📊 statistics

Orthogonal machine learning for conditional odds and risk ratios

Deze paper introduceert en evalueert nieuwe orthogonale machine learning-methoden voor het schatten van voorwaardelijke odds- en risicoverhoudingen, die in complexe scenario's aanzienlijk minder vertekening vertonen dan traditionele benaderingen en zo betere behandelingsbeslissingen mogelijk maken.

Oorspronkelijke auteurs: Jiacheng Ge, Iván Díaz

Gepubliceerd 2026-04-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiacheng Ge, Iván Díaz

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: De "Slimme Rekenmachine" voor Medische Beslissingen: Hoe een nieuw algoritme beter voorspelt wie baat heeft bij een behandeling

Stel je voor dat je een arts bent. Je hebt een nieuwe medicijn of een advies (bijvoorbeeld: "meer bewegen") dat je aan je patiënten wilt geven. Maar je weet dat dit advies niet voor iedereen even goed werkt. Voor de ene persoon is het een wondermiddel, voor de ander heeft het geen effect, en voor een derde zelfs een nadelig effect.

In de medische wereld noemen we dit heterogeniteit van behandelingseffecten. De vraag is: Wie baat er precies bij, en hoeveel?

Dit artikel, geschreven door Jiacheng Ge en Iván Díaz van de NYU, gaat over een nieuwe manier om deze vragen te beantwoorden, vooral wanneer we kijken naar risico's en kansen (zoals: "Hoeveel keer kleiner is de kans op een ziekte als ik beweeg?").

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

1. Het Probleem: De "Stijve" Kleding

Vroeger (en vaak nog steeds) gebruikten artsen en statistici simpele modellen om te voorspellen. Stel je dit voor als het kopen van standaard kleding in een winkel.

Je hebt een maat S, M en L.
De "logistische regressie" (een oude, populaire methode) is als een jas die voor iedereen hetzelfde model heeft. Hij past misschien wel redelijk op de gemiddelde persoon, maar hij zit perfect op niemand.
Als de werkelijkheid complex is (bijvoorbeeld: "Mensen met diabetes en een hoge BMI reageren anders dan mensen zonder diabetes"), dan is die standaardjas te stijf. Hij kan de subtiele verschillen niet vangen. Dit leidt tot fouten: je denkt dat een medicijn voor iedereen werkt, terwijl het dat niet doet.

2. De Oplossing: "Maatwerk" met een Slimme Rekenmachine

De auteurs van dit paper hebben nieuwe methoden bedacht (de DR-learner en R-learner) die werken als een maatwerk-pak gemaakt door een slimme AI.

In plaats van één groot gemiddelde te nemen, kijken deze methoden naar elke individuele persoon en hun specifieke kenmerken (leeftijd, gewicht, erfelijkheid, etc.).
Ze proberen te voorspellen: "Voor jou, specifiek, wat is de kans dat je baat hebt?"

3. De Magische Truc: "Orthogonaliteit" (Het Onafhankelijke Team)

Dit is het meest technische, maar ook het coolste deel. Om deze maatwerk-pakken te maken, moeten ze eerst een paar andere dingen schatten (zoals: "Hoe waarschijnlijk is het dat iemand überhaupt beweegt?"). Dit noemen ze "nuisance parameters" (vervelende parameters).

Stel je voor dat je een team hebt om een auto te bouwen:

De Motorbouwers (de eerste stap): Ze bouwen de motor (de schattingen van de achtergrondfactoren).
De Carrosseriebouwers (de tweede stap): Ze bouwen de auto om de motor heen (de uiteindelijke voorspelling).

Het probleem is vaak: als de motorbouwers een foutje maken, gaat de hele auto scheef.
De nieuwe methode in dit paper gebruikt een truc die ze orthogonaliteit noemen.

