Functional forms in joint models for longitudinal and time-to-event data: A practical guide with application and interpretation
Dit artikel biedt een praktische gids die aantoont dat de keuze van de functionele vorm in gezamenlijke modellen voor longitudinale en time-to-event data een cruciale modelleringsbeslissing is die de interpretatie van associaties tussen biomarkers en risico fundamenteel vormgeeft, zoals geïllustreerd door een vergelijkende analyse van diverse associatiestructuren toegepast op glioblastoomtrialdata.
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
In de wereld van de moderne geneeskunde houden artsen patiënten vaak jarenlang in de gaten, waarbij ze observeren hoe specifieke getallen in hun bloed of weefsel dag na dag veranderen. Deze getallen, bekend als biomarkers, vertellen een verhaal over hoe een ziekte zich gedraagt. Tegelijkertijd proberen onderzoekers te begrijpen wanneer een patiënt een ernstig gezondheidsincident kan ervaren, zoals een recidief of overlijden. Lange tijd behandelden wetenschappers deze twee verhalen apart: één verhaal over de veranderende getallen, en een ander over de timing van het incident. Maar in werkelijkheid zijn deze verhalen diep met elkaar verweven. Het risico van een patiënt op een slechte uitkomst hangt niet alleen af van waar hun getallen op dit moment staan, maar ook van hoe ze daar gekomen zijn. Zijn de getallen de afgelopen maanden langzaam gestegen, of schoten ze vorige week plotseling omhoog? Zijn de getallen wild op en neer gesprongen, of bleven ze stabiel? Het begrijpen van de precieze vorm van deze reis is cruciaal voor het voorspellen van de toekomst, maar het uitzoeken van de exacte manier om een complexe medische geschiedenis te vertalen naar een risicovoorspelling is een moeilijke puzzel geweest.
Een team van onderzoekers zette zich af om deze puzzel op te lossen door een praktische gids te creëren voor hoe men deze twee verhalen met elkaar kan verbinden. Ze richtten zich op een specifiek type statistisch instrument dat een 'joint model' wordt genoemd, dat ontworpen is om herhaalde metingen en overlevingstijden samen te bekijken. De kern van hun werk was niet het uitvinden van nieuwe wiskunde, maar het verhelderen van hoe men de juiste "lens" kiest om naar de data te kijken. Zij voerden aan dat de manier waarop een onderzoeker besluit de geschiedenis van een biomarker te koppelen aan het risico van een patiënt een cruciale wetenschappelijke keuze is, en niet slechts een technisch detail. Als de verkeerde lens wordt gekozen, kunnen de daaruit voortvloeiende conclusies over wat de ziekte aanstuurt, misleidend zijn. Om dit te demonstreren, pasten zij hun gids toe op echte gegevens uit een grote klinische studie naar een type hersenkanker genaamd glioblastoom. Ze gebruikten witte bloedcelconcentraties, een standaardmaat voor immuunfunctie, om te laten zien hoe verschillende manieren van kijken naar dezelfde gegevens konden leiden tot verschillende, en soms tegenstrijdige, inzichten in het risico van de patiënt.
De onderzoekers identificeerden verschillende duidelijke manieren om de biomarkergeschiedenis van een patiënt te beschrijven, waarbij elk aspect van hun medische reis op een andere manier wordt vastgelegd. De meest gebruikelijke benadering kijkt simpelweg naar het huidige niveau van de biomarker op een gegeven moment. Het vraagt: "Hoe hoog is de witte bloedcelconcentratie op dit moment?" en gaat ervan uit dat dit enkele getal het risico bepaalt. De onderzoekers toonden echter aan dat dit perspectief het grotere plaatje mist. Twee patiënten kunnen op een specifieke dag exact dezelfde witte bloedcelconcentratie hebben, maar de een kan er wekenlang gestaag boven gestegen zijn, terwijl de ander er juist onder gedaald is. Als de snelheid van die verandering ertoe doet, faalt het eenvoudige perspectief van het huidige niveau om hen van elkaar te onderscheiden.
