📊 statistics

Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

Dit artikel stelt een nieuwe estimator voor de cumulatieve incidentiefunctie voor biobankstudies voor die bestaande methoden verbetert door zowel prevalente als incidente ziektegevallen te incorporeren, waardoor nauwkeurige incidentieschatting mogelijk wordt voor ziekten met een vroege onset en een lange overleving, zoals aangetoond door middel van theoretische analyse, simulaties en een toepassing op UK Biobank kankerdata.

Oorspronkelijke auteurs: David M. Zucker, Malka Gorfine

Gepubliceerd 2026-06-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: David M. Zucker, Malka Gorfine

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

Het Grote Plaatje: Ziekte Tellen in een "Snapshot"-Wereld

Stel je voor dat je probeert te tellen hoeveel mensen in een stad een specifieke ziekte krijgen (zoals borstkanker) gedurende hun hele leven. In de oude dagen kozen onderzoekers een groep gezonde mensen, wachtten tot ze ziek werden en keken wat er gebeurde. Dit is als het starten van een race bij de startlijn en iedereen zien rennen.

Maar moderne "Biobanken" (enorme databases met gezondheidsgegevens) werken anders. Ze starten geen race; ze maken een snapshot (een momentopname) van een menigte die al een lange tijd aan het wandelen is.

De Opzet: Ze laten mensen pas deelnemen aan de studie als ze binnen een bepaalde leeftijd zitten (bijvoorbeeld tussen de 40 en 69 jaar).
Het Probleem: Tegen de tijd dat deze mensen deelnemen, zijn sommigen al ziek geworden (dit worden prevalente gevallen genoemd). Sommigen worden ziek nadat ze zijn toegetreden (dit zijn incidentale gevallen). Sommigen worden ziek en overlijden snel. Sommigen worden ziek en leven nog decennia lang door. Sommigen worden nooit ziek.

De auteurs van het paper, Zucker en Gorfine, proberen een betere "wiskundige camera" te bouwen om het werkelijke risico op het krijgen van deze ziekte te schatten, gebruikmakend van alle rommelige gegevens uit deze snapshots.

De Drie Oude Camera's (en waarom ze wazig waren)

Om hun nieuwe uitvinding te begrijpen, moeten we eerst zien waarom de oude manieren van naar de gegevens kijken gebrekkig waren.

1. De "Aalen-Johansen" Camera (De Strenge Poortwachter)

Hoe het werkt: Deze methode telt alleen mensen die ziek worden nadat ze aan de studie zijn begonnen. Het negeert volledig iedereen die al ziek was toen ze door de deur stapten.
De Fout: Het is als een docent die een toets nakijkt, maar weigert de antwoorden van elke leerling mee te tellen die te laat kwam, zelfs als ze de juiste antwoorden hadden.
Het Resultaat: Het mist een enorm deel van de gegevens (de "prevalente" gevallen). Het kan ook niet de risico's op het krijgen van een ziekte op 30-jarige leeftijd aangeven, omdat niemand in de studie 30 was toen ze begonnen. Het gooit waardevolle informatie weg.

2. De "GZS" Camera (Het "Alleen-Overlijden" Filter)

Hoe het werkt: Deze methode probeert de mensen mee te tellen die al ziek waren toen ze zich aansloten. Echter, het heeft een strikte regel: het telt een ziek persoon alleen als die persoon overlijdt tijdens de onderzoeksperiode. Als een persoon ziek wordt en aan het einde van de studie nog steeds leeft, negeert deze camera hen.
De Fout: Dit werkt geweldig voor ziekten die snel dodelijk zijn (zoals een snel bewegende griep). Maar voor ziekten zoals borstkanker, waarbij mensen vaak 20 of 30 jaar na de diagnose doorleven, is deze camera blind.
De Analogie: Stel je voor dat je probeert te tellen hoeveel mensen een specifieke auto hebben gekocht door alleen te kijken naar mensen die hun auto hebben gecrasht. Als de meeste mensen hun auto 20 jaar lang zonder ongelukken rijden, zul je enorm onderschatten hoeveel mensen die auto hebben gekocht.
Het Resultaat: In de UK Biobank-gegevens (die borstkanker bevatten) heeft deze methode het risico aanzienlijk onderschat, omdat het alle overlevers negeerde.

