Technische Samenvatting: Optimal Stopping in Sequential Clinical Prediction

1. Probleemstelling

De meeste klinische voorspellingsmodellen worden ontwikkeld op basis van retrospectieve cohorten en gerapporteerd als statische modellen (één set kenmerken, één model, één prestatiescore). In de klinische praktijk is de realiteit echter sequentieel: een arts begint met direct beschikbare informatie en voegt in fasen extra tests toe.

Het fundamentele probleem dat dit paper adresseert, is niet enkel of een model beter wordt met meer informatie, maar wanneer er voldoende informatie is om te stoppen met testen en over te gaan tot actie (behandeling of interventie). Een model met een hogere AUC (Area Under the Curve) in een latere fase kan klinisch minder optimaal zijn als de extra kosten, vertraging of invasiviteit van de aanvullende tests niet opwegen tegen de marginale verbetering in voorspellingsnauwkeurigheid.

2. Methodologie

Het paper formaliseert sequentiële klinische voorspelling als een optimal stopping problem onder gestaffelde informatie. De methodologie rust op drie wiskundige pijlers:

A. Martingaal-structuur voor risico-updates

Het paper gebruikt de stochastische procesleer om de evolutie van het patiëntrisico te beschrijven:

• Forward Martingale: Het geconditioneerde risico $X_t = E[D | \mathcal{F}_t]$ (de huidige overtuiging van de arts over de ziektestatus $D$ gegeven de informatie $\mathcal{F}_t$) vormt een martingaal. Dit betekent dat er geen systematische drift in de risicoverwachting mag zijn bij het toevoegen van nieuwe informatie; de updates moeten coherent zijn.
• Reverse Martingale: Dit wordt gebruikt om informatieverlies te kwantificeren wanneer rijke data worden gecomprimeerd tot een eenvoudiger klinisch scoremodel ($Y_t$). De "projection loss" $E[(X_t - Y_t)^2]$ meet de fout die ontstaat door deze vereenvoudiging.

B. Besluitvorming via Bayes-optimaliteit

De beslissing om te behandelen wordt gemodelleerd als een Bayes-beslissing met asymmetrische kosten:

• $c_{FP}$: Kosten van een fout-positieve uitslag (onnodige behandeling).
• $c_{FN}$: Kosten van een fout-negatieve uitslag (gemiste ziekte).
  De optimale drempelwaarde ($c^*$) voor actie is $\frac{c_{FP}}{c_{FP} + c_{FN}}$.

C. Bellman-recursie voor optimaal stoppen

Om het optimale moment voor actie te bepalen, wordt een dynamisch programmeermodel gebruikt. Een arts bestelt een extra test alleen als de verwachte reductie in beslissingsverlies (decision loss) groter is dan de kosten van de test ($c_t$):
$$V_t = \min \{ \text{kosten van actie nu}, \text{kosten van testen} + E[V_{t+1} | \mathcal{F}_t] \}$$

3. Belangrijkste Bijdragen

1. Conceptuele verschuiving: Het verplaatst de focus van populatie-gebaseerde prestaties (zoals AUC) naar patiënt-specifieke risicotrajecten en de timing van klinische besluitvorming.
2. Diagnostische instrumenten: Introductie van "patient-level bridge quantities":
   • $\hat{\pi}_t$: Het aandeel patiënten bij wie de klinische beslissing stabiel blijft na een nieuwe test.
   • $\bar{d}_t$: De gemiddelde afstand van het voorspelde risico tot de beslissingsdrempel (een maat voor onzekerheid).
3. Formeel kader voor informatieverlies: Een wiskundige koppeling tussen de precisie van een model en de economische/klinische waarde van informatie-extractie.

4. Resultaten

Het framework is toegepast op vier datasets, waarbij de optimale stopfase per setting sterk verschilde:

• Study 1 (Borstkanker): Wachten op volledige pathologische informatie was optimaal. De verbetering in nauwkeurigheid was groot genoeg om de extra kosten van uitgebreid onderzoek te rechtvaardigen.
• Study 2 (Hartziekten): De optimale stopfase was de tussenfase (inspanningstest). Hoewel de laatste fase (imaging) de AUC verbeterde, was de marginale winst in beslissingsnauwkeurigheid te klein om de hoge kosten van invasieve beeldvorming te dekken.
• Study 3 (Diabetes): Vroege actie (screening) was optimaal. De extra kenmerken voegden ruis toe in plaats van signaal, en de beslissing voor 98% van de patiënten was al stabiel na de eerste stap.
• Study 4 (ICU Mortaliteit): De volledige dataset was optimaal. Cruciaal hier was dat vroege modellen (vitale functies) weliswaar een hoge sensitiviteit hadden, maar bijna nul specificiteit. Pas de toevoeging van demografische gegevens maakte het mogelijk om laag-risico patiënten correct te identificeren, wat een enorme reductie in beslissingsverlies opleverde.

5. Significante Conclusies

De belangrijkste conclusie is dat het best presterende model (hoogste AUC) niet noodzakelijkerwijs het beste moment is om te handelen.

Het paper bewijst dat de klinische waarde van een test niet alleen afhangt van de statistische kracht, maar van de interactie tussen de informatie-update, de kosten van de test en de asymmetrie van de medische fouten. Het biedt een rigoureus wiskundig kader om de vraag "is deze extra test de moeite waard?" te beantwoorden.