📊 statistics

Application of Propensity Score Methods to Address Missing Data in a Trial on the Effect of Energy Protein Supplementation Among Pulmonary TB-HIV Patients in Mwanza, Tanzania

Deze studie evalueerde propensity score inverse probability weighting (PS-IPW) en multiple imputation (MI) tegenover complete case-analyse voor het omgaan met monotone ontbrekende gegevens in een pulmonale TB-HIV-supplementatiestudie in Tanzania, waarbij werd vastgesteld dat hoewel beide geavanceerde methoden de traditionele analyse overtroffen op het gebied van bias en efficiëntie, geen van beide statistisch significante behandelingseffecten aan het licht bracht.

Oorspronkelijke auteurs: Auson B. Magige, Benson Kidenya, Jeremiah Kidola, Eveline Konje, Jim Todd, Farida Iddi Mkassy, Neema Mosha

Gepubliceerd 2026-06-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Auson B. Magige, Benson Kidenya, Jeremiah Kidola, Eveline Konje, Jim Todd, Farida Iddi Mkassy, Neema Mosha

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

Het Grote Plaatje: Een Voedingsonderzoek met een Ontbrekende Puzzel

Stel je een groep onderzoekers in Mwanza, Tanzania, voor die proberen uit te zoeken of het geven van extra "energie-eiwit"-koekjes aan mensen die lijden aan zowel Tuberculose (TB) als HIV helpt om sterker te worden en aan te komen in gewicht.

Ze zetten een eerlijke test op (een klinische studie) met 354 patiënten. De helft kreeg een grote, voedzame dagelijkse snack (de Interventiegroep), en de andere helft kreeg een klein, eenvoudig biscuitje (de Controlegroep). Ze controleerden hun gewicht, armomvang en handkracht aan het begin, na twee maanden en na vijf maanden.

Het Problema:
Net als bij een spelletje stoelendans waarbij sommige mensen de kamer verlaten voordat de muziek stopt, vielen veel patiënten tijdens de studie uit voordat deze eindigde. Bij het vijfmaandenpunt ontbrak ongeveer 19% van de deelnemers. Dit liet de onderzoekers met een puzzel: Hoe bereken je de definitieve resultaten wanneer een groot deel van de puzzelstukjes ontbreeft?

Als je de ontbrekende mensen gewoon negeert (een methode genaamd Complete Case Analysis of CCA), kijk je misschien naar een vertekend beeld. Misschien waren de mensen die uitvielen degenen die zich het slechtst voelden, of waren het juist de mensen die zich het best voelden. Als je dit niet meeneemt in je berekening, kan je conclusie onjuist zijn.

De Drie Hulpmiddelen om de Ontbrekende Stukjes Op te Lossen

Om dit "ontbrekende puzzel"-probleem op te lossen, probeerden de onderzoekers drie verschillende wiskundige hulpmiddelen om te zien welke de meest eerlijke antwoorden gaven.

1. De "Negeer de Ontbrekende" Methode (Complete Case Analysis - CCA)

De Analogie: Stel je voor dat je een wedstrijd beoordeelt, maar 20 hardlopers stoppen halverwege. Deze methode zegt: "Laten we alleen de hardlopers tellen die de hele race hebben uitgereden."
De Fout: Als de hardlopers die stopten de langzaamste waren, zou je kunnen denken dat de race sneller was dan hij in werkelijkheid was. Als zij de snelste waren, zou je kunnen denken dat hij langzamer was. Het is riskant omdat het ervan uitgaat dat de ontbrekende mensen net zo waren als de mensen die gebleven zijn.

