📊 statistics

Index Date Imputation for Survival Analysis in Externally Controlled Trials with Delayed Treatment Initiation

Dit artikel stelt Index Date Imputation (IDI) voor, een methode die vergelijkbare data van behandelingsstart voor externe controledatapunten schat en imputeert om immortal time bias te corrigeren en overlevingsanalyses in eenarmige studies met uitgestelde behandelingsstart af te stemmen, terwijl het wordt geïntegreerd met propensity score-technieken om verwarring op populatieniveau aan te pakken.

Oorspronkelijke auteurs: Q. Le Coent, G. L. Rosner, M-C. Wang, C. Hu

Gepubliceerd 2026-06-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Q. Le Coent, G. L. Rosner, M-C. Wang, C. Hu

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 de prestaties van twee hardlopers in een race wilt vergelijken, maar er is een addertje onder het gras: je hebt slechts een stopwatch voor één van hen.

Het Scenario
Je hebt een nieuwe hardloopschoen (de "Single-Arm Trial") die je wilt testen. Je geeft de schoenen aan een groep hardlopers en start je stopwatch op het moment dat ze de schoenen aantrekken. Je houdt bij hoe lang ze hardlopen voordat ze moe worden en stoppen.

Om te zien of de schoenen goed zijn, moet je ze vergelijken met andere hardlopers die de schoenen niet droegen (de "External Controls"). Echter, je gegevens over deze andere hardlopers komen uit een oud logboek. In dat logboek werd de stopwatch niet gestart toen ze hun schoenen aantrokken; de stopwatch begon toen ze voor het eerst op de baan stapten (de "Diagnose" of "Relapse" datum).

Het Probleem: De "Verborgen Wachtkamer"
Dit is de valstrik: Om de nieuwe schoenen te krijgen, moesten de hardlopers eerst een "wachtperiode" overleven. Ze moesten een paar rondjes rennen, herstellen van een eerdere blessure, of wachten op goedkeuring van een arts voordat ze aan de trial mochten deelnemen. Als ze te snel moe werden of opgaven voordat ze de schoenen konden krijgen, kwamen ze nooit in jouw trial-gegevens terecht.

Maar de hardlopers in het oude logboek? Die werden getimed vanaf het moment dat ze op de baan stapten. Als zij vroegtijdig opgaven, stonden ze nog steeds in het logboek.

Als je de twee groepen direct met elkaar vergelijkt, maak je een fout. Je vergelijkt hardlopers die de wachtkamer hebben overleefd (de trial-groep) met hardlopers die aan het begin zijn gestart (de controlegroep). De trial-groep ziet eruit als superatleten, simpelweg omdat de zwakkere hardlopers werden weggefilterd voordat de race überhaupt begon. Dit wordt "Immortal Time Bias" genoemd. Het is alsoal zeggen: "Kijk, iedereen die de marathon voltooit, is gezond!" terwijl je iedereen negeert die al een hartaanval kreeg voordat ze zelfs maar de startlijn hadden verlaten.

De Oplossing: "Index Date Imputation" (IDI)
De auteurs van dit artikel stellen een slimme oplossing voor genaamd Index Date Imputation (IDI). Denk aan het als een tijdreizende redacteur voor je gegevens.

In plaats van alleen te raden wanneer de controle-hardlopers hun schoenen aantrokken, gebruikt IDI wiskunde om de werkelijke verdeling te achterhalen van wanneer mensen klaar zouden zijn geweest om te starten, zelfs als ze dat punt niet hebben bereikt.

Zo werkt het proces, stap voor stap:

De "Ghost" Verdeling: De onderzoekers kijken naar de hardlopers die de nieuwe schoenen wel kregen. Ze realiseren zich: "Oh, we zien alleen degenen die de wachtkamer hebben overleefd." Daarom gebruiken ze een speciale statistische truc (zoals een reverse-engineering tool) om te schatten hoe de wachttijden eruit zagen voor iedereen die de baan betrad, inclusief degenen die vroegtijdig afhaakten. Ze creëren een "Ghost Schedule" van wanneer mensen zouden moeten zijn geweest om klaar te zijn.
Het Logboek Herschrijven: Ze nemen de hardlopers uit het oude logboek (de controles) en wijzen aan de hand van die "Ghost Schedule" aan elke hardloper willekeurig een fictieve "Starttijd" toe (een geïmputeerde indexdatum). Dit simuleert het moment waarop zij klaar zouden zijn geweest om aan de nieuwe schoenen te beginnen.
De Afkapgrens: Als een controle-hardloper uit de race stapte voordat hun toegewezen fictieve starttijd bereikt was, worden zij uit de vergelijking verwijderd. Dit zorgt ervoor dat je niet mensen die nog aan het rennen waren vergelijkt met mensen die al gestopt waren.
Het Speelveld Gelijktrekken: Ten slotte gebruiken ze een matchingsysteem (zoals een matchmakingdienst) om ervoor te zorgen dat de twee groepen vergelijkbaar zijn in leeftijd, fitheid en andere factoren, zodat het enige verschil de schoenen zelf is.

