Risk time splitting for improved estimation of screening programs effect on later mortality

Dit artikel legt een verfijnde methode voor het schatten van het effect van screeningsprogramma's op latere sterfte uit, waarbij historische data en maximum likelihood-schattingen worden gebruikt om de precisie te vergroten en de betrouwbaarheid van de resultaten te verbeteren.

De kern

🎯 Het Grote Mysterie: Werkt de Kankerscreening wel?

Stel je voor dat je een nieuw medicijn of een nieuwe manier van koken hebt uitgevonden. Je wilt weten of het echt werkt. Maar er is een probleem: je hebt niet alleen nieuwe mensen die het proberen, maar ook mensen die al jaren geleden begonnen met het oude recept.

In de wereld van borstkankerscreening (zoals mammografie) is dit precies het probleem.

• Het doel: Vrouwen uitnodigen om hun borsten te laten scannen, zodat kanker vroeg wordt gevonden en beter te behandelen is.
• Het probleem: Als je kijkt naar het aantal sterfgevallen na het starten van het screeningprogramma, zie je een mix van twee groepen:
  1. Vrouwen die vóór de screening al kanker hadden (maar pas later werden gediagnosticeerd). Voor hen had de screening niets kunnen doen; ze zaten al in het ziekteproces.
  2. Vrouwen die na de screening kanker kregen. Voor hen had de screening wel kunnen helpen.

Als je deze twee groepen door elkaar haalt, is het alsof je probeert te meten hoe goed een paraplu werkt, terwijl je ook mensen meet die al nat zijn voordat het regent begon. Het resultaat is verwaterd: je ziet misschien geen effect, terwijl de paraplu voor degenen die nog droog waren, wel werkte.

🧩 De Oude Methode: "Kiezen en Verwerpen"

Vroeger deden onderzoekers het zo: ze selecteerden heel zorgvuldig een kleine groep vrouwen die net als de gescreende vrouwen waren, maar dan zonder screening. Ze gooiden al het andere data weg.

• Nadeel: Het was als het maken van een taart, maar je gooit 80% van de ingrediënten weg omdat je bang bent dat ze niet perfect passen. Je krijgt een taart, maar hij is erg klein en wankel (onbetrouwbare statistieken).

🚀 De Nieuwe Methode: "De Tijd-Splitter"

De auteurs van dit artikel (Weedon-Fekjær en collega's) hebben een slimme nieuwe manier bedacht om alle beschikbare data te gebruiken, zonder de "vervuilde" data te negeren. Ze noemen dit "Risk time splitting" (Risico-tijdsplitsing).

Laten we dit uitleggen met een trein-analogie:

Stel je voor dat je een nieuwe, snellere trein (de screening) introduceert op een spoorlijn.

• De oude trein: Heeft al jarenlang passagiers vervoerd. Sommige passagiers stappen pas uit op het eindstation (overlijden), maar ze zaten al in de trein voordat de nieuwe snelle trein kwam.
• De nieuwe trein: Start later. Passagiers die hierin stappen, kunnen sneller aankomen.

De oude methode keek alleen naar de passagiers in de nieuwe trein en vergeleek ze met een paar willekeurige mensen op een ander spoor.

De nieuwe methode doet het zo:

1. De Historische Klok: Ze kijken eerst naar de oude data (van voor de screening). Ze meten precies hoe lang het gemiddeld duurt tussen het moment dat iemand kanker krijgt en het moment dat iemand eraan overlijdt. Dit is hun "historische klok".
2. De Splitsing: Nu kijken ze naar de mensen die sterven na de start van de screening. Met de "historische klok" kunnen ze berekenen: "Hoe groot is de kans dat deze persoon al kanker had voordat de screening begon?"
   • Als de kans groot is (bijvoorbeeld 90%), tellen ze deze persoon als iemand die de screening niet heeft geholpen.
   • Als de kans klein is (bijvoorbeeld 10%), tellen ze deze persoon als iemand die de screening wel heeft geholpen.
3. De Weegschaal: Ze gebruiken wiskunde (Poisson-regressie) om deze percentages als een "gewicht" toe te voegen aan hun analyse. Ze zeggen eigenlijk: "We tellen deze sterfgevallen niet volledig mee, maar slechts voor 10%."