3. De "Voorgestelde" Camera (De Nieuwe, Alziende Lens)

Hoe het werkt: De auteurs hebben een nieuw wiskundig hulpmiddel gebouwd dat iedereen telt.
- Het telt mensen die al ziek waren vóór de deelname.
- Het telt mensen die na de deelname ziek zijn geworden.
- Het telt mensen die ziek zijn geworden en daarna zijn overleden.
- Cruciaal: Het telt mensen die ziek zijn geworden en aan het einde van de studie nog steeds in leven zijn.
De Magie: Het gebruikt een slim wegingsysteem om de gegevens in evenwicht te brengen. Het realiseert zich dat als je een gezonde 40-jarige ziet, deze persoon "waarschijnlijker" de leeftijd van 40 heeft overleefd dan een zieke persoon die op 30-jarige leeftijd is overleden. Het past de wiskunde aan om rekening te houden met deze verschillen zonder iemand weg te gooien.

Waarom dit ertoe doet: Het "Borstkanker"-voorbeeld

Het paper testte deze nieuwe camera op echte gegevens uit de UK Biobank, specifiek kijkend naar borstkanker.

De Situatie: Borstkanker komt vaak vroeg voor, en vrouwen leven vaak nog lang na de diagnose.
De Oude Resultaten:
- De "Strenge Poortwachter" (Aalen-Johansen) gaf een redelijk antwoord, maar had zeer brede "foutmarges" (zoals een wazige foto) omdat het de helft van de zieke mensen negeerde.
- Het "Alleen-Overlijden" filter (GZS) gaf een zeer laag, onjuist antwoord omdat het alle vrouwen negeerde die nog in leven waren.
Het Nieuwe Resultaat:
- De nieuwe methode gaf een antwoord dat zeer vergelijkbaar was met de "Strenge Poortwachter" (wat betekent dat het accuraat was).
- Maar, omdat het alle gegevens gebruikte (inclusclusief de overlevers en de mensen die al ziek waren), was de "foutmarge" halve zo breed.
- De Analogie: Het is als het maken van een foto met een hoogwaardige lens in plaats van een wazige lens. Je ziet dezelfde scène, maar de details zijn veel scherper en je bent veel zekerder van wat je ziet.

De Kern van het Verhaal

De auteurs hebben een nieuw statistisch hulpmiddel gecreëerd dat een grote blinde vlek in het medisch onderzoek oplost.

Het gebruikt alles: Het gooit geen mensen weg die al ziek waren of mensen die nog in leven zijn.
Het is nauwkeuriger: Het werkt goed, zelfs voor ziekten waarbij mensen lang leven na een diagnose (zoals veel vormen van kanker).
Het is efficiënter: Het geeft een duidelijker, preciezer beeld van het ziekterisico met dezelfde hoeveelheid gegevens, wat effectief de "kracht" van de studie verdubbelt.

Kortom, ze hebben een manier gevonden om te stoppen met het weggooien van de helft van de puzzelstukjes, waardoor wetenschappers het volledige plaatje van het ziekterisico veel duidelijker kunnen zien.

