📊 statistics

Truncation by death in the sufficient cause framework

Dit artikel beschrijft 'truncation by death' binnen het sufficient-cause-raamwerk door te laten zien dat ruwe schattingen niet-causaal zijn en door uitdrukkingen te geven voor de 'survivor average causal effect' in termen van populatiefrequenties van achtergrondfactoren.

Oorspronkelijke auteurs: Bronner P. Gonçalves, Eiji Yamamoto, Etsuji Suzuki

Gepubliceerd 2026-04-08

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bronner P. Gonçalves, Eiji Yamamoto, Etsuji Suzuki

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

Titel: Waarom het dodelijk is om alleen naar de overlevenden te kijken (en hoe we dat oplossen)

Stel je voor dat je een nieuwe medicijn wilt testen om de levenskwaliteit van mensen met een ernstige ziekte te verbeteren. Je deelt de patiënten in twee groepen in: één groep krijgt het nieuwe medicijn, de andere een placebo. Na een jaar kijk je naar de resultaten.

Maar er is een probleem: sommige patiënten zijn in de tussentijd overleden. Voor deze mensen is de vraag "Hoe voel je je?" niet meer te beantwoorden. Je kunt geen cijfer geven voor een leven dat er niet meer is. In de statistiek noemen we dit "truncatie door de dood" (het afsnijden van data door de dood).

Dit artikel van Gonçalves, Yamamoto en Suzuki probeert een heel specifieke manier te vinden om dit probleem te begrijpen. Ze gebruiken een denkbeeldig gereedschap dat ze het "Voldoende Oorzaak"-kader noemen.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het probleem: De "Overlevenden-valkuil"

Stel je voor dat je een wedstrijd organiseert. Je wilt weten welk team het beste speelt. Maar halverwege de wedstrijd lopen sommige spelers van Team A en Team B dood.

Als je nu alleen kijkt naar de mensen die nog aan het spelen zijn, en je zegt: "Kijk, Team A scoort gemiddeld hoger!", dan zit je misschien fout. Misschien zijn de slechtste spelers van Team A juist overleden, en zijn alleen de sterren overgebleven. Bij Team B zijn misschien juist de zwakke spelers dood gegaan, maar ook de sterren.

Als je alleen naar de overlevenden kijkt, vergelijk je eigenlijk twee heel verschillende groepen mensen. Het is alsof je de kwaliteit van een orkest beoordeelt, maar alleen luistert naar de musici die niet zijn overleden tijdens de tournee. Dat geeft een vertekend beeld.

2. De oude manier: De "Prinsessen-stratificatie"

In de wetenschap gebruiken ze al een tijdje een methode om dit op te lossen. Ze proberen te kijken naar een heel specifieke groep: mensen die zowel met het medicijn als zonder het medicijn zouden hebben overleefd.

Dit noemen ze de "Altijd-overlevenden". Het probleem is: je kunt deze mensen in de echte wereld niet zien. Je weet pas of iemand overleefd zou hebben als je ze twee keer zou kunnen laten leven (een keer met medicijn, een keer zonder), wat natuurlijk onmogelijk is. Het is alsof je probeert te raden welke sleutels in een slot passen, terwijl je de sloten niet kunt openen.

3. De nieuwe manier: De "Voldoende Oorzaak"-machine

De auteurs van dit artikel zeggen: "Laten we niet alleen kijken naar de uitkomst (overleven of niet), maar naar de machines die ervoor zorgen dat iemand overleeft of ziek wordt."

Ze gebruiken een metafoor van een Rijsttafel of een Puzzel:

De Voldoende Oorzaak: Stel je voor dat er een machine is die bepaalt of iemand overleeft. Deze machine heeft een slot. Om het slot te openen en de machine te activeren (zodat iemand overleeft), heb je een volledige set sleutels nodig.
De Sleutels: Deze sleutels zijn dingen zoals:
- X: Het medicijn (of placebo).
- U: Andere factoren, zoals leeftijd of erfelijkheid.
- A en B: Geheime, onbekende achtergrondfactoren (zoals geluk, genen, of een onbekende ziekte).

Elke combinatie van sleutels is een "Voldoende Oorzaak". Als je de volledige set hebt, gebeurt het resultaat (overleven of een goede gezondheid).

4. Wat ontdekten ze met deze machines?

De auteurs hebben alle mogelijke combinaties van deze "sleutels" doorgerekend. Ze ontdekten drie belangrijke dingen:

A. Waarom de simpele vergelijking misleidend is
Wanneer je alleen kijkt naar de mensen die overleefd hebben, vergelijk je eigenlijk mensen met verschillende sets sleutels.

Vergelijking: Het is alsof je in Team A alleen de mensen hebt die de sleutel "Medicijn" hadden, en in Team B alleen de mensen die de sleutel "Gelukkige Genen" hadden. Je vergelijkt appels met peren. De "dode" mensen in de statistiek zijn vaak juist diegenen die de sleutel "Medicijn" misten, waardoor de groep die overbleef er onterecht goed uitziet.

B. Wie zijn de "Altijd-overlevenden"?
Met hun machine-model kunnen ze precies zien welke mensen in de "Altijd-overlevenden"-groep zitten.