De Analogie van de "Survivor-Selected" Lijst
Stel je een middelbare school voor waar alleen de leerlingen die een moeilijke wiskundetoets halen, mogen deelnemen aan de "Advanced Club".

De Trial: Je kijkt naar de leden van de Advanced Club en vraagt: "Hoe lang doen ze erover om het eindexamen af te leggen?"
De Oude Data: Je kijkt naar de hele school en vraagt: "Hoe lang doen iedereen erover om het eindexamen af te leggen?"

Als je ze vergelijkt, lijkt de Advanced Club een groep genieën. Maar dat komt omdat de mensen die de wiskundetoets niet haalden, nooit de club hebben bereikt om het eindexamen te maken.

IDI is als het nemen van de hele school, het schatten van hoe lang het iedereen zou hebben genomen om de wiskundetoets te halen (zelfs degenen die faalden), en dan alleen de tijden van het eindexamen te vergelijken van de studenten die daadwerkelijk de toets zouden hebben gehaald. Dit corrigeert de bias, zodat je kunt zien of de "Advanced Club" echt beter is, of dat ze gewoon een voorsprong hadden.

Wat het Papier Vond
De auteurs testten deze methode met behulp van computersimulaties en een echte klinische studie naar longkanker (ECOC-ACRIN 5508).

Zonder IDI: De vergelijking was volkomen onnauwkeurig, waardoor de nieuwe behandeling veel beter leek dan deze in werkelijkheid was, vanwege de "verborgen wachtkamer"-bias.
Met IDI: De resultaten kwamen veel dichter in de buurt van de "gouden standaard" (een echte gerandomiseerde trial waarbij iedereen eerlijk werd behandeld vanaf het begin).

De Kernboodschap
Dit artikel biedt een instrument om een specifieke timingfout in medische studies te corrigeren. Wanneer een nieuwe behandeling later start dan de oude gegevens, kun je de startdata niet simpelweg vergelijken. Je moet IDI gebruiken om (te reconstrueren) de juiste starttijden voor de controlegroep te bepalen, rekening houdend met het feit dat sommige mensen niet lang genoeg hebben overleefd om de behandeling überhaupt te kunnen starten. Dit maakt de vergelijking eerlijk en de resultaten betrouwbaar.

Technische Samenvatting: Imputatie van Indexdatum voor Overlevingsanalyse in Extern Gecontroleerde Trials met Vertraagde Behandelaanvang

Probleemstelling
Extern gecontroleerde trials (ECT's) vergelijken uitkomsten van een eenarmige trial met externe controles afkomstig uit historische trials, registers of observationele studies. Een kritieke methodologische uitdaging ontstaat wanneer de follow-up van de eenarmige trial wordt geïndexeerd op het moment van behandelaanvang, terwijl de data van de externe controle worden geïndexeerd op een eerder klinisch mijlpaal (bijv. diagnose, recidief of voltooiing van initiële therapie).

Deze mismatch creëert twee primaire problemen:

Immortal Time Bias: Patiënten in de eenarmige trial moeten overleven van het eerdere mijlpaal tot het punt van behandelaanvang om te worden opgenomen in de analyse. Externe controles, geïndexeerd op het eerdere mijlpaal, delen deze overlevingsvereiste niet, wat leidt tot verstoorde risicosets en opgeblazen overlevingsschattingen voor de behandelarm.
Gecureerde Verdeling van Aanvangstijd: In de eenarmige trial worden de tijden van behandelaanvang alleen waargenomen voor patiënten die lang genoeg overleven om de behandeling te starten. Daarom is de empirische verdeling van de waargenomen aanvangstijden een door overleving geselecteerde (gecureerde) verdeling, en niet de marginale verdeling van de aanvangstijden in de doelpopulatie. Standaard resamplingmethoden (bijv. Prescription-Time Distribution Matching) die de empirische verdeling van waargenomen tijden gebruiken, houden geen rekening met deze curatie, wat leidt tot een vertekende imputatie van indexdatums voor externe controles.