Technische Samenvatting: Efficiënte Schatting van Cumulatieve Incidentie in Biobankstudies

Probleemstelling
Het artikel behandelt de uitdaging van het schatten van de cumulatieve incidentiefunctie (CIF) voor een specifieke ziekte met behulp van populatiegebaseerde biobankgegevens. Biobankstudies rekruteren doorgaans proefpersonen binnen een specifiek leeftijdsvenster $[R_L, R_U]$ (bijvoorbeeld leeftijden 40–69 in de UK Biobank) en volgen hen prospectief. Dit ontwerp introduceert twee kritieke statistische complexiteiten:

Linkertruncatie (Left Truncation): Individuen worden alleen geobserveerd als zij de rekruteringsleeftijd $R_i$ overleven. Bijgevolg moet de incidentie worden geschat conditioneel op overleving tot $R_L$ , aangeduid als $G_1(t | T_2 > R_L)$ .
Prevalente versus Incidentele Gevallen: De gegevens bevatten zowel "prevalente gevallen" (individuen die gediagnosticeerd zijn vóór de rekrutering) als "incidentele gevallen" (gediagnosticeerd na de rekrutering). Bovendien is de ziekte niet terminaal; individuen kunnen na de diagnose overlijden of aan het einde van de follow-up nog in leven zijn.

Bestaande methoden slagen er niet in om de combinatie van deze factoren efficiënt te behandelen. De standaard linkertruncatie-gecorrigeerde Aalen-Johansen (AJ) estimator sluit prevalente gevallen uit, waardoor effectief een andere doelstelling wordt geschat: de CIF conditioneel op ziektevrij zijn bij rekrutering ( $G_1(t | T_1 > R_L, T_2 > R_L)$ ). Inverse Probability Weighting (IPW) methoden, zoals die van Chang en Tzeng (2006), Vakulenko-Lagun et al. (2017), en Gorfine et al. (2025) (GZS), proberen prevalente gevallen te includeren, maar kampen met aanzienlijke beperkingen. Specifiek wijst de GZS-estimator alleen positieve massa toe aan ziektegevallen waarbij het individu tijdens de follow-up is overleden. Dit leidt tot aanzienlijke bias en inefficiëntie in scenario's waarin de overleving na ziekteaanvang lang is (een veelvoorkomend kenmerk voor ziekten zoals borstkanker), aangezien veel prevalente en incidentele gevallen aan het einde van de studie nog in leven zijn en daarom door de GZS-methode worden genegeerd.

Methodologie
De auteurs stellen een nieuwe, volledig non-parametrische CIF-estimator voor, aangeduid als $\hat{G}_1(t^*_1)$ , ontworpen om alle geobserveerde ziektegevallen te incorporeren (zowel prevalente als incidentele gevallen), ongeacht of het individu tijdens de studie is overleden of de studieperiode heeft overleefd.

De estimator is geconstrueerd binnen het illness-death model (semi-competitieve risico's), waarbij transities plaatsvinden van gezond (0) naar ziek (1) en van ziek (1) naar dood (2), of direct van gezond (0) naar dood (2). De kern van de voorgestelde methode betreft een weegschema afgeleid van de conditionele gezamenlijke dichtheid van de data. De estimator heeft de vorm:
$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$
waarbij $\delta_{1i}$ de ziekteaanvang aangeeft, $V_{1i}$ de geobserveerde tijd van het eerste evenement (diagnose of overlijden) is, en $\hat{Q}$ een datagedreven wegeerfunctie is.

Om consistentie te waarborgen, wordt $\hat{Q}$ gekozen als het inverse van een geschatte functie $\hat{B}(V_{1i})$ , die rekening houdt met:

De distributie van rekruteringsleeftijden conditioneel op overleving ( $f_{R|R \le T_2}$ ).
De overlevingsfunctie van de dood ( $S_{T_2}$ ).
De conditionele overleving van de dood gegeven ziekteaanvang ( $S_{T_2|T_1}$ ).
De distributie van de tijd van rekrutering tot censurering ( $S_W$ ).

De conditionele overlevingsfunctie $S_{T_2|T_1}$ wordt geschat met behulp van een kernel-gebaseerde non-parametrische regressiebenadering (de Nelson-Aalen versie van de Beran-estimator). De bandbreedte voor de kernel wordt geselecteerd via een $K$ -fold cross-validatieprocedure gebaseerd op martingale residuen.

