📊 statistics

Time Partitioning in Target Trial Emulation

Dit artikel biedt praktische richtlijnen voor het selecteren van een geschikte tijdsindeling in het emuleren van doelpartijen, waarbij wordt aangetoond dat zowel te fijne als te grove indelingen de causaliteit kunnen verstoren en dat de standaardkloon-censeren-gewichten-methode onjuist kan zijn wanneer behandeling het resultaat binnen een periode beïnvloedt.

Oorspronkelijke auteurs: Harold Tankpinou Zoumenou (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Paris, France), Simon Ferreira (Sorbonne Universite, Inserm, Institut Pierre-Louis d

Gepubliceerd 2026-03-18

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Harold Tankpinou Zoumenou (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Paris, France), Simon Ferreira (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Paris, France), Charles Assaad (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Paris, France), Nathanael Lapidus (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Departement de Sante Publique, Hopital Saint-Antoine, APHP, Paris, France), Daria Bystrova (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Paris, France), Benjamin Glemain (Sorbonne Universite, Inserm, Institut Pierre-Louis d'epidemiologie et de sante publique, Departement de Sante Publique, Hopital Saint-Antoine, APHP, Paris, France, Paris Brain Institute-ICM, Inserm, Inria, Sorbonne Universite, Paris, France)

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 Kunst van het Tijdvakken: Waarom "Te Groot" of "Te Klein" Problemen Kan Oorzaken in Medisch Onderzoek

Stel je voor dat je een detective bent die probeert uit te vinden of een nieuw medicijn mensen helpt om langer te leven. Je hebt geen gecontroleerd experiment gedaan (waarbij je mensen willekeurig een pil of een placebo geeft), maar je kijkt naar oude medische dossiers. Dit noemen onderzoekers een "Target Trial Emulation": je probeert een ideale, willekeurige test na te bootsen met bestaande data.

Het grootste probleem hierbij is de tijd. Hoe verdeel je die tijd in stukjes om de juiste conclusies te trekken? Dit artikel van Harold Tankpinou Zoumenou en zijn collega's legt uit dat de manier waarop je de tijd indeelt (de "tijdpartitionering") cruciaal is, en dat het niet zomaar om de fijnste data gaat die je kunt vinden.

Hier is de uitleg, vertaald naar alledaagse taal en met een paar creatieve vergelijkingen.

1. Het Probleem: De Foto's van de Tijd

Stel je voor dat je een film wilt analyseren. Je hebt twee opties:

Optie A (Te fijn): Je bekijkt de film frame-per-frame (60 beelden per seconde).
Optie B (Te grof): Je bekijkt de film als een reeks van 10 statische foto's.

In medisch onderzoek doen we vaak Optie A. We kijken naar dagelijkse data. Maar dat is als een detective die elke seconde van een verdachtsmoment bekijkt.

Het nadeel van te fijn: Je krijgt een enorme hoeveelheid data (te veel variabelen). Het is alsof je een puzzel probeert op te lossen met 10.000 stukjes in plaats van 100. Het wordt onmogelijk om een betrouwbaar beeld te krijgen omdat je model te complex wordt.
Het nadeel van te grof: Je mist details. Als je alleen naar foto's kijkt die een maand uit elkaar staan, zie je misschien niet dat iemand op dag 15 ziek werd en op dag 20 stierf. Je ziet alleen "voor" en "na".

2. Scenario 1: De Rustige Kankerpatiënt (De "Te Fijn" Valstrik)

Stel je een patiënt voor met een kanker die langzaam groeit. Een medicijn helpt, maar het duurt drie maanden voordat je op een CT-scan ziet dat het werkt.

