Methodological quality and clinical applicability of obesity-related disease risk prediction models: a systematic review and meta-analysis
Deze systematische review en meta-analyse van 24 studies onthult dat hoewel modellen voor de voorspelling van obesitasgerelateerde ziekten veelbelovende discriminerende prestaties vertonen, hun klinische toepasbaarheid aanzienlijk wordt belemmerd door veelvoorkomende methodologische gebreken, een hoog risico op bias en een kritiek gebrek aan externe validatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Obesitas is meer dan alleen een kwestie van gewicht; het is een krachtige drijfveer van chronische ziekten die miljoenen mensen wereldwijd treft. Wanneer het lichaam overtollig vet draagt, legt dit een zware druk op het hart, de lever, de nieren en de hersenen, wat vaak leidt tot aandoeningen zoals diabetes, hoge bloeddruk en slaapstoornissen. Om deze ziekten te stoppen voordat ze beginnen, hebben artsen en onderzoekers wiskundige hulpmiddelen ontwikkeld die voorspellingsmodellen worden genoemd. Denk aan deze modellen als weersvoorspellingen voor de gezondheid: ze nemen de huidige informatie van een persoon, zoals leeftijd, lichaamsmaten en bloedtestresultaten, en berekenen de waarschijnlijkheid dat zij in de toekomst een specifieke ziekte zullen ontwikkelen. Als deze instrumenten goed werken, kunnen ze artsen helpen om risicogroepen vroegtijdig te identificeren en gerichte adviezen te geven om ziekte te voorkomen. Echter, net zoals een weersvoorspelling alleen nuttig is als deze accuraat is, is een gezondheidsvoorspellingsmodel alleen waardevol als het grondig is getest om te garanderen dat het werkt voor echte mensen in echte werkelijke omgevingen, en niet alleen voor de specifieता groep mensen die gebruikt is om het te bouwen.
Een team van onderzoekers zette zich scharpe om de kwaliteit van deze gezondheidsvoorspellingen specifiek voor ziekten die gelinkt zijn aan obesitas te onderzoeken. Ze verzamelden en analyseerden tientallen studies die nieuwe modellen hadden gecreëerd om risico's te voorspellen voor aandoeningen variërend van type 2 diabetes en leververvetting tot slaapapneu en depressie. Hun doel was niet alleen om te zien of de modellen de toekomst konden voorspellen, maar ook om te controleren of de methoden die gebruikt werden om ze te creëren, deugdelijk waren. Ze zochten naar tekenen van zwakte, zoals of de modellen getest waren op nieuwe groepen mensen of dat de onderzoekers fouten hadden gemaakt in de manier waarop zij de gegevens selecteerden. Wat zij vonden, was een landschap van belofte vermengd met aanzienlijke voorzichtigheid. Hoewel veel van de modellen op papier goed leken te presteren, wat wijst op een sterk vermogen om onderscheid te maken tussen degenen die ziek zouden worden en degenen die dat niet zouden worden, was de onderliggende wetenschap achter de helft van hen gebrekkig.
De onderzoekers ontdekten dat een groot deel van deze voorspellingsmodellen leed onder ernstige methodologische problemen. In de wereld van medisch onderzoek wordt een model beschouwd als een hoog risico op bias (vooringenomenheid) te hebben als de manier waarop het is gebouwd of getest zou kunnen leiden tot onjuiste resultaten. In dit overzicht werd 51 procent van de modellen beoordeeld als zijnde met een hoog risico op bias. De belangrijkste bron van deze fouten lag niet in de gegevens zelf, maar in de manier waarop de onderzoekers deze analyseerden. Veelvoorkomende problemen omvatten het kiezen van de verkeerde factoren om in het model op te nemen, het niet correct afhandelen van ontbrekende informatie, of het gebruik van evaluatiemethoden die niet overeenkwamen met de doelen van de studie. Het is vergelijkbaar met het bouwen van een huis met een solide fundering, maar het gebruik van het verkeerde ontwerp voor het dak; de structuur ziet er van buiten misschien goed uit, maar hij houdt mogelijk de storm niet stand. Bovendien merkten de onderzoekers op dat zeer weinig van deze modellen werden getest buiten de oorspronkelijke groep mensen die voor de creatie ervan werd gebruikt. Slechts 4,7 procent van de modellen onderging externe validatie, wat betekent dat ze zelden werden gecontroleerd om te zien of ze werkten voor verschillende populaties of in verschillende ziekenhuizen. Zonder deze cruciale stap is het moeilijk te weten of een model dat in de ene stad werkt, ook in een andere stad zal werken.
Ondanks deze gebreken toonden de modellen enkele bemoedigende tekenen van bekwaamheid. Wanneer de onderzoekers keken naar hoe goed de modellen in staat waren om personen met een hoog risico van personen met een laag risico te scheiden, waren de resultaten over het algemeen positief. De modellen behaalden scores die varieerden van acceptabel tot uitstekend, wat suggereert dat ze patronen in de gegevens konden identificeren. De onderzoekers vonden echter dat de meest geavanceerde technologie niet noodzakelijkerwijs de beste resultaten opleverde. Hoewel er een groeiende trend is om complexe computeralgoritmen, vaak machine learning genoemd, te gebruiken om deze modellen te bouwen, toonde de studie aan dat traditionele statistische methoden nog steeds de meest gebruikte benadering blijven. De geavanceerde machine learning-modellen presteerden niet consequent beter dan de simpelere, traditionele methoden. Sterker nog, de complexe modellen vereisten vaak zelfs meer rigoureuze testen om hun waarde te bewijzen, terwijl ze die testen vaak misten. De meest voorkomende factoren die werden gebruikt om risico te voorspellen, waren bekend en gemakkelijk te meten, zoals leeftijd, BMI, geslacht en basis bloedmarkers voor suiker en vet. Meer gespecialiseerde en gedetailleerde metingen werden zelden gebruikt, wat suggereert dat onderzoekers vasthouden aan wat praktisch is in plaats van te verkennen wat preciezer zou kunnen zijn.
De uiteindelijke conclusie van dit overzicht is dat hoewel de instrumenten voor het voorspellen van obesitas-gerelateerde ziekten talrijker worden, ze nog niet klaar zijn voor breed gebruik in de dagelijkse medische praktijk. De hoge mate van methodologische fouten en de schaarste aan testen op nieuwe populaties betekenen dat veel van deze modellen mogelijk niet betrouwbaar genoeg zijn om belangrijke gezondheidsbeslissingen te sturen. De onderzoekers benadrukken dat de toekomst van dit veld afhangt van een verschuiving in prioriteiten. In plaats van uitsluitend te focussen op het creëren van modellen die goed presteren in initiële tests, moet de wetenschappelijke gemeenschap zich richten op het bouwen van modellen die robuust, transparant en bewezen effectief zijn bij verschillende groepen mensen. Totdat deze modellen de noodzakelijke rigoureuze testen en validatie ondergaan, blijft hun vermogen om de volksgezondheid werkelijk te verbeteren beperkt. De weg vooruit vereist geduld en een toewijding aan wetenschappelijke nauwkeurigheid, om ervoor te zorgen dat wanneer een arts een voorspellingsinstrument gebruikt, dit gebaseerd is op bewijs dat even solide is als het advies dat het biedt.
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.