📊 statistics

Marginal and conditional summary measures: transportability and compatibility across studies

Dit artikel verduidelijkt de verschillende interpretaties en eigenschappen van marginale versus conditionele samenvattingsmaten, en toont aan dat hun niet-overeenstemming – zelfs voor samenvattingsmaten die onder effectmodificatie samenvoegbaar zijn – aanzienlijke uitdagingen oplevert voor generaliseerbaarheid en evidence-synthese, wat vaak leidt tot vertekening wanneer incompatibele maten naïef worden samengevoegd zonder toegang tot individuele patiëntgegevens.

Oorspronkelijke auteurs: Antonio Remiro-Azócar, David M. Phillippo, Nicky J. Welton, Sofia Dias, A. E. Ades, Anna Heath, Gianluca Baio

Gepubliceerd 2026-05-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Antonio Remiro-Azócar, David M. Phillippo, Nicky J. Welton, Sofia Dias, A. E. Ades, Anna Heath, Gianluca Baio

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 moet beslissen welke van twee verschillende auto's (Behandeling A en Behandeling B) beter is. Je kunt ze niet tegelijkertijd testen, dus je kijkt naar twee aparte rapporten: één dat Auto A vergelijkt met een standaard sedan (Controle), en een ander dat Auto B vergelijkt met diezelfde standaard sedan. Om uit te vinden welke beter is, moet je deze rapporten combineren.

Dit artikel is een waarschuwingslabel voor dat proces. Het betoogt dat we bij het combineren van deze rapporten vaak een kritieke fout maken: we vergelijken appels met sinaasappels zonder het te beseffen.

Hieronder volgt een uiteenzetting van de belangrijkste punten van het artikel, gebruikmakend van eenvoudige analogieën.

1. De Twee Manieren om "Succes" te Meten

Het artikel legt uit dat er twee hoofdwijzen zijn om te meten hoe goed een behandeling werkt, en dat ze niet altijd hetzelfde getal opleveren.

Het "Groepsgemiddelde" (Marginaal): Stel je voor dat je een foto maakt van de hele menigte mensen die het medicijn hebben ingenomen en je vraagt: "Hoeveel beter heeft de groep gemiddeld gepresteerd?" Dit is een Marginaal maatstaf. Het kijkt naar het grote geheel.
Het "Specifiek Profiel" (Conditioneel): Nu zoom je in op een specifiek type persoon in die menigte – bijvoorbeeld "mensen die 30 jaar oud zijn en roken". Je vraagt: "Hoeveel beter heeft deze specifieke groep gepresteerd?" Dit is een Conditioneel maatstaf.

Het Probleem: In de echte wereld zijn deze twee getallen zelden hetzelfde. Het feit dat de "gemiddelde persoon" met 10 punten is verbeterd, betekent niet dat de "30-jarige roker" ook met 10 punten is verbeterd.

2. De "Magische Lens" Analogie

Het artikel introduceert een concept dat Collapsibiliteit wordt genoemd. Denk hierbij aan een speciale lens waardoor je kijkt om het behandelingseffect te meten.

Direct Collapsibel (De Duidelijke Lens): Sommige lenzen (zoals het meten van een simpele "Risicoverschil" of "Gemiddeld Verschil") zijn helder. Als je naar de specifieke groepen kijkt en ze vervolgens optelt, krijg je exact hetzelfde getal als wanneer je naar de hele menigte tegelijk kijkt.
- Analogie: Als je de lengte van elke student in een klas meet en het gemiddelde berekent, krijg je hetzelfde resultaat als wanneer je de hele klas samen meet.
Niet-Collapsibel (De Vervormende Lens): Andere lenzen (zoals "Odds Ratio's" of "Hazard Ratio's", vaak gebruikt voor overleving of binaire uitkomsten) vervormen het beeld. Zelfs als je naar specifieke groepen kijkt, verandert het getal wanneer je ze optelt.
- Analogie: Stel je een gekkigheidsspiegel voor. Als je naar een specifieke persoon kijkt, ziet die er lang uit. Als je naar de hele groep kijkt, vervormt de spiegel de gemiddelde lengte op een manier die niet overeenkomt met de som van de individuen.

