The Biomarker Interaction Trap: A Causal Audit of Spurious Discoveries in NHANES

In het uitgestrekte landschap van de moderne geneeskunde wenden onderzoekers zich vaak tot enorme digitale archieven van patiëntendossiers om verborgen patronen te vinden die ziekten kunnen voorspellen. Deze databases, gevuld met duizenden metingen van bloedtesten en lichamelijk onderzoek, fungeren als een gigantische kaart waar wetenschappers hopen nieuwe verbanden tussen biologische markers en gezondheidsuitkomsten te ontdekken. De logica is eenvoudig: als twee specifieke getallen in een bloedtest consequent samen stijgen en dalen bij mensen met een bepaalde ziekte, kan die relatie een nieuwe oorzaak van de ziekte of een manier om deze te behandelen onthullen. Wanneer een patroon verschijnt in één groep mensen en vervolgens opnieuw opduikt in een totaal andere groep, vieren wetenschappers dit meestal als een bevestigde ontdekking. Deze vertrouwen kan echter misplaatst zijn. Alleen omdat een patroon zich herhaalt, betekent dit niet dat het echt is; het kan simpelweg een reflectie zijn van hoe de gegevens zijn verzameld of wie er in de studie is opgenomen. Als dezelfde verborgen factor zowel de metingen als de ziekte op dezelfde manier beïnvloedt in verschillende groepen, zal het patroon identiek en overtuigend lijken, zelfs als het niets met biologie te maken heeft.

Dit is de centrale puzzel die James Brody probeerde op te lossen in een recente audit van de National Health and Nutrition Examination Survey, een enorme, voortdurende studie naar de Amerikaanse populatie. Brody onderzocht drie specifieke interacties tussen bloedmarkers die waren geïdentificeerd als sterke voorspellers van ziekterisico. Deze interacties hadden de test van replicatie doorstaan en verschenen in meerdere onafhankelijke groepen mensen, maar Brody toonde aan dat elk van hen een statistische illusie was in plaats van een echt biologisch signaal. Hij liet zien dat deze "ontdekkingen" eigenlijk het resultaat waren van drie verschillende methodologische vallen: één veroorzaakt door hoe de vloeistofniveaus in het lichaam veranderen vóór een bloedafname, een andere door de manier waarop artsen beslissen wie medicatie krijgt, en een derde door hoe populatiebrede gemiddelden geen rekening houden met verschillen tussen mannen en vrouwen. Door de lagen van deze artefacten af te pellen, laat de studie zien dat wat leek op een complexe biologische dans, eigenlijk een simpel mirage was gecreëerd door de data zelf.

De eerste val betreft de manier waarop de bloedconcentratie verandert wanneer iemand gedehydrateerd is of een lange tijd heeft gestaan. Bloed bestaat grotendeels uit water, en de eiwitten en vetten die erin zweven, zijn daarin opgelost. Wanneer het watervolume in het bloed iets daalt — misschien omdat een persoon dorst heeft of omdat er te lang een tourniquet om de arm is blijven zitten tijdens de bloedafname — wordt de resterende vloeistof compacter. Dit zorgt ervoor dat de gemeten niveaus van grote moleculen, zoals albumine en cholesterol, samen stijgen, niet omdat het lichaam meer van deze stoffen produceert, maar omdat er minder water is om ze te verdunnen. In de studie vonden onderzoekers een sterke link tussen een hoog albuminegehalte en een hoog cholesterolgehalte die leek te voorspellen dat de hoge bloeddruk niet onder controle was. Echter, toen zij de analyse aanpasten om rekening te houden met de hydratatiestatus met behulp van eenvoudige markers zoals natriumgehaltes, verdween de link volledig. De schijnbare interactie was geen teken van ziekte; het was een meetartefact veroorzaakt door de fysieke staat van het bloedmonster. Handelen naar dit valse signaal zou gevaarlijk kunnen zijn, omdat het artsen potentieel ertoe zou kunnen aanzetten om diuretica voor te schrijven aan een patiënt die al gedehydrateerd is, wat de toestand verergert.

