📊 statistics

Two-stage imputation of longitudinal anthropometric data with cross-reference harmonisation: a simulation study

Deze simulatiestudie evalueert een reproduceerbare, tweestapsmethode voor het imputeren van ontbrekende longitudinale gewichts- en lengtedata die binnen-subject lineaire interpolatie combineert met op groeireferenties gebaseerde schatting, waarbij een hoge nauwkeurigheid en het vermogen wordt aangetoond om verschillende referentiestandaarden over databronnen heen expliciet te verwerken en te auditeren.

Oorspronkelijke auteurs: Flavia Alves

Gepubliceerd 2026-06-10

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Flavia Alves

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

Stel je voor dat je probeert een film te reconstrueren van de groei van een kind, maar de filmrol is beschadigd. Sommige frames ontbreken (ontbrekende gegevens) en erger nog, sommige scènes zijn gefilmd met twee verschillende soorten camera's die kleur net iets anders vastleggen (verschillende groeistandaarden zoals WHO versus CDC). Als je de ontbrekende delen gewoon raadt of de verschillen tussen de camera's negeert, zal je uiteindelijke film wazig of vervormd zijn.

Dit artikel introduceert een eenvoudige, tweestaps "filmrestauratiemethode" om deze ontbrekende groeimetingen (gewicht en lengte) te herstellen, terwijl er een helder verslag wordt bijgehouden van exact hoe elk stukje van de puzzel is gevonden.

Zo werkt de methode, gebruikmakend van alledaagse analogieën:

Het Probleem: Ontbrekende Frames en Gemengde Camera's

In gezondheidsonderzoek volgen we het gewicht en de lengte van mensen in de loop van de tijd. Vaak missen mensen afspraken, waardoor er gaten in de gegevens ontstaan. Ook gebruiken sommige studies de WHO-groei charts (zoals een "Europese camera") en andere de CDC-charts (zoals een "Amerikaanse camera"). Zelfs als een kind even groot is, kunnen deze twee grafieken zeggen dat het kind op een andere "percentiel" staat (een rangschikking vergeleken met andere kinderen). Als je deze datasets mengt zonder dit op te merken, introduceer je een verborgen fout, zoals het proberen te bewerken van een film waarbij de belichting willekeurig van scène naar scène verandert.

De Oplossing: Een Tweestaps Restauratieproces

De auteurs stellen een "tweestaps" methode voor om de gaten op te vullen, waarbij de prioriteit ligt bij wat we weten over de specifieke persoon voordat we raden op basis van de algemene populatie.

Fase 1: De "Verbind-de-Punten"-methode (Binnen-onderwerp Interpolatie)

De Analogie: Stel je hebt een foto van een kind op 5 jaar en een andere op 7 jaar, maar de foto voor 6 jaar ontbreeft. De makkelijkste, meest logische gok is om een rechte lijn te trekken tussen de foto van 5 jaar en de foto van 7 jaar. Je gaat ervan uit dat het kind in de tussentijd gestaag is gegroeid.
Wat het artikel doet: Als een persoon metingen heeft vóór en na een ontbrekend bezoek, trekt de computer simpelweg een rechte lijn tussen hen om het gat op te vullen. Het gebruikt hiervoor alleen de gegevens van die specifieke persoon. Dit is de meest nauwkeurige manier om een gat op te vullen, omdat het het specifieke groeipatroon van dat kind respecteert.

Fase 2: De "Groei-chart"-methode (LMS Centile Imputatie)

De Analogie: Wat als je voor een bepaald jaar helemaal geen foto's hebt, of als het kind slechts één foto heeft? Je kunt dan geen lijn trekken. In plaats daarvan kijk je naar een standaard "groei-chart" (zoals de WHO- of CDC-grafieken). Je zoekt uit waar dat kind gewoonlijk op de grafiek zit (bijv. het 50e percentiel, wat betekent dat het een gemiddelde grootte heeft), en je neemt aan dat het kind op diezelfde "baan" is gebleven tot de volgende keer dat je het zag.
Wat het artikel doet: Als Fase 1 een gat niet kan opvullen, kijkt de methode naar de bekende metingen van het kind om diens "groeibaan" (centile) te bepalen. Vervolgens neemt de methode aan dat het kind op diezelfde baan is gebleven en berekent het wat het gewicht/de lengte op het ontbrekende moment zou moeten zijn, gebruikmakend van de specifieke groeigrafiek (WHO of CDC) die de oorspronkelijke gegevensbron gebruikte.
De "Expliciete Parameter"-twist: Cruciaal is dat deze methode de onderzoeker dwingt om te zeggen: "Ik gebruik de WHO-grafiek voor Bron A en de CDC-grafiek voor Bron B." Het verbergt deze keuze niet. Het legt precies vast welke "camera" werd gebruikt voor elke enkele gok.

De "Provenance"-label: Het bonnetje voor elke gok

Het artikel benadrukt dat elk getal in de uiteindelijke dataset een "label" of bonnetje krijgt:

Geobserveerd: We hebben dit daadwerkelijk gemeten.
Geïnterpoleerd: We hebben de punten verbonden (Fase 1).
Groeireferentie: We hebben gegokt op basis van de grafiek (Fase 2).