De fout: Als je de tijd indeelt in dagen, is het alsof je probeert te meten of een plant vandaag gegroeid is door elke seconde te meten. Omdat het medicijn pas over drie maanden effect heeft, heeft het op dag 1 of dag 2 geen invloed op de dood.
De oplossing: De auteurs zeggen: "Maak de tijdvakken groter!" Verdeel het jaar in periodes van 28 dagen.
De analogie: Het is alsof je de groei van een boom meet. Je hoeft niet elke minuut te meten of er een nieuw blaadje is. Je meet beter eens per maand. Door de periodes groter te maken, verklein je de "ruis" en maak je het model veel simpeler, zonder de echte boodschap te verliezen.

3. Scenario 2: De Ernstige Longpatiënt (De "Tijdbom" Valstrik)

Nu een ander verhaal. Een patiënt met een zeer ernstige longontsteking (ARDS). Hier kan een machine (ECMO) binnen enkele uren het leven redden of de dood versnellen.

Het gevaar: Als je de tijd indeelt in dagen, ontstaat er een gevaarlijke cirkel.
- Stap 1: De patiënt krijgt de machine (behandeling).
- Stap 2: De patiënt sterft nog diezelfde dag.
- Het dilemma: Sterf je omdat je de machine kreeg, of kreeg je de machine omdat je bijna stierf? Op een dagelijkse schaal is het onmogelijk om te zeggen wat eerst kwam. Het is alsof je probeert te bepalen of de bliksem de boom heeft geraakt of dat de boom de bliksem heeft aangetrokken, terwijl het allemaal binnen één seconde gebeurt.
De oplossing: Je moet de tijdvakken korter maken (bijvoorbeeld per uur) of heel zorgvuldig nadenken over de volgorde. Als je de periodes te groot maakt (bijvoorbeeld een week), dan "verdwijnt" de oorzaak-gevolg relatie in de chaos van die week.
De les: Soms moet je de tijd verfijnen, niet grof maken. Het hangt af van hoe snel het medicijn werkt.

4. De "Kloon"-Techniek (Cloning-Censoring-Weighting)

Onderzoekers gebruiken vaak een slimme truc genaamd "Cloning-Censoring-Weighting" (CCW).

De analogie: Stel je voor dat je elke patiënt in je studie "kloont". Je maakt twee kopieën van elke persoon.
- Kloon A krijgt de instructie: "Neem het medicijn."
- Kloon B krijgt de instructie: "Neem het medicijn niet."
- Als Kloon A stopt met het medicijn (bijvoorbeeld omdat hij sterft), dan "censureer" je (wist je) die kloon uit de analyse, en weegt je de resten om de eerlijkheid te herstellen.

Het grote inzicht van dit artikel:
Deze truc werkt alleen als je zeker weet dat de behandeling op dat moment niet de dood veroorzaakt (of voorkomt) binnen hetzelfde tijdvak.

In Scenario 1 (kanker, langzaam effect) werkt de kloon-truc prima, zelfs met grote tijdvakken.
In Scenario 2 (longen, snel effect) werkt de kloon-truc niet als je de tijdvakken te groot maakt. De "kloon" sterft misschien voordat je kunt zeggen of de behandeling werkte, en dan is je berekening verkeerd. De simulaties in het artikel tonen aan dat deze methode dan een groot foutje (bias) maakt.

5. De Conclusie: Geen "One Size Fits All"

De boodschap van het artikel is simpel maar krachtig:
Stop met het automatisch gebruiken van de fijnste data die je hebt (bijvoorbeeld "dagelijkse metingen") en stop met het zomaar grof maken van tijdvakken.

Vraag jezelf af: Hoe snel werkt het medicijn?
- Werkt het langzaam? -> Maak de tijdvakken groter (zoals maanden).
- Werkt het razendsnel? -> Houd de tijdvakken klein (uren/dagen) en pas je methode aan.
Denk na over de oorzaak: Kan de dood de behandeling beïnvloeden binnen hetzelfde tijdvak? Als ja, dan moet je heel voorzichtig zijn met je statistische methoden.

Samenvattend:
Het is alsof je een foto maakt van een rennende hond.