Vergelijking: Het zijn de mensen die genoeg sleutels hebben om het slot te openen, ongeacht of ze het medicijn krijgen of niet.
Ze ontdekten dat of iemand in deze groep zit, soms afhangt van andere factoren (zoals leeftijd). Een jongere persoon heeft misschien andere sleutels nodig om te overleven dan een oudere.

C. Wanneer is het medicijn echt nutteloos?
Ze konden ook precies beschrijven onder welke voorwaarden het medicijn geen effect heeft op de gezondheid van de overlevenden.

Vergelijking: Stel je voor dat het medicijn alleen werkt als je een specifieke sleutel (B2) hebt. Als niemand in de groep van "Altijd-overlevenden" die sleutel heeft, dan is het medicijn voor die groep nutteloos, zelfs als het voor anderen wel werkt. Hun model laat zien hoe je dit kunt zien door naar de verdeling van de sleutels te kijken.

5. Waarom is dit belangrijk?

Tot nu toe hebben wetenschappers vaak gezegd: "We weten niet precies welke mensen overleven, dus we moeten aannames doen."

De auteurs zeggen: "Laten we in plaats daarvan kijken naar de mechanismen." Zelfs als we de sleutels (de genen, de gelukfactoren) niet direct kunnen meten in een ziekenhuis, helpt het om te begrijpen hoe ze werken.

Het helpt om te zien waarom bepaalde statistieken liegen.
Het helpt om te begrijpen dat "overleven" en "gezondheid" twee verschillende machines zijn die soms dezelfde sleutels gebruiken.
Het geeft een dieper inzicht in wie er echt baat heeft bij een behandeling, en wie niet.

Samenvatting in één zin

Dit artikel gebruikt een denkbeeldig systeem van "sleutels en sloten" om uit te leggen waarom het vergelijken van alleen de overlevenden na een ziekte vaak misleidend is, en hoe we beter kunnen begrijpen voor wie een behandeling echt werkt, zelfs als we niet kunnen zien wie er zou zijn overleden.

Het is een nieuwe manier om naar oude problemen te kijken, zodat artsen en onderzoekers minder snel in de valkuil van "alleen naar de winnaars kijken" trappen.

Titel: Truncatie door overlijden in het voldoende-oorzaakframework

Auteurs: Bronner P. Gonçalves, Eiji Yamamoto, Etsuji Suzuki

1. Het Probleem: Truncatie door Overlijden

In epidemiologische studies (zowel observationeel als gerandomiseerd) komt het fenomeen "truncatie door overlijden" (truncation by death) vaak voor. Dit treedt op wanneer de uitkomst van interesse (bijv. kwaliteit van leven) niet gedefinieerd is voor individuen die overlijden vóór het tijdstip van evaluatie.

Het dilemma: Analyses die voorwaardelijk zijn op waargenomen overleving (d.w.z. alleen kijken naar degenen die nog leven op het moment van meting) leveren geen causale schatting op. Dit komt omdat het vergelijken van uitkomsten tussen behandelgroepen onder de voorwaarde "levend" leidt tot een selectiebias (collider bias). De groepen die overleven onder behandeling versus controle kunnen fundamenteel verschillen in hun onderliggende kwetsbaarheid.
Huidige aanpak: De standaardmethode om dit aan te pakken is principal stratification (hoofdstratificatie) binnen het potentieel-uitkomstenframework. Hierbij wordt de Survivor Average Causal Effect (SACE) geschat: het gemiddelde causale effect binnen de subgroep van "altijd-overlevenden" (individualen die zouden overleven ongeacht de toewijzing van de behandeling).
Beperking: Hoewel de SACE een geldige causale interpretatie heeft, biedt het potentieel-uitkomstenframework beperkt inzicht in de onderliggende biologische of mechanistische processen die leiden tot deze selectie.

2. Methodologie: Het Voldoende-Oorzaakframework

De auteurs passen het voldoende-oorzaakframework (sufficient cause framework) toe om truncatie door overlijden te analyseren. In plaats van alleen te kijken naar potentiële uitkomsten, worden causale processen opgesplitst in mechanismen (voldoende oorzaken) die, eenmaal voltooid, onvermijdelijk leiden tot een uitkomst.

Kernconcepten van de methode:

Voldoende oorzaken: Een combinatie van componentoorzaken (zoals behandeling $X$ , leeftijd $U$ , en achtergrondfactoren $A_k, B_k$ ) die samen een voldoende oorzaak vormen voor overleving ( $S$ ) of de uitkomst ( $Y$ ).
Twee fasen: Het model onderscheidt twee stadia:
1. Overlevingsfase: Voldoende oorzaken die bepalen of een individu overleeft ( $S$ ).
2. Uitkomstfase: Voldoende oorzaken die de uitkomst ( $Y$ ) bepalen, waarbij overleving een noodzakelijke component is.
Aannames: De auteurs nemen een scenario aan met een gemeenschappelijke oorzaak $U$ (bijv. leeftijd) die zowel overleving als de uitkomst beïnvloedt. Ze nemen ook positieve monotoniciteit aan voor $X$ en $U$ (d.w.z. de afwezigheid van behandeling of hoge leeftijd kan nooit overleving of een goede uitkomst bevorderen; ze kunnen alleen schaden of geen effect hebben).
Risicostatus-types: Door de mogelijke combinaties van achtergrondfactoren ( $A_k$ voor overleving, $B_k$ voor uitkomst) te tellen, kunnen 256 verschillende "risicostatus-types" worden geïdentificeerd. Elk type vertegenwoordigt een unieke combinatie van vatbaarheid voor voldoende oorzaken.

