📊 statistics

Causal Inference for Case Studies in Behavioral Health

Dit artikel introduceert een causaal inferentie-framework voor casestudies in de gedragsgezondheidszorg dat $\Omega$ -estimanden gebruikt gebaseerd op uitkomst-supports in plaats van distributies, wat geldige causale conclusies mogelijk maakt onder ongeobserveerde confounding met enkel een positiviteitsaanname.

Oorspronkelijke auteurs: Shane Sparkes

Gepubliceerd 2026-07-09

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shane Sparkes

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 Probleem: Het "Tijdreis"-dilemma

Stel je voor dat je een therapeut bent die probeert te achterhalen of een specifieke behandeling een cliënt heeft geholpen. In een perfecte wereld zou je een "tijdmachine" kunnen gebruiken om te zien wat er met precies dezelfde persoon zou zijn gebeurd als ze de behandeling niet hadden ontvangen. Je zou hun "behandelde" zelf kunnen vergelijken met hun "onbehandelde" zelf.

Maar, zoals het artikel aangeeft, bestaat tijdreizen niet. Je kunt de klok niet terugdraaien. Bovendien kun je in het echte leven niet alles meten. Er zijn altijd verborgen factoren (zoals een slechte dag op het werk van een cliënt, een ruzie in het gezin of het weer) die zowel de behandeling die ze krijgen als hoe ze zich voelen, kunnen beïnvloeden. In de statistiek worden deze verborgen factoren confounders (verstorende variabelen) genoemd. Meestal moet je, om oorzaak en gevolg te bewijzen, al deze verborgen factoren meten en controleren. Maar in de gedragsgerelateerde gezondheidszorg is het vaak onmogelijk of zelfs onethisch om alles te meten zonder de natuurlijke loop van de zorg te verstoren.

De Oplossing: Kijken naar het "Menu" in plaats van de "Bestelling"

De auteur, Shane Sparkes, stelt een nieuwe manier voor om dit op te lossen. In plaats van te proberen het gemiddelde van de verbetering te berekenen (wat vereist dat je alle verborgen waarschijnlijkheden kent), stelt hij voor om naar de bandbreedte van mogelijkheden te kijken.

De Analogie: Het Restaurantmenu
Stel je voor dat het angstniveau van een cliënt als een menu van mogelijke gevoelens is, variërend van "Kalm" (1) tot "Paniek" (10).

Vóór de behandeling: Het "menu" van mogelijke gevoelens van de cliënt bevat alles van 1 tot 10. Ze kunnen zich vandaag een 10 voelen, morgen een 7, of volgende week een 2.
Na de behandeling: Als de behandeling werkt, kan de cliënt nog steeds een 1, 2 of 3 voelen, maar ze zullen misschien nooit meer een 9 of 10 voelen. De "9" en "10" zijn van het menu verwijderd.

Het artikel betoogt dat als de behandeling het menu (de verzameling mogelijke uitkomsten) verandert, we kunnen zeggen dat het een effect had, zelfs als we niet precies weten wat de kansen zijn op het voelen van een 7 versus een 8.

Het Kernidee: $\Omega$ -estimanden

Het artikel introduceert een chique term genaamd $\Omega$ -estimanden (uitgesproken als "Omega-estimanden").

Traditionele methoden kijken naar de distributie (de waarschijnlijkheid van elk getal). Ze vragen: "Wat is de gemiddelde score?"
De methode van dit artikel kijkt naar de support (de lijst met getallen die daadwerkelijk mogelijk zijn). Het vraagt: "Welke getallen staan er op het menu?"

De auteur beweert dat als je naar het menu kijkt (de support) in plaats van naar de kansen (de distributie), je de verborgen confounders niet nodig hebt. Zolang aan een basisvoorwaarde genaamd Positiviteit wordt voldaan, is het "menu" dat je in de echte wereld ziet hetzelfde "menu" dat je in een perfect experiment zou hebben gezien.