De Grote Verrassing van het Artikel: De meeste mensen denken dat deze vervorming alleen voorkomt bij de "gekkigheidsspiegels" (niet-collapsibele maatstaven). Het artikel betoogt echter dat zelfs met duidelijke lenzen, als de behandeling voor verschillende soorten mensen anders werkt (effectmodificatie), het "Groepsgemiddelde" en het "Specifieke Profiel" het nog steeds oneens zullen zijn.

3. De "Gemiddelde Persoon" Valstrik

Het artikel wijst op een verwarrende term die vaak in de statistiek wordt gebruikt: "Op het Gemiddelde".

Stel je een studie voor waarbij mensen worden gemeten op hun "rookstatus" (Ja/Nee).
De "Gemiddelde" roker zou dan 0,5 kunnen zijn (een halve persoon die rookt).
Het artikel waarschuwt dat het berekenen van het effect voor deze "0,5 persoon" onzin is. Het is alsof je probeert het brandstofverbruik te berekenen van een auto die half sedan en half vrachtwagen is. Zo'n auto bestaat niet.
Het artikel dringt erop aan dat we voorzichtig moeten zijn om het effect voor de "Gemiddelde Persoon" (die niet bestaat) niet te verwarren met het "Gemiddelde Effect" over alle echte mensen heen.

4. De "Indirecte Vergelijking" Ramp

Hier wordt het artikel praktisch. In de gezondheidszorg moeten we vaak Behandeling A versus Behandeling B vergelijken, maar we hebben alleen data voor A versus Controle en B versus Controle. We moeten een "Indirecte Behandelingvergelijking" uitvoeren.

Het artikel zegt: Als je de verkeerde soorten metingen combineert, zal je conclusie vertekend zijn.

Scenario: Studie 1 (A versus Controle) rapporteert een "Groepsgemiddelde" resultaat. Studie 2 (B versus Controle) rapporteert een "Specifiek Profiel" resultaat (gecorrigeerd voor leeftijd, geslacht, etc.).
De Fout: Als je het getal van Studie 2 simpelweg aftrekt van het getal van Studie 1 om A en B te vergelijken, dan meng je appels met sinaasappels.
Het Gevolg: Je zou kunnen concluderen dat Behandeling A beter is, terwijl het eigenlijk slechter is, of andersom, simpelweg omdat de wiskunde niet klopt.

5. De Oplossing: Volledige Toegang of Voorzichtige Wiskunde

Het artikel stelt twee manieren voor om dit op te lossen:

De Gouden Standaard: Beschikken over de ruwe data voor elke enkele patiënt in elke studie (Individuele Patiëntdata). Dit stelt statistici in staat om alles opnieuw te berekenen zodat het perfect overeenkomt.
De Voorzichtige Aanpak: Als je alleen samenvattende getallen hebt (zoals "100 mensen namen het medicijn, 20 werden beter"), moet je zeer specifieke wiskundige methoden gebruiken (zoals ML-NMR) die weten hoe ze moeten vertalen tussen "Groepsgemiddelden" en "Specifieke Profielen" zonder de wiskunde te breken.

Samenvatting

Het artikel is een oproep om niet langer lui te zijn met statistiek. Bij het vergelijken van medische behandelingen:

Ga er niet van uit dat een gemiddeld effect hetzelfde is als een specifiek effect.
Ga er niet van uit dat verschillende studies hetzelfde rapporteren alleen omdat ze dezelfde ziekte meten.
Controleer je lenzen: Zorg ervoor dat je "Groepsgemiddelden" vergelijkt met "Groepsgemiddelden", en "Specifieke Profielen" met "Specifieke Profielen". Als je ze mengt, kunnen je medische beslissingen verkeerd zijn.

De auteurs zeggen niet dat het ene type meting "beter" is dan het andere; ze zeggen dat je exact moet weten welke je gebruikt en ervoor moet zorgen dat je ze niet per ongeluk door elkaar haalt.

Technische Samenvatting: Marginale en Conditionele Samenvattende Maatstaven: Transporteerbaarheid en Compatibiliteit tussen Studies

Probleemstelling
Het artikel behandelt een kritieke, vaak over het hoofd geziene bron van heterogeniteit in evidence synthesis: de incompatibiliteit tussen marginale (voorwaardelijke) en conditionele samenvattende maatstaven. Hoewel algemeen bekend is dat niet-collapsibele maatstaven (bijvoorbeeld odds ratios, hazard ratios) niet overeenkomen met hun marginale tegenhangers, zelfs bij afwezigheid van effectmodificatie, betoogt dit werk dat het probleem zich uitstrekt tot collapsibele maatstaven (bijvoorbeeld risicoverhoudingen) wanneer effectmodificatie aanwezig is.

