Comparison of methods for assessing effects of risk factors on disease progression in Mendelian randomization under index event bias

Dit artikel concludeert dat er geen universele methode bestaat om index-event bias in Mendeliaanse randomisatie-studies over ziekteprogressie volledig op te lossen, en pleit daarom voor een strategisch kader voor methodeselectie op basis van databeschikbaarheid en biologische context.

De kern

Titel: Waarom het lastig is om te weten of een medicijn werkt voor de ziekte en niet alleen voor het krijgen van de ziekte

Stel je voor dat je een detective bent die probeert uit te zoeken of een bepaalde factor (bijvoorbeeld roken of een hoog cholesterol) de oorzaak is van een ziekte. In de wereld van de geneeskunde gebruiken wetenschappers een slimme truc genaamd Mendeliaanse randomisatie.

Je kunt dit vergelijken met een natuurlijke loterij. Bij de geboorte krijgen we willekeurig genen toegewezen, net als loten in een loterij. Als mensen met een bepaald "lot" (gen) vaker een ziekte krijgen, dan is dat een sterk bewijs dat het gen (en de eigenschap die het veroorzaakt) de ziekte veroorzaakt. Het is alsof de natuur zelf een klinische studie heeft gedaan zonder dat mensen er bewust bij betrokken waren.

Het probleem: De "Index Event Bias" (De selectie-fout)

Nu komt het lastige deel. Stel je wilt niet weten of iets je ziek maakt, maar of het maakt dat je ziekte erger wordt (bijvoorbeeld: leidt roken tot snellere longkanker na het eerste diagnose?).

Hier botst de detective op een muur. Om te kijken hoe een ziekte verloopt, moet je eerst ziek zijn. Je kunt alleen mensen bestuderen die al een diagnose hebben gekregen.

Dit is als een visser die alleen de vissen meet die in zijn net zitten.

• Als je wilt weten welke vissen er in de hele oceaan zwemmen, is je net een goed instrument.
• Maar als je wilt weten welke vissen het snelst zwemmen nadat ze gevangen zijn, heb je een probleem. De vissen die je hebt, zijn namelijk diegene die in het net zijn gekomen. Misschien zijn de langzame vissen al dood voordat ze het net bereikten, of juist de snelle vissen zijn eruit gesprongen.

In de wetenschap noemen we dit Index Event Bias. Omdat je alleen mensen bestudeert die al een "gebeurtenis" (zoals een hartaanval of een COVID-infectie) hebben gehad, is je groep niet meer eerlijk. De genetische factoren die je meet, zijn nu verdraaid door het feit dat ze de persoon eerst ziek hebben gemaakt. Het is alsof je probeert te meten hoe snel een auto rijdt, maar je meet alleen de auto's die al in de garage staan.

De strijd om de oplossing: Vijf methoden in de ring

De auteurs van dit paper hebben vijf verschillende methoden getest om deze "visserij-fout" op te lossen. Ze hebben dit gedaan met computer-simulaties (virtuele werelden) en echte data (zoals over COVID-19).

Hier zijn de methoden, vertaald naar alledaagse analogieën:

1. Inverse-Probability Weighting (De "Gewichtjes-methode")

   • Hoe het werkt: Je geeft de mensen in je onderzoek extra "gewicht" in de statistiek als ze zeldzaam zijn in de echte wereld.
   • Het nadeel: Je hebt een heel gedetailleerd model nodig van hoe mensen ziek worden. Als je model fout is, is je gewicht ook fout. En je hebt iedereen in de dataset nodig (niet alleen de zieken), wat vaak niet mogelijk is.
   • Oordeel: Werkt goed als je alles perfect weet, maar lastig in de praktijk.

2. Heckman's Methode (De "Tweede-generatie detective")

   • Hoe het werkt: Je gebruikt een extra hulpmiddel om de selectie te corrigeren.
   • Het nadeel: Het is erg star en werkt alleen goed met specifieke soorten data. In de tests van dit paper gaf het vaak raar gedrag of geen antwoord.
   • Oordeel: Te lastig en onbetrouwbaar voor dit soort problemen.

3. Slope-Hunter (De "Zoektocht naar de uitzondering")

   • Hoe het werkt: Deze methode kijkt naar duizenden genen in de hele wereld. Ze zoeken naar genen die alleen de ziekte veroorzaken, maar niet de ernst. Die gebruiken ze om de "fout" te berekenen en af te trekken.
   • Het nadeel: In de tests faalde deze methode bijna overal. Het was te gevoelig voor kleine veranderingen en gaf vaak verkeerde conclusies.
   • Oordeel: Niet te vertrouwen in deze situatie.

