📊 statistics

ProfileGLMM: a R Package Extending Bayesian Profile Regression using Generalised Linear Mixed Models

Het R-pakket ProfileGLMM breidt de Bayesiaanse profielregressie uit door Generalised Linear Mixed Models te integreren, waardoor onderzoekers complexe, gecorreleerde data in longitudinale of hiërarchische studies kunnen clusteren en tegelijkertijd de uitkomstvariabelen kunnen modelleren.

Oorspronkelijke auteurs: Matteo Amestoy, Mark A. van de Wiel, Wessel N. van Wieringen

Gepubliceerd 2026-04-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Matteo Amestoy, Mark A. van de Wiel, Wessel N. van Wieringen

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

Samenvatting van het artikel: ProfileGLMM – De "Slimme Groeperaar" voor Complexe Data

Stel je voor dat je een enorme, rommelige berg met duizenden verschillende puzzelstukken hebt. Je wilt weten welk stuk bij welk plaatje hoort, maar de stukken zijn niet alleen verschillend van vorm, ze zijn ook allemaal aan elkaar geplakt, vervormd door de tijd, en sommige stukken horen bij dezelfde persoon die op verschillende momenten is gefotografeerd.

Dit is precies het probleem waar onderzoekers in de geneeskunde, sociologie en epidemiologie vaak tegenaan lopen. Ze hebben data over mensen (zoals hun gezondheid, hun omgeving, hun gedrag), maar die data is ingewikkeld: mensen wonen in groepen, worden vaak gemeten, en hun levensstijl bestaat uit honderden factoren die met elkaar verweven zijn.

De auteurs van dit paper hebben een nieuw R-pakket (een softwaretool) ontwikkeld genaamd ProfileGLMM. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Kluwen" van Factoren

Stel je voor dat je wilt onderzoeken waarom sommige mensen ziek worden en anderen niet. Je hebt data over hun dieet, hun werk, hun stressniveau en hun woonomgeving.

Het oude probleem: Als je al deze factoren in één grote vergelijking stopt, krijg je een "kluwen" van verbanden. Factoren hangen zo sterk met elkaar samen dat de computer niet meer weet wat de oorzaak is en wat het gevolg. Het is alsof je probeert te luisteren naar één stem in een drukke kroeg waar iedereen tegelijk praat.
De oude oplossing: Je probeerde mensen in groepjes te verdelen (bijv. "gezonde levensstijl" vs. "ongezonde levensstijl") en keek dan naar het resultaat. Maar dit werkte niet goed als je data uit herhaalde metingen bestond (bijv. een patiënt die elke maand wordt gecontroleerd) of als mensen in families of dorpen zaten die elkaar beïnvloedden.

2. De Oplossing: ProfileGLMM als de "Slimme Regisseur"

Het nieuwe pakket, ProfileGLMM, is als een slimme regisseur die twee dingen tegelijk doet:

Het Groeperen (De "Clustering"):
In plaats van te vragen: "Wat is het effect van dit ene dieet?", kijkt de regisseur naar het gehele plaatje. Hij zegt: "Oké, deze groep mensen heeft een specifieke combinatie van factoren: ze eten veel groente, wonen in de stad en hebben een drukke baan. Laten we ze in Groep A stoppen." En die andere groep? Die eet veel fastfood, woont op het platteland en heeft een rustig leven. Die gaan in Groep B.
Dit noemen ze "profielregressie". Het maakt groepen op basis van hoe mensen lijken, niet op basis van één enkel kenmerk.
Het Maken van een Verhaal (De "GLMM"):
Hier komt de nieuwe magie. De oude software kon deze groepjes maken, maar kon geen rekening houden met de "familiebanden" in de data.
- Analogie: Stel je voor dat je een schoolklas onderzoekt. Als je kijkt naar de cijfers van leerlingen, moet je weten dat leerlingen uit dezelfde klas vaak vergelijkbare cijfers halen (omdat ze dezelfde leraar hebben). Of dat een kind op verschillende momenten vergelijkbare cijfers haalt.
- ProfileGLMM voegt hier "willekeurige effecten" (random effects) aan toe. Het zegt: "Ik zie dat deze groep mensen in Groep A zit, maar ik weet ook dat ze allemaal uit dezelfde familie komen of dezelfde arts hebben. Ik pas mijn berekening daarop aan."

3. Waarom is dit zo speciaal? (De Twee Grote Verbeteringen)

Het paper benadrukt twee dingen waar de vorige versies tekortschoten:

Punt 1: Het kan met "Tijd" en "Groepen" omgaan.
Vroeger was het alsof je een foto van een moment maakte. Nu kan ProfileGLMM een film maken. Het kan data analyseren van mensen die over een periode van jaren gemeten worden (longitudinale data) of mensen die in clusters zitten (zoals patiënten in verschillende ziekenhuizen). Het houdt rekening met de "herhaling" in de data.
Punt 2: Het ziet interacties.
Het pakket kan ontdekken dat een bepaalde factor (bijv. stress) voor Groep A heel gevaarlijk is, maar voor Groep B juist geen invloed heeft. Het ziet de nuance tussen de groepen.