Het kernprobleem is dat marginale en conditionele estimanden corresponderen met verschillende beslissingsvragen en verschillende interpretaties hebben. In evidence synthesis, met name bij indirecte behandelingsvergelijkingen (ITC's) en meta-analyses, kan het "naïef poolen" van deze incompatibele maatstaven bias introduceren. Dit wordt verergerd wanneer studies verschillende samenvattende maatstaven rapporteren of wanneer covariaatcorrectiemethoden worden toegepast om behandelings effecten van een trialpopulatie naar een doelpopulatie te transporteren. Een specifiek geïdentificeerde lacune is dat covariaten die conventioneel niet worden beschreven als effectmodificatoren (puur prognostische covariaten) toch de behandelings effecten op populatieniveau kunnen modificeren voor niet-collapsibele maatstaven, waardoor de transporteerbaarheid wordt aangetast.

Methodologie
De auteurs hanteren een theoretisch kader gebaseerd op de notatie van potentiële uitkomsten en de definities van estimanden uit ICH E9 (R1). Ze presenteren geen nieuwe empirische data, maar verduidelijken eerder de wiskundige eigenschappen en interpretaties van verschillende estimanden onder verschillende hypothetische mechanismen voor het genereren van uitkomsten.

De methodologie omvat:

Formele Definities: Definiëren van vier sleutel-estimanden:
- Marginale Behandelings Effect (MTE): Een contrast van functies van marginale uitkomstverwachtingen ( $E[Y^1] - E[Y^0]$ ).
- Conditioneel Behandelings Effect (CTEX): Een contrast van conditionele verwachtingen gegeven specifieke covariaatwaarden ( $E[Y^1|X=x] - E[Y^0|X=x]$ ).
- Conditioneel Behandelings Effect bij de Gemiddelden (CTEM): De CTEX geëvalueerd bij de gemiddelde covariaatwaarde ( $\bar{X}$ ).
- Populatiegemiddeld Conditioneel Behandelings Effect (PACTE): Het gemiddelde van de CTEX over de populatieverdeling van covariaten ( $E_X[CTEX]$ ).
Generatieve Modellering: De auteurs analyseren deze estimanden onder drie hypothetische parametrische modellen voor het genereren van uitkomsten binnen een Generalized Linear Model (GLM)-kader:
- Homogeen CTEX: Behandelings effecten zijn constant voor individuen (geen interactie).
- Lineair Heterogeen CTEX: Behandelings effecten variëren lineair met een covariaat (interactie aanwezig).
- Niet-lineair (Kwadratisch) Heterogeen CTEX: Behandelings effecten variëren niet-lineair (kwadratisch) met een covariaat.
Collapsibiliteitsanalyse: Het artikel onderzoekt hoe de volgorde van bewerkingen (gemiddelde nemen voor of na het toepassen van de linkfunctie $g(\cdot)$ ) de equivalentie van estimanden beïnvloedt, met onderscheid tussen direct collapsibele maatstaven (middelpuntverschil, risicoverschil), collapsibele maar niet direct collapsibele maatstaven (risicoverhouding), en niet-collapsibele maatstaven (odds ratio, hazard ratio).
Toepassing op ITC's: De theoretische bevindingen worden toegepast op de context van covariaatcorrectiemethoden die worden gebruikt bij indirecte behandelingsvergelijkingen (bijvoorbeeld MAIC, STC, ML-NMR), waarbij specifieke methoden worden gekoppeld aan de estimanden die ze produceren.

