Novel g-computation algorithms for time-varying actions with recurrent and semi-competing events

Deze studie introduceert twee nieuwe g-computatie-algoritmen die tijd-variërende confounding en semi-concurrerende gebeurtenissen, zoals overlijden dat het optreden van een niet-dodelijke ziekte verhindert, gelijktijdig aanpakken om de causale effecten van interventies op langetermijnonderzoeken nauwkeuriger te schatten.

De kern

Stel je voor dat je een lange reis maakt door het leven, van je tienerjaren tot je middelbare leeftijd. Onderweg moet je een belangrijke beslissing nemen: roken of niet roken. Maar je reis is niet alleen maar een rechte lijn; er gebeuren twee soorten dingen die je pad beïnvloeden:

1. Tijdelijke obstakels: Je krijgt bijvoorbeeld hoge bloeddruk (hypertensie). Dit is vervelend, maar je kunt er weer vanaf komen of ermee leven. Je kunt ook weer gezond worden.
2. Het einde van de reis: Je overlijdt. Dit is het definitieve punt. Als je dood bent, kun je geen hoge bloeddruk meer krijgen of verliezen. Je bent uit de race.

In de medische wereld noemen ze dit een "semi-concurrerend risico". Het is lastig omdat het einde van de reis (dood) de mogelijkheid om een tijdelijk obstakel (hoge bloeddruk) te ervaren, gewoonweg wegneemt.

Het Probleem: De Verkeerde Kaart

Tot nu toe hadden wetenschappers twee manieren om dit te bestuderen, maar beide waren onvolledig:

• Manier 1 (De simpele kaart): Ze keken alleen naar wat mensen aan het begin van de reis deden. Ze negeerden dat mensen tussendoor van gedachten veranderden (bijvoorbeeld: iemand stopt met roken op zijn 30e) en dat andere factoren (zoals gewicht of stress) veranderen. Dit gaf een onnauwkeurige foto.
• Manier 2 (De onrealistische kaart): Ze hielden rekening met de veranderingen in het leven, maar behandelden mensen die overleden alsof ze gewoon uit de studie verdwenen waren (censuur). Dit is alsof je zegt: "Als iemand overlijdt, doen we alsof ze nog steeds lopen." Dit is logisch onmogelijk en leidt tot verkeerde conclusies.

De Oplossing: Een Nieuwe GPS (G-computatie)

De auteurs van dit artikel, een team van epidemiologen, hebben een nieuwe, slimme GPS ontwikkeld. Ze noemen dit een "nieuw g-computatie-algoritme".

Stel je voor dat je een videospelletje speelt. Je wilt weten wat er zou gebeuren als iedereen in het spel nooit had gerookt.

• De oude methoden probeerden dit te voorspellen door te kijken naar de huidige spelers en hun verleden, maar ze raakten de "game over"-situatie (dood) kwijt of keken niet naar hoe de regels tijdens het spel veranderden.
• De nieuwe GPS doet iets magisch: het simuleert duizenden parallelle universums.

Het algoritme doet alsof het een film regisseert:

1. Het neemt een groep mensen.
2. Het zegt: "In deze versie van de film rookt niemand, nooit."
3. Het simuleert stap voor stap wat er gebeurt: Wie wordt ziek? Wie blijft gezond? Wie sterft?
4. Cruciaal: Het houdt rekening met het feit dat als iemand sterft, ze niet meer kunnen "ziek worden" in de volgende scène. De film stopt voor die persoon.
5. Het doet dit ook voor een versie waar mensen wel roken (zoals in het echte leven).
6. Aan het einde vergelijkt het de twee films: "Hoeveel minder mensen hadden hoge bloeddruk gehad als niemand had gerookt? En hoeveel minder mensen waren er overleden?"

Wat Vonden Ze? (De Resultaten)

De wetenschappers testten hun nieuwe GPS eerst in een computer-simulatie (een virtuele wereld) en daarna met echte data van de "Add Health" studie (een groep Amerikanen die al decennia lang gevolgd wordt).