Om dit aan te pakken, verkenden de onderzoekers meer dynamische lenzen. Eén benadering kijkt naar de snelheid van verandering, of de snelheid (velocity), waarbij wordt gevraagd of de biomarker op dit exacte moment stijgt of daalt. Een andere benadering kijkt naar de versnelling (acceleration), oftewel hoe snel die snelheid verandert, om te vangen of een stijging in snelheid toeneemt of afneemt. Ze onderzochten ook cumulatieve benaderingen, die kijken naar de totale blootstelling die een patiënt in de loop van de tijd aan een biomarker heeft gehad. Dit is vergelijkbaar met het berekenen van de totale oppervlakte onder een curve, wat de belasting van de ziekte over maanden of jaren vertegenwoordigt, in plaats van slechts een momentopname. Ze testten ook methoden die zich richten op recente veranderingen over een specifieke periode, zoals de laatste dertig dagen, om te zien of recente verslechtering gevaarlijker is dan langetermijn trends. Ten slotte keken ze naar variabiliteit, waarbij de mate wordt gemeten waarin de getallen van een patiënt rond hun gemiddelde fluctueren. Een patiënt wiens getallen wild schommelen, kan een hoger risico lopen dan een patiënt met hetzelfde gemiddelde maar een stabiele lijn, omdat die instabiliteit een signaal kan zijn van een lichaam dat worstelt met zelfregulatie.
Toen het team de verschillende lenzen toepaste op de gegevens uit de hersenkankerstudie, onderstreepten de resultaten het belang van de gekozen methode, hoewel het statistische bewijs vaak onzeker was. Wanneer zij alleen naar de huidige witte bloedcelconcentratie keken, suggereerde de link met overleving een mogelijke positieve associatie, maar met aanzienlijke onzekerheid omdat het betrouwbaarheidsinterval nul insloot. Op een soortgelijke manier, toen zij naar de cumulatieve blootstelling keken — de totale belasting van witte bloedcellen in de loop van de tijd — was de associatie statistisch significant, maar vereiste de omvang van het effect zorgvuldige interpretatie. In andere gevallen leverde het kijken naar de snelheid van verandering of de variabiliteit andere numerieke schattingen op, maar de brede betrouwbaarheidsintervallen voor deze maten duidden op substantiële onzekerheid en zwak bewijs voor een duidelijke associatie in deze specifieke dataset. De studie vond dat deze verschillende functionele vormen niet uitwisselbaar zijn; ze meten verschillende biologische realiteiten. Een groot getal in het ene model betekent niet hetzelfde als een groot getal in een ander model, omdat ze verschillende dingen meten, zoals een huidig niveau versus een totale geschiedenis.
De onderzoekers benadrukten dat er niet één "beste" manier is om deze gegevenspunten te verbinden. De juiste keuze hangt volledig af van de biologische vraag die gesteld wordt. Als een ziekte wordt gedreven door een plotselinge piek, is het kijken naar het huidige niveau wellicht het beste. Als het wordt gedreven door jarenlange blootstelling, is een cumulatieve maatstaf noodzakelijk. Als de instabiliteit van het systeem het gevaar vormt, dan is het meten van variabiliteit essentieel. Het artikel concludeert dat onderzoekers hun statistische keuzes zorgvuldig moeten afstemmen op hun wetenschappelijke begrip van de ziekte. Door de keuze van hoe de gegevens te koppelen zijn als een fundamenteel onderdeel van het wetenschappelijk onderzoek te behandelen, in plaats van als een verborgen technische stap, kunnen artsen en wetenschappers voorkomen dat zij misleidende conclusies trekken. Deze helderheid zorgt ervoor dat wanneer een model het risico van een patiënt voorspelt, dit gebaseerd is op het specifieke kenmerk van hun medische geschiedenis dat er daadwerkelijk toe doet, wat leidt tot nauwkeurigere voorspellingen en betere zorg.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.