Belangrijkste Bijdragen en Resultaten
Het artikel biedt een taxonomie van marginale estimanden en verduidelijkt de voorwaarden waaronder verschillende samenvattende maatstaven overeenkomen of uiteenlopen:

Niet-equivalentie van Schatters: De auteurs demonstreren dat MTE, CTEM en PACTE over het algemeen verschillend zijn.
- Bij homogene modellen is MTE gelijk aan CTEM en PACTE voor direct collapsibele maatstaven (identiteitslink), maar wijkt het af voor niet-collapsibele maatstaven (logit-link), waarbij de MTE afhankelijk is van de volledige gezamenlijke verdeling van prognostische covariaten.
- Bij lineair heterogene modellen is MTE gelijk aan CTEM en PACTE voor direct collapsibele maatstaven. Voor niet-direct collapsibele maatstaven (bijvoorbeeld log-risicoverhouding) kan de MTE echter niet worden uitgedrukt als een eenvoudige functie van modelcoëfficiënten en gemiddelde covariaten; deze vereist de volledige gezamenlijke verdeling van effectmodificatoren en prognostische covariaten.
- Bij niet-lineair heterogene modellen zijn CTEM en PACTE fundamenteel verschillend. Vanwege de ongelijkheid van Jensen is de PACTE (gemiddelde van niet-lineaire functies) niet gelijk aan de CTEM (functie van het gemiddelde). De MTE komt overeen met de PACTE voor de identiteitslink, maar wijkt af voor niet-lineaire links.
Rol van Prognostische Covariaten: Een significante bevinding is dat puur prognostische covariaten (die niet interageren met de behandeling) het marginale behandelings effect kunnen modificeren voor niet-collapsibele maatstaven. Bijgevolg wordt transporteerbaarheid niet alleen bedreigd door verschillen in effectmodificatoren, maar ook door verschillen in de verdeling van prognostische factoren.
Methode-specifieke Estimanden: Het artikel koppelt bestaande covariaatcorrectiemethoden aan hun doel-estimanden:
- MAIC en STC-G schatten de MTE.
- STC-P, NMI en cross-NMR schatten de CTEM.
- ML-NMR kan de PACTE of MTE schatten.
Risico's van Incompatibiliteit: De analyse benadrukt dat het combineren van schattingen uit verschillende methoden (bijvoorbeeld een MTE van MAIC met een CTEM van STC-P) in een indirecte vergelijking leidt tot incompatibiliteit van estimanden en potentiële bias. Dit is bijzonder acuut wanneer trials conditionele schattingen rapporteren op basis van verschillende sets covariaten.

Betekenis en Aanspraken
Het artikel stelt dat de keuze van de samenvattende maatstaf een fundamenteel onderdeel is van de onderzoeksvraag, maar dat deze vaak als secundaire overweging wordt behandeld in kaders zoals PICO. De auteurs betogen dat:

Verduidelijking van Terminologie: Het artikel precise terminologie vastlegt om onderscheid te maken tussen marginale en conditionele estimanden, waardoor de verwarring wordt voorkomen die vaak in de literatuur voorkomt, waar termen als "marginale effecten" ambigu worden gebruikt (bijvoorbeeld het verwarren van CTEM met PACTE).
Waarschuwing tegen Naïef Poolen: De auteurs benadrukken dat naïef poolen van marginale en conditionele maatstaven in evidence synthesis bias produceert. Zij stellen dat zorgvuldigheid vereist is om te waarborgen dat synthesemethoden compatibele samenvattende maatstaven combineren.
Behoefte aan Individuele Patiëntdata (IPD): Het artikel suggereert dat het oplossen van incompatibiliteit van estimanden aanzienlijk eenvoudiger is met volledige toegang tot individuele patiëntdata. IPD maakt het gebruik van methoden mogelijk zoals ML-NMR of IPD-meta-regressie, die elke gewenste marginale of conditionele samenvattende maatstaf kunnen produceren zonder incompatibiliteitsproblemen en covariaatverdelingen in elke doelpopulatie kunnen corrigeren.
Herwaardering van Transporteerbaarheid: Het werk daagt het conventionele beeld uit dat alleen effectmodificatoren transporteerbaarheid beïnvloeden, en toont aan dat prognostische covariaten marginale effecten kunnen veranderen voor niet-collapsibele maatstaven.

Concluderend dient het artikel als methodologische leidraad voor evidence synthesis, waarbij onderzoekers worden opgeroepen om estimanden tussen studies expliciet te definiëren en uit te lijnen om geldige transporteerbaarheid en compatibiliteit te waarborgen, met name in de context van indirecte behandelingsvergelijkingen en gezondheids-technologiebeoordelingen.