📊 statistics

Tree models for covariate-dependent method agreement with repeated measurements in clinical research

Dit artikel introduceert COAT (conditional method agreement trees), een regressieboom-methode die de Bland-Altman-analyse uitbreidt naar herhaalde metingen om covariaat-afhankelijke variatie in de overeenstemming tussen meetmethoden in klinisch onderzoek te detecteren en te modelleren.

Oorspronkelijke auteurs: Siranush Karapetyan, Achim Zeileis, Moritz Flick, Bernd Saugel, Alexander Hapfelmeier

Gepubliceerd 2026-04-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Siranush Karapetyan, Achim Zeileis, Moritz Flick, Bernd Saugel, Alexander Hapfelmeier

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 Kern: Waarom zijn twee meetapparaten soms niet even goed?

Stel je voor dat je twee weegschalen hebt: een oude, vertrouwde schaal en een nieuwe, digitale schaal. Je wilt weten of ze hetzelfde gewicht aangeven. In de medische wereld doen artsen dit voortdurend: ze vergelijken een nieuwe, minder ingrijpende meetmethode (zoals een sensor op je vinger) met de "gouden standaard" (een katheter in een slagader).

Vroeger gebruikten artsen een vaste formule (de Bland-Altman-analyse) om te zeggen: "Deze twee methoden komen over het algemeen goed overeen." Maar hier zit een groot probleem: deze formule gaat er stiekem van uit dat de overeenkomst overal en voor iedereen hetzelfde is.

De analogie van de regenjas:
Stel je voor dat je zegt: "Deze regenjas houdt je altijd droog." Dat is misschien waar voor een lichte motregen, maar in een zware storm wordt je toch nat. Als je de jas alleen test in de storm, zou je zeggen: "Deze jas werkt niet." Als je hem alleen test in de motregen, zeg je: "Deze jas werkt perfect."
Het oude model zegt: "De jas werkt gemiddeld." Het nieuwe model van dit artikel zegt: "Voor wie werkt de jas goed, en voor wie niet?"

Wat is de nieuwe uitvinding? (COAT)

De onderzoekers hebben een nieuwe methode bedacht, genaamd COAT (Conditional Method Agreement Trees). Je kunt je dit voorstellen als een slimme boomstructuur die als een detective werkt.

De Boom: In plaats van één groot gemiddelde te nemen, laat deze "boom" de data in takken uiteenvallen.
De Takken: De boom vraagt zich af: "Is de overeenkomst tussen de meetapparaten anders voor mannen of vrouwen? Voor mensen met een hoog of laag gewicht? Voor mensen met een hoge of lage bloeddruk?"
De Subgroepen: De boom vindt groepen (subgroepen) waar de meetapparaten perfect overeenkomen, en groepen waar ze juist heel verschillend zijn.

Het probleem met "herhaalde metingen"

In de echte wereld meet een arts een patiënt niet één keer, maar vaak meerdere keren op rij (bijvoorbeeld 5 keer op een dag).

Oude probleem: Als je die 5 metingen simpelweg als 5 losse metingen telt, verwar je de variatie tussen de metingen met de variatie tussen de patiënten. Het is alsof je probeert te meten hoe zwaar een persoon is, terwijl je de weegschaal 5 keer op en neer laat bewegen.
De oplossing van COAT: De nieuwe methode is slim genoeg om te begrijpen dat die 5 metingen bij één persoon bij elkaar horen. Het trekt een lijn tussen de "willekeurige ruis" (de 5 metingen) en de "echte verschillen" tussen patiënten.

Wat hebben ze ontdekt? (Het Hart-voorbeeld)

De onderzoekers hebben hun nieuwe boom getest op data van patiënten die een hartoperatie hadden. Ze vergeleken een nieuwe, niet-invasieve methode (een sensor op de vinger) met de oude, invasieve methode (een katheter).

De resultaten waren verrassend:

De twee methoden kwamen niet overal even goed overeen.
De grootte van de meting mattered: Bij lage hartoutput (minder bloedpomp) waren de methoden het meest eens. Bij hoge output liepen ze uit elkaar.
Patiëntkenmerken mattered: Het geslacht, het gewicht en de leeftijd van de patiënt bleken invloed te hebben op hoe goed de twee methoden overeenkwamen.

