📊 statistics

Correcting for Missing Data When Evaluating Surrogate Markers in a Clinical Trial

Deze paper introduceert en valideert via simulaties en een diabetesstudie nieuwe methoden op basis van inverse probability weighting en semiparametrische maximum likelihood-schatting om missing data te corrigeren bij de evaluatie van surrogaatmarkers in klinische trials, waardoor de bestaande complete-case-analyses worden verbeterd in termen van onbevooroordeeldheid en statistische precisie.

Oorspronkelijke auteurs: Sarah C. Lotspeich, P. D. Anh. Nguyen, Layla Parast

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sarah C. Lotspeich, P. D. Anh. Nguyen, Layla Parast

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

Het Gouden Teken: Hoe je een onvolledig puzzel toch kunt oplossen in medische proeven

Stel je voor dat je een enorme puzzel probeert op te lossen om te ontdekken of een nieuw medicijn werkt. De "ultieme puzzelstukjes" zijn de resultaten die je pas na jaren ziet: bijvoorbeeld of een patiënt minder last heeft van hartkwalen of diabetescomplicaties. Maar wachten tot die resultaten binnenkomen, duurt te lang. Patiënten hebben nu al hulp nodig, en artsen willen weten of het medicijn werkt voordat de eerste griepgolf is voorbij.

Daarom gebruiken wetenschappers surrogaatmarkeringen. Denk hierbij aan een "tussentijds bewijs" of een voorspellend teken. Het is alsof je in plaats van te wachten tot de hele puzzel klaar is, kijkt naar één specifiek stukje dat er heel veel op lijkt. Als dat stukje goed past, is de kans groot dat de hele puzzel ook goed past. Een voorbeeld uit het artikel: bij diabetes kijken ze naar de bloedsuikerspiegel (het snelle teken) om te voorspellen of het medicijn ook de cholesterol (het lange termijn resultaat) verbetert.

Het Probleem: De Vermiste Puzzelstukjes

In de echte wereld is het echter zelden perfect. Soms zijn patiënten vergeten te komen voor een afspraak, soms is een bloedmonster beschadigd, of soms stopt iemand met de studie. Dit betekent dat er ontbrekende data is. Je hebt een puzzel, maar een groot deel van de stukjes is kwijt.

De oude manier om hiermee om te gaan, was simpelweg: "We gooien alle puzzels weg waar een stukje mist en kijken alleen naar de complete puzzels."
Dit heet in de vaktaal "complete case analysis". Het probleem hiermee is dat dit vaak vooringenomen is. Misschien zijn de mensen die niet kwamen juist de ziekeren, of juist degenen die zich al beter voelen. Als je alleen naar de "gezonde" complete puzzels kijkt, krijg je een vals beeld van hoe goed het medicijn echt werkt. Het is alsof je alleen naar de winnaars van een marathon kijkt om te bepalen of de schoenen goed zijn, en de mensen die halverwege zijn uitgevallen negeert.

De Oplossing: Twee Slimme Manieren om de Gaten te Vullen

De auteurs van dit paper (Sarah Lotspeich, P.D. Anh. Nguyen en Layla Parast) hebben twee nieuwe, slimme methoden bedacht om deze ontbrekende stukjes te compenseren zonder de hele puzzel weg te gooien. Ze gebruiken twee verschillende metaforen om dit te doen:

1. De "Gewogen Stemmen" (Inverse Probability Weighting - IPW)
Stel je voor dat je een verkiezing houdt, maar slechts een deel van de kiezers heeft gestemd. Als je alleen naar die stemmen kijkt, is het resultaat misschien vertekend.
Met de IPW-methode geef je de mensen die wel hebben gestemd (de complete data) een "zwaarder stemrecht". Je kijkt naar de mensen die niet hebben gestemd en vraagt: "Wie waren deze mensen? Waren ze jonger? Zieker?" Vervolgens zeg je tegen de mensen die wel hebben gestemd: "Jullie vertegenwoordigen niet alleen julliezelf, maar ook die groep die ontbrak."

Voordeel: Het is flexibel en maakt weinig aannames over hoe de data eruitziet.
Nadeel: Het kan soms wat "ruis" in de resultaten brengen als de gewichten te extreem worden (alsof één persoon ineens 100 stemmen telt).

2. De "Slimme Gokker" (Semiparametric Maximum Likelihood Estimation - SMLE)
Deze methode is iets geavanceerder. Stel je voor dat je een detective bent die een verdachte zoekt. Je hebt een goed idee van hoe het verdachte zich gedraagt (de wiskundige formule), maar je mist de exacte locatie.
In plaats van alleen te kijken naar de mensen die je ziet, gebruikt deze methode een wiskundig algoritme (een EM-algoritme) om te "gokken" waar de ontbrekende stukjes waarschijnlijk zaten, gebaseerd op de patronen die je wel ziet. Het vult de gaten in op een manier die statistisch het meest logisch is, zonder dat je hoeft te gokken over de exacte vorm van de data.

Voordeel: Het is vaak preciezer en geeft een scherper beeld (smallere betrouwbaarheidsintervallen) dan de eerste methode.
Nadeel: Het is rekenkundig zwaarder, alsof je een complexe vergelijking moet oplossen in plaats van alleen te tellen.