Dit is essentieel omdat als een onderzoeker extra voorzichtig wil zijn, hij kan zeggen: "Ik zal alleen de 'Geobserveerde' en 'Geïnterpoleerde' cijfers gebruiken en de 'Groeireferentie'-gokken negeren," of hij kan ze apart analyseren om te zien of de "gokken" de resultaten veranderen.

De Resultaten: Hoe goed is de restauratie?

De auteurs testten deze methode met behulp van synthetische data (computergegenereerde nepdata die lijkt op echte groeistudies). Ze verstopten doelbewust 20% van de bekende getallen en probeerden deze terug te raden.

De Uitkomst: De methode vulde 100% van de gaten op.
De Nauwkeurigheid: De gokken waren zeer dicht bij de waarheid. Voor gewicht was de gemiddelde fout ongeveer 1,78 kg (ongeveer 3,5% afwijking). Voor lengte was de fout ongeveer 2,84 cm (2% afwijking).
Het Oordeel: Zoals verwacht waren de "Verbind-de-Punten"-gokken (Fase 1) nauwkeuriger dan de "Groeigrafiek"-gokken (Fase 2). Dit bewijst dat de tweestapsvolgorde (probeer eerst de punten te verbinden, gebruik grafieken alleen indien nodig) de juiste aanpak is.

Belangrijke Beperkingen (Wat het artikel vermeldt)

Het artikel is zeer eerlijk over wat het nog niet doet:

Het is een "Enkele Gok": De methode geeft één beste gok voor een ontbrekend getal. Het berekent niet de "onzekerheid" of het bereik van mogelijkheden. Als je deze gokken in een definitief medisch onderzoek gebruikt, kun je er per ongeluk vanuit gaan dat je meer weet dan je in werkelijkheid doet.
De "Stabiliteit"-aanname: Fase 2 gaat ervan uit dat een kind op dezelfde groeibaan blijft. Als een kind een plotselinge ziekte krijgt of een groeispurt doormaakt die het percentiel drastisch verandert, pakt deze methode die verschuiving mogelijk niet op. Echter, dankzij de "labels" kunnen onderzoekers deze gokken herkennen en ze met voorzichtigheid behandelen.
Alleen Synthetisch: Deze resultaten zijn gebaseerd op computersimulaties, niet op echte patiënten. De methode werkt perfect in de simulatie, maar moet worden getest op rommelige, echte wereldgegevens voordat deze voor serieuze medische conclusies kan worden gebruikt.

Samenvatting

Dit artikel biedt een eenvoudige, transparante tool om ontbrekende groeigegevens te herstellen. Het geeft prioriteit aan de eigen geschiedenis van een persoon, en valt indien nodig terug op standaard groeigrafieken, terwijl het luidkeels aankondigt welke "standaard" voor elke berekening is gebruikt. Het is een manier om ervoor te zorgen dat wanneer we gegevens uit verschillende bronnen combineren, we niet per ongeluk appels met peren mengen zonder het te weten.

Technische Samenvatting: Tweestapsimputatie van Longitudinale Antropometrische Data

Probleemstelling
Longitudinale gezondheidsdatasets kampen frequent met ontbrekende gewichts- en lengtemetingen als gevolg van niet-gestandaardiseerde gegevensverzameling of gemiste beoordelingen. Naïve omgang met dit ontbreken (bijv. complete-case analyse) kan leiden tot bias. Bovendien brengt het combineren van data uit verschillende bronnen vaak het indexeren van metingen tegen uiteenlopende groeireferentiestandaarden met zich mee (bijv. WHO versus CDC). Omdat deze standaarden verschillende percentielen toekennen aan dezelfde fysieke meting, introduceert het combineren hiervan zonder expliciete harmonisatie systematische, vaak onvermeld, verschillen. Imputatie bij groeiende individuen is bijzonder complex omdat plausibele waarden gezamenlijk afhankelijk zijn van leeftijd en geslacht, wat imputatie vanuit een enkele vaste distributie verhindert.

Methodologie
Het artikel stelt een reproduceerbare, tweestapsimputatiemethode voor, geïmplementeerd in basis statistische software (R) zonder externe pakketafhankelijkheden. Het proces is ontworpen om individuele longitudinale data prioriteit te geven voordat er wordt teruggevallen op populatieniveau-referenties, waarbij de bron van elke waarde expliciet wordt bijgehouden.

Fase 1: Binnen-onderwerp Lineaire Interpolatie
Voor elk onderwerp worden de geobserveerde waarden geordend op bezoekdatum. Ontbrekende interne waarden (gaten tussen twee geobserveerde metingen) worden ingevuld met behulp van lineaire interpolatie. Er vindt geen extrapolatie plaats; waarden vóór de eerste of na de laatste observatie blijven ontbreken voor Fase 2. Deze fase vertrouwt uitsluitend op de eigen data van het subject.
Fase 2: Groeireferentie (LMS) Percentielimputatie
Resterende ontbrekende waarden worden geïmputeerd met behulp van leeftijd- en geslachts-specifieke groeireferenties via de LMS-methode (die scheefheid $L$ , mediaan $M$ en de variatiecoëfficiënt $S$ modelleert).