De Analogie: Het is alsof de motorbouwers en de carrosseriebouwers in twee volledig gescheiden kamers werken, met een geluidsdichte muur ertussen.
Als de motorbouwers een kleine fout maken, komt die fout niet door de muur de carrosseriekamer in. De carrosseriebouwers kunnen hun werk perfect afmaken, zelfs als de motorbouwers een beetje slordig waren.
In de wiskunde betekent dit dat de fouten in de eerste stap de eindresultaten niet verpesten, zolang die fouten maar niet te groot zijn. Dit maakt de methode veel robuuster en betrouwbaarder.

4. De Test: De "Simulatie-Supermarkt"

Om te bewijzen dat hun nieuwe methode werkt, hebben de auteurs geen simpele test gedaan. Ze hebben een virtuele supermarkt gecreëerd met 600 verschillende "werelden" (data-genererende processen).

In sommige werelden was het heel simpel (alleen mannen en vrouwen).
In andere werelden was het een chaos van interacties (mannen met diabetes die ook roken, vrouwen met een hoge BMI, etc.).
Ze lieten hun nieuwe "maatwerk-methode" en de oude "standaard-methode" tegen elkaar strijden in deze 600 werelden.

Het resultaat?

In de simpele werelden deed de oude methode het prima (soms zelfs iets sneller).
Maar in de complexe, echte wereld (waar de meeste medische data zich bevindt), won de nieuwe methode het met gemak. De oude methode maakte veel te veel fouten, terwijl de nieuwe methode de subtiele patronen perfect zag.

5. Het Voorbeeld: Bewegen en Slaapproblemen

Om te laten zien hoe dit in de praktijk werkt, keken ze naar echte data van de NHANES (een grote Amerikaanse gezondheidsenquête).

Vraag: Helpt sporten tegen slaapproblemen?
Oude methode: "Ja, voor iedereen is de kans op slaapproblemen 20% lager als je sport." (Een statisch, saai antwoord).
Nieuwe methode: "Nee, dat klopt niet voor iedereen. Voor jonge, fitte mensen helpt het heel veel. Voor oudere mensen met bepaalde aandoeningen helpt het misschien niets, of zelfs juist niet."

Dit leidt tot een beter advies: In plaats van "Iedereen moet sporten", kunnen artsen nu zeggen: "Jij, met jouw specifieke profiel, zou hier enorm baat bij hebben. Jij niet."

Conclusie: Waarom is dit belangrijk?

Dit onderzoek is een grote stap voorwaarts voor precision health (precisiegezondheidszorg).
Het zegt ons dat we niet meer hoeven te vertrouwen op "één maat past iedereen". Met deze nieuwe wiskundige trucs (die werken als een geluidsdichte muur tussen fouten en resultaten) kunnen we veel nauwkeuriger voorspellen wie er baat heeft bij een behandeling.

Kort samengevat:
De auteurs hebben een slimme, nieuwe manier bedacht om te kijken naar medische behandelingen. Het is alsof ze van een standaardjas zijn afgestapt en nu maatpakken naaien voor elke individuele patiënt, zelfs als de data erg rommelig en complex is. Hierdoor kunnen artsen betere, persoonlijkere beslissingen nemen.

Titel: Orthogonaal machine learning voor conditionele odds en risicoverhoudingen

Auteurs: Jiacheng Ge en Iván Díaz (NYU Grossman School of Medicine)
Datum: April 2026 (voorgesteld)

1. Probleemstelling

Conditionele effectmaten, zoals de conditionele gemiddelde behandelingseffect (CATE), de conditionele odds ratio (OR) en de conditionele risicoverhouding (RR), zijn essentieel om te begrijpen hoe behandelingseffecten variëren tussen verschillende groepen (heterogeniteit). Dit stelt onderzoekers in staat om behandelingen te richten op de groepen die er het meeste baat bij hebben (precision health).

