Hidden in Plain Sight: How Non-Collapsibility Biases Treatment Effects in (Network) Meta-Analysis

Titel en Context

Titel: Verborgen in het zicht: Hoe niet-collapsibiliteit behandelingseffecten beïnvloedt in (netwerk) meta-analyses.
Auteurs: Harlan Campbell en Jeroen P. Jansen.
Datum: 3 maart 2026.
Kernonderwerp: De invloed van niet-collapsibiliteit op schattingen in meta-analyses (MA) en netwerkmeta-analyses (NMA), en een voorgestelde "bookend"-methode om deze bias te corrigeren.

1. Het Probleem: Niet-Collapsibiliteit en Bias

De standaard aanpak in meta-analyses (zowel paarsgewijs als in netwerken) gaat er vaak van uit dat een gemeenschappelijk behandelingseffect kan worden geschat, zelfs als de studies verschillende populaties met verschillende basisrisico's (baseline risks) omvatten. Dit geldt echter niet voor niet-collapsibele effectmaten, zoals de odds ratio (OR) en de hazard ratio.

• Definitie: Een effectmaat is niet-collapsibel als de marginale associatie in een gemengde populatie niet gelijk is aan een gewogen gemiddelde van de subgroep-specifieke associaties, zelfs zonder confounding of effect-modificatie.
• Het Mechanisme: Als een studie een homogene populatie heeft (bijv. alleen risicovolle patiënten), levert de OR een bepaalde waarde op. Als een andere studie een gemengde populatie heeft (een mix van risicovolle en niet-risicovolle patiënten), zal de marginale OR van die gemengde populatie dichter bij de nulwaarde (attenuatie) liggen dan de ware conditionele OR, zelfs als het behandelingseffect voor elke subgroep identiek is.
• Consequentie voor NMA: Wanneer studies in een NMA verschillende populatiemixen hebben, maar de standaard contrast-based model wordt toegepast, worden de geschatte behandelingseffecten systematisch vertekend (biased) naar de nulwaarde toe. De standaard aanname dat verschillen in basisrisico (gedreven door prognostische factoren) de schatting van het behandelingseffect niet beïnvloeden, is onjuist voor niet-collapsibele maten.

2. Methodologie

De auteurs illustreren het probleem en stellen een oplossing voor aan de hand van een binair uitkomstmaat (bijv. longziekte) en een logistiek model.

A. Het Standaard Model (Contrast-based)

In het standaard vaste-effectmodel (fixed-effect) met een arm-based likelihood worden studiestructuren als volgt gemodelleerd:
$$\text{logit}(p_{jk}) = \mu_j + \delta_j \cdot 1(k=2)$$
Waarbij $\mu_j$ het studiestrandspecifieke intercept (basisrisico) is en $\delta_j$ het behandelingseffect.

• In een vaste-effectmodel wordt $\delta_j = d$ (gemeenschappelijk effect) verondersteld.
• Het probleem is dat $d$ een conditionele log-OR is. Voor een gemengde populatie (Study 3) is de marginale OR echter niet gelijk aan $\exp(d)$, maar kleiner in absolute waarde.
• Het standaard model behandelt de populatiemix als een "nuisance parameter" en faalt hierdoor in het corrigeren van de attenuatie die ontstaat door het mengen van populaties op de waarschijnlijkheidschaal.

B. De "Bookend"-Methode (De Oplossing)

De auteurs stellen een nieuwe benadering voor die expliciet rekening houdt met de heterogeniteit binnen studies. De methode bestaat uit drie stappen:

1. Identificatie van "Bookend"-studies: Bepaal de studies met het laagste en het hoogste geschatte basisrisico ($\hat{\mu}$). De auteurs veronderstellen dat deze extreme studies representatief zijn voor homogene subpopulaties (bijv. Study 1 = 100% "laag risico", Study 2 = 100% "hoog risico").
2. Modellering van Gemengde Studies: Alle andere studies worden gemodelleerd als een gewogen mix van deze twee "bookend"-populaties.
   • Voor een gemengde studie $j$ wordt de kans op een gebeurtenis berekend als: $p_{j,mix} = w \cdot p_{low} + (1-w) \cdot p_{high}$.
   • Hierbij is $w$ het onbekende mengselpercentage dat wordt geschat.
3. Bayesiaanse Implementatie: Het model wordt geschat met Bayesiaanse inferentie (JAGS code), waarbij de parameters $\mu_1, \mu_2, d$ (het ware effect) en $w$ (de mix) worden geschat.