2. De "Invul de Gaten" Methode (Multiple Imputation - MI)

De Analogie: Stel je voor dat je een kruiswoordpuzzel hebt met ontbrekende woorden. In plaats van de vakjes leeg te laten, kijk je naar de aanwijzingen van de woorden die je wel hebt en doe je je best om de lege vakjes in te vullen met een slimme gok. Je doet dit vele malen (20 keer!) met licht verschillende gokjes om te zien hoe het antwoord verandert.
De Logica: Deze methode gaat ervan uit dat als we de leeftijd, het beroep en hoe iemand zich aan het begin voelde weten, we een slimme gok kunnen doen over wat hun gewicht aan het einde zou zijn geweest. Het vult de ontbrekende gegevens aan op basis van patronen die het ziet in de gegevens die er wel zijn.

3. De "Gewogen Schaal" Methode (Propensity Score Inverse Probability Weighting - PS-IPW)

De Analogie: Stel je voor dat je een zak appels weegt, maar er ontbreken enkele appels. In plaats van te gokken hoeveel de ontbrekende appels wegen, kijk je naar de appels die je wel hebt. Als je merkt dat de appels die je hebt vooral kleine exemplaren zijn, geef je de kleine appels "extra gewicht" op de weegschaal om de ontbrekende grote appels te vertegenwoordigen.
De Logica: Deze methode berekent de "waarschijnlijkheid" dat een persoon uitvalt op basis van hun achtergrond. Als een persoon met een specifiek profiel (bijv. een boer met een laag gewicht) waarschijnlijk uit zou vallen, geven de onderzoekers de gegevens van de weinige boeren die gebleven zijn extra belang (gewicht) om degenen te vertegenwoordigen die vertrokken zijn.

Wat Hebben Ze Gevonden?

Na het draaien van de cijfers met alle drie de methoden, waren de resultaten verrassend consistent:

Geen wondermiddel: Of ze nu de ontbrekende mensen negeerden, de gaten invulden of de gewogen schaal gebruikten, het antwoord was hetzelfde: de speciale energie-eiwitkoekjes hielpen patiënten niet significant om aan gewicht te winnen, hun armspieren te laten groeien of sterker te worden in vergelming met de eenvoudige biscuitjes.
Het "Ontbrekende" Patroon: De onderzoekers ontdekten dat de ontbrekende gegevens niet willekeurig waren (zoals mensen die gewoon vergaten op te komen). Het volgde een patroon: mensen die aan het einde ontbraken, waren vaak vergelijkbaar met mensen die eerder ontbraken. Dit bevestigde dat de "Invul de Gaten" (MI) en "Gewogen Schaal" (PS-IPW) methoden de juiste instrumenten waren om te gebruiken, aangezien ze beter zijn in het afhandelen van deze specifieke patronen dan simpelweg de ontbrekende mensen te negeren.
Een Sprankje Hoop: Hoewel het gewicht en de armomvang niet veel veranderden, was er een kleine, consistente trend dat de handkracht iets verbeterde in de groep die de grote koekjes kreeg. Deze verbetering was echter niet sterk genoeg om een "statistische overwinning" te worden genoemd (het had geluk kunnen zijn).

De Conclusie

De studie concludeert dat voor deze specifieke patiënten in Tanzania, een kortstondige boost van energie-eiwitrijke snacks geen groot verschil maakte in hun fysieke herstel.

De Belangrijkste Les voor de Wetenschap:
De belangrijkste les gaat niet alleen over de koekjes; het gaat over hoe je met ontbrekende gegevens omgaat. De onderzoekers hebben aangetoond dat het negeren van ontbrekende mensen (CCA) riskant is. Het gebruik van slimmere methoden zoals het invullen van de gaten (MI) of het wegen van de resterende gegevens (PS-IPW) geeft een nauwkeuriger en eerlijker beeld, zelfs als het uiteindelijke antwoord is "de behandeling werkte niet".

Kortom: de koekjes werkten niet, maar de wiskunde die werd gebruikt om dat te bepalen was solide en betrouwbaar.