De les: Een meetapparaat is niet voor iedereen even goed. Voor een zware man met een hoge hartoutput kan de nieuwe sensor misschien onbetrouwbaar zijn, terwijl hij voor een lichte vrouw perfect werkt. De oude methode zou dit gemist hebben en gezegd hebben: "Over het algemeen is het prima," wat gevaarlijk kan zijn in de zorg.

Waarom is dit belangrijk?

Dit artikel introduceert een manier om subgroepen te vinden.

Vroeger: "Deze thermometer werkt goed." (Algemeen)
Nu met COAT: "Deze thermometer werkt goed voor kinderen, maar niet voor mensen met koorts boven de 40 graden."

Dit helpt artsen om te beslissen: "Voor welke patiënten mag ik dit nieuwe, veiligere apparaat gebruiken, en voor wie moet ik de oude, zware methode blijven gebruiken?"

Samenvatting in één zin

De onderzoekers hebben een slimme "detective-boom" (COAT) bedacht die niet alleen kijkt of twee meetapparaten overeenkomen, maar ook ontdekt voor welke specifieke groep mensen die overeenkomst geldt, zelfs als ze die apparaten meerdere keren achter elkaar hebben gebruikt.

Dit zorgt voor veiligere en nauwkeurigere medische beslissingen, omdat we niet meer vertrouwen op één groot gemiddelde, maar kijken naar de specifieke situatie van elke patiënt.

Probleemstelling

In klinisch onderzoek wordt de Bland-Altman (BA) analyse standaard gebruikt om de overeenkomst (agreement) tussen meetmethoden, apparaten of technieken te beoordelen. Deze methode schat twee cruciale grootheden:

Bias: De gemiddelde systematische afwijking tussen de methoden.
Limits of Agreement (LoA): Een 95% voorspellingsinterval dat de verwachte spreiding van de verschillen tussen de methoden aangeeft.

Een fundamentele, maar vaak impliciete aanname van de traditionele BA-analyse is dat deze overeenkomst homogeen is over alle onderwerpen (patiënten) heen, ongeacht interne of externe factoren. In de praktijk is dit echter vaak niet het geval; de overeenkomst kan variëren afhankelijk van patiëntkenmerken (zoals leeftijd, geslacht, BMI), comorbiditeiten of de grootte van de meting zelf.

Bovendien is de huidige literatuur beperkt in het hanteren van herhaalde metingen (repeated measurements) per onderwerp. Hoewel BA-analyse herhaalde metingen kan verwerken, miste de bestaande methodiek een manier om de afhankelijkheid van de BA-parameters (bias en variantie) van covariaten te modelleren in deze complexe setting.

Methodologie

De auteurs introduceren een nieuwe aanpak genaamd Conditional Method Agreement Trees (COAT). Dit is een uitbreiding van eerdere werk (voor enkelvoudige metingen) naar het veelvoorkomende geval van herhaalde metingen.

Kerncomponenten van de methode:

Conditionele Inference Trees (CTree): COAT maakt gebruik van recursieve partitionering (decision trees) gebaseerd op conditionele inferentie. Deze bomen zoeken naar statistisch significante associaties tussen de uitkomstvariabelen en covariaten om subgroepen te definiëren.
Transformatie van de Uitkomst: Het cruciale element is de transformatie van de waargenomen metingen naar een bivariate uitkomst die de parameters van de BA-analyse vertegenwoordigt:
- De conditionele verwachting $E(Y|X)$ (de bias).
- De conditionele variantie $Var(Y|X)$ (bepalend voor de LoA).
- Hierbij is $Y = A - B$ het verschil tussen metingen van methode A en B.
Omgaan met Herhaalde Metingen: De methode onderscheidt twee scenario's, zoals oorspronkelijk beschreven door Bland en Altman:
- Ongepaarde metingen (Unpaired): De ware waarde is constant binnen een onderwerp, maar er zijn meerdere metingen per methode. De variantie wordt opgesplitst in between-subject en within-subject variantie.
- Gepaarde metingen (Paired): De ware waarde varieert (bijv. hartminuutvolume tijdens beweging), maar metingen van beide methoden zijn gekoppeld in tijd.
Modelbouw: De COAT-algoritme berekent voor elk onderwerp specifieke componenten van de bias en variantie. Deze worden vervolgens gebruikt als input voor de transformatiefunctie $h(\cdot)$ van de CTree. De boom splitst de data op basis van covariaten om subgroepen te vinden waar de bias en/of LoA significant verschillen.