De Proef op de Som: Diabetes en Bloedsuiker

De auteurs hebben hun methoden getest in een grote simulatie (een virtuele wereld met duizenden patiënten) en toegepast op een echte, historische studie over diabetes (de DCCT-studie).
In deze studie wilden ze weten: "Hoeveel van het effect van een intensieve behandeling op de cholesterol (het lange termijn doel) wordt verklaard door de bloedsuikerspiegel (het snelle teken)?"

Toen ze de oude methode (alleen kijken naar complete data) gebruikten, kregen ze een antwoord. Maar toen ze hun nieuwe methoden toepasten, bleek dat:

De oude methode soms vertekende resultaten gaf als de ontbrekende data niet willekeurig was.
De nieuwe methoden (zowel de "gewogen stemmen" als de "slimme gokker") een eerlijker en nauwkeuriger antwoord gaven.
De "slimme gokker" (SMLE) gaf zelfs de meest scherpe resultaten, met de kleinste marge van onzekerheid.

Conclusie: Waarom dit belangrijk is

Dit onderzoek is als het vinden van een betere manier om een onvolledige foto te restaureren. In plaats van de foto weg te gooien omdat er een stukje mist, gebruiken ze slimme technieken om dat stukje zo goed mogelijk te reconstrueren.

Dit betekent dat artsen en toezichthouders (zoals de FDA) sneller en betrouwbaarder kunnen beslissen of een nieuw medicijn veilig en effectief is. Ze hoeven niet meer te wachten tot alle data perfect is, en ze hoeven niet bang te zijn dat ze een verkeerde conclusie trekken omdat ze alleen naar de "perfecte" gevallen keken.

De auteurs hebben zelfs een gratis computerprogramma (een R-pakket genaamd MissSurrogate) gemaakt, zodat elke onderzoeker deze slimme methoden direct kan gebruiken om hun eigen medische puzzels op te lossen.

Titel

Correctie voor ontbrekende data bij de evaluatie van surrogate markers in een klinische trial.

1. Het Probleem

In klinische trials is het evalueren van behandeleffecten vaak afhankelijk van langdurige, invasieve of kostbare follow-upprocedures. Surrogate markers (tussenliggende maatstaven) worden gebruikt om deze effecten sneller en efficiënter te beoordelen, wat kan leiden tot snellere goedkeuringen door instanties zoals de FDA.

Echter, een cruciaal statistisch probleem is dat bestaande methoden voor het valideren van surrogate markers (zoals het bepalen van het "Proportion of Treatment Explained" of PTE) doorgaans aannemen dat er geen ontbrekende data is. In de praktijk treden ontbrekende waarden vaak op (bijv. door uitval, mislukte laboratoriumtests of gemiste bezoeken) voor zowel de surrogate marker ( $S$ ) als de primaire uitkomst ( $Y$ ).

Huidige praktijk: Onderzoekers passen vaak een "complete case analysis" toe, waarbij patiënten met ontbrekende data worden verwijderd.
Nadeel: Dit kan leiden tot bias (als de data niet volledig willekeurig ontbreken, d.w.z. niet MCAR) en verlies van statistische precisie (efficiëntie), omdat waardevolle informatie wordt weggegooid.
Bestaande literatuur: Bestaande methoden om ontbrekende data aan te pakken zijn vaak volledig parametrisch (met sterke aannames over verdelingen) of beperkt tot specifieke scenario's, wat de flexibiliteit en robuustheid in de praktijk vermindert.

2. Methodologie

De auteurs stellen nieuwe methoden voor om ontbrekende data in de surrogate marker ( $S$ ) te corrigeren binnen twee bestaande raamwerken: parametrisch en niet-parametrisch. Ze gebruiken twee hoofdstrategieën:

A. Ontwerpbased benadering: Inverse Probability Weighting (IPW)

Deze methode herweegt de waarnemingen met niet-ontbrekende data om de oorspronkelijke steekproef te representeren.

Mechanisme: Er wordt een model gespecificeerd voor de kans dat de surrogate marker waargenomen is ( $O=1$ ), vaak gegeven de behandeling ( $Z$ ) en/of de primaire uitkomst ( $Y$ ).
Implementatie:
- Voor de parametrische schatter (lineaire regressie) worden de regressiecoëfficiënten en conditionele gemiddelden geschat met behulp van gewogen data.
- Voor de niet-parametrische schatter (gebaseerd op kernel-smoothing) worden de schatters voor de conditionele verwachtingen en de empirische verdelingsfunctie aangepast met de inverse kansen als gewichten.
Voordeel: Robuust als het model voor de ontbrekingskans correct is gespecificeerd.
Nadeel: Kan inefficiënt zijn en leiden tot instabiele schatters als de geschatte kansen zeer klein zijn (grote gewichten).

B. Model-based benadering: Semiparametrische Maximum Likelihood Schatting (SMLE)

Deze methode is specifiek ontworpen voor het parametrische raamwerk en combineert een parametrisch model voor de relatie tussen $Y$ , $S$ en $Z$ met een niet-parametrisch model voor de verdeling van $S$ .