Methodologie: Index Datum Imputatie (IDI)
De auteurs stellen Index Date Imputation (IDI) voor, een methode die rekening houdt met curatie en is ontworpen om vergelijkbare indexdatums te reconstrueren voor externe controles in situaties met vertraagde behandelaanvang. De procedure richt zich op het Average Treatment Effect on the Treated (ATT) binnen de populatie na de aanvang (patiënten die in aanmerking komen voor de interventie na een fase voorafgaand aan de aanvang).

De IDI-procedure bestaat uit vier stappen:

Schatting van de Aanvangstijdverdeling en Propensity Scores:
- De methode schat de marginale verdeling van de tijden van behandelaanvang ( $F_R$ ) in de doelpopulatie van de eenarmige trial. Cruciaal is dat het de curatiebias corrigeert die inherent is aan de waargenomen eenarmige data (waar de aanvang alleen wordt waargenomen als $T > R$ ).
- Onder een werkingsveronderstelling dat de aanvangstijd $R$ onafhankelijk is van basale covariaten $X$ , wordt $F_R$ geschat met behulp van een niet-parametrische inverse-survival gewogen estimator.
- Tegelijkertijd wordt een propensity score voor cohortlidmaatschap ( $p(X) = P(G=1|X)$ ) geschat met behulp van logistische regressie. Om ervoor te zorgen dat de propensity score de doelpopulatie reflecteert op het moment van padtoegang (in plaats van de door overleving geselecteerde geobserveerde cohort), worden patiënten uit de eenarmige trial gewogen door het inverse van hun waarschijnlijkheid om aan de geschiktheidsvoorwaarde te voldoen (overleving tot $R$ ) op de waargenomen aanvangstijd.
Imputatie van Pseudo-Aanvangstijden:
- Voor elke externe controle patiënt wordt een pseudo-aanvangstijd ( $\hat{R}_j$ ) getrokken uit de geschatte marginale verdeling $\hat{F}_R$ .
- De follow-up tijd wordt opnieuw geïndexeerd vanaf het initiële mijlpaal naar $\hat{R}_j$ .
- Externe controle patiënten worden alleen in de analyse opgenomen als zij voldoen aan de risicoset na de aanvang en de geschiktheidsvoorwaarde op $\hat{R}_j$ (bijv. zij moeten hebben overleefd en progressievrij zijn gebleven tot de geïmputeerde tijd).
Schatting van Marginale Overlevingscontrasten:
- De aangepaste externe controle cohort wordt geanalyseerd met behulp van de ATT-gewichten afgeleid in Stap 1 om de covariatenverdeling af te stemmen op de eenarmige doelpopulatie.
- Overlevingsfuncties worden geschat met behulp van gewogen Kaplan-Meier estimators of gewogen Cox-modellen op de opnieuw geïndexeerde follow-up tijden.
Inferentie:
- Een niet-parametrische bootstrap wordt gebruikt om de variabiliteit te accounten die wordt geïntroduceerd door de stochastische imputatie van indexdatums en de schatting van nuisance parameters (propensity scores, curatiegewichten).

Belangrijkste Bijdragen

Curatie-bewuste Schatting: In tegen tegenover bestaande methoden voor indexdatum-emulatie (bijv. PTDM) die samplen uit de empirische verdeling van waargenomen aanvangstijden, schat IDI expliciet de marginale aanvangstijdverdeling door te corrigeren voor het feit dat waargenomen tijden worden gecureerd door overleving en geschiktheid.
Geïntegreerd Kader: IDI koppelt temporele uitlijning (imputatie van indexdatums) met covariaten-aanpassing (propensity score weighting/matching) om zowel de mismatch in de tijd-oorsprong als confounding op populatieniveau aan te pakken.
Formele Definitie van de Post-Aanvang Estimand: Het artikel definieert de doel-estimand formeel als de overlevingsfunctie geïndexeerd op de beslistijd $R$ voor patiënten die op $R$ nog steeds in aanmerking komen, wat verschilt van strategieën die bij de baseline worden toegewezen.