🎨 Het Resultaat: Een Scherpere Foto

Door deze methode te gebruiken, hoeven ze geen data weg te gooien. Ze gebruiken de hele dataset, maar "filteren" de invloed van de screening er slim uit met hun wiskundige gewichten.

• Vroeger: De foto van het effect was wazig en onscherp (brede betrouwbaarheidsintervallen). Je zag niet goed of de screening werkte.
• Nu: De foto is haarscherp. De "ruis" is weggefilterd.

Wat ontdekten ze?
Toen ze dit toepasten op data uit Noorwegen en Denemarken, zagen ze dat de nieuwe methode veel preciezer was. De schattingen van hoe goed de screening werkt, waren duidelijker en de foutmarges waren veel kleiner dan bij de oude methoden. Vooral bij Noorwegen, waar de screening langzaam over het land werd ingevoerd (eerst hier, dan daar), werkte deze methode wonderbaarlijk goed.

💡 Waarom is dit belangrijk?

1. Betere Beslissingen: Als we weten dat screening echt werkt (of niet), kunnen artsen en politici betere beslissingen nemen over de gezondheidszorg.
2. Geen Data Verspilling: We hoeven geen informatie meer weg te gooien. Alles wat we hebben, wordt gebruikt op de slimste manier.
3. Toekomst: Deze methode kan ook worden gebruikt voor andere ziekten of interventies die niet direct werken, maar pas na een tijdje effect hebben.

Samenvatting in één zin

In plaats van te proberen een perfecte vergelijking te maken door mensen weg te kiezen, gebruiken deze onderzoekers slimme wiskunde om te "splitsen" wie er echt baat had bij de screening en wie niet, waardoor ze een veel duidelijker beeld krijgen van of de screening echt levens redt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Risk time splitting for improved estimation of screening programs' effect on later mortality" in het Nederlands.

Probleemstelling

Het evalueren van bevolkingsonderzoeken (zoals mammografie voor borstkanker) is statistisch complex vanwege de vertraagde effecten van screening.

• Het kernprobleem: Alleen nieuwe gevallen die nog niet klinisch gediagnosticeerd waren op het moment van de eerste uitnodiging, kunnen profiteren van vroegtijdige behandeling via screening. Vrouwen die al vóór de screening gediagnosticeerd waren, hebben geen potentieel voor een screeningsvoordeel.
• De uitdaging: Als men de sterftecijfers analyseert zonder onderscheid te maken tussen gevallen gediagnosticeerd voor en na de eerste uitnodiging, wordt het geschatte effect van de screening sterk verwaterd (gedilueerd). Dit kan leiden tot het niet detecteren van een echt bestaand screeningsvoordeel.
• Beperkingen van bestaande methoden: Traditionele methoden voor "verfijnde mortaliteit" (refined mortality) gebruiken vaak geselecteerde controlegroepen om causale effecten te isoleren. Hoewel deze methoden valide zijn, worden grote delen van de beschikbare data genegeerd, wat leidt tot beperkte statistische precisie en brede betrouwbaarheidsintervallen.

Methodologie

De auteurs presenteren een geavanceerde aanpak die gebruikmaakt van risicotijdsplitsing (risk time splitting) en historische data over de tijd tussen diagnose en overlijden. Ze beschrijven drie methoden, waarbij Methode II en III de meest geavanceerde vormen zijn:

1. Methode I (Vereenvoudigde schatting):

   • Een intuïtieve benadering waarbij het verwachte aantal sterfgevallen (zonder screening) wordt geschat op basis van niet-uitgenodigde groepen (Age-Period-Cohort modellen).
   • Op basis van historische data wordt de proportie ($\rho$) geschat van sterfgevallen die gebaseerd zijn op diagnoses vóór de screening.
   • Het geschatte screeningseffect is de ratio tussen het waargenomen en het verwachte aantal sterfgevallen, gecorrigeerd voor deze proportie.