Mechanisme:
- Het model voor $E(Y|S, Z)$ wordt parametrisch gehouden (lineaire regressie).
- De verdeling van de surrogate $S$ gegeven $Z$ ($Pr(S|Z)$) wordt niet-parametrisch geschat (zonder aannames over de vorm van de verdeling).
Algoritme: Een Expectation-Maximization (EM) algoritme wordt gebruikt om de parameters te schatten.
- E-stap: Bereken de conditionele verwachtingen van de ontbrekende indicatoren.
- M-stap: Update de parameters ( $\beta$ , $\sigma$ , en de probabilities van $S$ ) om de log-likelihood te maximaliseren.
Voordeel: Biedt hogere statistische efficiëntie dan IPW omdat alle patiënten direct bijdragen aan het model, en vereist geen sterke aannames over de verdeling van $S$ .

C. Foutenanalyse en Betrouwbaarheidsintervallen

Fouten: Standaardfouten en 95% betrouwbaarheidsintervallen worden geschat via bootstrap resampling (500 iteraties), waarbij zowel de behandeling als de schattingsmethode worden herhaald.
Robuustheid: De auteurs onderzoeken ook het effect van verkeerd gespecificeerde modellen voor de IPW-gewichten.

3. Belangrijkste Resultaten (Simulatiestudies)

De auteurs voerden uitgebreide simulaties uit ( $n=2000$ ) onder verschillende scenario's voor ontbrekende data:

MCAR (Missing Completely At Random): Alle methoden waren onbevooroordeeld. De SMLE toonde echter een aanzienlijk hogere efficiëntie (smallere betrouwbaarheidsintervallen) vergeleken met complete case analyse en IPW.
MAR (Missing At Random) afhankelijk van $Y$ :
- De complete case analyse werd bevooroordeeld (bias) en leverde onjuiste betrouwbaarheidsintervallen op (lage dekking).
- IPW corrigeerde de bias succesvol.
- SMLE corrigeerde de bias even goed als IPW, maar leverde aanzienlijk betere efficiëntie op (RE = 0.75 vs 0.65 voor IPW).
Verkeerd gespecificeerde IPW-modellen: Als het model voor de gewichten verkeerd werd gespecificeerd (bijv. een interactieterm weggelaten), werd de IPW-schatter bevooroordeeld. De SMLE-methode vermijdt dit probleem omdat deze minder afhankelijk is van een extern gewichtsmodel.
Gebrek aan overlap (Support mismatch): In scenario's waar de verdeling van $S$ in de behandel- en controlegroepen niet overlapt, faalt de niet-parametrische schatter (zelfs zonder ontbrekende data) en blijft er bias bestaan. De IPW-correctie lost dit specifieke probleem niet op.

4. Toepassing op Real-World Data

De methoden werden toegepast op data uit de Diabetes Control and Complications Trial (DCCT).

Context: Evaluatie van bloedglucose ( $S$ ) als surrogate voor LDL-cholesterol ( $Y$ ) bij Type 1-diabetes.
Data: 14,7% van de patiënten had ontbrekende bloedglucosewaarden op het 4-jaren punt.
Resultaat:
- De geschatte proportie van het behandeleffect dat wordt verklaard door de surrogate ( $R_S$ ) was vergelijkbaar tussen complete case en de gecorrigeerde methoden (wat suggereert dat de bias door ontbrekende data in deze specifieke dataset beperkt was).
- De SMLE-methode leverde een betrouwbaarheidsinterval op dat 31% smaller was dan dat van de IPW-methode, wat de efficiëntiewinst uit de simulaties bevestigt.
- Conclusie van de studie: Hoewel bloedglucose een deel van het effect verklaarde, was de ondergrens van het betrouwbaarheidsinterval voor alle methoden onder de 0,5. Dit suggereert dat bloedglucose in deze context geen geldige surrogate is voor LDL-cholesterol.

5. Significantie en Bijdrage

Vulling van een leemte: Dit artikel vult een cruciale leemte in de literatuur door methoden te bieden die specifiek zijn ontworpen voor de evaluatie van surrogate markers in aanwezigheid van ontbrekende data, zonder te vertrouwen op volledig parametrische aannames.
Complementaire sterktes: De auteurs tonen aan dat IPW en SMLE complementair zijn. IPW is flexibel en snel, terwijl SMLE superieure efficiëntie biedt binnen het parametrische raamwerk.
Praktische implementatie: Alle methoden zijn geïmplementeerd in het R-pakket MissSurrogate, waardoor onderzoekers deze technieken direct kunnen toepassen.
Robuustheid: De studie benadrukt het belang van het kiezen van de juiste methode op basis van de aard van de ontbrekende data en de bereidheid om aannames te doen over verdelingen versus gewichtsmodellen.

Kortom, dit werk biedt een robuust statistisch raamwerk om de validiteit van surrogate markers in klinische trials betrouwbaarder te beoordelen, zelfs wanneer data imperfect is, wat essentieel is voor de versnelling van medicijngoodkeuringen.