Resultaten
De auteurs evalueerden IDI via Monte Carlo-simulaties en een geëmuleerde analyse met data uit de ECOG-ACRIN 5508 gerandomiseerde oncologie trial.

Simulatiestudies:
- In scenario's met mismatch in de indexdatum en overlevingsgebaseerde curatie, vertoonden naïeve analyses en propensity score weighting zonder indexdatum-uitlijning substantiële bias en een slechte dekking van de betrouwbaarheidsintervallen.
- IDI gecombineerd met propensity score weighting verminderde de bias aanzienlijk en behield nominale dekking.
- Gevoeligheid voor Curatie: Een gerichte vergelijking met PTDM-type imputatie toonde aan dat hoewel beide methoden vergelijkbaar presteerden onder milde curatie, PTDM steeds meer bevooroordeeld werd naarmate de ernst van de curatie toenam. PTDM voerde systematisch eerdere pseudo-indexdatums toe aan controles, wat hun overleving kunstmatig verlengde. IDI bleef nagenoeg onbevooroordeeld over alle curatieniveaus door de marginale aanvangverdeling correct te schatten.
- De methode toonde robuustheid, zelfs wanneer de werkingsveronderstelling van onafhankelijkheid tussen de aanvangstijd en covariaten werd geschonden, hoewel de variabiliteit toenam.
Geëmuleerde Trial (ECOG-ACRIN 5508):
- De auteurs emuleerden een extern gecontroleerde trial die pemetrexene onderhoud (eenarmig) vergeleek met bevacizumab onderhoud (externe controle), waarbij de gerandomiseerde trial als benchmark diende.
- De naïeve extern gecontroleerde analyse (geïndexeerd op de registratiedatum van de trial) bevoordeelde de behandelarm sterk (Hazard Ratio [HR] = 0,447), wat significant afweek van de gerandomiseerde benchmark (HR = 0,860).
- Na toepassing van IDI met propensity score weighting bewoog de geschatte HR dichter naar de benchmark (HR = 0,828), en de landmark overlevingskansverschillen kwamen ook dichter in de buurt van de gerandomiseerde resultaten. Dit demonstreerde het vermogen van IDI om de discrepantie te verminderen die wordt veroorzaakt door mismatch in de indexdatum en verschillen in geschiktheid.

Betekenis en Claims
Het artikel claimt dat IDI een praktische strategie biedt voor het uitlijnen van indexdatums in overlevingsanalyses waarbij sprake is van vertraagde behandelaanvang, een veelvoorkomend scenario in de oncologie en bij zeldzame ziekten waar gerandomiseerde trials onhaalbaar zijn.

Noodzakelijk maar Niet Voldoende: De auteurs benadrukken dat IDI de temporele uitlijning en de curatie-componenten van externe controle-analyse aanpakt, die noodzakelijk zijn voor causale interpretatie, maar niet voldoende zijn. Correct gebruik vereist nog steeds adequate overlap in covariaten, vergelijkbare uitkomstvaststelling en het vermogen om de geschiktheid op de geïmputeerde indexdatum te beoordelen.
Onderscheid van Bestaande Methoden: Het werk onderscheidt zich van methoden die gericht zijn op bij baseline toegewezen strategieën (bijv. clone-censor-weighting) en standaard indexdatum-emulatie die curatie negeert.
Beperkingen: De auteurs erkennen beperkingen, waaronder de afhankelijkheid van een werkingsveronderstelling van onafhankelijkheid voor de aanvangstijdverdeling (hoewel robuustheid werd waargenomen), het potentieel voor een vermindering van de effectieve steekproefomvang door de filtering op geschiktheid op de geïmputeerde tijd, en de vereiste dat longitudinale geschiktheidsgegevens (bijv. progressiestatus) beschikbaar zijn in de externe controle cohort om de post-aanvang risicoset volledig te emuleren.

Samenvattend presenteert het artikel IDI als een methodologische correctie voor een specifieke bias die voortvloeit uit misaligned indexdatums in extern gecontroleerde trials, waarbij via simulatie en emulatie wordt aangetoond dat het onbevooroordeelde schattingen van behandelings-effecten kan herstellen waar standaard benaderingen falen door misaligned tijd-oorsprongen en door overleving geselecteerde aanvangstijden.

Technische Samenvatting: Imputatie van Indexdatum voor Overlevingsanalyse in Extern Gecontroleerde Trials met Vertraagde Behandelaanvang

Meer zoals dit