4. Multivariable Mendelian Randomization (De "Twee-vakken-methode")

   • Hoe het werkt: Je kijkt tegelijkertijd naar twee dingen: wat maakt je ziek, en wat maakt je ziek ernstig. Je probeert ze van elkaar te scheiden.
   • Het nadeel: Je hebt heel specifieke genen nodig die alleen de ziekte veroorzaken en niet de ernst. Als die genen ook de ernst beïnvloeden (wat vaak gebeurt), dan werkt het niet.
   • Oordeel: Werkt fantastisch als je de juiste genen hebt, maar faalt als de biologie te complex is.

5. CWBLS (De "Verbeterde versie van methode 4")

   • Hoe het werkt: Een slimme variant van de vorige methode die beter is met onzekere data.
   • Het nadeel: Dezelfde beperkingen als hierboven.

Wat hebben ze geleerd? (De conclusie)

Het goede nieuws: Er is geen enkele magische knop om dit probleem op te lossen. Er is geen "universele oplossing".

• Als je genen hebt die specifiek de ziekte veroorzaken (maar niet de ernst), dan is de Multivariable methode de beste keuze.
• Als je toegang hebt tot gegevens van iedereen (niet alleen zieken) en een goed model hebt, dan is Inverse-Probability Weighting goed.
• Maar vaak is het simpelweg beter om niet te kijken naar de ziekte-ernst, maar gewoon naar het risico om ziek te worden. Als iets je ziek maakt, is de kans groot dat het ook de ernst beïnvloedt. In dat geval hoef je de moeilijke "ernst"-analyse niet te doen; de simpele "ziek-worden"-analyse is al genoeg.

Samenvattend in één zin:
Het is als proberen te meten hoe goed een auto rijdt op een racebaan, terwijl je alleen de auto's hebt die in de garage staan; soms moet je gewoon de garage verlaten en kijken naar de hele vloot, of accepteren dat je de racebaan niet kunt meten zonder de juiste gereedschappen. De auteurs zeggen: "Kies je gereedschap slim op basis van wat je in je gereedschapskist hebt, want er is geen universele sleutel."

Technische samenvatting

Titel: Vergelijking van methoden voor het beoordelen van de effecten van risicofactoren op ziekteprogressie in Mendeliaanse randomisatie onder index event bias

1. Het Probleem: Index Event Bias

Mendeliaanse randomisatie (MR) is een krachtige epidemiologische techniek om causale relaties tussen risicofactoren en ziekte-uitkomsten te infereren. Echter, het toepassen van MR op ziekteprogressie (bijvoorbeeld de ernst van een ziekte bij mensen die al ziek zijn) wordt ernstig belemmerd door index event bias (ook wel selectiebias genoemd).

• Oorzaak: Analyses van ziekteprogressie zijn per definitie beperkt tot individuen die al het initiële ziekte-evenement hebben doorgemaakt (bijv. ziekenhuisopname of diagnose).
• Mechanisme: Als een risicofactor de kans op het initiële ziekte-evenement beïnvloedt, fungeert dit evenement als een "collider". Het conditioneren op dit evenement (door alleen de zieken te analyseren) induceert een schijnbare associatie tussen het genetisch instrument en de ziekteprogressie, zelfs als er geen causaal effect is. Dit leidt tot vertekende schattingen en verhoogde Type 1-fouten (vals-positieven).
• Context: Dit is cruciaal voor de farmacologische target-validatie, aangezien de meeste medicijnen worden gegeven aan geselecteerde patiëntgroepen om progressie te voorkomen, niet aan de algemene populatie.

2. Methodologie

De auteurs evalueren en vergelijken vijf statistische methoden die zijn ontworpen om deze bias te mitigeren. De studie omvat zowel simulaties als toegepaste voorbeelden.

Onderzochte Methoden:

1. Inverse-probability weighting (IPW): Gebruikt individuele gegevens. Weegt individuen om de selectieprobabiliteit (de kans op het ziekte-evenement) te corrigeren. Vereist een correct gespecificeerd model voor de selectie.
2. Heckman's sample selection method: Gebruikt een instrument voor het selectie-evenement (het ziekte-evenement) om bias te corrigeren. Vereist individuele gegevens en een continu of binair uitkomst.
3. Slope-Hunter: Gebruikt samenvattende gegevens (summary data) en genome-wide association study (GWAS) data. Het schat de "collider bias constant" door varianten te clusteren die alleen de incidentie beïnvloeden versus die welke ook progressie beïnvloeden.
4. Multivariable Mendelian Randomization (MV-MR): Een uitgebreide MR-methode waarbij zowel de risicofactor als het genetisch voorspelde risico op het initiële ziekte-evenement als blootstellingen worden opgenomen in het model.
5. Corrected Weighted Bivariate Least Squares (CWBLS): Een extensie van MV-MR die specifiek is ontworpen om bias door zwakke instrumenten te corrigeren.