Technische Samenvatting: Toepassing van Propensity Score-methoden voor de aanpak van ontbrekende gegevens in een trial over energie-eiwitsupplementatie bij PTB-HIV-patiënten

Probleemstelling
Ontbrekende gegevens vormen een hardnekkige uitdaging in klinisch onderzoek, met name in omgevingen met beperkte middelen en hoge patiëntuitval, zoals trials waarbij patiënten met pulmonale tuberculose (PTB) en HIV-co-infectie betrokken zijn. In de specifieke context van een gerandomiseerde gecontroleerde studie (RCT) uitgevoerd in Mwanza, Tanzania, waarbij de effectiviteit van energie-eiwitsupplementatie werd beoordeeld, bereikten de uitvalpercentages 12,2% na twee maanden en 19,1% na vijf maanden. Traditionele methoden voor het omgaan met ontbrekende gegevens, zoals Complete Case Analysis (CCA) of enkelvoudige imputatietechnieken (bijv. Last Observation Carried Forward), vertrouwen vaak op aannames (zoals Missing Completely at Random, MCAR) die in de echte klinische praktijk zelden standhouden. Wanneer deze aannames worden geschonden, kunnen schattingen van behandelingseffecten vertekend raken, wat de interne validiteit van de trial in gevaar brengt. Hoewel Multiple Imputation (MI) en Propensity Score (PS)-methoden, specifiek Inverse Probability Weighting (IPW), robuustere alternatieven bieden, is er een behoefte aan een empirische vergelijking van hun prestaties in klinische trials met een hoge uitval waarbij mechanismen van Missing Not at Random (MNAR) worden vermoed.

Methodologie
Deze studie voerde een secundaire data-analyse uit van een eerder gepubliceerde RCT waarbij 354 deelnemers met PTB-HIV-co-infectie gerandomiseerd werden om respectievelijk energie-eiwitsupplementatie (interventie) of een controlegesupplement te ontvangen. De studie beoogde de impact van supplementatie op gewicht, armomtrek en handknijpkracht te evalueren na 2 en 5 maanden.

De analytische aanpak bestond uit drie afzonderlijke fasen:

Karakterisering van ontbrekende gegevens: Het patroon en mechanisme van ontbrekende gegevens werden beoordeeld met behulp van de Little's MCAR-test en binaire logistische regressie. Indicatoren van ontbrekende gegevens werden geregresseerd tegen baseline covariaten en eerdere uitkomstwaarden om te bepalen of de gegevens MCAR, Missing at Random (MAR) of MNAR waren.
Vergelijkende analyse van afhandelingsmethoden: Drie analytische strategieën werden toegepast op de dataset:
- Complete Case Analysis (CCA): Een lineair regressiemodel dat uitgaat van MCAR, waarbij elke deelnemer met ontbrekende uitkomstgegevens wordt uitgesloten.
- Multiple Imputation (MI): Gebruikmakend van Multiple Imputation by Chained Equations (MICE) met 20 imputaties en predictive mean matching, uitgaande van een MAR-mechanisme.
- Propensity Score Inverse Probability Weighting (PS-IPW): Een logistisch regressiemodel schatte de waarschijnlijkheid van het hebben van geobserveerde gegevens (propensity score) op basis van baseline covariaten. Gestabiliseerde gewichten werden gegenereerd en toegepast op een gewogen regressiemodel om systematische verschillen tussen personen met en zonder geobserveerde uitkomsten te corrigeren.
Prestatie-evaluatie en sensitiviteitsanalyse: De effectiviteit van PS-IPW en MI werd vergeleken met CCA met behulp van Mean Squared Error (MSE), Bias en Relative Efficiency (RE). Om de robuustheid tegen schendingen van de MAR-aanname te beoordelen, werd een sensitiviteitsanalyse uitgevoerd met een pattern-mixture model onder MNAR-scenario's, waarbij delta-waarden (0, -0,5, -1, -2) werden toegepast om progressief slechtere ongeobserveerde uitkomsten te simuleren.