2. Methode II (Geraffineerde mortaliteitsregressie met offsets) – Aanbevolen methode:

   • Dit is een Poisson-regressiemodel dat alle beschikbare data gebruikt (zowel pre- als post-screening data).
   • Risicotijdsplitsing: De data wordt gesplitst in drie categorieën:
     1. Pre-screening data.
     2. Post-screening data met diagnose vóór de uitnodiging (geen screeningspotentieel).
     3. Post-screening data met diagnose na de uitnodiging (potentieel screeningsvoordeel).
   • Offsets: Om de verschillende groepen vergelijkbaar te maken, worden offsets toegepast in de regressie. Deze offsets zijn gebaseerd op de geschatte waarschijnlijkheid ($\rho$) dat een sterfgeval gebaseerd is op een diagnose vóór de screening, afhankelijk van de tijd sinds de screeningstart.
   • Dit stelt het model in staat om het screeningseffect direct te schatten als een parameter in het model, terwijl het gebruik maakt van de volledige dataset voor het schatten van achtergrondtrends.

3. Methode III (Full Maximum Likelihood Estimation):

   • Een theoretisch geoptimaliseerde methode die de likelihood voor de mortaliteitsdata en de likelihood voor de historische "lag"-data (tijd van diagnose tot dood) combineert.
   • Hoewel statistisch zeer zuiver, bleek deze methode in de praktijk lastig te implementeren in standaardsoftware vanwege numerieke optimalisatieproblemen (underflow).

Belangrijkste Bijdragen

• Volledig gebruik van data: In tegenstelling tot eerdere studies die data weggooiden om controlegroepen te creëren, gebruikt deze methode alle beschikbare bevolkingsdata.
• Technische transparantie: De auteurs leggen de technische details van de oorspronkelijke methode (Weedon-Fekjær et al., BMJ 2014) volledig uit, inclusief de implementatie via Poisson-regressie met offsets.
• Implementatiehandleiding: Het artikel biedt gedetailleerde uitleg en voorbeeldcode in R en Python, waardoor de methode breed toepasbaar wordt voor andere epidemiologen.
• Validatie: De methode wordt toegepast op zowel Noorse als Deense data, wat de robuustheid van de aanpak onderstreept.

Resultaten

De auteurs hebben de methoden toegepast op data van het Noorse en Deense mammografiescreeningsprogramma:

• Verhoogde precisie: De nieuwe methode (Methode II) levert aanzienlijk smallere betrouwbaarheidsintervallen op dan traditionele methoden met geselecteerde controlegroepen.
  • In Noorwegen (waar de screening geleidelijk werd ingevoerd) werd de breedte van het 95% betrouwbaarheidsinterval met 46% tot 63% verkleind.
  • In Denemarken was de verkleining 15%.
• Vergelijkbare schattingen: De geschatte screeningseffecten (Rate Ratios) tussen de verschillende verfijnde methoden (I, II en III) waren zeer vergelijkbaar, maar Methode II bood de beste balans tussen precisie en implementeerbaarheid.
• Voorbeeldresultaat: Voor Noorse data werd een screeningseffect (Rate Ratio) van ongeveer 0,72 gevonden, wat wijst op een significante reductie in borstkankersterfte door screening.

Betekenis en Conclusie

• Verbeterde besluitvorming: Door de statistische precisie te verhogen, kunnen beleidsmakers en artsen beter inschatten of screeningsprogramma's daadwerkelijk leiden tot een daling van de sterfte, zelfs bij geleidelijke invoering van programma's.
• Aanbeveling: De auteurs raden Methode II (Geraffineerde mortaliteitsregressie met offsets) aan als de standaard voor het evalueren van screeningsprogramma's. Deze methode combineert de voordelen van het gebruik van alle data met de praktische haalbaarheid van standaard statistische software.
• Algemene toepasbaarheid: Hoewel het artikel zich richt op borstkanker, is de aanpak van risicotijdsplitsing en het gebruik van offsets ook toepasbaar op andere screeningsprogramma's of interventies met vertraagde effecten.
• Voorbehoud: De auteurs benadrukken dat, hoewel de methodologie statistisch superieur is, de causale interpretatie van niet-gerandomiseerde data altijd voorzichtigheid vereist (bijv. rekening houden met opportunistische screening of verschillen in behandelingstrends tussen regio's).

Kortom, dit artikel biedt een cruciale methodologische doorbraak die het mogelijk maakt om screeningsprogramma's nauwkeuriger en betrouwbaarder te evalueren door slim gebruik te maken van historische data en alle beschikbare informatie in het statistische model te integreren.