4. Een Grappig Voorbeeld: De "Puzzelstukjes"

In het paper laten ze zien hoe het werkt met een stukje code.

Voorbeeld 1 (Gezondheid): Ze simuleren data van 1500 mensen met verschillende blootstellingen aan milieuvervuiling. Het pakket groepeert ze automatisch in 9 verschillende "profielen" (bijv. "hoge luchtvervuiling + lage geluidsoverlast"). Vervolgens berekent het precies hoe elk profiel de gezondheid beïnvloedt, terwijl het rekening houdt met het feit dat sommige mensen vaker gemeten worden dan anderen.
Voorbeeld 2 (De "Gebroken Lijn"): Ze laten zien dat je met dit pakket zelfs een gebogen lijn kunt tekenen door data in stukjes te verdelen. Het is alsof je een rechte lijn tekent, maar dan beseft dat de werkelijkheid uit verschillende rechte stukjes bestaat die op verschillende hoeken staan. Het pakket vindt die hoeken vanzelf.

5. Conclusie: De "Zwarte Doos" die Open is

Kortom, ProfileGLMM is een krachtige tool voor onderzoekers die met complexe, rommelige data werken.

Het is flexibel: Het werkt met cijfers, ja/nee antwoorden, en alles daartussenin.
Het is slim: Het maakt groepen op basis van patronen, niet op basis van vooroordelen.
Het is realistisch: Het houdt rekening met de echte wereld, waar mensen in families zitten en over tijd veranderen.

De auteurs zeggen: "We hebben dit pakket gebouwd zodat het snel genoeg is voor grote datasets (met tienduizenden mensen), maar makkelijk genoeg om te gebruiken voor onderzoekers die geen wiskundig genie hoeven te zijn."

Het is als het geven van een GPS aan iemand die door een doolhof van data loopt: het helpt je niet alleen om de weg te vinden, maar vertelt je ook welke groep mensen in hetzelfde doolhof zit en hoe ze het beste kunnen navigeren.

Titel: ProfileGLMM: Een R-pakket dat Bayesiaanse Profielregressie uitbreidt met Generalized Linear Mixed Models (GLMM)

Auteurs: Matteo Amestoy, Mark A. van de Wiel, Wessel N. van Wieringen
Datum: 23 april 2026

1. Het Probleem

Bayesiaanse profielregressie is een krachtig statistisch raamwerk dat twee doelen combineert: het verklaren van variatie in een uitkomstvariabele en het clusteren van observaties op basis van een set onderling afhankelijke covariaten (bijvoorbeeld complexe blootstellingspatronen of vragenlijstdata). Echter, bestaande implementaties (zoals het pakket PReMiuM) hebben twee belangrijke beperkingen:

Beperking tot kruisdoorsnede-data: De meeste methoden zijn ontworpen voor kruisdoorsnede-data en kunnen complexe hiërarchische structuren (zoals longitudinale studies of herhaalde metingen) niet adequaat modelleren. Ze missen de mogelijkheid om willekeurige effecten (random effects) op te nemen om binnen-subject correlatie en onwaargenomen heterogeniteit te behandelen.
Gebrek aan interactiemogelijkheden: Bestaande methoden staan geen interacties toe tussen de gegenereerde latente clusters en andere waarneembare covariaten. Dit beperkt de flexibiliteit bij het modelleren van complexe relaties, zoals piecewise lineaire functies.

Daarnaast is het direct opnemen van sterk gecorreleerde covariaten in een standaard regressiemodel vaak statistisch suboptimaal.

2. Methodologie

Het ProfileGLMM pakket lost deze problemen op door Generalized Linear Mixed Models (GLMM) te integreren als het uitkomstmodel binnen het Bayesiaanse profielregressie-raamwerk.