Wat is Positiviteit?
Beschouw Positiviteit als een regel van "open opties". Dit betekent dat de behandelaar, ongeacht in welke verborgen situatie een cliënt zich bevindt (slechte dag, goede dag, crisis), nog steeds de mogelijkheid heeft om de behandeling aan te bieden. Als een crisis zo ernstig is dat de behandelaar de gebruikelijke behandeling niet kan aanbieden, is de Positiviteit doorbroken. Maar als de behandelaar de behandeling altijd kan aanbieden (zelfs als hij de uitvoering daarop aanpast), blijft het "menu" geldig voor vergelijking.

De Drie "Regels" voor de Methode

Om dit in een echte klinische praktijk te laten werken, stelt het artikel drie voorwaarden voor:

Positiviteit (De Open Deur Regel): Zoals hierboven vermeld, moet de behandeling in alle situaties mogelijk zijn. Het "menu" van behandelingen mag niet verdwijnen alleen omdat het leven van de cliënt ingewikkelder werd.
Epistemische Preservatie (De "Dezelfde Vorm" Regel): Dit is een beetje technisch, maar het betekent in de basis dat de persoon die het oordeel velt (de therapeut of de cliënt) een consistente manier van denken over onzekerheid moet gebruiken. Als zij het "gemiddelde" gevoel vóór de behandeling inschatten, moeten zij het "gemiddelde" na de behandeling met dezelfde mentale logica inschatten.
Support Recall (De "Geheugenmenu" Regel): Meestal is er geen data voor de "vóór"-periode omdat de cliënt nog niet werd gemeten. Het artikel suggelt om de cliënt de baseline te laten herinneren. De regel hier is: zelfs als het geheugen van de cliënt niet perfect is, zolang ze zich de bandbreedte van mogelijkheden herinneren (bijv. "Ik voelde me vroeger tussen de 8 en 10"), is dat geheugen goed genoeg om te vergelijken met het huidige "menu".

De Casus: Een Simpel Voorbeeld

Het artikel gebruikt een echt voorbeeld van een 23-jarige student met angst.

Vóór de behandeling: Hun angstscores waren hoog (rond de 10).
Na 19 sessies: Hun scores daalden, en de laagste score die ze ooit bereikten was een 4.
De Berekening: De auteur gebruikt een simpele wiskundige truc (Bayesiaanse redenering) om te zeggen: "Gezien het feit dat de student begon op 10 en daalde naar een dieptepunt van 4, is er een sterke overtuiging dat de behandeling werkte."
Het Resultaat: Ze berekenden een waarschijnlijkheid (ongeveer 5 59%) dat de behandeling effectief was. Dit is geen "bewijs" in de wetenschappelijke zin, maar het geeft de therapeut en de cliënt een coherente, logische reden om te geloven dat de behandeling hielp, gebaseerd op het feit dat het "menu" van mogelijke gevoelens veranderde.

De Kern van de Zaak

Dit artikel beweert dat we kunnen bewijzen dat een behandeling werkt in het leven van één persoon (een N=1 studie) zonder dat we elke verborgen factor in hun leven hoeven te meten.

Oude manier: "We moeten alles meten om het zeker te weten." (Vaak onmogelijk).
Nieuwe manier: "Als de behandeling de ergste mogelijkheden uit het leven van de cliënt verwijdert (het menu verandert), en de behandeling altijd een optie was (Positiviteit), dan hebben we bewijs voor een causaal effect."

De auteur geeft toe dat deze methode een afweging is: het is zeer robuust tegen verborgen fouten (confounders), maar het kan subtiele veranderingen missen als het "menu" hetzelfde blijft maar de frequentie van de gevoelens verandert. Echter, voor de geestelijke gezondheidszorg, waar het elimineren van de ergste symptomen (de "9'en en 10'en") vaak het doel is, biedt deze methode een praktische, logische weg voorwaarts voor therapeuten en cliënten om hun voortgang te begrijpen.

