📊 statistics

Causal Mediation Analysis with a Time-Dependent Mediator, Time-Dependent Confounders and a Time-to-Event Outcome: Revisiting the Difference Method

Dit artikel evalueert de prestaties van de differentiemethode voor causale mediatieanalyse met tijdgebonden mediatoren, confounders en tijd-tot-gebeurtenis uitkomsten, waarbij wordt vastgesteld dat hoewel deze onbevooroordeelde schattingen kan bieden onder specifieke aannames (zoals geen effect van de behandeling op tijdgebonden confounders) met behulp van Aalen- of Cox-modellen, deze over het algemeen faalt vanwege bias- of instortingsproblemen vergeleken met de robuustere parametrische mediatiële g-formule.

Oorspronkelijke auteurs: Robin Denz, Nina Timmesfeld

Gepubliceerd 2026-08-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Robin Denz, Nina Timmesfeld

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 een detective bent die een mysterie probeert op te lossen: hoe verandert een specifieke handeling, zoals het innemen van een medicijn, eigenlijk de toekomst van een persoon? Soms werkt het medicijn direct, als een magisch schild. Maar vaak werkt het indirect, zoals een coach die een speler traint, en die speler wint vervolgens de wedstrijd. In de wereld van de medische wetenschap wordt dit mediatieanalyse genoemd. Het is de kunst om een totaal effect op te splitsen in twee delen: het "directe" pad en het "indirecte" pad.

Nu stel je voor dat het mysterie moeilijker wordt. De "speler" (een biologische marker in het lichaam) is niet slechts een momentopname; hij verandert elke dag. De "coach" (de behandeling) kan ook elke dag de omgeving rondom hen veranderen. En de "wedstrijd" (de uitkomst, zoals overleving) vindt niet op een vast tijdstip plaats; het zou morgen kunnen zijn of over tien jaar. Dit is de rommelige realiteit van time-to-event data met tijd-afhankelijke variabelen. Wetenschappers hebben ongelooflijk complexe, superkrachtige computers gebouwd om deze puzzels op te lossen, maar ze zijn zo zwaar en ingewikkeld dat de meeste artsen en onderzoekers ze niet kunnen gebruiken. Daarom proberen veel mensen een "short-cut" genaamd de verschilmethode (difference method). Het is alsof je probeert het gewicht van een verborgen object te raden door eerst de hele doos te wegen, dan de doos zonder het object te wegen, en het verschil te berekenen. Het is simpel, snel en vereist heel weinig wiskunde. Maar werkt deze short-cut wel wanneer de wedstrijd zo ingewikkeld is, of leidt het je naar de verkeerde verdachte?

Dit artikel is een grondige testrit van die short-cut. De auteurs, Robin Denz en Nina Timmesfeld, hebben een enorme digitale laboratoriumopstelling opgezet om te zien of de "verschilmethode" kan overleven in de chaos van tijd-veranderende variabelen en overlevingsuitkomsten. Ze gokten niet zomaar; ze bouwden duizenden nepwerelden (simulaties) waarin ze de exacte waarheid kenden. Ze zetten de eenvoudige verschilmethode af tegen een zware, complexe tool genaamd de parametrische mediational g-formule, die fungeert als de gouden standaard.

Dit is wat ze in hun simulaties vonden:

Ten eerste is de short-cut geen universele oplossing. Als de behandeling een tijd-afhankelijke factor verandert (zoals een bijwerking die later verschijnt) die vervolgens de relatie tussen de mediator en de uitkomst verstoort, faalt de verschilmethode spectaculair. Het raakt in de war, door de directe effecten te vermengen met indirecte effecten, en produceert bevooroordeelde resultaten. In deze rommelige scenario's is de short-cut simpelweg fout.

Ten tweede werkt de short-cut soms, maar alleen onder zeer specifieke omstandigheden. Als de uitkomst zeldzaam is (zoals een ziekte die bij zeer weinig mensen voorkomt) en de onderzoekers een specifiek type wiskundig model gebruiken, de Cox proportional hazards model, kan de verschilmethode onbevooroordeelde antwoorden geven. Op dezelfde manier werkt het goed als ze een Aalen additive hazards model gebruiken, zelfs als de uitkomst algemeen voorkomend is, mits de behandeling niet direct de tijd-afhankelijke confounders veroorzaakt. Echter, als ze proberen de short-cut te gebruiken met Accelerated Failure Time (AFT) modellen, produceren ze bijna altijd een kleine maar consistente fout, ongeacht hoe schoon de data ook is. Dit komt door een wiskundige eigenaardigheid genaamd "non-collapsibility", waarbij de wiskunde niet optelt zoals je zou verwachten.