Aannames van het Bookend-model:

• Er is één belangrijke prognostische factor met twee niveaus (bijv. roker/niet-roker).
• De "bookend"-studies zijn volledig homogeen (100% één type populatie).

3. Resultaten

De auteurs presenteren een hypothetisch voorbeeld met drie studies over longziekte:

• Study 1: Alleen rokers (hoog risico).
• Study 2: Alleen niet-rokeren (laag risico).
• Study 3: Een 50/50 mix van rokers en niet-rokeren.
• Ware situatie: Het behandelingseffect is identiek voor beide groepen ($d = -0.5$, OR = 0.61). Er is geen effect-modificatie.

Vergelijking van modellen:

• Standaard Vaste-Effect Model: Levert een geschat effect op van $\hat{d} = -0.458$. Dit is een significante bias naar de nulwaarde toe (attenuatie) door de niet-collapsibiliteit in Study 3.
• Bookend Model: Levert een geschat effect op van $\hat{d} = -0.492$. Dit komt veel dichter bij de ware waarde van $-0.5$ en corrigeert de bias effectief.

Sensitiviteit:
De auteurs merken op dat de bias in dit specifieke voorbeeld relatief klein is, maar dat deze aanzienlijk kan toenemen bij:

1. Grote heterogeniteit in basisrisico tussen subpopulaties.
2. Grote heterogeniteit binnen de gemengde studies.
3. Een groot aandeel studies met gemengde populaties.

4. Belangrijke Bijdragen en Discussie

• Onafhankelijkheid van het Inferentieparadigma: Het probleem is inherent aan de effectmaat (OR), niet aan de statistische methode. Het treft zowel frequentistische als Bayesiaanse analyses, en zowel vaste- als willekeurige-effectmodellen (random-effects). Een random-effects model lost het probleem niet op; het absorbeert de systematische attenuatie slechts als extra variantie ($\tau^2$), wat de interpretatie van het gemiddelde effect verstoort.
• Vergelijking met andere methoden:
  • Het gebruik van een collapsibele maat (zoals het risicoverhouding, risk ratio) zou de bias kunnen voorkomen, maar de OR is vaak "portabeler" over populaties met verschillende basisrisico's.
  • Bestaande methoden die zich richten op effect-modificatie (zoals Wheaton et al.) gaan ervan uit dat marginale effecten gewogen gemiddelden zijn op de log-OR schaal, wat onjuist is voor niet-collapsibele maten.
• Praktische Richtlijnen:
  1. Basisrisico-analyse: Onderzoekers moeten de variatie in geschatte intercepten ($\hat{\mu}$) tussen studies controleren. Grote variatie (bijv. > 1-2 eenheden op de log-odds schaal) wijst op potentieel voor niet-collapsibiliteitsbias.
  2. Sensitiviteitsanalyse: Gebruik het bookend-model als sensitiviteitsanalyse. Als de resultaten van het standaardmodel en het bookend-model sterk verschillen, is niet-collapsibiliteit een kritiek probleem dat verdere verkenning vereist.

5. Significatie

Dit artikel waarschuwt voor een vaak over het hoofd geziene bron van bias in de medische evidencesynthese. Het toont aan dat zelfs zonder effect-modificatie, het simpelweg samenvoegen van studies met verschillende populatiemixen in een NMA leidt tot onderestimatie van behandelingsvoordelen (bias naar nul) wanneer de odds ratio wordt gebruikt.

De voorgestelde bookend-methode biedt een praktische, modelgebaseerde oplossing om deze bias te verminderen zonder dat individuele patiëntdata (IPD) nodig zijn. Het stelt onderzoekers in staat om de impact van populatieheterogeniteit expliciet te modelleren en robuustere schattingen te maken voor gezondheidszorgbeslissingen en technologiebeoordeling. Hoewel het model sterke aannames maakt (binair latent structuur), is het een verbetering ten opzichte van de impliciete en vaak onjuiste aanname van het standaardmodel dat alle studies een onbevooroordeelde schatting van hetzelfde conditionele effect leveren.