (Debiasing)

Om site-specifieke verschillen in covariaateffecten op te vangen, wordt een "fit-and-adjust" strategie toegepast:

• Na het schatten van het globale model worden de afwijkingen ($\Delta_k$) tussen lokale en globale schatters berekend.
• Er wordt een variatie-geadaptieve soft-thresholding procedure toegepast. Kleine afwijkingen (vermoedelijk ruis) worden naar het globale gemiddelde "geschrunk" (shrunk), terwijl grotere, significante afwijkingen behouden blijven.
• De drempelwaarde voor deze schrinking wordt bepaald via Generalized Stein's Unbiased Risk Estimate (GSURE). Dit zorgt voor een data-gedreven balans tussen bias en variantie, rekening houdend met de correlatie tussen lokale en globale schatters.

Belangrijkste Bijdragen

1. Flexibiliteit zonder PH-aanname: Het methode is niet beperkt tot proportional hazards en kan direct tijd-variërende hazard ratios schatten.
2. Privacy-bevorderend: Het vermijdt het delen van gevoelige informatie zoals unieke gebeurtenistijden of risicogroepen, in tegenstelling tot ODAC.
3. Efficiëntie: Het is een "one-shot" methode die slechts één ronde van communicatie van samenvattende statistieken vereist.
4. Heterogeniteitsbeheer: De introductie van een GSURE-gebaseerde debiasing procedure die ruis filtert maar echte site-specifieke signalen behoudt, wat een optimaal bias-variatie compromis biedt.

Resultaten

De auteurs hebben hun methode getest via simulaties en een toepassing op real-world data:

• Simulaties (PH-situatie): Onder de proportional hazards aanname presteerde de federatieve pseudo-observatie-regressie vergelijkbaar met de gepoolde Cox-regressie en ODAC, met verwaarloosbare bias.
• Simulaties (Non-PH): Wanneer de PH-aanname werd geschonden, kon de methode nauwkeurig tijd-variërende effecten herstellen, terwijl traditionele Cox-methoden dit niet konden.
• Simulaties (Heterogeniteit): In scenario's met schaarse heterogeniteit (waarbij de meeste sites gelijk zijn, maar een paar afwijken), presteerde de voorgestelde debiasing procedure beter dan puur globale of puur lokale schatters. Het verminderde de Root Mean Square Error (RMSE) door ruis te onderdrukken en echte afwijkingen te behouden.
• Toepassing (CAPriCORN): Op een dataset van 45.865 kinderen uit het Chicago Area Patient-Centered Outcomes Research Network (CAPriCORN) voor de analyse van de tijd tot kinderobesiteit:
  • De federatieve schattingen kwamen zeer nauw overeen met de centrale gepoolde analyse.
  • Het model detecteerde schendingen van de PH-aanname voor leeftijd en BMI-percentiel en modelleerde deze als tijd-variërende effecten.
  • De debiasing procedure identificeerde dat Site 2 een betekenisvol lokaal effect had voor comorbiditeit, terwijl andere sites naar het globale effect werden geschrunk, wat de robuustheid van de methode aantoont.

Betekenis en Conclusie

Dit artikel introduceert een krachtig, privacy-bewust raamwerk voor multicenter survival analysis. Het lost de spanning op tussen privacybeperkingen en de noodzaak voor robuuste statistische inferentie. Door het vermijden van het delen van gevoelige tijdsdata en het mogelijk maken van complexe modellering (tijd-variërende effecten en heterogeniteit), biedt het een superieur alternatief voor bestaande federatieve Cox-methoden. De methode is met name waardevol voor samenwerkingen in de gezondheidszorg waar data niet centraal kunnen worden samengevoegd, maar waar nauwkeurige en interpreteerbare overlevingsmodellen cruciaal zijn voor klinische besluitvorming.