Ten slotte pasten de auteurs deze test toe op een praktijkvoorbeeld: een studie naar Ursodeoxycholzuur (UDCA), een medicijn dat wordt gebruikt bij de behandeling van een leverziekte genaamd primaire biliaire cholangitis. Ze wilden zien of het medicijn patiënten hielp langer te leven door de schade aan het leverweefsel (de mediator) te vertragen. In deze specifieke, kleine dataset gaven zowel de eenvoudige short-cut als de complexe gouden standaard tool zeer vergelijkbare resultaten. De auteurs waarschuwen echter dat deze gelijkenis een toevalstreffer kan zijn, veroorzaakt door de kleine steekproefomvang en het feit dat de data zo schoon was. Ze benadrukken dat het vertrouwen op de eenvoudige verschilmethode in de echte wereld, waar data rommelig is en aannames vaak worden geschonden, riskant is.

Kortom, het artikel suggereert dat hoewel de verschilmethode een verleidelijke, gemakkelijk te gebruiken tool is, het een beetje een "valstrik" is voor tijd-afhankelijke overlevingsdata. Het werkt alleen als je extreem voorzichtig bent met je aannames en het type wiskunde dat je gebruikt. Voor de meeste real-world scenario's raden de auteurs aan om vast te houden aan de complexe, zware methoden zoals de parametrische g-formule, zelfs als die moeilijker te gebruiken zijn, omdat ze veel waarschijnlijker de waarheid vertellen. De short-cut kan je tijd besparen, maar in het hoogstaande spel van medisch onderzoek kan het je het antwoord kosten.

Technische Samenvatting: Causale Mediatie-analyse met een Tijdafhankelijke Mediator, Tijdafhankelijke Confounders en een Time-to-Event Uitkomst

1. Probleemstelling

Mediatie-analyse is een standaardinstrument voor het deconstrueren van totale behandelingseffecten in directe en indirecte componenten. Het toepassen van deze methoden op settings die betrokken zijn bij time-to-event uitkomsten, tijdafhankelijke mediatoren en tijdafhankelijke confounders brengt echter aanzienlijke uitdagingen met zich mee. Bestaande rigoureuze methoden (bijv. parametrische mediatieve g-formule, dynamische padanalyse, multi-state modellering) zijn vaak statistisch complex, computationeel intensief en missen gebruiksvriendelijke softwareimplementaties.

Consequent worden onderzoekers vaak verleid om de verschilmethode te gebruiken, een eenvoudige benadering waarbij het indirect effect wordt geschat door het directe effect-coëfficiënt af te trekken van de totale effect-coëfficiënt in twee afzonderlijke regressiemodellen. Hoewel deze methode breed wordt gebruikt voor continue uitkomsten en tijd-gefixeerde mediatoren, is de prestatie van de verschilmethode in complexe longitudinale overlevingssettings controversieel. Eerdere studies suggereren dat het vertekende (biased) schattingen kan opleveren door niet-collapsibiliteit (in Cox-modellen) of structurele schendingen (bijv. tijdafhankelijke confounders veroorzaakt door de behandeling). Er is echter geen systematische evaluatie geweest van de empirische prestaties van deze methode in realistische data-genererende processen (DGP's) met tijdafhankelijke mediatoren voor welgedefinieerde target estimanden.

2. Methodologie

2.1 Target Estimands en Identificatie

De auteurs definiëren target estimands op basis van padspecifieke effecten met behulp van contrafeitelijke notatie (Vansteelandt et al., 2019). Deze aanpak omzeilt problemen met post-behandelingsconfounding door contrafeitelijke historie te definiëren voor tijdafhankelijke confounders ( $L_t$ ) en mediatoren ( $M_t$ ) recursief.