Technische Samenvatting: Causale Inferentie voor Casusstudies in de Gedragsgezondheidszorg

Probleemstelling
Het artikel behandelt de fundamentele uitdaging van causale inferentie in observationele $N=1$ settings, specifiek binnen casusstudies in de gedragsgezondheidszorg. Standaard methodologieën voor causale inferentie vertrouwen doorgaans op randomisatie, experimentele controle of grote populatiekaders om te corrigeren voor confounding (verstorende variabelen). Echter, individuele zorgprocessen missen deze kenmerken. Zorgverleners en cliënten opereren in een context van "niet-gemeten confounding" ( $U$ ), waarbij een web van latente variabelen zowel de behandelingselectie ( $T$ ) als de uitkomsten ( $Y$ ) beïnvloedt. Bovendien zijn strikte experimentele ontwerpen (bijv. A-B-A-B-reversies) vaak onethisch of schadelijk voor de therapeutische relatie. Bijgevolg kunnen zorgverleners de contrafectuele waarden niet empirisch meten (bijv. $Y|do(t=0)$ wanneer $Y|do(t=1)$ wordt geobserveerd) of vertrouwen op populatiegebaseerde matching-aannames die een "essentiële identiteit" tussen verschillende tijdstippen of individuen veronderstellen. Het kernprobleel is het vaststellen van een geldige route naar causale estimanden zonder de noodzaak om confounders te meten of aan te passen.

Methodologie en Raamwerk
De auteurs stellen een raamwerk voor dat gebaseerd is op Structurele Causale Modellen (SCM's) en een subjectivistische (de Finetti) interpretatie van waarschijnlijkheid, waarbij waarschijnlijkheid wordt gezien als een persoonlijke maatstaf van onzekerheid in plaats van een objectieve frequentie.

$\Omega$ -estimanden: Het artikel verschuift de focus van contrasten tussen waarschijnlijkheidsverdelingen (bijv. verschillen in gemiddelden) naar contrasten van supports (ondersteuningsgebieden). De support van een willekeurige variabele, aangeduid als $\Omega$ , is de verzameling waarden met een niet-nul waarschijnlijkheid. De auteurs definiëren $\Omega$ -estimanden als functies van deze supports (bijv. $\max(\Omega)$ , $\min(\Omega)$ , bereik, of cardinaliteit) die geen waarschijnlijkheidsgewichten incorporeren.
De Kernaanname (Positiviteit): Het raamwerk rust op één cruciale aanname: Positiviteit. Formeel geldt voor alle behandelwaarden $t \in \Omega_T$ en niet-gemeten confounders $u \in \Omega_U$ dat de conditionele waarschijnlijkheid $f(t|u) > 0$ is. In de subjectivistische context betekent dit dat geen enkele staat van de niet-gemeten confounder $u$ een specifieke behandeling $t$ onmogelijk maakt. De auteurs argumenteren dat als behandeling op een voldoende grof niveau wordt geconceptualiseerd (bijv. "blootstelling aan casemanagement" in plaats van specifieke micro-interventies), positiviteit standhoudt, zelfs in de aanwezigheid van niet-gemeten confounders.
Support Coïncidentie: Het centrale theoretische resultaat (Propositie 1) bewijst dat onder de positiviteitsaanname de observationele support samenvalt met de interventionele support: $\Omega_{Y|t} = \Omega_{Y|do(t)}$ . Dit betekent dat de verzameling mogelijke uitkomsten die in de echte wereld worden geobserveerd, identiek is aan de verzameling mogelijke uitkomsten die zouden optreden onder een hypothetische interventie, waardoor de identificatie van $\Omega$ -effecten immuun is voor niet-gemeten confounding.

