📊 statistics

Selection and Collider Restriction Bias Due to Predictor Availability in Prognostic Models

Dit methodologische artikel onderzoekt hoe de beschikbaarheid van voorspellers in prognostische modellen kan leiden tot selectie- en collider-restrictiebias.

Oorspronkelijke auteurs: Marc Delord

Gepubliceerd 2026-02-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marc Delord

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 Verborgen Valstrik in Medische Voorspellingen: Waarom "Beschikbaarheid" een Groot Probleem Is

Stel je voor dat je een waarzegger bent die probeert te voorspellen of iemand in de toekomst ziek wordt. Je hebt een lijst met vragen (factoren) nodig om een goed oordeel te vellen. Maar wat als je die vragen alleen kunt stellen aan de mensen die al in het ziekenhuis liggen, en niet aan de mensen die nog thuis zijn? Dan krijg je een heel vertekend beeld.

Dit is precies het probleem dat Marc Delord beschrijft in zijn artikel over prognostische modellen (voorspellende modellen) in de geneeskunde. Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Idee: De Medische Kristallen Bol

Artsen gebruiken rekenmodellen om te voorspellen hoe gezond een patiënt over een paar jaar zal zijn. Denk aan de Framingham-score (voor hartproblemen) of de QRISK. Deze modellen kijken naar gegevens zoals leeftijd, bloeddruk of cholesterol om een risico te berekenen.

Het grote probleem is een stille aanname: De makers van deze modellen gaan er vaak van uit dat alle benodigde gegevens altijd en overal beschikbaar zijn, net als een bakker die altijd meel en suiker in huis heeft. Maar in het echte leven is dat niet zo.

2. De Valstrik: De "Kieskeurige Bakker" (Selectiebias)

Stel je een bakker voor die wil weten of zijn brood goed is. Hij proeft alleen de broden die hij zelf heeft uit de oven gehaald. Maar hij haalt alleen die broden uit de oven die er al "mooi bruin" uitzien. De broden die nog bleek zijn, laat hij in de oven zitten.

Het resultaat: Hij denkt dat al zijn brood perfect is, omdat hij alleen de "mooie" broden heeft getest. Hij ziet niet dat de andere broden misschien verbrand of rauw zijn.

In de geneeskunde werkt het zo:

Als een patiënt erg ziek is, meet de arts vaker bepaalde waarden (zoals de nierfunctie).
Als een patiënt "gewoon" is, meet de arts die waarden misschien niet.
Het model wordt dan getraind op data van alleen de mensen die al gemeten zijn. Omdat die mensen vaak al zieker waren (daarom werd er gemeten!), denkt het model dat de ziekte vaker voorkomt dan hij doet, of dat de voorspelling niet klopt voor de "gewone" mensen.

3. De Gevaarlijkere Valstrik: De "Verkeersknoop" (Collider Bias)

Dit is het meest ingewikkelde, maar ook het gevaarlijkste deel. Stel je een drukke kruising voor waar twee wegen samenkomen.

Weg A: Iemand is erg ziek (dit zorgt ervoor dat de arts gaat meten).
Weg B: Iemand heeft een specifiek symptoom of een andere ziekte (dit zorgt er ook voor dat de arts gaat meten).

De "meting" is de kruising (de collider). Alleen mensen die op één van deze wegen of op beide wegen zitten, komen bij de kruising aan en worden gemeten.

Het probleem:
Als je alleen kijkt naar de mensen die bij de kruising zijn (de mensen met de meetgegevens), creëer je een valse relatie tussen Weg A en Weg B.

Voorbeeld: Stel dat je alleen mensen meet die beide een lage nierfunctie én diabetes hebben. Dan denk je misschien: "Oh, mensen met diabetes hebben altijd een slechte nierfunctie!" Maar dat is misschien niet waar voor de hele bevolking. Het is alleen waar voor die specifieke groep die door de arts is "gevangen" in het meetnet.

In het artikel wordt dit uitgelegd met de KFRE (een model voor nierfalen).

Artsen meten de urine (uACR) alleen als de nierfunctie (eGFR) al slecht is.
Maar ze meten het ook als ze denken dat de patiënt een hoog risico loopt (bijvoorbeeld door diabetes).
Door alleen te kijken naar de mensen waarvoor beide redenen golden, wordt het model vertekend. Het model "leert" verkeerde regels omdat het alleen kijkt naar de mensen die al in de valstrik zaten.

4. Het Praktische Voorbeeld: De Nier-Test

Het artikel geeft een heel concreet voorbeeld met de Kidney Failure Risk Equation (KFRE).