Totaal Effect (TE): Contrast tussen $Y^{1,1}$ en $Y^{0,0}$ .
Direct Effect (DE): Contrast tussen $Y^{1,0}$ en $Y^{0,0}$ (mediator ingesteld op de contrafeitelijke waarde onder controle).
Indirect Effect (IE): Contrast tussen $Y^{1,1}$ en $Y^{1,0}$ .
Deze effecten worden geëvalueerd op drie schalen die overeenkomen met populaire overlevingsmodellen: log hazard ratio (Cox), hazard difference (Aalen) en log overlevingstijd (Accelerated Failure Time - AFT).

2.2 Vergelijkte Methoden

De studie vergelijkt de verschilmethode met de parametrische mediatieve g-formule (gebruikt als benchmark).

Verschilmethode: Past twee modellen aan:
1. Totaal Effect Model: Uitkomst $\sim$ Behandeling + Baseline Confounders.
2. Direct Effect Model: Uitkomst $\sim$ Behandeling + Tijdafhankelijke Mediator + Tijdafhankelijke Confounders + Baseline Confounders.
  Het indirect effect wordt geschat als het verschil in de behandelingscoëfficiënten ( $\hat{\theta}_A - \hat{\beta}_A$ ).
- Gebruikte modellen: Cox Proportional Hazards, Aalen Additive Hazards, en AFT (Weibull).
Parametrische Mediatieve G-Formule: Een simulatiegebaseerde benadering die de verwachting van contrafeitelijke uitkomsten schat door de conditionele waarschijnlijkheden van de mediator, confounders en uitkomst over de tijd te modelleren, en vervolgens data simuleert onder verschillende interventiescenario's ( $a, a'$ ) om effecten te schatten.

2.3 Simulatiestudie Ontwerp

Een discrete-event simulatie (Gillespie-algoritme) werd gebruikt om data te genereren met $n=2000$ individuen.

Variabelen: Binaire baseline behandeling ( $A$ ), baseline covariaten ( $X, Z$ ), tijdafhankelijke confounder ( $L_t$ ), tijdafhankelijke mediator ( $M_t$ ), en tijdafhankelijke uitkomst ( $Y_t$ ).
Scenario's: Zes scenario's werden geconstrueerd om de causale structuur te variëren:
1. Scenario 1: Gerandomiseerde behandeling; $L_t$ is een pure voorspeller van de uitkomst (geen confounding).
2. Scenario 2: $L_t$ is een tijdafhankelijke confounder van de mediator-uitkomst relatie.
3. Scenario 3: Feedbackloop tussen $L_t$ en $M_t$ .
4. Scenario 4: $L_t$ wordt direct veroorzaakt door behandeling $A$ (schending van de aanname dat behandeling geen invloed heeft op tijdafhankelijke confounders).
5. Scenario 5: Niet-gerandomiseerde behandeling met confounding van de behandeling-mediator relatie.
6. Scenario 6: Niet-gerandomiseerde behandeling met confounding van de behandeling-uitkomst relatie.
Parameters: Scenario's bevatten variaties in baseline event waarschijnlijkheid (zeldzame vs. veelvoorkomende uitkomsten) en de aanwezigheid/afwezigheid van indirecte effecten.
Prestatie-metrieken: Bias en Mean Squared Error (MSE) van de geschatte indirecte effecten.

2.4 Real-World Applicatie

De methoden werden toegepast op data uit een gerandomiseerde gecontroleerde studie (Lindor et al., 1994) naar Ursodeoxycholzuur (UDCA) voor Primaire Biliaire Cholangitis (PBC).

Behandeling: UDCA vs. Placebo.
Mediator: Histologische progressie (tijdafhankelijk).
Uitkomst: Levertransplantatie-vrije overleving (time-to-event).
Confounders: Baseline ziektestadium, Mayo risicoscore, bilirubine; tijdafhankelijke varices.