Als de hond langzaam loopt, volstaat een foto per minuut.
Als de hond razendsnel rent, heb je een camera nodig met een heel snelle sluiter (fijne tijdvakken), anders zie je alleen een wazige vlek.
En als je de foto's te groot maakt (per uur), mis je de hele race.

Onderzoekers moeten dus eerst begrijpen hoe hun medicijn werkt, en pas daarna beslissen hoe ze de tijd in stukjes moeten hakken. Geen standaardinstelling, maar een slimme keuze.

Titel: Tijdsindeling bij de emulatie van doeltrials (Time Partitioning in Target Trial Emulation)

Auteurs: Harold Tankpinou Zoumenou et al.
Publicatiedatum: 18 maart 2026 (voorgesteld)

1. Het Probleem

Bij het emuleren van gerandomiseerde trials met observationele data (Target Trial Emulation) is het cruciaal om tijd-varying confounders en immortal time bias correct te hanteren. Hiervoor wordt de tijd vaak opgedeeld in discrete perioden (tijdsindeling of time partitioning).

De huidige praktijk volgt vaak de beschikbare resolutie van de data (bijv. dagelijkse data) zonder na te denken over de causale implicaties. Dit artikel identificeert twee fundamentele problemen bij deze aanpak:

Te fijne indeling: Leidt tot onnodig hoge modeldimensie en een groot aantal te schatten parameters, wat de statistische efficiëntie verlaagt.
Te grove indeling: Kan de causale structuur verstoren. Als een periode te lang is, kunnen behandeling en uitkomst elkaar binnen diezelfde periode beïnvloeden, wat leidt tot causale cycli die niet zijn toegestaan in standaard causale modellen.
Geldigheid van CCW: De veelgebruikte methode Cloning-Censoring-Weighting (CCW) is mogelijk niet geldig als de behandeling de uitkomst beïnvloedt binnen dezelfde tijdsperiode, afhankelijk van de onderliggende causale aannames.

Er is een gebrek aan richtlijnen over hoe men de tijdsindeling moet specificeren op basis van de klinische context en de causale graaf, in plaats van puur op dataresolutie te vertrouwen.

2. Methodologie

De auteurs gebruiken het raamwerk van Structurele Causale Modellen (SCM) en Directed Acyclic Graphs (DAGs) om de problemen te formaliseren.

Formalisatie: De onderzoeksvraag wordt vertaald naar een causale query met behulp van de do-operator.
Twee Hypothetische Scenario's: Het artikel analyseert twee klinische situaties om de impact van tijdsindeling te testen:
1. Scenario 1 (Kanker): Effect van een routinebehandeling op overlijden bij gemetastaseerde kanker. Hier wordt aangenomen dat de behandeling de overleving niet beïnvloedt binnen dezelfde dag (geen directe causale link $X_t \to Y_t$ ), omdat het effect pas na maanden zichtbaar is.
2. Scenario 2 (ECMO): Effect van ECMO op overlijden bij ernstig ARDS. Hier kan de behandeling de overleving binnen enkele uren beïnvloeden, wat een directe link $X_t \to Y_t$ impliceert.
Analyse van Causale Structuren: De auteurs onderzoeken hoe de richting van causale pijlen (behandeling $\to$ uitkomst vs. uitkomst $\to$ behandeling) binnen een periode de geldigheid van aannames beïnvloedt.
Validatie via Simulatie: Ze simuleren data voor beide scenario's om de bias te meten van:
- Een niet-parametrische schatter van de estimand (de theoretisch correcte formule).
- De Cloning-Censoring-Weighting (CCW) methode.
Gebruik van AMWN: Ze maken gebruik van Ancestral Multi-World Networks (AMWN) om te testen of de conditional exchangeability-aannames voor CCW geldig zijn.