De uitkomsten waren duidelijk:

• Hun nieuwe methode gaf de juiste antwoorden zonder vertekening.
• De oude methoden gaven vaak verkeerde antwoorden. Soms zeiden ze dat roken geen invloed had, of juist te veel invloed, omdat ze de "dood" niet goed in de berekening hadden meegenomen.
• In de echte wereld: Ze ontdekten dat als niemand in deze groep had gerookt, er op de lange termijn iets minder mensen hoge bloeddruk zouden hebben gehad en minder mensen zouden zijn overleden. Het verschil was klein, maar statistisch significant.

Waarom Is Dit Belangrijk?

Onze bevolking vergrijst. Steeds meer mensen leven langer, maar ook met meer chronische ziektes. Als we willen weten of een behandeling (zoals stoppen met roken, een dieet of een medicijn) echt werkt, moeten we begrijpen wat er gebeurt als iemand tussendoor overlijdt.

Deze nieuwe methode is als een slimme bril die wetenschappers opzetten. Hierdoor kunnen ze zien wat er echt gebeurt in een dynamisch leven, zonder dat ze de "dood" als een fout in hun rekenmachine beschouwen. Het helpt beleidsmakers en artsen om betere beslissingen te nemen voor de gezondheid van de toekomst.

Kort samengevat:
Ze hebben een nieuwe wiskundige formule bedacht die beter kan voorspellen wat er met onze gezondheid gebeurt als we onze gewoonten veranderen, zelfs als het leven (en de dood) ons tussendoor een streep door de rekening trekt. Het is een grote stap vooruit in het begrijpen van gezondheid op lange termijn.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Novel g-computation algorithms for time-varying actions with recurrent and semi-competing events" in het Nederlands.

Probleemstelling

Een kernuitdaging in de epidemiologie is het bepalen van de impact van publieke gezondheidsinterventies over tijd, vooral bij studies met lange follow-upperiodes. In deze context komen vaak semi-concurrerende gebeurtenissen voor: een terminale gebeurtenis (bijv. overlijden) verhindert het optreden van een niet-terminale, intermediaire gebeurtenis (bijv. hypertensie), maar het omgekeerde geldt niet. Dit verschilt van volledig concurrerende risico's waarbij gebeurtenissen elkaar wederzijds uitsluiten.

Bestaande methoden kampen met twee belangrijke beperkingen:

1. Ze kunnen vaak tijdvariërende confounding (verwarring die verandert door de tijd en beïnvloed wordt door eerdere blootstelling) niet adequaat aanpakken.
2. Ze kunnen semi-concurrerende gebeurtenissen en tijdvariërende acties niet gelijktijdig modelleren.

Het simpele censureren van personen die overlijden leidt tot vertekende resultaten, omdat dit impliceert dat een interventie sterfte voorkomt zonder de risico's voor de intermediaire ziekte te beïnvloeden. Er is dus behoefte aan methoden die zowel de dynamiek van de ziekte als de terminale uitkomst correct integreren onder tijdvariërende blootstellingen.

Methodologie

De auteurs stellen twee nieuwe g-computatie-algoritmen voor om causale effecten te schatten in een setting met semi-concurrerende gebeurtenissen en tijdvariërende acties:

1. Standaard g-computatie:

   • Dit algoritme past regressiemodellen toe op de uitkomst en covariaten voor elke tijdstip, conditioneel op de historische acties en covariaten.
   • Het gebruikt multinomiale logistische modellen om de overgangskansen tussen de drie toestanden (geen gebeurtenis, intermediaire gebeurtenis, terminale gebeurtenis) te schatten.
   • Het proces omvat het simuleren van potentiële uitkomsten onder verschillende actieplannen (interventie vs. observatie) door iteratief waarden te genereren op basis van de geschatte modellen.

2. Iterated Conditional Expectation (ICE) g-computatie:

   • Dit is een alternatieve implementatie die werkt via een reeks geneste uitkomstmodellen.
   • Het begint bij het laatste tijdstip en werkt terug naar het begin (backwards recursion) om de verwachte uitkomsten te berekenen.
   • Het is computatie-efficiënter dan de standaard versie bij complexe tijdvariërende confounders.