3. Belangrijkste Resultaten

3.1 Bevindingen uit de Simulatie

Aalen Model (Verschilmethode): Produceerde onbevooroordeelde (unbiased) schattingen in Scenario 1–3 en 5–6, mits het model correct gespecificeerd was en de behandeling de tijdafhankelijke confounder ( $L_t$ ) niet direct veroorzaakte. Dit gold voor zowel zeldzame als veelvoorkomende uitkomsten.
Cox Model (Verschilmethode): Produceerde onbevooroordeelde schattingen alleen wanneer de uitkomst zeldzaam was en de behandeling $L_t$ niet direct veroorzaakte. Bij veelvoorkomende uitkomsten produceerde de methode vertekende schattingen door niet-collapsibiliteit, ongeacht het scenario.
AFT Model (Verschilmethode): Produceerde vertekende schattingen in bijna alle scenario's, zelfs wanneer de uitkomst zeldzaam was en er geen tijdafhankelijke confounding bestond. De bias kwam voort uit de niet-collapsibiliteit van de AFT-coëfficiënten; het marginale directe effect (target estimand) verschilde van de conditionele coëfficiënt die door het model werd geschat.
Scenario 4 (Behandeling $\to$ Confounder): In alle scenario's waar de behandeling de tijdafhankelijke confounder ( $L_t$ ) direct veroorzaakte, produceerden alle versies van de verschilmethode vertekende schattingen, ongeacht het gebruikte model of of $L_t$ in het directe effect model was opgenomen. Dit komt omdat het conditioneren op $L_t$ een deel van het directe effect verwijdert dat via $A \to L_t \to Y$ loopt.
Parametrische G-Formule: Produceerde onbevooroordeelde schattingen in alle scenario's en parametercombinaties, en diende als een robuuste benchmark.
Efficiëntie: Wanneer de verschilmethode onbevooroordeeld was, vertoonde deze over het algemeen een lagere Mean Squared Error (hogere precisie) dan de g-formule, waarschijnlijk door de simulatievariantie inherent aan de berekening van het punt van de g-formule in deze studie.

3.2 Resultaten Real-World Applicatie

In de PBC-dataset:

Zowel de verschilmethode (Cox/Aalen/AFT) als de g-formule leverden vergelijkbare punt-schattingen voor totale, directe en indirecte effecten.
Het totale effect van UDCA vertoonde een beschermende trend (Hazard Ratio $\approx$ 0.63), maar de betrouwbaarheidsintervallen waren breed en bevatten 1 vanwege de kleine steekproefomvang ( $n=170$ ).
Indirecte effecten via histologische progressie lagen dicht bij 1 (nul), met brede betrouwbaarheidsintervallen.
De auteurs merken op dat de bijna-equivalentie van de resultaten in deze specifieke dataset toevallig kan zijn of te wijten is aan de kleine steekproefomvang die structurele schendingen maskeert (bijv. potentiële directe effecten van UDCA op tijdafhankelijke confounders zoals varices).

4. Betekenis en Claims

Het artikel beweert een gat in de literatuur te vullen door de verschilmethode systematisch te evalueren in de specifieke context van tijdafhankelijke mediatoren en confounders met time-to-event uitkomsten.

Conditionele Bruikbaarheid: De verschilmethode is niet algemeen aanbevolen voor deze setting. Het is alleen een levensvatbaar, eenvoudig alternatief als de strikte aannames gelden:
1. De behandeling heeft geen direct causaal effect op enige tijdafhankelijke confounder.
2. Voor Cox-modellen moet de uitkomst zeldzaam zijn.
3. Voor AFT-modellen wordt de methode over het algemeen niet aanbevolen vanwege de inherente bias door niet-collapsibiliteit, zelfs onder ideale omstandigheden.
Robuustheid van de G-Formule: De parametrische mediatieve g-formule blijft de geprefereerde methode voor onbevooroordeelde schatting over diverse structurele scenario's, ondanks de computationele complexiteit.
Praktische Richtlijn: De auteurs benadrukken dat hoewel de verschilmethode computationeel efficiënt is en gemakkelijk te implementeren (bijv. twee regels code in R), het gebruik ervan een zorgvuldige beoordeling van de causale DAG vereist. Als de aanname dat "behandeling geen invloed heeft op tijdafhankelijke confounders" niet verdedigd kan worden, zal de verschilmethode vertekende resultaten opleveren.

Het artikel concludeert dat hoewel gespecialiseerde methoden complex zijn, ze noodzakelijk zijn voor valide inferentie in complexe longitudinale overlevingsdata. De verschilmethode moet met uiterste voorzichtigheid worden gebruikt en alleen wanneer de restrictieve structurele aannames plausibel zijn.