📊 statistics

Multi-state Models For Disease Histories Based On Longitudinal Data

Dit onderzoek toont aan dat uitbreidingen van piecewise exponential additive models (PAMs) geschikt zijn voor het analyseren van complexe multi-staat ziektegeschiedenissen met longitudinale data, zoals bij chronische nierziekte, hoewel de robuustheid varieert afhankelijk van de gebruikte tijdschalen en de volledigheid van covariaatcorrectie.

Oorspronkelijke auteurs: Simon Wiegrebe, Johannes Piller, Mathias Gorski, Merle Behr, Helmut Küchenhoff, Iris M. Heid, Andreas Bender

Gepubliceerd 2026-03-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Simon Wiegrebe, Johannes Piller, Mathias Gorski, Merle Behr, Helmut Küchenhoff, Iris M. Heid, Andreas Bender

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

Het Reisgidsje voor Ziektes: Hoe we de levensloop van ziektes beter begrijpen

Stel je voor dat een ziekte niet zomaar een "aan" of "uit" schakelaar is, maar meer lijkt op een reizen door een groot, complex station. Je begint op perron 0 (gezond), en je kunt overstappen naar perron 1 (lichte ziekte), perron 2 (ernstige ziekte), en uiteindelijk perron 3 (zeer ernstig) of zelfs het station verlaten (overlijden).

Deze auteurs (Simon, Johannes en hun team) hebben een nieuwe manier bedacht om te kijken hoe mensen door dit station reizen. Ze gebruiken enorme databases (zoals de UK Biobank, een soort digitale gezondheidsschatkist met honderdduizenden mensen) om te begrijpen:

Hoe snel mensen van perron naar perron gaan.
Welke factoren (zoals genen, diabetes of leeftijd) die reis versnellen of vertragen.

Maar hier zit de twist: Het is geen simpele treinreis. Het is een chaotisch station met veel valkuilen.

De vier grote valkuilen (en hoe ze ze oplossen)

De auteurs zeggen: "Bestaande methoden zijn vaak te simpel voor dit soort complexe reizen." Ze noemen vier problemen en laten zien hoe hun nieuwe methode (die ze PAMs noemen, een soort slimme rekenmachine) deze oplost:

1. De "Vertraging" (Afhankelijke links-truncatie)

Het probleem: Stel, iemand komt pas op 50 jaar oud in het station (ziek worden). Bestaande methoden kijken vaak naar de hele lijn vanaf de geboorte. Maar die persoon was voor zijn 50e niet eens in het station! Als we dat niet goed regelen, is het alsof we zeggen: "Iedereen die op perron 1 zit, is daar al sinds zijn geboorte." Dat klopt niet.
De oplossing: Hun methode kijkt precies naar het moment waarop iemand het station binnenkomt. Het is alsof je een tolpoort hebt die pas opengaat op het moment dat je ziek wordt, zodat je de reis pas meet vanaf dat punt.

2. De "Tijdsdilemma's" (Meerdere tijdschalen)

Het probleem: Soms is het belangrijk om te weten hoe oud je bent (bijv. 60 jaar), maar soms is het belangrijker om te weten hoe lang je al ziek bent (bijv. 10 jaar ziek). Bestaande methoden kiezen vaak maar één klok.
De oplossing: Hun nieuwe methode kan meerdere klokken tegelijk gebruiken. Het is alsof je een trein hebt die rijdt op basis van de tijd, maar ook rekening houdt met hoe lang de trein al in de tunnel zit. Ze ontdekten echter dat een simpele klok (alleen leeftijd) vaak net zo goed werkt als een ingewikkelde met meerdere klokken.

3. De "Valstrik van de Index" (Index Event Bias)

Het probleem: Dit is de meest lastige valstrik. Stel, je onderzoekt alleen mensen die al ziek zijn. Als je kijkt of een bepaald gen (bijv. gen A) de ziekte verergert, kan het zijn dat mensen met gen A minder andere risico's hebben (zoals diabetes), omdat gen A al genoeg was om ziek te worden. Hierdoor lijkt gen A ineens "veilig" of zelfs "beschermend", terwijl het dat niet is. Het is alsof je alleen naar mensen kijkt die al in een auto-ongeluk zijn geraakt en concludeert dat "helm dragen" gevaarlijk is, omdat de helmen dragers juist sneller in een ongeluk terechtkwamen (omdat ze misschien roekelozer reden).
De oplossing: Ze laten zien dat je alle andere risicofactoren (zoals diabetes, roken, BMI) moet meenemen in je berekening. Als je dat doet, verdwijnt die valse "beschermende" schijn.

4. De "Onvolledige Foto's" (Interval-censering)

Het probleem: In de echte wereld weten we niet precies op welke dag iemand ziek wordt. We weten alleen: "Op maandag was hij gezond, op dinsdag was hij ziek." De ziekte is ergens tussen die twee dagen gebeurd. Bestaande methoden doen vaak alsof het op een exact moment gebeurde, wat fouten oplevert.
De oplossing: Hun methode is slim genoeg om te weten: "Ah, het gebeurde ergens in dit tijdvakje." Ze gebruiken een techniek die dit onzekerheidsterrein meeneemt in de berekening, net als een fotograaf die een onscherpe foto toch scherp maakt door de context te gebruiken.