Identificatie en Aannames:
De methoden rusten op de standaard aannames voor causale inferentie, uitgebreid voor deze setting:

• Causale consistentie.
• Tijdvariërende uitwisselbaarheid (exchangeability) van acties en censureren.
• Positiviteit (er is een niet-nul kans op elke actie en geen censurering).
• De schatting is gericht op een vector van twee verschillen: het prevalentieverschil voor de intermediaire gebeurtenis en het risicoverschil voor de terminale gebeurtenis.

Validatie:

• Simulatiestudie: Een Monte Carlo-simulatie werd uitgevoerd om de prestaties te testen (bias, dekking van betrouwbaarheidsintervallen, RMSE) vergeleken met twee bestaande alternatieven: een estimator die alleen rekening houdt met semi-concurrerende risico's maar niet met tijdvariërende acties, en een estimator die tijdvariërende acties aanpakt maar sterfte als censurering behandelt.
• Toepassing: De methode werd toegepast op data van de National Longitudinal Study of Adolescent to Adult Health (Add Health) (golven III-VI) om het effect van het voorkomen van roken op hypertensie en sterfte in de middenleeftijd te onderzoeken.

Belangrijkste Resultaten

Simulatiestudie:

• De voorgestelde g-computatie-schattingen (zowel standaard als ICE) vertoonden weinig bias en hadden een adequate dekking van 95% betrouwbaarheidsintervallen (rond de 0,95).
• Ze presteerden significant beter dan de alternatieve schatters, die systematische bias vertoonden (vooral door het negeren van tijdvariërende confounding of het verkeerd behandelen van sterfte).
• De nieuwe methoden leverden de laagste Root Mean Square Error (RMSE) op.

Toepassing (Add Health Data):

• Doel: Het schatten van het effect van het voorkomen van roken (van jonge tot middenleeftijd) op de prevalentie van hypertensie en het risico op overlijden.
• Resultaat: De nieuwe schatter toonde aan dat als roken volledig was voorkomen:
  • De prevalentie van hypertensie in de middenleeftijd 1,1 procentpunt lager zou zijn geweest (95% CI: -2,2 tot -0,1).
  • Het risico op overlijden 1,6 procentpunt lager zou zijn geweest (95% CI: -2,3 tot -1,0).
• De alternatieve methoden leverden minder precieze schattingen (bredere betrouwbaarheidsintervallen) of vertoonden vertekening (bijv. het negeren van het sterfterisico).

Belangrijkste Bijdragen

1. Methodologische Innovatie: De paper introduceert de eerste g-computatie-algoritmen die specifiek ontworpen zijn om tijdvariërende acties en semi-concurrerende gebeurtenissen (met een absorberende toestand zoals dood) gelijktijdig te modelleren.
2. Dynamische Modellering: In tegenstelling tot traditionele benaderingen die aannemen dat patiënten in een ziektestatus blijven, modelleert deze methode dynamische overgangen tussen toestanden (bijv. van geen hypertensie naar hypertensie en terug, of naar overlijden).
3. Open Source: De auteurs hebben de code voor beide algoritmen beschikbaar gesteld in R en Python, wat de adoptie in de epidemiologische gemeenschap faciliteert.
4. Validatie: Uitgebreide simulaties en een real-world toepassing bewijzen de superioriteit van de methode ten opzichte van bestaande benaderingen.

Significantie

Deze ontwikkeling is van cruciaal belang voor levenslooponderzoek en studies over veroudering. Naarmate longitudinale cohorten ouder worden, wordt sterfte binnen de steekproef een steeds vaker voorkomende en kritieke factor. Het negeren van sterfte als semi-concurrerend risico leidt tot niet-verwaarloosbare bias en verkeerde conclusies over de effectiviteit van interventies.

De voorgestelde schatters bieden een robuuste oplossing voor onderzoekers die de effecten van interventies willen evalueren over de levensduur, waarbij zowel het voorkomen van chronische ziekten als het risico op overlijden correct in rekening moeten worden gebracht. Dit is niet alleen relevant voor observationele studies, maar ook voor klinische trials met intercurrente gebeurtenissen (zoals behandelingstop of overlijden).