Hoewel er uitgebreide literatuur bestaat over schatters voor de CATE (op additieve schaal), lopen schatters voor verhoudingsmaten (OR en RR) achter. Bestaande geavanceerde methoden, zoals die gebaseerd op dubbel robuuste transformaties of orthogonale risicofuncties (zoals de DR-learner en R-learner), zijn tot nu toe voornamelijk beperkt tot additieve effecten. Traditionele benaderingen vertrouwen vaak op inflexibele parametrische modellen (zoals logistische regressie), wat kan leiden tot vertekening (bias) bij modelmisspecificatie. Er is een behoefte aan niet-parametrische, data-adaptieve methoden die specifiek zijn ontworpen voor OR en RR, waarbij de voordelen van orthogonaal leren (robustheid tegen fouten in eerste-stap schattingen) worden benut.

2. Methodologie

De auteurs ontwikkelen een nieuw raamwerk voor het schatten van conditionele OR en RR door de principes van orthogonaal statistisch leren (Neyman-orthogonaliteit) toe te passen op deze verhoudingsmaten.

A. Orthogonale Pseudo-uitkomsten

Het kernidee is het construeren van "pseudo-uitkomsten" (pseudo-outcomes) die zijn afgeleid van de Efficient Influence Function (EIF). Deze pseudo-uitkomsten hebben de eigenschap dat hun conditionele verwachting gelijk is aan het doelparameter (bijv. $\log OR(X)$ ), plus een restterm die tweede-orde is in de fouten van de "nuisance"-parameters (de schattingen van de uitkomstregressie en de propensity score).

Dit betekent dat fouten in de eerste stap (het schatten van de nuisance-functies) de uiteindelijke schatting slechts in tweede orde beïnvloeden, waardoor de schatter robuust is.
De auteurs leiden specifieke EIF's af voor:
- $OR(X)$ en $\log OR(X)$
- $RR(X)$ en $\log RR(X)$

B. De DR-learner en R-learner voor OR/RR

Op basis van deze pseudo-uitkomsten worden twee families van schatters voorgesteld:

DR-learner (Double Robust): Regresseert het verschil tussen de orthogonale pseudo-uitkomsten voor de behandel- en controlegroep direct op de covariaten $X$ $X$ . Dit minimaliseert de variantie in complexe scenario's.
- Varianten: DR-OR, DR-LOR (log), DR-RR, DR-LRR.
R-learner: Een variant die dezelfde pseudo-uitkomsten gebruikt, maar de tweede-stap regressie weegt met de propensity-overlap weights ( $w(X) = \hat{e}(X)(1-\hat{e}(X))$ $w (X) = \overset{e}{^} (X) (1 - \overset{e}{^} (X))$ ).
- Varianten: R-OR, R-LOR, R-RR, R-LRR.

De auteurs bewijzen theoretisch (Theorema 1 en 2) dat deze schatters voldoen aan de voorwaarden voor Neyman-orthogonaliteit en dat ze "oracle"-excess risk bounds hebben. Dit garandeert dat de schatter presteert alsof de ware nuisance-functies bekend waren, zolang de eerste-stap schattingen voldoende nauwkeurig zijn.

C. Simulatie-ontwerp

Om de prestaties te evalueren, voeren de auteurs een uitgebreide Monte Carlo-simulatie uit (gebaseerd op Rudolph et al., 2023) met:

600 verschillende data-genererende processen (DGP's): Deze omvatten variaties in interactie-ordes (1, 2, 3), sample sizes (200 tot 2000), en niveaus van behandelingseffect-heterogeniteit (HTE).
Vergelijkingsgroepen: De nieuwe methoden worden vergeleken met:
- Plug-in schatters: S-Learner en T-Learner gebaseerd op logistische regressie (LR) en SuperLearner (SL).
- Bestaande DR-methoden voor CATE.
Metingen: Geïntegreerde Bias, Variantie en Mean Squared Error (iMSE).

