📊 statistics

The super learner for time-to-event outcomes: A tutorial

Dit artikel biedt een praktische handleiding voor het toepassen van de super learner-methode op tijd-tot-evenement-data, waarbij drie specifieke implementaties worden uitgelegd, vergeleken en geïllustreerd met R-code.

Oorspronkelijke auteurs: Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

Gepubliceerd 2026-02-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

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 Super-Leraar voor Levensduur: Een Simpele Uitleg

Stel je voor dat je een arts bent die probeert te voorspellen hoe lang een patiënt nog gezond zal blijven na een diagnose. Je hebt veel verschillende manieren om dit te doen: wat je "modellen" noemt. Sommige modellen zijn als oude, betrouwbare kaarten (statistische formules), terwijl andere als slimme, moderne GPS-systemen zijn die van alles kunnen leren (machine learning).

Het probleem? Je weet op voorhand niet welke kaart of GPS het beste werkt voor jouw specifieke patiënt. Soms werkt de oude kaart beter, soms de GPS.

Wat is de "Super-Leraar"?
Deze paper introduceert de Super-Leraar (Super Learner). Denk hierbij niet aan één genie, maar aan een meesterkok die een team van koks heeft.

De meesterkok (de Super-Leraar) laat al zijn koks (de verschillende modellen) een gerecht maken.
Vervolgens proeft hij elke schotel (met een speciale test, genaamd cross-validatie) om te zien welke het lekkerst is.
In plaats van te kiezen voor één kok, maakt de meesterkok een perfect gerecht door de beste smaken van alle koks te combineren. Hij weet precies hoeveel zout van kok A en hoeveel peper van kok B hij moet gebruiken om het perfecte resultaat te krijgen.

Het mooie is: deze Super-Leraar garandeert dat zijn gecombineerde gerecht minstens zo goed is als het beste gerecht dat één enkele kok alleen had kunnen maken.

Het Specifieke Probleem: Tijd tot een Gebeurtenis
In de medische wereld kijken we vaak naar "tijd tot een gebeurtenis" (bijvoorbeeld: hoe lang duurt het tot een ziekte terugkeert?). Dit is lastig omdat patiënten soms de studie verlaten of stoppen met volgen voordat de ziekte terugkeert. Dit noemen we censuur. Het is alsof je probeert te voorspellen hoe lang een kaarsje brandt, maar iemand blust het kaarsje halverwege en loopt weg. Je weet niet of het kaarsje nu uit is of dat het nog lang zou hebben gebrand.

Deze paper legt uit hoe je de Super-Leraar kunt gebruiken voor dit soort lastige tijdsproblemen. Ze bespreken drie verschillende manieren om dit te doen:

1. De Discrete Methode (De "Stap-voor-stap" Benadering)

Hoe het werkt: Stel je voor dat je de tijd niet als een vloeiende rivier ziet, maar als een trap met treden. Je deelt de tijd op in blokken (bijvoorbeeld: jaar 1, jaar 2, jaar 3).
De analogie: Het is alsof je een film in stilstaande beelden bekijkt. Je vraagt aan elke kok: "Is de patiënt na jaar 1 nog in leven? Ja of nee?"
Voordeel: Je kunt heel veel verschillende soorten koks (modellen) gebruiken, zelfs diegene die alleen maar "Ja/Nee" antwoorden.
Nadeel: Je mist de fijne details tussen de treden van de trap. Als je te weinig treden hebt, is het beeld onnauwkeurig. Als je te veel treden hebt, wordt het een enorme rommeltje om te berekenen.

2. De Continue Methode van Westling (De "Vloeiende Rivier")

Hoe het werkt: Deze methode kijkt niet naar treden, maar naar de vloeiende rivier zelf. Ze gebruiken een slimme, iteratieve (herhalende) cyclus.
De analogie: Stel je voor dat je twee teams hebt: één team dat voorspelt wanneer de ziekte terugkomt, en één team dat voorspelt wanneer iemand de studie verlaat (censuur). Deze teams werken samen in een dans. Ze kijken naar elkaars voorspellingen, passen hun eigen voorspellingen aan, en dansen zo lang door tot ze perfect op elkaar zijn afgestemd.
Voordeel: Het gebruikt alle informatie die er is, zonder de tijd op te knippen. Het is heel flexibel.

3. De "Joint Survival" Methode van Munch & Gerds (De "Drie-Wegen Weg")

Hoe het werkt: Deze methode kijkt naar drie mogelijke staten waarin een patiënt zich kan bevinden: 1) Nog gezond, 2) Ziek geworden, of 3) Uit de studie verdwenen.
De analogie: Het is alsof je een verkeerslicht hebt met drie kleuren. De Super-Leraar probeert de beste voorspelling te maken voor welke kleur het licht op welk moment zal zijn.
Voordeel: Het is heel goed in het omgaan met complexe situaties, zoals wanneer er verschillende soorten ziektes kunnen optreden (concurrerende risico's). Het kiest vaak de allerbeste enkele kok uit het team, in plaats van ze te mixen.