De tweede val ontstaat uit de manier waarop artsen medicijnen voorschrijven, een fenomeen dat bekend staat als 'confounding by indication'. In de echte wereld geven artsen niet medicijnen aan iedereen; ze geven ze aan de ziekste patiënten die ze het hardst nodig hebben. Dit creëert een situatie waarin de groep mensen die een specifiek medicijn gebruikt, er heel anders uitziet dan de groep die dat niet doet, simpelweg omdat het medicijn werd gekozen voor hun specifieke gezondheidsproblemen. In de studie suggereerde een analyse van patiënten die statines (medicijnen voor cholesterol) gebruikten, dat een combinatie van een laag hemoglobinegehalte en een hoog creatininegehalte het falen van de bloedsuikercontrole voorspelde. Dit leek op een gevaarlijke bijwerking van het medicijn. Toch, toen de onderzoekers keken naar patiënten die geen statines innamen maar wel dezelfde lage hemoglobine- en hoge creatininegehaltes hadden, vonden zij exact hetzelfde patroon van slechte bloedsuikercontrole. De link werd niet door het medicijn veroorzaakt. In plaats daarvan waren deze markers tekenen van gevorderde nierziekte, een aandoening die veel voorkomt bij ernstige diabetes en vaak leidt tot het voorschrijven van statines. Het medicijn was slechts een passagier op de reis van een ernstige ziekte, en het statistische patroon weerspiegelde de ernst van de ziekte, niet het effect van de behandeling.

De derde val treedt op wanneer onderzoekers een enkele set regels toepassen om biologische markers te meten die van nature verschillen tussen mannen en vrouwen. Veel stoffen in het bloed, zoals urinezuur en hemoglobine, hebben verschillende normale bereiken voor mannen en vrouwen vanwege hormonale verschillen. Wanneer een studie een enkel afkappunt gebruikt voor de gehele populatie, sorteert het mensen onbedoeld in groepen op basis van geslacht in plaats van op basis van hun gezondheid. Bijvoorbeeld, een "laag" urinezuurgehalte kan normaal zijn voor een vrouw maar zeer laag voor een man, terwijl een "hoog" hemoglobinegehalte normaal kan zijn voor een man maar zeer hoog voor een vrouw. In de studie suggereerde een analyse dat een laag urinezuurgehalte of een hoog hemoglobinegehalte beschermend was tegen diabetes, maar dat het bezit van beide anomalieën tegelijkertijd risicovol was. Dit vreemde patroon verdween toen de onderzoekers rekening hielden met leeftijd en geslacht. De groepen die "beschermd" leken, waren simpelweg jongere mannen of jongere vrouwen, die van nature lagere percentages diabetes hebben. De interactie was geen biologische ontdekking, maar een demografische sorteerfout, waarbij de data mensen groepeerden op basis van hun leeftijd en geslacht in plaats van hun metabole gezondheid.

De implicaties van deze bevindingen reiken veel verder dan deze drie specifieke voorbeelden. De studie betoogt dat de standaardpraktijk van het vinden van een patroon in één groep en het bevestigen ervan in een andere groep niet voldoende is om een biologische waarheid te bewijzen als de onderliggende oorzaak van het patroon een systematische fout is die in beide groepen aanwezig is. Of de fout nu komt van hoe bloed wordt afgenomen, hoe patiënten worden geselecteerd voor behandeling, of hoe referentiewaarden worden toegepast, het resultaat is hetzelfde: een overtuigend maar vals verhaal over ziekte. Om deze valkuilen te vermijden, stelt de auteur een eenvoudige checklist voor onderzoekers voor. Voordat zij een nieuwe interactie verklaren, moeten zij corrigeren voor leeftijd en geslacht, zoeken naar tekenen van dehydratie, en testen of het patroon standhoudt bij mensen die het betreffende medicijn niet gebruiken. Als het patroon verdwijnt na deze controles, was het nooit een echt biologisch signaal. Deze benadering verwerpt niet de waarde van grote datasets, maar benadrukt dat de zoektocht naar de waarheid meer vereist dan alleen het vinden van een herhalend getal; het vereist begrip van de context waarin dat getal is gemeten.