Voor geobserveerde metingen wordt de LMS-standaarddeviatie score ( $z$ ) en het bijbehorende percentiel berekend.
Deze percentielen worden voor het subject vooruit en achteruit door de bezoeken getransporteerd, uitgaande van een benaderende stabiliteit van de percentielen over de tijd.
Indien een subject geen geobserveerde waarden heeft voor een maatstaf, wordt standaard het 50e percentiel toegewezen.
De verwachte meetwaarde wordt afgeleid door de referentiecurve af te lezen bij de specifieke leeftijd en het geslacht van het bezoek.
Verschillende referentietabellen kunnen per gegevensbron worden aangeleverd (bijv. WHO-stijl voor de ene bron, CDC-stijl voor de andere), waardoor de standaard een expliciete, controleerbare parameter is.

Pre-processing en Herkomst (Provenance)
Vóór imputatie worden onplausibele waarden gemarkeerd met behulp van leeftijd-gebonden robuuste z-scores en als ontbrekend ingesteld indien ze een configureerbare drempel overschrijden (standaard: absolute robuuste z-score > 3). Elke definitieve waarde wordt gelabeld met de herkomst: Geobserveerd, Geïnterpoleerd (Fase 1), of Groeireferentie (Fase 2). Deze labeling maakt downstream stratificatie of sensitiviteitsanalyse mogelijk.

Evaluatie en Resultaten
De methode werd geëvalueerd met een synthetische dataset ( $n=60$ onderwerpen, 288 bezoeken) met 30% ontbrekende data en vier grove uitschieters. Een "mask-and-recover" ontwerp werd gebruikt, waarbij 20% van de geobserveerde waarden werd verborgen en opnieuw werd geïmputeerd om de nauwkeurigheid te beoordelen.

Volledigheid: De methode bereikte 100% datavolledigheid.
Nauwkeurigheid: De gemiddelde absolute fout (MAE) voor het herstelde gewicht was 1,78 kg (3,5% MAPE), en voor de lengte 2,84 cm (2,0% MAPE). De bias was verwaarloosbaar (−0,07 kg voor gewicht; +0,17 cm voor lengte).
Vergelijking van Fasen: Zoals hypothetisch verondersteld, waren de waarden die via binnen-onderwerp interpolatie werden hersteld nauwkeuriger dan die afgeleid van groeireferenties (Gewicht MAE: 1,47 kg versus 2,06 kg; Lengte MAE: 2,60 cm versus 2,99 cm), wat de tweestapsvolgorde valideert.

Belangrijkste Bijdragen en Betekenis
Het artikel identificeert vier primaire innovaties:

Expliciete Harmonisatie: Het behandelt de keuze van de groeireferentiestandaard als een expliciete, bron-specifieke parameter in plaats van een verborgen aanname, waardoor het harmonisatieproces controleerbaar en omkeerbaar is in sensitiviteitsanalyses.
Prioritering van Datagebruik: Het tweestapsontwerp geeft prioriteit aan binnen-onderwerp longitudinale informatie voordat er wordt teruggevallen op populatierelaties, wat de hogere betrouwbaarheid van individuele trends weerspiegelt.
Herkomsttracking (Provenance Tracking): Door elke geïmputeerde waarde te labelen met de bron, kunnen analisten resultaten stratificeren of specifieke typen imputatie uitsluiten (bijv. het uitsluiten van groeireferentie-imputaties voor subjecten met snelle fysiologische veranderingen).
Toegankelijkheid en Reproduceerbaarheid: De methode is geïmplementeerd in basissoftware zonder pakketafhankelijkheden, wat de drempel voor hergebruik verlaagt en volledige reproduceerbaarheid op synthetische data garandeert.

Beperkingen en Toekomstig Werk
De auteurs merken expliciet op dat de methode steunt op de aanname van centielstabiliteit binnen een subject, wat mogelijk niet geldt voor individuen die snelle of pathologische veranderingen ondergaan. Daarnaast produceert de methode enkelvoudige puntvoorspellingen; het gebruik hiervan als geobserveerde data in downstream inferentiële modellen onderschat de onzekerheid. De auteurs stellen dat de noodzakelijke volgende stappen zijn:

Toepassing op empirische data om de herstelnauwkeurigheid in real-world settings te valideren.
Propagatie van imputatie-onzekerheid naar downstream modellen (bijv. via multiple imputation).
Head-to-head vergelijking van alternatieve referentiestandaarden.

Het artikel concludeert dat hoewel de huidige resultaten gebaseerd zijn op synthetische data om gedrag en reproduceerbaarheid aan te tonen, de aanpak een eenvoudige, onafhankelijke en transparante tool biedt voor het aanpakken van ontbrekende antropometrie in gecombineerde datasets.