Belangrijkste Bijdragen en Extensies
Het artikel introduceert drie condities om inferentie te faciliteren:

Conditie I (Positiviteit): Voldoende om te identificeren dat observationele en interventionele supports samenvallen.
Conditie II (Epistemische Preservatie): Veronderstelt dat het "structurele motief" van de onzekerheid van de actor (specifiek de relatie tussen de verwachte waarde en het functionele gemiddelde van de support) invariant blijft over behandel- en niet-behandeltoestanden. Dit maakt de vertaling van $\Omega$ -effecten naar verschillen in verwachte waarden mogelijk via een verwacht-gemiddelde identiteit: $E(Y) = Av(Y) - \kappa$ , waarbij $\kappa$ een skew-gerelateerde term is. Als $\kappa$ behouden blijft, verkrijgen verschillen in gemiddelden een causale betekenis.
Conditie III (Support Recall): Maakt het mogelijk dat de herinnerde baseline-schatting van een cliënt ( $\hat{Y}$ ) dient als een proxy voor de niet-geobserveerde baseline-support ( $\Omega_{Y|t=0}$ ). Het gaat ervan uit dat hoewel de waarschijnlijkheidsverdeling van de herinnering kan verschillen, de verzameling mogelijke waarden (de support) verankerd blijft aan dezelfde realiteit.

Resultaten en Casusstudie Toepassing
De auteurs demonstreren het raamwerk aan de hand van een klinische casusstudie van een 23-jarige student die Cognitieve Gedragstherapie (CGT) ondergaat voor angst.

Data: 19 wekelijkse angstscores (schaal 0–10) die een dalende trend laten zien van 10 naar 4.
Toepassing: De auteurs definiëren een $\Omega$ -effect als het contrast tussen het minimum van de baseline-support en het minimum van de behandel-support ( $\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$ ).
Inferentie: Met behulp van een subjectivistische Bayesiaanse benadering berekenen zij de posterior waarschijnlijkheid van de effectiviteit van de behandeling. Door een prior-overtuiging aan te nemen en deze bij te werken met de geobserveerde data (de verschuiving in de minimale score), afleiden zij een posterior waarschijnlijkheid van effectiviteit ( $\approx 0,59$ ).
Interpretatie: Het resultaat is geen frequentie-gebaseerde garantie, maar een "coherente, getemperde overtuiging" (credence) met betrekking tot het vermogen van de behandeling om hoog-intense symptoommogelijkheden te elimineren (een verschuiving in de support).

Betekenis en Claims
Het artikel beweert een "route naar causale inferentie" te bieden voor individuele zorgprocessen die de traditionele vereiste om de 'backdoor paths' te sluiten of confounders te meten, omzeilt.

Robuustheid boven Sensitiviteit: Het raamwerk ruilt sensitiviteit voor distributieve veranderingen (die geconfound zijn) in voor robuustheid door zich te richten op support-veranderingen (die geïdentificeerd zijn onder positiviteit). Het argumenteert dat effectieve behandeling vaak manifesteert als de eliminatie van extreme mogelijkheden (bijv. het voorkomen van een paniekaanval), wat een verandering in de support is die detecteerbaar is zonder de confounders te kennen.
Praktisch Nut: Het biedt een principieel, elementair methode voor zorgverleners om na te denken over de effectiviteit van behandelingen met behulp van data uit meting-gebaseerde zorg, zonder geavanceerde statistische training of experimentele ontwerpen.
Beperkingen: De auteurs erkennen dat positiviteit niet testbaar is en verdedigd moet worden via de geldigheid van de onderliggende Directed Acyclic Graph (DAG). Zij merken ook op dat het raamwerk ongevoelig is voor behandelingen die slechts de waarschijnlijkheidsmassa binnen een onveranderde support verschuiven (bijv. een "5" waarschijnlijker maken dan een "4" zonder de "10" te elimineren). Bovendien zijn de resultaten coherentie-verklaringen voor een redenerend agens, en geen frequentiegaranties.

Samenvattend betoogt het artikel dat door de causale doelstellingen te herdefiniëren als contrasten van uitkomst-supports in plaats van verdelingen, en door een subjectivistische visie op waarschijnlijkheid te accepteren, men een geldige causale identificatie kan bereiken in $N=1$ gedragsgezondheidscasussen onder de enige voorwaarde van positiviteit.