Simulatieontwerp:

• Er werden 100.000 individuen gesimuleerd met onafhankelijke genetische varianten, een risicofactor, een index-ziekte-evenement en een tijdsgebonden uitkomst.
• Verschillende scenario's werden getest: variatie in instrumentsterkte, aantal instrumenten, confounding-richting, en de aanwezigheid van pleiotropie (waarbij varianten zowel ziekte als progressie direct beïnvloeden).
• De prestaties werden gemeten op basis van mediane schattingen, power (kracht), en Type 1-fouten (coverage).

Toegepaste Voorbeelden:

• Analyse van het effect van BMI en IL6R-remming (via CRP) op de ernst van COVID-19.
• Gebruik van zowel samenvattende gegevens (van de COVID-19 Host Genetics Initiative) als individuele gegevens (UK Biobank).

3. Belangrijkste Resultaten

Simulatie-resultaten:

• Inverse-probability weighting (IPW): Vermindert bias aanzienlijk en behoudt hoge power, maar vereist individuele gegevens en een perfect gespecificeerd selectiemodel. Als het model niet perfect is, blijft er sprake van Type 1-fout-inflatie.
• Slope-Hunter: Presteerde slecht in alle simulatiescenario's, zelfs wanneer de aannames volledig werden voldaan. Het leidde tot ernstig geinflatieerde Type 1-fouten (tot wel 50-60% in plaats van 5%).
• Multivariable MR (MV-MR) en CWBLS:
  • Werkten goed alleen als er genetische varianten beschikbaar waren die specifiek het initiële ziekte-evenement beïnvloeden (en niet direct de progressie).
  • Als deze varianten ook direct de progressie beïnvloeden (pleiotropie), ontstond er ernstige bias.
  • Zonder specifieke varianten voor het ziekte-evenement was de power om een effect te detecteren zeer laag.
• Heckman's methode: Leverde vaak onbetrouwbare resultaten (oneindige betrouwbaarheidsintervallen) en was niet flexibel genoeg voor tijdsgebonden uitkomsten in de huidige implementatie.

Toegepaste resultaten (COVID-19):

• BMI: Er was een duidelijk effect op zowel COVID-19 incidentie als progressie. De index event bias verzwakte de schattingen iets, maar veranderde de conclusie niet (het effect bleef significant). De correctiemethoden brachten de schattingen niet dichter bij de "gouden standaard" (analyse zonder selectiebias).
• IL6R: Er was een sterk effect op progressie in de gouden standaard-analyse, maar geen duidelijk effect in de geselecteerde steekproef (index event bias). De correctiemethoden (zoals MV-MR en Slope-Hunter) slaagden er niet in om de bias correct te verhelpen, waarschijnlijk omdat de gebruikte varianten voor COVID-19-incidentie ook direct de progressie beïnvloedden (pleiotropie).

4. Belangrijkste Bijdragen en Conclusies

• Geen universele oplossing: Er bestaat geen enkele methode die altijd betrouwbare resultaten levert voor het onderzoeken van ziekteprogressie onder index event bias.
• Strategisch raamwerk: De auteurs stellen een strategisch kader voor op basis van data-beschikbaarheid en biologische context:
  1. Als dezelfde mechanismen zowel ziekte-incidentie als -progressie beïnvloeden: Voer een analyse uit voor ziekte-incidentie in plaats van progressie. Incidentie-analyses zijn niet beïnvloed door index event bias, eenvoudiger en hebben vaak grotere steekproeven.
  2. Als er distincte varianten zijn die ziekte-incidentie beïnvloeden (maar niet direct progressie): Gebruik Multivariable MR met de risicofactor en het ziekterisico als blootstellingen.
  3. Bij toegang tot individuele gegevens: Overweeg Inverse-probability weighting, mits een nauwkeurig model voor ziekterisico kan worden opgesteld.
  4. Als niets van bovenstaande mogelijk is: Voer een naïeve analyse uit en schat de mogelijke omvang van de bias via simulaties om de robuustheid van de conclusies te beoordelen.

5. Significatie

Deze studie waarschuwt onderzoekers voor de valkuilen van het analyseren van ziekteprogressie in Mendeliaanse randomisatie zonder adequate correctie voor selectiebias. Het benadrukt dat veelgebruikte methoden zoals Slope-Hunter in deze context onbetrouwbaar kunnen zijn en dat multivariable methoden alleen werken onder specifieke biologische voorwaarden (afwezigheid van pleiotropie). De bevindingen zijn cruciaal voor de validatie van farmacologische doelen, aangezien veel medicijntests zich richten op het voorkomen van ziekteprogressie bij reeds zieke patiënten. De auteurs pleiten voor een kritische benadering van methodologische keuzes en het prioriteren van incidentie-analyses wanneer de biologische mechanismen voor incidentie en progressie overlappen.