Belangrijkste Bijdragen

Generalisatie naar herhaalde metingen: De eerste uitbreiding van conditionele method-overeenkomstmodellen naar situaties met meerdere metingen per patiënt, met correcte verwerking van zowel gepaarde als ongepaarde data.
Heterogeniteit detectie: Het vermogen om expliciet subgroepen te identificeren waarbij de overeenkomst tussen methoden verschilt, gebaseerd op patiëntkenmerken of meetomstandigheden.
Statistische validatie: Integratie van statistische significantietests (via permutation tests) binnen de boomstructuur om te voorkomen dat valse positieve resultaten worden gegenereerd door multiple testing.
Software-implementatie: De methode is geïmplementeerd in het open-source R-pakket coat.

Resultaten

1. Simulatiestudie:
De auteurs voerden een uitgebreide simulatiestudie uit (5000 iteraties) om de prestaties van COAT te testen ten opzichte van een standaard CTree (die alleen de gemiddelde bias modelleert).

Type-I fout: COAT controleerde de Type-I fout (foute detectie van een associatie waar geen is) correct op het nominale niveau van 0,05 voor zowel gepaarde als ongepaarde metingen.
Kracht (Power) en Subgroepdetectie:
- Als alleen de bias varieert tussen subgroepen, presteert een standaard CTree iets beter (hoge power) omdat COAT twee parameters (bias en variantie) simultaan test, wat de vrijheidsgraden verhoogt en de power licht verlaagt.
- Als alleen de LoA (variantie) varieert, faalt de standaard CTree volledig, terwijl COAT de associatie succesvol detecteert.
- In complexe scenario's met geneste subgroepen (waar zowel bias als LoA variëren) overtreft COAT de standaard CTree duidelijk, vooral bij grotere steekproefgroottes.
- De Adjusted Rand Index (ARI), een maat voor de overeenkomst tussen de gevonden en de ware subgroepen, bereikte waarden tot 0,9 (bijna perfecte overeenkomst) bij voldoende steekproefgrootte.

2. Toepassing op Klinische Data (Cardiac Output):
De methode werd toegepast op data van 51 patiënten na hartchirurgie, waarbij Cardiac Output (CO) werd gemeten met een invasieve methode (thermodilutie via pulmonale arterie, CO-PAC) en een niet-invasieve methode (vingercuff, CO-FC).

Ongepaarde analyse: Er werd een significant verschil in overeenkomst gevonden afhankelijk van de grootte van de meting. Bij lagere CO-waarden ( $\leq 6,548$ L/min) was de overeenkomst beter (kleinere bias en nauwere LoA).
Gepaarde analyse: Ook hier bleek de grootte van de meting een belangrijke factor.
Exploratieve analyse: Bij het negeren van de meetgrootte en focussen op patiëntkenmerken, suggereerde de analyse dat geslacht, gewicht en leeftijd een rol spelen, hoewel deze resultaten exploratief waren en verdere validatie nodig hebben.
Twee-steekproeftest: COAT werd gebruikt om te testen of er een verschil in overeenkomst was tussen patiënten met en zonder vaatziekten. Dit leverde een p-waarde van 0,705 op, wat aangeeft dat er in deze dataset geen significant verschil was.

Betekenis en Conclusie

De studie toont aan dat de aannames van de traditionele Bland-Altman analyse (homogeniteit) in de klinische praktijk vaak niet opgaan. COAT biedt een robuust, theoretisch onderbouwd kader om deze heterogeniteit te kwantificeren.

Klinische relevantie: Het inzicht dat de nauwkeurigheid van een meetapparaat kan variëren afhankelijk van de patiënt (bijv. gewicht) of de meetwaarde, is cruciaal voor de patiëntveiligheid. Het kan betekenen dat een bepaalde niet-invasieve techniek betrouwbaar is voor bepaalde patiëntgroepen, maar niet voor anderen.
Methodologische vooruitgang: COAT vult een gat in de statistische methodologie door herhaalde metingen en covariaten-afhankelijkheid te combineren in één model, met een open-source implementatie die direct toepasbaar is voor onderzoekers.

Samenvattend stelt COAT onderzoekers in staat om niet alleen te vragen "Zijn de methoden het eens?", maar "Voor welke specifieke subgroepen van patiënten en onder welke omstandigheden zijn de methoden het eens?".