Belangrijkste Bijdragen

Nieuwe Estimator: Het artikel introduceert de eerste volledig non-parametrische en consistente CIF-estimator in het illness-death model die alle ziektegevallen gebruikt, inclusief prevalente gevallen en diegenen die de studieperiode overleven.
Theoretische Eigenschappen: De auteurs vestigen de consistentie en asymptotische normaliteit van de voorgestelde estimator. Zij bieden expliciete formules voor de invloedsfunctie, wat de constructie van puntgewijze betrouwbaarheidsintervallen en simultane betrouwbaarheidsbanden mogelijk maakt.
Efficiëntiewinst: Door data te incorporeren die eerdere methoden wegwerpen (met name prevalente gevallen en langdurige overlevers), bereikt de nieuwe methode een aanzienlijk hogere efficiëntie, wat resulteert in nauwere betrouwbaarheidsintervallen.
Software Implementatie: Een R-package, illdthCIF1, wordt geleverd voor de implementatie van de voorgestelde estimator.

Resultaten

Simulatiestudie: De auteurs voerden uitgebreide simulaties uit in verschillende scenario's met verschillende distributies voor ziekteaanvang, overlijden en censurering.
- In scenario's met een korte follow-up relatief aan de overleving na diagnose (waar veel patiënten in leven blijven), vertoonde de GZS-estimator een ernstige bias door de CIF te onderschatten. De voorgestelde estimator bleef grotendeels onbevooroordeeld, met slechts een lichte bias in specifieke configuraties die afnam met de steekproefomvang.
- In scenario's met een lange follow-up was de GZS-estimator onbevooroordeeld, maar de voorgestelde estimator vertoonde een lagere standaarddeviatie (hogere efficiëntie).
- De voorgestelde methode bood een bevredigende dekking voor zowel puntgewijze betrouwbaarheidsintervallen als simultane betrouwbaarheidsbanden in de meeste scenario's.
UK Biobank Toepassing: De methode werd toegepast op gegevens over borstkanker en andere vormen van kanker uit de UK Biobank (ongeveer 250.000 vrouwelijke deelnemers).
- Voor borstkanker, waarbij de overleving na diagnose vaak lang is, onderschatte de GZS-estimator de CIF systematisch vergeleken met de AJ- en de voorgestelde methode.
- De voorgestelde estimator en de AJ-estimator produceerden vergelijkbare puntmaten voor borstkanker, maar de voorgestelde methode leverde aanzienlijk nauwere betrouwbaarheidsbanden. Specifiek werd de gemiddelde breedte van de 95% simultane betrouwbaarheidsband voor borstkanker verminderd van 0,0068 (AJ) naar 0,0035 (voorgesteld), wat een bijna tweevoudige efficiëntiewinst vertegenwoordigt.
- Voor kankers met een kortere overleving na diagnose (bijv. longkanker, leukemie) produceerden alle drie de methoden vergelijkbare schattingen, omdat sterfgevallen vollediger werden geobserveerd.

Significantie
Het artikel stelt dat de primaire significantie ligt in het overbruggen van een methodologische kloof in biobankanalyse. Hoewel biobanken ongekende kracht bieden voor het bestuderen van zeldzame ziekten en eindpunten met een lange latentie, schatten standaardmethoden ofwel waardevolle prevalente data weg (AJ), of falen ze in het rekening houden met langdurige overleving na diagnose (GZS). De voorgestelde methode maakt een efficiënte en consistente schatting van de ziekte-incidentie conditioneel op rekruteringsoverleving mogelijk, door gebruik te maken van het volledige spectrum aan beschikbare data. Dit is bijzonder cruciaal voor ziekten zoals borstkanker, waarbij het negeren van prevalente gevallen of langdurige overlevers leidt tot bevooroordeelde of inefficiënte schattingen. De auteurs benadrukken dat hun aanpak de schatting afstemt op de werkelijke conditionele estimand van biobankstudies, terwijl de statistische efficiëntie wordt gemaximaliseerd.