Belangrijkste resultaten

Mechanisme van ontbrekende gegevens: De ontbrekende gegevens volgden een monotoon patroon dat in de loop van de tijd toenam. Statistische tests verwierpen de MCAR-aanname ( $p < 0,001$ ). Logistische regressie gaf aan dat ontbrekende gegevens op 5 maanden geassocieerd waren met waarden op 2 maanden, wat wijst op een MAR-mechanisme met weinig bewijs voor MNAR.
Behandelingseffecten: Over alle drie de methoden (CCA, MI en PS-IPW) vertoonde de energie-eiwitsupplementatie geen statistisch significante effecten op gewicht, armomtrek of handknijpkracht na zowel 2 als 5 maanden.
- Na 5 maanden liet CCA een niet-significante gewichtsafname zien van 0,75 kg ( $p=0,145$ ).
- MI schatte een gewichtsverlies van 0,78 kg ( $p=0,107$ ).
- PS-IPW schatte een gewichtsverlies van 0,70 kg ( $p=0,181$ ).
- Vergelijkbare niet-significante trends werden waargenomen voor armomtrek en knijpkracht, hoewel de knijpkracht een consistente positieve richting van effect vertoonde over de verschillende methoden heen.
Methodologische prestaties:
- Bias en efficiëntie: Zowel MI als PS-IPW presteerden over het algemeen beter dan CCA wat betreft reductie van bias en efficiëntie. MI vertoonde een hogere relatieve efficiëntie (lagere MSE) bij de meeste uitkomsten, terwijl PS-IPW meer stabiele bias-controle bood voor specifieke uitkomsten (bijv. gewicht en knijpkracht).
- Sensitiviteit: De MNAR-sensitiviteitsanalyse toonde aan dat de resultaten stabiel bleven onder milde tot matige afwijkingen van MAR, wat de robuustheid van de primaire bevindingen bevestigt.

Betekenis en claims
Het artikel stelt dat hoewel de specifieke interventie (kortstondige energie-eiwitsupplementatie) geen statistisch significante verbeteringen opleverde in de gemeten antropometrische en functionele uitkomsten voor PTB-HIV-patiënten in deze setting, de methodologische aanpak cruciale inzichten biedt voor de analyse van klinische trials.

Validatie van robuuste methoden: De studie demonstreert dat in trials met een hoge uitval, robuuste strategieën voor het afhandelen van ontbrekende gegevens (MI en PS-IPW) superieur zijn aan traditionele CCA. Deze methoden verminderen bias en verbeteren de precisie, waardoor wordt gewaarborgd dat conclusies niet worden vertekend door de uitsluiting van onvolledige gevallen.
Consistentie van de bevindingen: De overeenstemming van de resultaten tussen CCA, MI en PS-IPW suggereert dat het gebrek aan een significant behandelingseffect een werkelijke bevinding is en geen artefact van de afhandeling van ontbrekende gegevens. De gelijkenis in de geschatte effecten geeft aan dat de ontbrekende gegevens de hoofdconclusies niet substantieel hebben vertekend.
Contextuele relevantie: De bevindingen sluiten aan bij bredere bewijzen die suggereren dat nutritionele ondersteuning alleen wellicht beperkte of gemengde effecten heeft op klinische uitkomsten in de TB-HIV-populatie, mogelijk door de korte duur van de interventie of aanhoudende catabole stressoren.
Methodologische bijdrage: Door PS-IPW en MI empirisch te vergelijken in een real-world klinische trial-context, benadrukt de studie het belang van het verder gaan dan CCA. Het onderstreept dat hoewel MI mogelijk een grotere efficiëntie biedt, PS-IPW waardevolle bias-controle biedt, en pleit voor het gebruik van complementaire methoden om geldige conclusies te waarborgen in wereldwijd gezondheidsonderzoek.

De auteurs concluderen dat toekomstig onderzoek in deze populatie langdurigere interventies en geïntegreerde sociale ondersteuning moet bevatten, terwijl strikt moet worden vastgehouden aan robuuste statistische plannen voor de afhandeling van ontbrekende gegevens om de integriteit van de resultaten van klinische trials te waarborgen.