Statistisch Model:

Datastructuur: Het model werkt met observaties $D = \{(y_i, u_i, x_i)\}$ , waarbij $y_i$ de uitkomst is, $u_i$ de clustercovariaten (onderling afhankelijk) en $x_i$ de regressiecovariaten.
Verdeling: Het model schat de gezamenlijke verdeling $p(y_i, u_i | x_i)$ $p (y_{i}, u_{i} ∣ x_{i})$ als een mengsel van componenten.
- Toewijzingsverdeling ( $u_i$ ): Handleert zowel continue als categorische covariaten via multinomiale verdelingen (voor categorisch) en multivariate Gaussische verdelingen (voor continu).
- Uitkomstverdeling ( $y_i$ ): Dit is de kerninnovatie. In plaats van een standaard regressie, wordt een GLMM gebruikt. De uitkomst wordt gemodelleerd als:
  $y_i = x_{i}^{FE}\beta + x_{i}^{RE}\eta_{g(i)} + x_{i}^{Int}\gamma_c + \epsilon_i$
  Waarbij:
  - $\beta$ : Vaste effecten (fixed effects).
  - $\eta_{g(i)}$ : Willekeurige effecten (random effects) voor individuen of groepen.
  - $\gamma_c$ : Cluster-specifieke parameters die interacties mogelijk maken tussen de latente cluster en covariaten.
Uitkomsttypes: Het pakket ondersteunt continue uitkomsten (Lineaire Mixed Models) en binaire uitkomsten (Probit Mixed Models).
Bayesiaanse Inferentie:
- Er wordt gebruik gemaakt van een Dirichlet-proces prior (via een stick-breaking proces) om het aantal clusters $C$ te behandelen alsof het oneindig is, maar computatieel wordt dit benaderd via een getruncateerde Dirichlet-proces mengselmodel (truncated DPMM).
- Posterior Sampling: Een Gibbs-sampler (MCMC) wordt gebruikt om te trekken uit de posterior verdeling. De algoritmen zijn geoptimaliseerd in Rcpp voor snelheid.
- Post-processing: Om het "label switching"-probleem in MCMC-oplossingen op te lossen, wordt een representatieve clustering afgeleid via een gemiddelde dissimilariteitsmatrix (gebaseerd op de methode van Molitor et al. en Liverani et al.).

3. Belangrijkste Bijdragen

Integratie van GLMM: Het is de eerste implementatie die profielregressie combineert met mixed models, waardoor het geschikt is voor longitudinale en hiërarchische data.
Interactie met Latente Clusters: Het model staat toe dat covariaten interageren met de gegenereerde clusters ( $x_{i}^{Int}\gamma_c$ ). Dit maakt het mogelijk om complexe, niet-lineaire relaties (zoals stuksgewijze lineaire fits) te schatten zonder vooraf gedefinieerde knikpunten.
Flexibiliteit in Data-types: Ondersteuning voor continue en binaire uitkomsten, evenals een mix van continue en categorische clustercovariaten.
Efficiënte Implementatie: Het pakket is gebouwd op snelle C++-code (via Rcpp) en vereist minimale verplichte parameters, terwijl het toch volledig aanpasbaar is voor experts.

4. Resultaten en Validatie

De auteurs demonstreren de functionaliteit via twee voorbeelden:

Simulatie van Longitudinale Exposoom-data:
- Een dataset met 1500 individuen en 4500 observaties werd gebruikt om de impact van omgevingsblootstellingen op gezondheid te modelleren.
- Het model slaagde erin om de juiste latente clusters te identificeren (9 clusters) en de vaste effecten, willekeurige effecten en cluster-interacties nauwkeurig te schatten.
- De voorspellende prestaties voor nieuwe data (zowel cluster-toewijzing als uitkomst) werden gevalideerd.
Piecewise Lineaire Fit:
- Een unidimensionale dataset werd gebruikt om te tonen dat een covariaat zowel als clustervariabele als interactievariabele kan dienen.
- Het model kon de data non-parametrisch segmenteren in verschillende regimes en de lokale lineaire trends voor elk segment schatten, wat resulteerde in een nauwkeurige reconstructie van een stuksgewijze lineaire functie.

Rekenkracht:
Een benchmarkvergelijking met het bestaande pakket PReMiuM toonde aan dat ProfileGLMM een vergelijkbare of zelfs betere computationele efficiëntie heeft, zelfs bij datasets met tienduizenden observaties.

5. Betekenis en Toekomstperspectief

ProfileGLMM is een significante doorbraak voor onderzoekers in epidemiologie, sociale wetenschappen en klinische studies die te maken hebben met complexe, hiërarchische data. Het stelt onderzoekers in staat om:

Subgroepen te identificeren op basis van complexe, onderling afhankelijke blootstellingen.
De impact van deze subgroepen op uitkomsten te modelleren terwijl rekening wordt gehouden met herhaalde metingen.
Complexe functionele relaties te ontdekken zonder strikte aannames over de vorm van de relatie.

Toekomstige uitbreidingen:
De auteurs plannen de implementatie van variabele selectie voor clustercovariaten (om irrelevante variabelen te verwijderen) en de uitbreiding van ondersteunde uitkomsttypes naar tijd-tot-event data (survival analysis).

Het pakket is beschikbaar via CRAN en biedt een brug tussen geavanceerde Bayesiaanse methoden en praktische toepasbaarheid voor complexe data-analyses.