Wat hebben ze ontdekt? (Het verhaal van de Nieren)

Ze hebben hun nieuwe methode getest op een groot stukje van de UK Biobank, specifiek over Chronische Nierziekte (CKD).

De reis: Ze hebben gekeken van "Gezond" naar "Lichte nierziekte", naar "Ernstige nierziekte", en naar "Nierfalen".
De ontdekking:
- Als je op jonge leeftijd al lichte nierziekte krijgt, is de kans dat je het later erger krijgt, veel groter.
- De kans om ernstig ziek te worden of te overlijden neemt toe naarmate je ouder wordt.
- Genetisch mysterie opgelost: Er is een bekend gen (rs77924615) dat lijkt te beschermen tegen het erger worden van de ziekte. Maar! Toen ze alle andere factoren (zoals diabetes) correct meerekenden, bleek die "bescherming" te verdwijnen. Het gen maakt je juist vatbaarder om ziek te worden, maar heeft geen invloed op hoe snel het erger wordt. De eerdere "bescherming" was dus een illusie veroorzaakt door de valstrik van de index (zie punt 3 hierboven).

Conclusie

Deze paper is als het bouwen van een beter navigatiesysteem voor artsen en onderzoekers.
Vroeger gebruikten we oude, stijve kaarten die niet goed werkten als de weg veranderde of als we pas halverwege de reis begonnen. De auteurs hebben een nieuwe, flexibele GPS (de PAM-methode) gebouwd die:

Begrijpt dat mensen op verschillende tijden beginnen.
Om kan met onduidelijke tijdstippen.
Voorkomt dat we in valstrikken trappen door verkeerde correlaties.

Hierdoor kunnen we veel nauwkeuriger voorspellen hoe ziektes zich ontwikkelen en welke factoren echt belangrijk zijn. Dit helpt uiteindelijk om betere behandelingen te ontwikkelen en mensen beter te adviseren.

Titel: Multi-state Modellen voor Ziektegeschiedenies Gebaseerd op Longitudinale Data

Auteurs: Simon Wiegrebe, Johannes Piller, Mathias Gorski, Merle Behr, Helmut Küchenhoff, Iris M. Heid, en Andreas Bender.

1. Probleemstelling

Met de groei van registerdata en biobanken zijn steeds meer gedetailleerde ziektegeschiedenissen beschikbaar, die vaak bestaan uit meerdere stadia (bijv. gezond $\to$ milde ziekte $\to$ ernstige ziekte $\to$ eindstadium/dood). Het analyseren van deze overgangen vereist multi-state modellen. Echter, de schatting van deze modellen in de context van longitudinale data wordt bemoeilijkt door vier specifieke statistische uitdagingen:

Afhankelijke links-truncatie (Dependent left-truncation): De tijd waarop een individu een risico-set betreedt (bijv. de leeftijd bij ziekte onset) is vaak afhankelijk van de tijd tot het event (bijv. ziekteprogressie). Traditionele methoden zoals de Aalen-Johansen schatter of Cox-modellen gaan vaak uit van onafhankelijkheid, wat hier niet geldt.
Meerdere tijdschalen (Multiple time scales): Voor verschillende overgangen zijn verschillende tijdschalen relevant (bijv. chronologische leeftijd, tijd sinds ziekte onset, tijd sinds progressie). Deze zijn niet altijd gezamenlijk identificeerbaar, vooral door het leeftijd-periode-cohort probleem.
Index Event Bias (IEB): Wanneer analyses beperkt worden tot een subpopulatie die een "index event" heeft ondergaan (bijv. alleen patiënten met een bepaalde ziekte), kunnen onafhankelijke risicofactoren in de gezonde populatie negatief gecorreleerd raken in de zieke populatie. Dit leidt tot vertekende schattingen van risicofactoren als niet-gecontroleerd wordt voor andere factoren.
Interval-censering (Interval-censoring): In longitudinale data worden ziektestadia vaak niet continu gemeten, maar op onregelmatige tijdstippen. Het exacte moment van overgang is dus onbekend en ligt binnen een interval.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor gebaseerd op Piecewise Exponential Additive Models (PAMs). Dit is een uitbreiding van de bestaande Piecewise Exponential Models (PEM).