3. Belangrijkste Bijdragen

Theoretische Generalisatie: Voor het eerst worden DR- en R-learners geformaliseerd voor conditionele odds- en risicoverhoudingen, inclusief een rigoureuze afleiding van de bijbehorende orthogonale pseudo-uitkomsten en bewijzen van Neyman-orthogonaliteit.
Uitgebreide Empirische Validatie: Een van de meest omvangrijke simulatiestudies tot nu toe, die honderden data-genererende mechanismen omvat om te bepalen wanneer deze methoden werken en wanneer niet.
Praktische Richtlijnen: Het bieden van concrete adviezen voor onderzoekers over welke estimator te kiezen afhankelijk van de complexiteit van de data en de steekproefgrootte.
Real-world Applicatie: Toepassing op NHANES-data om het effect van fysieke activiteit op slaapproblemen te analyseren, waarbij wordt aangetoond dat traditionele methoden heterogeniteit maskeren.

4. Resultaten

De simulatieresultaten tonen duidelijke patronen op basis van de complexiteit van het probleem en de steekproefgrootte:

Complexe scenario's (Hoge Heterogeniteit, Grote Steekproef):
- De voorgestelde DR-learner varianten (vooral de log-schaal varianten: DR-LOR en DR-LRR) presteren aanzienlijk beter dan traditionele logistische regressie (LR) en vaak beter dan SuperLearner (SL) in termen van iMSE.
- Ze reduceren de bias significant zonder de variantie te veel te laten toenemen.
- De R-learner varianten presteren over het algemeen slechter vanwege een te hoge variantie (ze geven te veel gewicht aan observaties met propensity scores dicht bij 0,5, wat in heterogene scenario's problematisch kan zijn).
Eenvoudige scenario's of Kleine Steekproeven:
- In situaties met lage heterogeniteit of kleine steekproeven (bijv. $n=200$ ) domineert de variantie.
- Hier presteren de eenvoudigere methoden (Logistische Regressie of SuperLearner) vaak beter dan de geavanceerde orthogonale schatters, omdat de "de-biasing" stap in de DR-learner te veel variantie introduceert in data-sparse regimes.
Vergelijking OR vs. RR:
- Het patroon voor RR is vergelijkbaar met OR, maar de winst van de orthogonale methoden is soms iets bescheidener, wat suggereert dat RR in deze DGPs iets makkelijker te leren is dan OR.

5. Toepassing: NHANES Data

De auteurs passen hun methoden toe op data van de National Health and Nutrition Examination Survey (NHANES) om het effect van fysieke activiteit op slaapproblemen te bestuderen.

Vindst: Traditionele logistische regressie suggereerde een constant behandelingseffect voor iedereen.
Nieuwe Methode: De DR-learner onthulde aanzienlijke heterogeniteit: het effect van fysieke activiteit varieerde sterk per demografische groep.
Beslissingsregels: Op basis van de geschatte conditionele effecten werden behandelingsregels gegenereerd. De regel afgeleid van de DR-learner leidde tot een significant lagere verwachte uitkomst (minder slaapproblemen) dan de regel van de logistische regressie of de "Behandel Allen"-strategie. Dit onderstreept het belang van data-adaptieve methoden voor gepersonaliseerde gezondheidszorg.

6. Betekenis en Conclusie

Dit werk vult een belangrijke lacune in de causale inferentie-literatuur op door geavanceerde, dubbel robuuste methoden uit te breiden naar verhoudingsmaten (OR en RR). De studie benadrukt dat:

Orthogonaal leren essentieel is voor het onthullen van complexe heterogeniteit in grote datasets, waar traditionele modellen falen.
Er echter een bias-variatie afweging bestaat: in kleine datasets of eenvoudige situaties kunnen de geavanceerde methoden overkill zijn en slechter presteren dan goed geïmplementeerde machine learning ensemble-methoden (zoals SuperLearner) of zelfs logistische regressie.
Voor onderzoekers in de gezondheidszorg biedt dit een toolkit om niet alleen gemiddelde effecten te schatten, maar ook om gepersonaliseerde behandelingsstrategieën te ontwikkelen die gebaseerd zijn op de specifieke risico's en voordelen voor individuele patiëntgroepen.

De auteurs concluderen dat in complexe, realistische scenario's de DR-learner (vooral op log-schaal) de voorkeur verdient boven traditionele regressie, terwijl SuperLearner een robuuste standaardkeuze blijft voor minder complexe of data-scarce situaties.