Dit model moet voorspellen wie zijn nieren verliest.
Het heeft twee belangrijke gegevens nodig: de nierfunctie (eGFR) en een urine-test (uACR).
Het probleem: In de huisartsenpraktijk wordt de urine-test (uACR) zelden gedaan, tenzij de arts al denkt dat er iets mis is.
De gevolgen: Het model werkt goed in studies (waar alles perfect gemeten is), maar faalt in de echte wereld. Waarom? Omdat in de echte wereld de urine-test "selectief" is. Het model probeert een voorspelling te doen voor mensen waarvoor de test niet is gedaan, maar het is getraind op mensen waarvoor de test wel is gedaan (en die vaak al zieker waren).

5. Wat betekent dit voor ons?

De boodschap van het artikel is simpel maar belangrijk:

Data is niet altijd data: Het feit dat een getal in het systeem staat, betekent niet dat het een eerlijke weergave is van de hele groep.
Voorzichtigheid: Als we modellen gebruiken die zijn gebaseerd op "selectieve" metingen, kunnen we verkeerde beslissingen nemen. We kunnen mensen die het goed doen, onnodig angst aanjagen, of juist mensen die het slecht doen, over het hoofd zien.
De oplossing: We moeten modellen maken die rekening houden met het feit dat niet iedereen gemeten wordt. Of we moeten simpele modellen gebruiken die alleen kijken naar gegevens die iedereen heeft (zoals leeftijd en gewicht), in plaats van complexe tests die niet iedereen krijgt.

Kortom:
Het is alsof je een weerbericht probeert te maken, maar je kijkt alleen naar de mensen die een paraplu bij zich hebben. Je zou concluderen dat het altijd regent, terwijl het in werkelijkheid misschien gewoon een zonnige dag is voor de mensen zonder paraplu. De "beschikbaarheid" van de meting (de paraplu) verdraait de realiteit.

Titel

Selectie- en Collider-restrictiebias door de Beschikbaarheid van Predictoren in Prognostische Modellen

1. Het Probleem

Prognostische modellen (of klinische voorspellingsmodellen) worden ontwikkeld om de kans op een specifiek gezondheidsresultaat (bijv. ziekteprogressie, complicaties, overlijden) op basis van klinische kenmerken te schatten. Hoewel er uitgebreide methodologische richtlijnen bestaan voor de ontwikkeling, validatie en rapportage van deze modellen, wordt een cruciale aanname vaak als vanzelfsprekend beschouwd: dat de benodigde predictoren routinematig beschikbaar zijn op het moment van zorg.

In de praktijk is dit vaak niet het geval, vooral bij retrospectieve studies. De analyse is per definitie beperkt tot patiënten waarbij de predictoren zijn gemeten.

De kern van het probleem: Als de meting van een predictor onafhankelijk is van het ziekterisico, levert dit geen vertekening op. Echter, als de beslissing om een predictor te meten afhankelijk is van de onderliggende ziekteernst of gerichte zorgprocessen (bijv. een arts test een patiënt alleen als deze ernstig ziek lijkt), dan introduceert dit een selectiebias.
Protopathische bias: Dit proces is analoog aan protopathische bias, waarbij vroege manifestaties van een ziekte leiden tot interventie (meting) vóór de formele diagnose.
Collider bias: In complexere scenario's kan de beschikbaarheid van een predictor fungeren als een "collider" (een knooppunt waar twee causale paden samenkomen), wat leidt tot een vervorming van de associaties tussen alle predictoren en het uitkomstresultaat.

2. Methodologie en Conceptueel Kader

Het artikel gebruikt Directed Acyclic Graphs (DAG's) om causale afhankelijkheden te visualiseren en drie specifieke scenario's te onderscheiden die ontstaan door het conditioneren op de beschikbaarheid van predictoren:

Scenario A (Klassieke Selectiebias): De onderliggende ziekteernst ( $U$ ) beïnvloedt zowel het uitkomstresultaat ( $Y$ ) als de kans dat een predictor ( $P1$ ) wordt gemeten. Door alleen patiënten met een gemeten $P1$ te analyseren, selecteert men onbedoeld een subgroep met een specifieke ernst van de ziekte.
Scenario B (Selectiebias via Proxy): Een gemeten predictor ( $P1$ ) fungeert als proxy voor de niet-gemeten ziekteernst ( $U$ ). Als $P1$ verslechtert, leidt dit tot verdere onderzoeken en de meting van een tweede predictor ( $P2$ ). De analyse is hierdoor beperkt tot patiënten met een gemeten $P2$ . Dit blijft een vorm van klassieke selectiebias.
Scenario C (Collider Restrictiebias): Dit is het meest kritieke scenario. De beschikbaarheid van predictor $P2$ $P 2$ wordt beïnvloed door zowel de onderliggende ziekteernst ( $U$ $U$ ) als door een andere gemeten predictor ( $P1$ $P 1$ ). Hierdoor fungeert de beschikbaarheid van $P2$ $P 2$ als een collider.
- Gevolg: Het conditioneren op een collider (d.w.z. alleen kijken naar patiënten waarbij $P2$ beschikbaar is) creëert een kunstmatige correlatie tussen $P1$ en $U$ , en vervormt de schattingen van alle regressiecoëfficiënten in het model, niet alleen die van de betrokken variabelen.

3. Case Study: De Kidney Failure Risk Equation (KFRE)

Om de theoretische concepten te illustreren, analyseert de auteur het Kidney Failure Risk Equation (KFRE), een veelgebruikt model voor het voorspellen van nierfalen bij patiënten met chronische nierziekte (CKD).

Het model: KFRE gebruikt vier variabelen: leeftijd, geslacht, geschatte glomerulaire filtratiesnelheid (eGFR) en urine-albumine-creatinine-ratio (uACR).
Het probleem in de praktijk: Hoewel het model statistisch goed presteert in studies, wordt het weinig toegepast in de routinezorg. De reden is dat uACR niet systematisch wordt gemeten bij alle CKD-patiënten in de eerstelijnszorg.
De bias-mechanisme:
1. Een dalende eGFR kan leiden tot een uACR-test (afhankelijkheid van $P1$ ).
2. De algemene perceptie van het risico op nierfalen (gebaseerd op symptomen of comorbiditeiten zoals diabetes) kan ook leiden tot een uACR-test (afhankelijkheid van $U$ ).
3. Omdat de beschikbaarheid van uACR ( $P2$ ) afhangt van zowel eGFR als de onderliggende risicosituatie, fungeert de beschikbaarheid van uACR als een collider.
Data: Studies tonen aan dat slechts een klein percentage (bijv. <25% in de UK, ~17% in de VS) van de risicopatiënten daadwerkelijk wordt getest op albuminurie. Dit betekent dat modellen die op deze data zijn gebaseerd, gebaseerd zijn op een geselecteerde, vertekende steekproef.

4. Belangrijkste Bijdragen en Resultaten

Identificatie van een impliciete aanname: Het artikel benadrukt dat de aanname van "onbevooroordeelde beschikbaarheid van predictoren" een centrale, maar vaak onbewuste, pijler is in de methodologie van prognostische modellen.
Differentiatie van bias-types: Het onderscheidt duidelijk tussen klassieke selectiebias (waarbij het model nog steeds representatief kan zijn voor de hogere-risicopopulatie) en collider restriction bias (waarbij de associaties tussen alle baseline predictoren en het uitkomstresultaat fundamenteel worden vervormd).
Methodologische implicaties: Het conditioneren op een collider leidt tot vertekende regressiecoëfficiënten, wat de validiteit van het model voor klinische besluitvorming ondermijnt.
Praktische relevantie: De beperkte adoptie van modellen zoals KFRE in de klinische praktijk wordt deels toegeschreven aan deze data-ontbrekende patronen en de bijbehorende bias, niet alleen aan de prestaties van het model zelf.

5. Significantie en Conclusie

De significantie van dit artikel ligt in het waarschuwen voor een methodologische valkuil die vaak over het hoofd wordt gezien bij het ontwikkelen en valideren van prognostische modellen.

Invloed op modelontwikkeling: Het onderstreept de noodzaak om de patronen van ontbrekende data (missingness) niet alleen als een technisch probleem te zien, maar als een bron van causale bias.
Toekomstige richtingen: De auteur pleit voor:
1. Het expliciet adresseren van predictor-beschikbaarheid in de methodologische literatuur.
2. Overweging van vereenvoudigde prognostische modellen die gebruikmaken van predictoren die routinematig en onafhankelijk van de ziekteernst worden gemeten.
3. Het prioriteren van prospectieve cohortstudies waarbij de datacollectie gestructureerd is om deze bias te minimaliseren.

Kortom, het artikel stelt dat zonder rekening te houden met de mechanismen die bepalen welke patiënten gemeten worden, prognostische modellen fundamenteel vertekende resultaten kunnen opleveren, wat leidt tot onbetrouwbare risicostratificatie en suboptimale klinische beslissingen.