Kernconcept: PAMs transformeren survival-data naar een Poisson-regressie probleem door tijd op te delen in kleine intervallen. De basis-hazard wordt geschat als een gladde functie over de tijd, meestal via penalized splines.
Flexibiliteit: In tegenstelling tot parametrische modellen (zoals AFT-modellen) maken PAMs geen sterke aannames over de verdeling van de overgangstijden. In tegenstelling tot semi-parametrische modellen (zoals Cox) kunnen ze de basis-hazard flexibel schatten zonder de Markov-aanname.
Omgaan met uitdagingen:
- Afhankelijke truncatie: Door de tijd van statetoegang (state-entry times) expliciet als covariaten in het model op te nemen (vaak als spline-effecten), kan de afhankelijkheid tussen truncatie en events worden gemodelleerd.
- Meerdere tijdschalen: Het model kan stratificatie toepassen op verschillende tijdschalen (bijv. leeftijd én tijd sinds diagnose) via helper-variabelen om identificeerbaarheid te waarborgen.
- IEB: Door het meenemen van alle relevante risicofactoren (confounders) in het model, of door gebruik te maken van propensity score weging, kan de bias worden gecorrigeerd.
- Interval-censering: De auteurs testen het gebruik van het interval-midpunt versus het interval-eindpunt als schattingspunt voor de gebeurtenistijd.

Twee modelvarianten worden vergeleken:

SSTS (Stratified Single Time Scale): Alle overgangen worden gemodelleerd op één tijdschaal (bijv. leeftijd), met stratificatie voor de basis-hazard per overgang.
MTS (Multiple Time Scales): Overgangen worden gemodelleerd op hun specifieke relevante tijdschalen (bijv. leeftijd voor onset, tijd sinds onset voor progressie).

3. Belangrijkste Resultaten

Simulatiestudies

Tijdschalen: Het SSTS-model bleek robuuster tegen modelmisspecificatie. Hoewel het MTS-model theoretisch flexibeler is, leverde het bij verkeerde specificatie aanzienlijk lagere dekking (coverage) op voor de basis-hazard (soms tot 69% in plaats van 95%). Voor het schatten van vaste effecten (risicofactoren) waren beide modellen echter even goed.
Index Event Bias: Er werd een negatieve correlatie waargenomen tussen risicofactoren in de zieke subpopulatie, zelfs als deze onafhankelijk waren in de gezonde populatie. Het negeren van deze factoren leidde tot significante bias (verzwakking of omkering van effecten). Het toevoegen van de ontbrekende risicofactoren aan het model of het gebruik van weging elimineerde deze bias volledig.
Interval-censering: PAMs met interval-midpunten als schattingspunt herstelden vaste effecten (risicofactoren) zeer goed, zelfs bij censering. De schatting van de basis-hazard zelf was minder perfect bij censering (dekking 50-75%), maar beter dan bij parametrische modellen die de verkeerde verdeling aannemen.

Toepassing: Chronische Nierziekte (CKD) in UK Biobank

De methode werd toegepast op een dataset van 142.667 personen uit de UK Biobank om de overgangen te modelleren van Gezond $\to$ Milde CKD $\to$ Ernstige CKD $\to$ ESKD (End-Stage Kidney Disease) of Dood.

Risico's: Het risico op progressie naar Ernstige CKD was het hoogst voor personen met een vroege onset van milde CKD en nam verder toe met de leeftijd.
Genetische Variant (rs77924615):
- In een "naïef" model (zonder aanpassing voor andere factoren) leek het G-allel van de UMOD-locus beschermend te werken tegen progressie naar Ernstige CKD (negatief effect).
- Na correctie voor Index Event Bias (door toevoeging van diabetes, BMI, uACR, etc.) verdween dit beschermende effect. Het allel bleek wel een sterk verhoogd risico op de onset van CKD te geven, maar geen effect op de verdere progressie. Dit illustreert hoe IEB tot verkeerde conclusies kan leiden.
Modelkeuze: Het SSTS-model had een betere fit (AIC) dan het MTS-model op de empirische data, wat de simulatieresultaten bevestigde.

4. Bijdragen en Significantie

Nieuw Raamwerk: De auteurs introduceren een robuust multi-state model op basis van PAMs dat specifiek is ontworpen om de complexiteit van ziektegeschiedenissen (afhankelijke truncatie, meerdere tijdschalen, IEB, interval-censering) aan te pakken.
Oplossing voor IEB: Het artikel demonstreert kwantitatief hoe IEB werkt in multi-state modellen en biedt een praktische oplossing via covariaat-justering of weging.
Robuustheid van SSTS: Het onderzoek suggereert dat een relatief simpel model met één tijdschaal (SSTS) vaak superieur is aan complexere multi-tijdschaal modellen (MTS) in termen van robuustheid en schatting van basis-hazards, tenzij de data-genererende processen zeer specifiek zijn.
Klinische Relevantie: De toepassing op CKD levert nieuwe inzichten op over de dynamiek van ziekteprogressie en corrigeert eerdere misvattingen over genetische risicofactoren, wat belangrijk is voor preventie en behandeling.
Software: De methoden zijn geïmplementeerd in het R-pakket pammtools, wat de toepasbaarheid voor andere onderzoekers vergemakkelijkt.

Conclusie:
De studie toont aan dat Piecewise Exponential Additive Models een krachtig en flexibel instrument zijn voor het analyseren van complexe ziektegeschiedenies uit longitudinale data. Ze bieden een oplossing voor de valkuilen van traditionele methoden, met name wat betreft de correcte behandeling van afhankelijke truncatie en index event bias, en leveren betrouwbare schattingen van overgangskansen en risicofactoren.