Wat leerden ze uit de praktijk?

De auteurs testten deze methoden met echte data van borstkankerpatiënten uit Rotterdam.

De les: De "Super-Leraar" (de combinatie) deed het over het algemeen beter dan welke enkele "kok" (model) ook.
De winnaar: De methoden die de tijd als een vloeiende rivier behandelden (de continue methoden) deden het iets beter dan de methode met de trap (discrete), vooral omdat ze de tijd niet hoefden op te knippen.
De kracht van diversiteit: Het helpt enorm om een team te hebben van heel verschillende koks (bijvoorbeeld een oude statistische formule én een moderne AI). Hoe verschillender ze zijn, hoe beter de Super-Leraar een perfect gerecht kan maken.

Conclusie voor de Lezer

Deze paper is een handleiding voor onderzoekers. Het zegt: "Gebruik niet zomaar één model om te voorspellen hoe lang iemand nog leeft. Gebruik een Super-Leraar die een team van modellen samenbrengt. Het is de slimste manier om de onzekerheid van de tijd en het verlies van patiënten (censuur) te overwinnen."

Ze hebben ook de code beschikbaar gemaakt, zodat elke onderzoeker deze "meesterkok" zelf kan inzetten in hun eigen werk.

Probleemstelling

Het schatten van risico's of overlevingskansen (survival probabilities) die afhankelijk zijn van individuele kenmerken, gebaseerd op gecensureerde tijd-tot-event data, is een veelvoorkomende taak in de medische statistiek. Dit kan dienen voor het ontwikkelen van voorspellingsmodellen of als onderdeel van bredere schattingsprocedures, zoals in causale inferentie.

De centrale uitdaging is dat onderzoekers op voorhand niet weten welk model uit een reeks kandidaatmodellen de beste risicoschattingen zal opleveren. Analisten moeten kiezen uit een scala aan modellen (parametrisch, semi-parametrisch, niet-parametrisch en machine learning), maar het selecteren van het beste model gebeurt vaak op een ad-hoc manier. Bovendien vereist tijd-tot-event data specifieke methoden om rekening te houden met rechtercensuur (right censoring). Hoewel de "Super Learner" (SL) een krachtige aanpak is om de beste combinatie van modellen te vinden voor continue of binaire uitkomsten, is de literatuur voor tijd-tot-event uitkomsten zeer technisch en versnipperd, waardoor de praktische implementatie moeilijk toegankelijk is.

Methodologie

Het artikel biedt een praktische tutorial over het gebruik van Super Learners voor tijd-tot-event uitkomsten. De SL is een ensemble-methode die een optimale combinatie (of het beste enkele model) selecteert uit een vooraf gespecificeerde set van kandidaat-learners. De methode garandeert de "oracle property": de SL presteert asymptotisch ten minste even goed als het beste individuele model in de bibliotheek.

De auteurs beschrijven drie specifieke implementaties:

Discrete-tijd Super Learner (Polley & van der Laan, 2011):
- Principe: De tijd wordt gediscretiseerd in discrete intervallen. Het probleem van tijd-tot-event wordt omgezet in een reeks binaire voorspellingsproblemen (event vs. geen event per interval).
- Data: Vereist een "long" data-formaat (meerdere rijen per individu).
- Learners: Kan elke methode gebruiken die geschikt is voor binaire uitkomsten (bijv. logistische regressie, random forests, GAMs).
- Verliesfunctie: Gebruikt vaak een Inverse Probability of Censoring Weighted (IPCW) Brier score, of alternatieven gebaseerd op de hazard (L2 of log-likelihood) om censuur te corrigeren.
- Nadeel: De discretisatie kan leiden tot verlies van informatie en is computatievriendelijk zwaar bij fijne tijdschalen.
Continue-tijd Super Learner (Westling et al., 2023):
- Principe: Werkt direct in continue tijd zonder discretisatie.
- Doel: Schatting van de volledige conditionele overlevingsverdeling $S(t|X)$ en censuurverdeling $G(t|X)$ .
- Methode: Gebruikt een iteratief proces waarbij SL's worden gebruikt voor zowel de overlevings- als de censuurverdeling. Het verlies is een geïntegreerde Brier score over een tijdsgroep (grid).
- Ensemble: Een gewogen combinatie van learners wordt gevonden via niet-negatieve kleinste kwadraten (NNLS) op een "long" dataset van voorspellingen over het tijdsgroep.
Joint Survival Super Learner (Munch & Gerds, 2025):
- Principe: Een niet-ensemble aanpak die werkt met "state occupation probabilities" (toestanden: niet-gecensureerd/geen event, event, gecensureerd).
- Doel: Schatting van cumulatieve hazards voor zowel het event als censuur.
- Verliesfunctie: Een geïntegreerde Brier score over alle drie de toestanden.
- Selectie: Selecteert het beste paar van kandidaat-learners (één voor het event, één voor censuur) op basis van het laagste cross-validated verlies, in plaats van een gewogen ensemble te bouwen.
- Voordeel: Kan worden uitgebreid naar concurrerende risico's (competing events).