3. Belangrijkste Bijdragen

Formele Analyse van Tijdsindeling: Het artikel toont aan dat de keuze voor de tijdsindeling (fijn vs. grof) niet louter een statistisch probleem is, maar een fundamenteel causaal probleem.
- Een te fijne indeling (dagelijks) leidt tot een "curse of dimensionality".
- Een te grove indeling (bijv. 28 dagen) kan leiden tot modelmisspecificatie als er meerdere versies van de behandeling binnen die periode bestaan, of tot causale cycli als behandeling en uitkomst elkaar binnen die periode beïnvloeden.
Geldigheid van CCW: De auteurs bewijzen dat CCW niet geldig is wanneer de behandeling de uitkomst beïnvloedt binnen dezelfde tijdsperiode ( $X_t \to Y_t$ $X_{t} \to Y_{t}$ ). In dit geval wordt de conditional exchangeability-aanname geschonden.
- In Scenario 1 (geen directe effect binnen de dag) werkt CCW correct.
- In Scenario 2 (direct effect binnen de dag) faalt CCW en introduceert het significante bias.
Praktische Richtlijnen: De auteurs bieden een kader voor het actief specificeren van een geschikte tijdsindeling:
1. Bepaal de causale relatie tussen behandeling en uitkomst binnen een periode.
2. Breid de perioden uit zolang er geen causale cyclus ontstaat binnen de periode.
3. Kies de schattingsmethode (CCW of directe estimand) op basis van deze causale structuur.

4. Resultaten

Scenario 1 (Kanker, geen $X_t \to Y_t$ ):
- Een dagelijkse indeling vereist duizenden parameters (bijv. $10.585 \times |C|$ ).
- Een grovere indeling (bijv. 28 dagen) reduceert het aantal parameters drastisch (ongeveer 378 keer minder) zonder de geldigheid van de schatting te schaden.
- CCW-resultaat: De simulatie toont een verwaarloosbare bias (-0,06%) voor zowel de directe schatter als CCW. CCW is hier geldig.
Scenario 2 (ECMO, wel $X_t \to Y_t$ ):
- Omdat de behandeling de uitkomst binnen dezelfde dag beïnvloedt, is de DAG structuur anders (er is een pijl van $X_t$ naar $Y_t$ ).
- CCW-resultaat: De simulatie toont een aanzienlijke bias voor CCW (-7,94%, 95% CI: -8,13% tot -7,76%). De methode faalt omdat de noodzakelijke onafhankelijkheidsaannames niet gelden.
- De directe schatter (gebaseerd op de correcte estimand) blijft onbevooroordeeld (bias 0,02%).

5. Betekenis en Conclusie

Dit artikel levert een cruciale bijdrage aan de methodologie van causale inferentie in de epidemiologie. De belangrijkste conclusies zijn:

Geen "One-size-fits-all": Onderzoekers mogen niet standaard de resolutie van de beschikbare data (bijv. dagelijkse logs) gebruiken als tijdsindeling voor een trial-emulatie.
Causale logica voorop: De tijdsindeling moet worden gekozen op basis van de klinische kennis over de tijdsvertraging van het behandelingseffect. Perioden moeten zo groot mogelijk zijn om de modelcomplexiteit te verminderen, maar niet zo groot dat behandeling en uitkomst elkaar binnen dezelfde periode causaal beïnvloeden (wat leidt tot cycli).
Voorzichtigheid met CCW: De populariteit van de Cloning-Censoring-Weighting methode moet worden genuanceerd. Deze methode is alleen geldig als de uitkomst de behandeling binnen een periode niet beïnvloedt en als de behandeling de uitkomst binnen diezelfde periode niet beïnvloedt (afhankelijk van de specifieke graaf). Als behandeling de uitkomst direct beïnvloedt, moet CCW worden vermeden ten gunste van methoden die de specifieke causale query direct schatten.

Kortom, de auteurs pleiten voor een bewuste, causaal onderbouwde keuze voor tijdsindeling om zowel de efficiëntie als de validiteit van schattingen in observationele studies te maximaliseren.