3. Belangrijkste Bijdragen en Resultaten

A. Interpretatie van de Ruwe Schatting (Crude Estimand)

De auteurs tonen wiskundig aan waarom de ruwe vergelijking $E[Y|S=1, X=1] - E[Y|S=1, X=0]$ geen causale betekenis heeft.

In het voldoende-oorzaakframework blijkt dat deze schatting individuen vergelijkt die behoren tot verschillende risicostatus-types.
Sommige types dragen bij aan de uitkomst in de behandelgroep (omdat ze overleven onder behandeling), maar niet in de controlegroep (omdat ze onder controle overlijden).
Hierdoor wordt er geen vergelijking gemaakt binnen dezelfde subpopulatie, maar tussen twee verschillende groepen met verschillende onderliggende mechanistische profielen.

B. Karakterisering van de SACE

De auteurs leiden uitdrukkingen af voor de SACE en de stratificatie-specifieke SACE ( $SACE_u$ ) in termen van de frequenties van de achtergrondfactoren ( $A_k, B_k$ ) en de covariaat $U$ .

Ze tonen aan dat de SACE een gewogen gemiddelde is van de effecten binnen de subgroepen gedefinieerd door $U$ .
Ze identificeren specifiek welke combinaties van voldoende oorzaken leiden tot de "altijd-overlevenden" stratum. Bijvoorbeeld, individuen die vatbaar zijn voor een specifieke voldoende oorzaak voor overleving die afhankelijk is van $U$ , kunnen "altijd-overlevenden" zijn als $U=1$ , maar "nooit-overlevenden" als $U=0$ .

C. Voorwaarden voor een Nul-effect (Null SACE)

Een cruciaal resultaat is de afleiding van de exacte voorwaarden waaronder de SACE nul is (d.w.z. de behandeling heeft geen effect op de uitkomst voor altijd-overlevenden).

De SACE is nul als en slechts als er geen individuen zijn met specifieke combinaties van achtergrondfactoren die een interactie tussen behandeling en uitkomst mogelijk maken binnen de altijd-overlevenden.
De auteurs tonen aan dat zelfs als de SACE nul is (geen causaal effect), de ruwe schatting (geconditioneerd op waargenomen overleving) niet noodzakelijk nul is. Dit komt omdat de ruwe schatting nog steeds wordt beïnvloed door de selectie van individuen die alleen onder één conditie overleven.

D. Tabel 1 en 2: Quantificatie

De paper bevat uitgebreide tabellen die:

De 256 risicostatus-types categoriseren op basis van hun overlevingsstatus onder verschillende scenario's ( $X=0/1, U=0/1$ ).
Formules geven voor schatters (zoals $E[S|X]$ , $SACE$, en de ruwe schatting) uitgedrukt in de waarschijnlijkheid van de aanwezigheid van de achtergrondfactoren ( $A_k, B_k$ ).

4. Significatie en Implicaties

Mechanistisch Inzicht: Het paper biedt een dieper mechanistisch inzicht in truncatie door overlijden dan het traditionele potentieel-uitkomstenframework. Het maakt zichtbaar welke causale mechanismen verantwoordelijk zijn voor bias en selectie.
Verduidelijking van Bias: Het illustreert op een nieuwe manier waarom het conditioneren op een post-treatment variabele (overleving) leidt tot bias: het introduceert een vergelijking tussen verschillende "risicostatus-types" die niet causaal vergelijkbaar zijn.
Public Health Relevantie: De auteurs benadrukken dat de samenstelling van de "altijd-overlevenden" populatie afhangt van de verdeling van achtergrondfactoren (zoals leeftijd) in de populatie. Dit heeft implicaties voor de generaliseerbaarheid van de SACE.
Toekomstige Richtingen: Hoewel het framework voornamelijk geschikt is voor binaire uitkomsten, suggereren de auteurs dat uitbreidingen mogelijk zijn (bijv. via hazardfuncties) om kwantitatieve uitkomsten (zoals kwaliteit van leven scores) beter te modelleren.

Conclusie:
Dit artikel toont aan dat het voldoende-oorzaakframework een krachtig hulpmiddel is om de complexiteit van truncatie door overlijden te ontleden. Het biedt niet alleen een alternatieve afleiding van bekende schatters, maar verrijkt ook het conceptuele begrip van waarom bepaalde schatters misleidend zijn en onder welke specifieke mechanistische voorwaarden een causaal effect (SACE) nul is. Dit kan epidemiologen helpen om beter te begrijpen wat ze meten wanneer ze principal stratification toepassen.