Implementatie in R:
Het artikel bespreekt de gebruikte R-pakketten: SuperLearner (voor discrete tijd), survSuperLearner (voor continue tijd, Westling et al.), en jossl (voor de joint survival SL, Munch & Gerds). Er wordt benadrukt dat cross-validatie cruciaal is om overoptimisme te voorkomen en de oracle property te garanderen.

Belangrijkste Resultaten

De methoden werden geïllustreerd met de open-access "Rotterdam" dataset (borstkankerdata). De dataset werd willekeurig verdeeld in een trainingsset (70%) en een testset (30%).

Prestatie Vergelijking:
- Individuele learners: De Random Survival Forest (RSF) presteerde over het algemeen het beste onder de individuele modellen. De standaard Cox-regressie presteerde het slechtst.
- Discrete vs. Continue tijd: De continue-tijd SL-methoden presteerden beter dan de discrete-tijd SL, vooral gemeten aan de hand van de Brier score (overall performance). De discrete-tijd SL met 100 intervallen presteerde slechter dan die met 10 intervallen, waarschijnlijk door problemen bij het modelleren van de baseline hazard bij fijne discretisatie.
- Ensemble vs. Non-ensemble: Zowel de continue-tijd ensemble SL (Westling) als de non-ensemble SL (Munch & Gerds) leverden bijna identieke resultaten op, die overeenkwamen met de prestaties van de beste individuele learner (RSF). Dit bevestigt de oracle property: de SL presteert minstens zo goed als het beste individuele model.
- Complexiteit van learners: Het gebruik van een rijker assortiment aan kandidaat-learners (bijv. GAMs, XGBoost, verschillende hyperparameters) leidde tot een bescheiden verbetering in voorspellende prestaties ten opzichte van een eenvoudige set.
Gewichten: In de ensemble-modellen werden vaak hoge gewichten toegewezen aan de Random Survival Forest en Cox-modellen met Lasso-selectie, terwijl modellen zoals de Kaplan-Meier estimator vaak een gewicht van nul kregen.

Bijdragen en Significantie

De belangrijkste bijdragen van dit artikel zijn:

Toegankelijkheid: Het biedt de eerste toegankelijke tutorial die de technische details en praktische implementatie van SL-methoden voor tijd-tot-event data samenvat. Het maakt complexe methoden begrijpelijk voor een breder publiek van statistici en data-analisten.
Vergelijkend Overzicht: Het vergelijkt drie verschillende benaderingen (discrete tijd, continue tijd ensemble, continue tijd non-ensemble) en bespreekt hun voor- en nadelen (bijv. discretisatie vs. continue tijd, ensemble vs. selectie, behandeling van censuur).
Praktische Implementatie: Het levert volledige R-code (via GitHub) die zowel de gebruik van bestaande pakketten als "handmatige" implementaties (zonder pakketten) omvat. Dit helpt gebruikers om de methoden te begrijpen en aan te passen aan specifieke behoeften die niet door standaardpakketten worden gedekt.
Toepasbaarheid: De methoden zijn niet alleen relevant voor voorspellingsmodellen, maar ook voor causale inferentie (bijv. Targeted Maximum Likelihood Estimation - TMLE), waar SL's worden gebruikt om "nuisance parameters" (zoals overlevings- en censuurverdelingen) te schatten.
Advies voor Praktijk: Het artikel adviseert het gebruik van diverse sets van kandidaat-learners om de correlatie tussen fouten van verschillende modellen te minimaliseren, en wijst op de voordelen van continue-tijd methoden voor flexibele modellering, ondanks de beperktere keuze aan beschikbare learners in vergelijking met binaire uitkomsten.

Kortom, dit artikel dient als een essentieel naslagwerk voor onderzoekers die geavanceerde machine learning-technieken willen toepassen op overlevingsdata, met een duidelijke focus op reproducibiliteit en praktische toepasbaarheid in R.